La IA agéntica y el análisis: la próxima generación de herramientas para generar alfa

El análisis de inversión siempre ha tenido que lidiar con la complejidad. Los mercados generan más datos, más artículos, más información empresarial, más noticias, más conjuntos de datos alternativos y más relatos contrapuestos de las que cualquier equipo por sí solo puede procesar manualmente. El reto actual no consiste simplemente en encontrar información, sino en determinar qué es lo relevante, cuál es su grado de fiabilidad, si aporta algo nuevo y si puede traducirse en una propuesta de análisis o en una perspectiva de inversión.

Es aquí donde la IA agéntica puede empezar a transformar el proceso de análisis. La primera ola de IA generativa ayudó a las personas a trabajar más rápido: resumiendo documentos, redactando textos, programando y respondiendo a preguntas. Es útil, pero en gran medida está orientada a tareas concretas. La IA agéntica va más lejos, ya que admite flujos de trabajo con varias etapas, transfiere el contexto de una etapa a la siguiente, utiliza herramientas, supervisa tareas y genera resultados estructurados para que sean revisados por personas.

La figura 1 a continuación muestra cómo podría ser hoy en día —o llegar a ser en un futuro próximo— la mesa de análisis agéntica.

Este cambio es importante para el análisis de inversión, ya que constituye una cadena de trabajo: buscar ideas, recopilar datos, comprobar hipótesis, comparar señales, documentar resultados, cuestionar conclusiones y decidir si merece la pena dar continuidad a una idea. Sin embargo, en lugar de automatizar el juicio, el objetivo de la IA agéntica consiste en dotar a los analistas de una herramienta de análisis mejorada

El filtro en el proceso de análisis constituye un punto de partida práctico. Los equipos de inversión se enfrentan a un flujo constante de artículos académicos, análisis de mercado, informes de resultados, declaraciones ante autoridades reguladoras, notas internas y consultas de clientes. Gran parte de la inversión sigue partiendo de este tipo de discurso: flujo de noticias, cambios de política, debates entre analistas, comentarios de directivos y evolución del sentimiento de mercado.

Buena parte de ello puede ser relevante; sin embargo, es imposible leerlo en su totalidad. El tiempo de un analista humano es limitado, y siempre ha sido difícil utilizar esos datos sistemáticamente por su carácter cualitativo, contextual y, a menudo, caótico.

Un flujo de trabajo de análisis agéntico puede contribuir a separar la información relevante del ruido en una fase muy temprana al examinar grandes volúmenes de contenido, identificar lo que merezca un análisis más detallado, extraer las conclusiones clave y señalar de qué manera se solapa una nueva idea con el análisis ya existente. Por ejemplo, un agente encargado de escanear documentos no decide si una idea tiene sitio en una cartera. Ayuda a los analistas a decidir a qué le prestan atención.

De este manera, la interpretación puede ser más rigurosa y accionable. Al analista le corresponde decidir si esa interpretación tiene relevancia financiera, está descontada en el precio o aporta algo nuevo. Sin embargo, la IA contribuye a detectar pautas en distintas empresas o sectores, así como a comprobar si la idea es válida como señal.

Esto resulta especialmente útil para inversores que deseen combinar el análisis por fundamentales con una disciplina sistemática, lo que a menudo se describe como un enfoque «quantamental». La oportunidad no consiste en elegir entre juicio humano y análisis sistemático, sino en combinarlos de forma más eficaz: utilizar la IA para procesar la información del mercado a gran escala, al tiempo que los analistas se mantienen como responsables de las preguntas, la interpretación y la decisión de investigar más a fondo.

Una vez estructurada la información del mercado, el siguiente reto consiste en disciplinar el análisis. La IA sirve para discriminar las ideas propuestas, extraer metodologías, identificar los datos necesarios y facilitar el trabajo de replicación. Además, sirve para comparar las distintas opciones de diseño y documentar las ventajas e inconvenientes que conllevan.

Esa versatilidad conlleva un riesgo: la inteligencia artificial puede ampliar la búsqueda no solo de ideas prometedoras, sino también de falsos positivos. Un resultado plausible puede parecer convincente antes de analizarlo en mayor profundidad. Por lo tanto, el valor de un flujo de trabajo agéntico radica en hacer que el tránsito de la idea al dato contrastado sea más sistemático y fácil de cuestionar, al llevar un registro de qué se ha comprobado y porqué, de las hipótesis relevantes y de las posibles deficiencias, y de por qué se dio continuidad a una línea de investigación, se suspendió o se rechazó.

En ese sentido, la IA agéntica puede reforzar la memoria de análisis. Las pruebas fallidas no son una pérdida de tiempo si se lleva un registro adecuado. Forman parte del conocimiento institucional de la gestora, lo que sirve para que los futuros analistas se ahorren llegar al mismo callejón sin salida por una vía ligeramente diferente.

La documentación constituye una herramienta muy útil. El análisis de inversión suele depender de que alguien se acuerde de por qué se tomó una decisión: qué conjunto de datos se utilizó, qué hipótesis se descartaron, por qué no se adoptó una señal concreta o por qué se modificó un modelo.

Los flujos de trabajo agéntico pueden resultar de ayuda al crear un historial de datos sobre el análisis facilitado por la IA. Dicho historial puede incluir los documentos originales utilizados, los registros horarios de acceso, la versión del modelo o del flujo de trabajo, las herramientas utilizadas, las intervenciones de los analistas, las comprobaciones de estabilidad, los resultados de validación y la persona concreta que revisa. Lejos de ser un mero trámite administrativo, hace posible la revisión del análisis realizado con IA.

Un informe bien redactado generado por IA puede resultar peligroso si es imposible identificar la parte elaborada por el modelo, los cambios introducidos por el analista, las afirmaciones procedentes de fuentes externas y las conclusiones que fueron cuestionadas. Cuanto más se utiliza la IA para el análisis, más importante resulta diferenciar los resultados brutos del modelo de la labor de inversión aprobada por la firma de inversión.

En última instancia, la mesa de análisis del futuro podría estar más documentada, no menos. Podría ser más sistemática, no menos. Ser más transparente sobre la incertidumbre y menos segura por defecto.

Si la IA puede recopilar información, resumir artículos, redactar códigos y probar variantes con mayor rapidez, el analista puede dedicar menos tiempo a recopilar datos y más tiempo a evaluarlos. Para ello se requieren habilidades distintas: formular mejores preguntas, reconocer las pruebas poco sólidas, comprender el origen de los datos, cuestionar los resultados del modelo, detectar problemas de ejecución y saber cuándo no seguir con una idea.

Para los analistas más jóvenes, eso puede resultar especialmente importante. No cabe duda de que la IA puede facilitar el aprendizaje al impulsar el acceso a la información. Pero también puede generar una falsa sensación de control. No es igual comprender un método que leer un resumen. Replicar un resultado no equivale a saber si este tiene cabida en una estrategia real. En la era de la IA agéntica, la cultura de análisis sigue siendo tan relevante como siempre, ya que puede potenciar tanto los buenos hábitos como los malos.

Son las personas las que deciden si merece la pena plantear una pregunta. Son las personas las que deciden si un resultado tiene sentido financiero. Son las personas las que deciden si merece la pena seguir analizando una idea, darle prioridad o descartarla. Son las personas las que deciden si las pruebas tienen peso suficiente para iniciar un proceso de inversión. Por lo tanto, el valor de la IA agéntica en el análisis podría radicar no tanto en sustituir conocimientos especializados como en conectar diferentes formas de conocimiento especializado: el contexto de fondo, las pruebas sistemáticas, la disciplina de datos y el juicio humano.