Un usuario de X identificado como Argona aseguró que un agente de inteligencia artificial logró transformar USD 50 en USD 2.980 en solo 48 horas, operando de forma autónoma en Polymarket. El rendimiento, cercano al 6.000%, habría sido posible gracias a un sistema automatizado bajo la regla: “paga por ti mismo o muere”.
Según explicó su creador, el bot debía generar beneficios suficientes para cubrir sus propios costos operativos —incluyendo el uso de modelos de IA y la infraestructura— o se apagaba automáticamente si el saldo llegaba a cero.
Cómo funcionaba el bot
El agente escaneaba entre 500 y 1.000 mercados activos cada 10 minutos, construyendo estimaciones de valor razonable y ejecutando operaciones cuando detectaba desvíos superiores al 8%.
Para el razonamiento utilizaba la API de Claude, modelo desarrollado por Anthropic, pagando por cada consulta con parte de sus propias ganancias. Además, aplicaba el criterio de Kelly, limitando cada operación al 6% del capital disponible para reducir el riesgo de quiebra.
El sistema analizaba:
- Datos meteorológicos antes de que impactaran en mercados climáticos.
- Reportes de lesiones en eventos deportivos.
- Métricas on-chain y sentimiento en mercados vinculados a criptomonedas.
La ventaja competitiva residía en capturar información antes de que el mercado ajustara completamente los precios.
Infraestructura ligera, modelo exigente
El bot fue desarrollado en Rust y ejecutado en un servidor privado virtual de apenas USD 4,5 mensuales. Para coordinar su funcionamiento se utilizó Openclaw, una plataforma diseñada para desplegar agentes autónomos capaces de interactuar con APIs externas y ejecutar órdenes.
El experimento demuestra que la barrera no es necesariamente el costo de infraestructura, sino la calidad del modelo predictivo y la gestión del riesgo.
¿Resultado sostenible o caso puntual?
No se ha podido confirmar si la operativa se realizó con dinero real o en un entorno de simulación. Además, en mercados líquidos y competitivos las ineficiencias suelen corregirse rápidamente, lo que dificulta mantener rentabilidades extraordinarias en el tiempo.
Aunque el caso ilustra el potencial de los agentes de IA para automatizar análisis y trading, el verdadero desafío será comprobar si estos resultados pueden sostenerse bajo condiciones normales de mercado.
