Las monedas digitales emitidas por bancos centrales (CBDC, por sus siglas en inglés) están emergiendo como una alternativa moderna al dinero en efectivo y a las criptomonedas privadas.
Un reciente estudio publicado en la revista Quantitative Finance and Economics explora cómo la inteligencia artificial generativa puede ayudar a entender qué factores influyen en la aceptación o el rechazo de estas monedas digitales. El trabajo representa un novedoso experimento en el que se simulan miles de respuestas humanas ante un escenario hipotético de adopción de una CBDC.
¿Por qué importan las CBDC?
A medida que el dinero físico pierde protagonismo y crece el uso de medios de pago digitales, los bancos centrales de todo el mundo han comenzado a investigar —y en algunos casos implementar— sus propias monedas digitales. Estas buscan modernizar los sistemas de pago, reducir costos de transacción, aumentar la seguridad y fomentar la inclusión financiera. Países como Bahamas (con el Sand Dollar), Nigeria (e-Naira) o China (e-CNY) ya han dado pasos firmes en esta dirección.
No obstante, su adopción masiva dependerá de un factor clave: la aceptación del público. ¿Qué tan dispuestos están los ciudadanos a abandonar el efectivo y adoptar una moneda digital emitida por el Estado?
Inteligencia artificial al servicio de la economía
Para responder esta pregunta, el estudio utilizó un enfoque poco convencional: generó 663 respuestas sintéticas mediante inteligencia artificial (ChatGPT 4.0), imitando cómo podrían reaccionar personas reales ante la llegada de una CBDC. Estas respuestas simulan diferentes perfiles demográficos (edad, género, educación, ingresos, etc.) y variables como la influencia de amigos, medios de comunicación, experiencia financiera y aceptación por parte de comerciantes.
La metodología empleada —que incluye técnicas estadísticas como regresión logística y modelos CHAID— permitió identificar patrones de comportamiento en los “usuarios simulados”.
¿Qué factores influyen en la aceptación?
El estudio revela que el entorno social (lo que piensan los amigos y familiares), la identidad financiera del individuo y las fuentes de información son los factores más determinantes a la hora de decidir si aceptar o rechazar una CBDC. Por ejemplo:
- Si un amigo cercano rechaza la CBDC, es muy probable que el individuo también lo haga.
- Los entusiastas de las criptomonedas son los más escépticos con las CBDC.
- Las personas sin experiencia financiera tienden a esperar más información antes de tomar una decisión.
- Los usuarios más jóvenes, y aquellos más conectados a redes sociales, son más proclives a mostrarse abiertos a la idea, aunque con cautela.
En cambio, variables como género o nivel de ingresos mostraron un impacto menor en la decisión.
¿Son fiables estos resultados?
Aunque los datos son simulados, el estudio muestra que los patrones obtenidos coinciden con investigaciones previas realizadas con personas reales. La precisión del modelo CHAID alcanzó un 92,6%, mientras que la regresión logística logró predecir correctamente el 96,4% de los casos, especialmente en las decisiones de “rechazar” o “esperar más información”.
No obstante, los autores advierten que este tipo de simulaciones no pueden captar todas las complejidades del comportamiento humano real. Factores emocionales, históricos o culturales no siempre son replicables por modelos de inteligencia artificial.
¿Un futuro digital más inclusivo?
El uso de la inteligencia artificial para anticipar cómo podría comportarse la población ante una CBDC ofrece a los bancos centrales una herramienta potente para planificar políticas públicas más informadas. También plantea nuevos retos: ¿Cómo comunicar los beneficios de la moneda digital?, ¿Qué grupos sociales podrían quedar rezagados?, ¿Cómo se equilibra la privacidad con la trazabilidad?
Si bien aún quedan muchas preguntas abiertas, el potencial de las CBDC para transformar la economía es enorme. Su éxito, sin embargo, dependerá no solo de la tecnología, sino de la confianza y percepción del público. Como sugiere el estudio, entender estas dinámicas desde el inicio podría marcar la diferencia.
Fuente: “Evaluating the acceptance of CBDCs: experimental research with artificial intelligence (AI) generated synthetic response”. Sergio Luis Náñez Alonso, Peterson K. Ozili, Beatriz María Sastre Hernández y Luís Miguel Pacheco. Quantitative Finance and Economics, 2025. https://doi.org/10.3934/QFE.2025008