La Reserva Federal de EE.UU. Actúa para Eliminar la Norma de 'Riesgo Reputacional' ante Preocupaciones de Desbancarización Cripto

TheNewsCryptoPublicado a 2026-02-24Actualizado a 2026-02-24

Resumen

La Reserva Federal de EE. UU. propone eliminar la "evaluación de riesgo reputacional" de la supervisión bancaria, tras ser criticada por su papel en la exclusión de empresas de criptomonedas del sistema bancario. La medida, anunciada el 23 de febrero, busca convertir en ley la directiva de 2025 que prohíbe presionar a bancos para cerrar cuentas por motivos reputacionales, limitando las decisiones únicamente a criterios de gestión de riesgo financiero. La vicepresidenta de supervisión, Michelle Bowman, señaló que se han documentado casos problemáticos de exclusión bancaria basada en creencias políticas, religiosas o negocios legales pero desfavorecidos. La senadora Lummis y Alex Thorn de Galaxy Digital celebraron la iniciativa, calificándola como un fin a la "Operación Chokepoint 2.0", término usado por la industria para describir esfuerzos coordinados contra las criptocompañías.

La Reserva Federal de EE.UU. busca codificar una norma que elimine el "riesgo reputacional" de la supervisión bancaria, lo que algunos han condenado por una ola de desbancarización de cripto en los últimos años.

Inicialmente, la Fed comenzó a realizar cambios en junio de 2025 y publicó que había dirigido a sus supervisores a dejar de presionar a los bancos para que cierren cuentas de clientes por riesgo reputacional, afirmando que los bancos solo pueden tomar decisiones sobre clientes basándose en la gestión de riesgos financieros.

El 23 de febrero, la Fed anunció mediante un comunicado de prensa que está solicitando comentarios sobre una propuesta para convertir esto en ley. La Fed ha dado un plazo de dos meses para enviar comentarios.

Michelle Bowman, la vicepresidenta de supervisión, mencionó que hemos escuchado casos preocupantes de desbancarización, donde los supervisores utilizan preocupaciones sobre el riesgo reputacional para presionar a las instituciones financieras a desbancar a clientes debido a sus opiniones políticas, creencias religiosas o participación en negocios legales pero desfavorecidos.

Continuó añadiendo que la discriminación a través de instituciones financieras por estas bases es ilegal y no tiene cabida en la infraestructura de supervisión de la Reserva Federal. El mismo día, Lummis publicó en X elogiando la medida y añadió que no es el papel de la Fed actuar como juez y jurado para las empresas de activos digitales bancarios.

Escribió: "Contento de ver este paso significativo para eliminar permanentemente el 'riesgo reputacional' de la política de la Fed y dar por terminado el Operation Chokepoint 2.0 para que América pueda ser la capital mundial de los activos digitales".

Alex Thorn, el jefe de investigación de Galaxy Digital, también aplaudió la medida, mencionando a través de X el 23 de febrero que "el desmantelamiento del Chokepoint 2.0 continúa".

El término 'Operation Chokepoint 2.0' es utilizado por muchos miembros de la industria cripto para describir lo que sintieron como un esfuerzo coordinado del gobierno de EE.UU. guiado por Joe Biden y el sector bancario para evitar que las empresas de cripto aprovechen los servicios bancarios tradicionales.

Destacado de Noticias Cripto Hoy:

Crypto.com Obtiene Aprobación Condicional de la OCC para Lanzar un Banco Nacional Fiduciario

EtiquetasCryptoFEDUSA

Preguntas relacionadas

Q¿Qué está haciendo la Reserva Federal de EE.UU. respecto a la 'reputación de riesgo' en la supervisión bancaria?

ALa Reserva Federal está trabajando para codificar una regla que elimine la 'reputación de riesgo' de la supervisión bancaria, tras haber dirigido previamente a sus supervisores a dejar de presionar a los bancos para que cierren cuentas de clientes por este motivo.

Q¿Qué casos problemáticos mencionó Michelle Bowman en relación con el 'debanking'?

AMichelle Bowman mencionó casos preocupantes de 'debanking' donde supervisores utilizaron preocupaciones sobre reputación de riesgo para presionar a instituciones financieras a cerrar cuentas de clientes debido a sus opiniones políticas, creencias religiosas o participación en negocios legales pero desfavorecidos.

Q¿Qué comentó la senadora Lummis sobre esta medida de la Fed en su publicación de X?

ALa senadora Lummis elogió la medida, afirmando que no es papel de la Fed actuar como juez y jurado para empresas de activos digitales bancarios, y celebró este paso significativo para eliminar permanentemente la 'reputación de riesgo' de la política de la Fed.

Q¿Qué significa el término 'Operation Chokepoint 2.0' según la industria crypto?

AEl término 'Operation Chokepoint 2.0' es utilizado por la industria crypto para describir lo que perciben como un esfuerzo coordinado del gobierno estadounidense y el sector bancario para evitar que las empresas de criptomonedas accedan a servicios bancarios tradicionales.

Q¿Qué aprobación relevante para el sector crypto se menciona al final del artículo?

ACrypto.com obtuvo la aprobación condicional de la OCC (Office of the Comptroller of the Currency) para lanzar un banco fiduciario nacional.

Lecturas Relacionadas

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

Resumen del informe del primer trimestre de 2026 sobre Ethereum, por Token Terminal. El reporte destaca una tendencia clave: la cantidad de usuarios activos mensuales (13.2 millones, +53.5%), las transacciones (200.4 millones, +38%) y el rendimiento de la red (25.78 TPS) alcanzaron máximos históricos, mientras que las tarifas de transacción en la capa principal cayeron un 47.9% intertrimestral. Este fenómeno, denominado la "Paradoja de Jevons", sugiere que Ethereum está priorizando deliberadamente la expansión a corto plazo sobre la captura de ingresos inmediatos. La actualización Fusaka, que aumenta la capacidad de datos y reduce el costo del espacio de bloque, es un factor clave. La narrativa central de Ethereum se está desplazando de una cadena de bloques DeFi a una capa de liquidación financiera global. Ethereum mantiene una posición dominante en activos tokenizados, con una capitalización total de $2 billones (-0.7% intertrimestral). Destacan el crecimiento de los fondos tokenizados ($194 mil millones, +4.9%) y las materias primas tokenizadas ($47 mil millones, +60%), reflejando una mayor adopción institucional por parte de entidades como BlackRock y JPMorgan. A pesar de una caída del 30.3% en su capitalización de mercado totalmente diluida, la base de titulares de ETH creció a 292.8 millones. En resumen, Ethereum está sacrificando ingresos a corto plazo para impulsar la adopción, consolidándose como la infraestructura de liquidación preferida para las finanzas tokenizadas, con el objetivo de que una mayor demanda de red compense las tarifas más bajas a largo plazo.

marsbitHace 1 hora(s)

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

marsbitHace 1 hora(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

El CEO de Intel, Chen Lifu, expresó en una entrevista en un podcast su objetivo de multiplicar por diez el valor de la empresa en un plazo de 5 a 10 años. Para lograrlo, está centrando la estrategia en la superación de los límites físicos de la miniaturización de los semiconductores, invirtiendo en tres áreas clave: tecnologías avanzadas de empaquetado como EMIB, nuevos materiales como el nitruro de galio (GaN), carburo de silicio (SiC), fosfuro de indio (InP) y diamante sintético, y sustratos innovadores como el de vidrio. Destacó que la explosión de la IA, especialmente los agentes autónomos y la inferencia, está impulsando una fuerte demanda de CPUs, cambiando la proporción CPU/GPU en servidores. Chen Lifu también defendió la apuesta de Intel por el negocio de fundición (foundry), subrayando que es crucial para la seguridad de la cadena de suministro en EE.UU. y que se basa en generar confianza a través de altos rendimientos y fiabilidad. Reveló detalles de la colaboración Terafab con Elon Musk para construir fábricas de chips y abordar la escasez de capacidad. Reconoció que Intel aún está en una fase de transformación ("gatear"), reconstruyendo equipos y capacidades fundamentales, pero proyecta que su verdadero potencial en mercados como la informática de borde, la IA física y la de agentes comenzará a materializarse hacia 2030-2032. Con una mentalidad de capitalista de riesgo, su meta clara es entregar un retorno de 10x a los accionistas en la próxima década.

marsbitHace 1 hora(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

marsbitHace 1 hora(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

En la actualidad, el mercado de inversión está obsesionado con los "Modelos del Mundo". Sin embargo, Pete Florence, ex científico de DeepMind y co-creador de la arquitectura Vision-Language-Action (VLA), fundó Generalist AI y rechaza esta etiqueta. Para él, el objetivo concreto es más importante: crear robots que realicen cualquier tarea con alta tasa de éxito sin datos específicos. Recientemente, Generalist AI recaudó 400 millones de dólares (unos 2.700 millones de RMB) en una ronda de financiación, alcanzando una valoración de 2.000 millones de dólares. Inversores incluyen NVentures de Nvidia, Bezos Expeditions, NFDG, y figuras como el cofundador de Xiaomi Lin Bin, el fundador de Zoom Eric Yuan, y la renombrada científica Fei-Fei Li. Florence, influenciado por su mentor en el MIT Russ Tedrake, prioriza comprender el mundo físico. Su enfoque comienza estableciendo una meta clara, luego diseña la ruta técnica. Tras dejar Google, lanzó Generalist AI en 2025. La compañía presentó su primer modelo de IA incorporada, GEN-0, en noviembre de 2025, demostrando que las leyes de escalado de los LLMs también se aplican al movimiento físico. En abril de 2026, presentaron GEN-1, entrenado con más de 50.000 horas de datos de interacción física recogidos por un dispositivo portátil. GEN-1 logra un 99% de éxito en tareas como plegar cajas y empaquetar teléfonos, siendo tres veces más rápido que GEN-0. Este avance acerca el modelo a un punto de inflexión similar al GPT-3, mostrando un rendimiento apto para despliegues comerciales en ciertas tareas. La inversión récord respalda la visión de Florence: robots universales que sean lo suficientemente expertos en tareas reales como para ser útiles, avanzando hacia la reducción del coste marginal del trabajo físico a cero. La etiqueta "Modelo del Mundo" queda así en segundo plano frente a los resultados tangibles.

marsbitHace 1 hora(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

marsbitHace 1 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

En solo tres días, Google ha perdido a dos leyendas de la IA. El 18 de junio, Noam Shazeer, coautor del seminal trabajo "Attention is All You Need" y copresponsable de Gemini, anunció su salida para unirse a OpenAI. Dos días después, John Jumper, ganador del Nobel de Química 2024 y líder de AlphaFold, dejó Google DeepMind para incorporarse a Anthropic. Estas partidas no son incidentes aislados, sino parte de una tendencia clara de fuga de talento de Google hacia OpenAI y Anthropic, como lo confirma también la reciente incorporación a Anthropic del exmiembro fundador de OpenAI, Andrej Karpathy. El trasfondo de este éxodo es fundamentalmente una cuestión de misión y enfoque. El modelo de negocio central de Google, basado en la publicidad, impone una lógica orientada a productos y métricas comerciales que, en última instancia, restringe la investigación pura. En contraste, tanto OpenAI (con su misión de AGI) como Anthropic (centrada en la seguridad y la ciencia) ofrecen un entorno de trabajo enfocado únicamente en empujar los límites de las capacidades de los modelos. A esto se suma la fuerte atracción financiera: OpenAI y Anthropic están en camino a una OPI, lo que promete una recompensa económica masiva a través de capital para sus empleados, algo que la ya gigantesca Google difícilmente puede igualar. La fusión de Google Brain y DeepMind en 2023, destinada a consolidar esfuerzos, ha generado en cambio tensiones culturales y ha hecho más evidente la presión por alinear la investigación con los objetivos de los equipos de productos. El resultado es una reorganización estructural del mapa del talento en IA. Google, a pesar de sus vastos recursos en computación y datos, está perdiendo a las personas que definen el futuro del campo. La verdadera ventaja competitiva en IA reside en retener a las mentes más brillantes, y Google está descubriendo que esa es quizás su batalla más difícil.

marsbitHace 3 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

marsbitHace 3 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

Cada vez que se lanza un modelo de IA de vanguardia, la comunidad fija su atención en ciertas "hojas de resultados" familiares: MMLU-Pro, MMMU, MMMU-Pro. Estos puntos de referencia se han convertido en exámenes estándar para evaluar y comparar modelos como GPT, Claude, Gemini, Llama, Qwen y DeepSeek. Detrás de estas influyentes evaluaciones está el investigador chino Wenhu Chen, profesor asistente en la Universidad de Waterloo y fundador del TIGERLab (apodado "虎头帮"). Su trabajo surge de una necesidad crítica: a medida que los modelos avanzaban, las pruebas antiguas como MMLU se saturaban con puntuaciones casi perfectas, dejando de ser útiles para discernir diferencias reales. En 2024, Chen y su equipo presentaron MMLU-Pro, una renovación exhaustiva del original. Con 12,032 preguntas de 14 disciplinas, aumenta las opciones de respuesta de 4 a 10 para reducir las conjeturas e incorpora problemas más complejos que requieren razonamiento. El resultado fue una caída del 16% al 33% en la precisión de los modelos y una evaluación más estable y discriminatoria, rápidamente adoptada por la industria. Su contribución se extiende al ámbito multimodal con MMMU, un conjunto de 11,500 preguntas que combinan imágenes (gráficos, mapas, fórmulas) con conocimientos académicos para probar una comprensión integrada. Incluso los mejores modelos como GPT-4V inicialmente solo alcanzaron un 56% de precisión, revelando un largo camino por recorrer. Su sucesor, MMMU-Pro, cierra aún más las brechas, obligando a los modelos a utilizar la información visual y no solo el texto. La experiencia de Chen, que incluye investigación doctoral en preguntas complejas y una etapa en Google DeepMind trabajando en Gemini, le permite anticipar cómo los modelos pueden "aparentar" competencia. Su laboratorio no solo diseña evaluaciones, sino que también desarrolla modelos (como UniVideo para video o MoCha para avatares), asegurando que sus "exámenes" reflejen desafíos reales y los límites actuales de la tecnología. Actualmente, Chen continúa este trabajo en el laboratorio de superinteligencia de Meta, enfocado en datos y evaluación multimodal. Su historia destaca el papel fundamental, aunque a menudo menos visible, de los investigadores que construyen las herramientas para medir el verdadero progreso de la IA.

marsbitHace 3 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

marsbitHace 3 hora(s)

Trading

Spot
Futuros
活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow