¡Enséñame la Pasta!: Algoritmos Fiduciarios Aprovechando la IA Generativa para la Inteligencia Financiera Escalable

El asesoramiento financiero está entrando en una nueva era mientras los modelos de lenguaje grandes (LLM) como ChatGPT evolucionan de simples chatbots a asistentes de investigación "cuantamental". Anotad este término quienes os dediquéis a consultar clientes.

Por Frank Escandell

Prácticamente todos los Gen X, y algunos millenials, recuerdan la ya legendaria frase de Jerry Maguire (Tom Cruise), en la película de 1996 del mismo nombre, en un intento histérico por retener sus clientes. El único que se quedó con él, Rod Tidwell (Cuba Gooding Jr.), le obligó a decir esta frase y Jerry tuvo que materializarla, sí o sí. Esta es la nueva aventura de los mercados, ante tanto humo y tanta euforia sobre la IA generativa. Empecemos.

Según el profesor Andrew Lo, director del Laboratorio de Ingeniería Financiera en la MIT School of Management, la IA generativa puede combinar el análisis profundo de datos con la comprensión humana del permitiendo a los analistas cubrir más empresas, personalizar el asesoramiento a escala y detectar riesgos más rápidamente. Este cambio promete mayor productividad, menores costes y un acceso más amplio a asesoramiento financiero de calidad, siempre que resolvamos los problemas restantes en torno a errores, ética y regulación.

La ponencia y posterior entrevista de Lo en el pasado evento EmTech AI 2025, al cual asistió OdiseIA, en Cambridge, mostró que la IA actual ya puede aprobar exámenes de licencia financiera, redactar análisis fundamentales y proponer carteras específicas para clientes. 

Lo prevé un progreso rápido en la reducción de errores de la IA ("alucinaciones") y en la construcción de baterías de pruebas que aseguren que los modelos cumplan con los estándares fiduciarios legales. Los próximos pasos incluyen forjar la confianza con los usuarios finales, integrar la IA en programas de formación y diseñar una supervisión que mantenga el asesoramiento tanto preciso como imparcial.

Perspectivas Clave de un Vistazo

• La IA permite a los analistas fundamentales seguir muchas más empresas. Donde los humanos una vez manejaban 10-20 valores y generaban cinco ideas al año, los LLM pueden apoyar 100 nombres y 20-30 ideas, impulsando el flujo de ideas sin personal adicional1.

• El asesoramiento puede personalizarse automáticamente. Al combinar datos del cliente (perfil de riesgo, objetivos, necesidades de liquidez) con información en tiempo real, la IA puede ofrecer millones de recomendaciones personalizadas a la vez.

• Los errores no desaparecerán de la noche a la mañana, pero se reducirán. El ajuste específico de dominio, las capas de recuperación y las verificaciones cruzadas están en camino de reducir las tasas de error de la IA a los mismos niveles observados con asesores humanos júnior.

• La industria se dividirá entre estrellas habilitadas por IA y aquellos que se queden atrás. Los analistas top que adopten la IA gestionarán carteras más grandes y ganarán comisiones más altas, mientras que los rezagados enfrentarán presión de comisiones y posible salida.

• Los reguladores tienen la clave para escalar. El equipo de Lo está construyendo pruebas tipo examen y escenarios de casos de estudio para que la SEC (Comisión de Bolsa y Valores de EE.UU.) y otros organismos puedan certificar "algoritmos fiduciarios" antes de que asesoren a inversores minoristas.

Cambio Histórico: De Modelos Estadísticos a Comprensión del Lenguaje

En el pasado, los famosos cuantitativos dependían de modelos de factores, señales de impulso y operaciones de alta velocidad, mientras que los inversores fundamentalmente leían informes y escuchaban llamadas de resultados. Los LLM fusionan estos mundos: convierten documentos financieros, noticias y transcripciones en datos estructurados que los algoritmos pueden optimizar. 

El resultado es investigación que lee como el memorando de un humano, pero opera como el programa de un cuantitativo.

La investigación de Lo sobre "entrar en pánico" muestra que muchos inversores venden por pánico después de una caída del 25%, luego permanecen en efectivo demasiado tiempo y se pierden los rebotes. La IA puede detectar señales de miedo, enviar advertencias y sugerir planes de reingreso escalonado. Esto tanto protege a los hogares de pérdidas autoinfligidas como crea un nuevo alpha para las empresas que usan la estrategia.

Lo visualiza tres capas que llama “Flujos de Trabajo Cuantamentales” como la forma de investigación idónea para que luego la solución pueda “enseñar la pasta”.

1. Un corpus de textos específicos de finanzas (regulaciones, casos legales, operaciones históricas) para el ajuste del modelo.

2. Un índice de datos en tiempo real que alimenta datos fundamentales frescos a la IA.

3. Un motor de razonamiento que redacta análisis—completo con modelos de valoración y pruebas de estrés—y cita sus fuentes para pistas de las auditorías.

Gestionando Errores de IA: Abordando las Alucinaciones

La IA generativa a veces inventa detalles o calcula mal números. Para arreglar esto, Lo recomienda: 

• indicaciones aumentadas por recuperación que atan el texto a documentos reales, 

• derivar la aritmética a motores confiables, y 

• registrar todas las interacciones de IA para revisión posterior. 

  
  

Las primeras pruebas redujeron las declaraciones falsas de dobles dígitos a dígitos individuales bajos, igualando las tasas de error de analistas júnior.

Incrustando Ética: Idoneidad y Deber Fiduciario

La ley americana exige que el asesoramiento financiero se ajuste a las necesidades de cada cliente y que ponga a los clientes primero. El grupo de Lo está codificando acciones de cumplimiento pasadas y fallos de arbitraje en el entrenamiento de IA, muy parecido a como los alumnos humanos aprenden de casos de estudio. 

Básicamente están construyendo baterías de exámenes que la IA debe aprobar antes de dar asesoramiento a inversores minoristas bajo la supervisión de la SEC (Comisión de Bolsa y Valores de EE.UU.).

Confianza y Sesgo de Automatización

Las personas a menudo confían demasiado o muy poco en las máquinas. Es así de extremo. En las finanzas, muchos usuarios comienzan escépticos, pero con el tiempo una IA útil puede construir confianza. Los diseñadores deben equilibrar la facilidad de uso con "fricción crítica"—recordatorios que animan a los usuarios a pensar, no sólo a seguirles—para prevenir la confianza ciega.

Si la IA puede redactar memorandos de inversión sólidos, la educación financiera debe cambiar del análisis puro al diseño de indicaciones, métodos de supervisión y verificaciones éticas. Las escuelas de negocios ya están ejecutando cursos finales donde los estudiantes critican investigación generada por IA, aprendiendo a colaborar con algoritmos.

Mientras más empresas usen LLMs, mejor podrán las valoraciones erróneas simples desvanecerse, pero las estrategias complejas—coberturas de eventos inusuales, pronósticos de escenarios, transferencias intersectoriales—ganarán valor. Un nuevo Alpha sería el surgimiento de un mercado secundario para "modelar los modelos", mientras las empresas buscan detectar comportamiento de rebaño y explotarlo.

Más allá de pronosticar, los LLM pueden simular historias corporativas con el proverbial "qué pasaría si". Por ejemplo: "Si una gran ley climática expira en 2028, ¿cómo cambiaría eso el flujo de caja de Tesla bajo diferentes curvas de coste de baterías?" La IA es capaz de entretejer política, datos de coste y divulgaciones en planes de escenarios coherentes, combinando probabilidad con imaginación estratégica.

Despliegue Global y Reglas de Datos

Las estrictas leyes de datos de Europa – manifestó Lo durante su entrevista – plantean desafíos para las herramientas de IA globales, mientras que los mercados emergentes pueden avanzar con modelos de código abierto locales. 

Podemos ver pilas especializadas para ESG en Escandinavia o asesoramiento compatible con la sharia en Oriente Medio y el Sudeste Asiático—es decir, la IA ajustada no sólo a normas y regulaciones regionales, sino también a sus propios valores. Esto evita el llamado ‘colonialismo tecnológico’.

Ingeniería para Escala y Sostenibilidad

Los modelos de IA grandes demandan enormes presupuestos de computación y energía. Técnicas como modelos de expertos dispersos, recuperación comprimida y ajuste federado pueden reducir costes y la huella de carbono por factores de diez. El trabajo de laboratorio muestra que modelos pequeños y dirigidos pueden igualar a los enormes en preguntas y respuestas financieras mientras funcionan más rápido y de manera más ecológica.

Cómo las Empresas Adoptan la IA: Una Vista Etnográfica

Las empresas líderes siguen un camino de tres etapas: pruebas en entorno controlado, producción limitada en pruebas retrospectivas y memorandos, e integración de trading completa. La resistencia a menudo refleja preocupaciones sobre cambiar la identidad profesional más que la precisión bruta. Posicionar la IA como un "exoesqueleto" que refuerza, no reemplaza, el juicio humano alivia los obstáculos culturales.

La IA podría reducir los costes de asesoramiento de puntos porcentuales a fracciones, abriendo acceso a millones que ahora no pueden permitirse un asesor. Pero si unos pocos grandes proveedores capturan todo el valor, las ganancias pueden re-centralizarse. 

Las indicaciones efectivas guían a la IA para explicar cadenas causales, sopesar pros y contras, y descubrir sesgos. Los analistas que dominen el diseño de indicaciones convierten la IA en un "andamiaje cognitivo", obteniendo perspectivas más profundas y reduciendo el sesgo de confirmación. Con el tiempo, las bibliotecas de indicaciones se convierten en activos compartidos, controlados por versión y optimizados como código.

Los reguladores en Estados Unidos y Reino Unido están experimentando con "entornos controlados" que permiten que las reglas evolucionen con la tecnología—un enfoque que Lo respalda para equilibrar innovación y competencia, pero difícil en el contexto europeo continental.

Preguntas Abiertas para Investigadores

Los principales desafíos permanecen: pruebas formales del deber fiduciario algorítmico, auditorías de sesgos ocultos del modelo, y monitoreo en tiempo real del riesgo sistémico por el uso generalizado del modelo. 

El laboratorio de Lo está abordando estos desafíos a través de pruebas de estrés combinadas, análisis de casos legales, y entrevistas con traders—destacando el futuro de la investigación IA-finanzas como profundamente interdisciplinaria.