La IA agéntica y el alfa: ¿qué ventaja competitiva crea realmente la IA?

La inteligencia artificial forma parte de la inversión cuantitativa desde hace décadas. El aprendizaje automático, el procesamiento del lenguaje natural y los datos alternativos ya se utilizan para identificar patrones, extraer señales y procesar información a una escala que resultaría imposible de alcanzar manualmente. Sin embargo, el auge de la IA agéntica plantea una cuestión diferente.

Los primeros debates en torno a la IA en el ámbito de la inversión solían centrarse en la capacidad de los modelos. ¿Puede la IA predecir mejor la rentabilidad, detectar nuevas señales o automatizar la investigación? Esas preguntas siguen siendo pertinentes. Sin embargo, a medida que más gestoras tienen acceso a modelos base similares, la pregunta más importante puede ser la siguiente: ¿en qué consiste realmente tener ventaja en materia de inversión? Es poco probable que la respuesta radique únicamente en tener acceso a modelos de IA.

Cuando todo el mundo puede obtener la licencia de modelos potentes en condiciones similares, el acceso a un modelo deja de ser el factor diferencial. Como se destaca en la figura 1 que aparece a continuación, la ventaja duradera tiende a integrarse en el flujo de trabajo articulado en torno al modelo: cómo se formulan las preguntas de análisis, cómo se mapean los datos, cómo se registran los fallos de validación anteriores, cómo se aplican las restricciones de la cartera, cómo se revisan las recomendaciones y qué personas siguen siendo responsables de las decisiones de inversión

La IA agéntica se diferencia de un asistente de IA típico. Un asistente suele responder a una instrucción: resume esto, redacta aquello, completa este código. Un sistema agéntico alcanza un objetivo siguiendo distintas fases. Puede transferir el contexto de una fase a la siguiente, decidir qué herramientas utilizar y generar un resultado sobre el que pueda actuar una persona u otro sistema.

De hecho, una vez que la IA es capaz de intervenir en todo un flujo de trabajo, la pregunta clave pasa a ser la siguiente: ¿parece precisa la respuesta del modelo? ¿Ha sido el flujo de trabajo seguro, verificable y reversible?

Ello reviste especial importancia en el ámbito financiero. Los mercados proporcionan información confusa y con retraso. Los falsos positivos pueden parecer convincentes. Las muestras históricas suelen ser escasas en comparación con el número de ideas que se comprueban. Un memorándum bien redactado puede generar más confianza infundada que uno torpe, sobre todo si tras una prosa fluida se esconden afirmaciones sin fundamento.

Las decisiones de inversión también se enfrentan a limitaciones que un modelo por sí solo quizá no pueda comprender en su totalidad: términos del mandato, presupuestos de riesgo, liquidez, costes de transacción, exposición a índice de referencia, fiscalidad, capacidad de ejecución y solapamiento con señales ya existentes. Una idea interesante desde el punto de vista estadístico no tiene por qué ser necesariamente una idea en la que valga la pena invertir.

Por ello, la promesa de la IA agéntica en el ámbito de la inversión no debería definirse como «generación autónoma de alfa». Un enfoque más realista y útil consiste en considerar que la IA agéntica puede ampliar, acelerar y disciplinar la búsqueda de ideas de inversión, siempre y cuando el flujo de trabajo circundante tenga suficiente solidez para detectar errores antes de que tengan consecuencias.

En una perspectiva centrada en el modelo de IA, el foco se pone en determinar qué modelo es el mejor. Desde una perspectiva centrada en los flujos de trabajo, el foco se pone en lo que el modelo está autorizado a leer o hacer, en lo que debe dejar registrado y en cuándo es necesaria autorización humana.

Lo más importante es que las gestoras puedan crear algo más difícil de imitar. Un modelo de IA puede sustituirse, pero no así el historial de investigación de una empresa, ni sus mapas de datos propios, ni las pruebas fallidas anteriores, ni las normas de elevación jerárquica, ni la disciplina en la construcción de la cartera, ni el conocimiento adquirido sobre cuándo suelen fallar señales aparentemente atractivas.

Todo esto les resulta familiar a los inversores cuantitativos. La calidad del análisis no solo pasa por identificar una señal prometedora, sino también por comprobar si es sólida, acumulable, ejecutable y está en consonancia con los objetivos de la cartera. La IA agéntica no hace más que reforzar la necesidad de integrar esa disciplina tradicional en el flujo de trabajo.

Por tanto, la ventaja ya no estaría en «¿quién tiene el mejor modelo?» sino en «¿quién cuenta con el mejor proceso de análisis controlado en torno al modelo?».

Una forma práctica de plantearse los flujos de trabajo agénticos controlados consiste en verlos como un filtro triple: fundamentación, estabilidad y autorización. En el capítulo titulado «La IA y la gobernanza» analizamos estos tres aspectos con más detalle.

Por fundamentación se entiende que el flujo de trabajo debe demostrar que la información utilizada estaba disponible en el momento en que el análisis pretende haberse realizado, de modo que en el proceso de análisis no se introduce información posterior. La estabilidad garantiza que el modelo no solo transmite confianza, sino que también ofrece un resultado estable que puede ser analizado. Por último, la autorización o gestión de permisos consiste en establecer límites que se aplican a través de la infraestructura y los derechos de aprobación, sin dejarlo a criterio del propio modelo.

En conjunto, estas funciones contribuyen a que la IA autónoma pase de ser un asistente ingenioso a convertirse en un elemento controlado del proceso de inversión. En lugar de garantizar alfa, contribuyen a que el trabajo respaldado por la IA esté fundamentado, sea comprobable y esté debidamente limitado antes de que las personas decidan qué hacer con él.

Analicemos un flujo de trabajo habitual del análisis cuantitativo. Un nuevo artículo académico propone un posible factor a tener en cuenta. Un flujo de trabajo agéntico escanea el artículo, resume la metodología, alinea los datos necesarios con el entorno de investigación de la empresa, ejecuta una réplica, compara el resultado con los modelos existentes y redacta un memorándum que resume los resultados.

Puede ahorrar tiempo. Sin embargo, antes de que una idea influya en un modelo o una cartera, el flujo de trabajo debe responder a una pregunta más concreta que incide en el alfa: ¿qué se ha demostrado exactamente?

Un proceso de trabajo controlado debería poner de manifiesto si la señal propuesta se ha replicado, si los datos corresponden a un momento concreto, si el resultado se mantiene ante variaciones razonables, si supone una aportación adicional a los modelos existentes y si sigue siendo viable tras tener en cuenta las restricciones sobre costes, liquidez, riesgo y mandato. Si la idea no supera esos obstáculos, el flujo de trabajo debería registrar el motivo por el que se ha rechazado o por el que aún no está lista, en lugar de presentarla como una propuesta adicional.

El agente puede preparar los datos y poner de relieve los puntos decisivos, pero no debe decidir si incluir la señal en un modelo ni asignar capital. Esas decisiones siguen correspondiendo a personas concretas.

En términos de valor inmediato, el argumento a favor de la IA agéntica es que puede elevar el nivel de exigencia necesario para demostrar que se genera alfa. Por ejemplo: ¿puede reducir las afirmaciones sin fundamento antes de someterlas a revisión por un superior? ¿Puede explicitar las hipótesis de partida? ¿Puede revelar la inestabilidad de un resultado propuesto? ¿Puede indicar si una señal realmente aporta algo a lo que ya figura en la cartera? ¿Puede identificar las limitaciones de ejecución que serían relevantes en un entorno real?

Se trata de resultados del proceso cuantificables que añaden rigor al tránsito de la idea a la decisión de inversión. En la gestión de activos, un procedimiento deficiente puede convertir un análisis prometedor en una ejecución deficiente. Un procedimiento sólido contribuye a garantizar que las ideas se proponen, revisan o rechazan por los motivos adecuados. La IA agéntica puede resultar valiosa precisamente porque sirve para institucionalizar determinados aspectos de ese marco, siempre y cuando incorpore controles desde el principio.