Inteligencia artificial en inversiones: el desafío ya no es acceder a más información, sino tomar mejores decisiones
- Obtener enlace
- X
- Correo electrónico
- Otras aplicaciones
Inteligencia artificial en inversiones: el desafío ya no es acceder a más información, sino tomar mejores decisiones
La automatización del análisis financiero permite procesar grandes volúmenes de datos, construir escenarios y monitorear riesgos. Sin embargo, especialistas advierten que la calidad de las decisiones sigue dependiendo del criterio humano para interpretar resultados y validar supuestos.
El exceso de información se ha convertido en uno de los principales desafíos del análisis de inversiones. Reportes financieros, indicadores macroeconómicos y noticias de mercado generan un flujo constante de antecedentes que los profesionales deben procesar antes de decidir dónde invertir.
La inteligencia artificial (IA) está modificando este escenario. Su capacidad para revisar documentos, identificar tendencias y automatizar tareas reduce el tiempo dedicado a actividades operativas. Pero también plantea una pregunta fundamental: ¿hasta qué punto es conveniente confiar en los resultados de sistemas capaces de generar análisis financieros en cuestión de segundos?
Para Felipe Torres, gestor de portafolios de inversión en AFP Habitat y docente de la Formación Profesional en Inversiones con IA Generativa de Unegocios FEN, la clave está en distinguir entre procesar información e interpretar sus implicancias. Si bien un sistema de inteligencia artificial puede identificar un aumento en los márgenes de una compañía, es el analista quien debe determinar si esa mejora es sostenible en el tiempo o responde a factores transitorios.
En otras palabras, disponer de información procesada no equivale necesariamente a contar con una tesis de inversión fundamentada.
De las tareas manuales al análisis estratégico
Una parte importante del trabajo financiero todavía está asociada a actividades repetitivas, como recopilar cifras, revisar documentos y trasladar información entre plataformas.
Sebastián Egaña, ingeniero comercial y magíster en Finanzas de la Universidad de Chile, y director de la Formación Profesional en Inversiones con IA Generativa de Unegocios FEN, identifica en la automatización de estas tareas una de las principales oportunidades que ofrece la inteligencia artificial para transformar el análisis financiero.
Según explica, las herramientas han evolucionado desde asistentes conversacionales hacia sistemas capaces de consultar documentos, trabajar con información contextualizada e integrarse en flujos de trabajo donde distintos agentes realizan tareas complementarias.
En el ámbito financiero, estas capacidades permiten automatizar la lectura de reportes corporativos, comparar antecedentes, identificar tendencias y monitorear variables relevantes para una inversión.
El objetivo es liberar tiempo de los equipos para concentrar sus esfuerzos en actividades de mayor valor, como interpretar resultados, evaluar escenarios y fundamentar decisiones.
Una buena empresa no siempre representa una buena inversión
La incorporación de IA también exige comprender qué aspectos del análisis financiero pueden automatizarse y cuáles requieren interpretación profesional.
Torres destaca una distinción fundamental: una compañía puede tener un negocio sólido, resultados favorables y buenas perspectivas de crecimiento, pero no necesariamente constituir una inversión atractiva. El precio que se paga por ella resulta determinante.
Por esta razón, el análisis debe considerar tanto los fundamentos del negocio como su valorización y las condiciones del mercado.
Este proceso puede abordarse desde dos perspectivas complementarias. La primera, conocida como top-down, comienza con el escenario macroeconómico, considerando variables como tasas de interés, inflación y crecimiento, para posteriormente identificar sectores con oportunidades.
La segunda, denominada bottom-up, parte desde las empresas y examina sus resultados financieros, ventajas competitivas, márgenes y capacidad de generación de caja.
A partir de estos antecedentes se construyen proyecciones y escenarios para estimar el valor de una compañía. La IA puede apoyar estas etapas, pero los supuestos deben mantener coherencia económica y las cifras provenir de fuentes confiables.
El riesgo de confundir una simulación con una recomendación
Una de las aplicaciones que ilustra las posibilidades y limitaciones de estas tecnologías es la construcción de carteras de inversión.
En este sentido, Egaña plantea el ejemplo de utilizar inteligencia artificial para simular un portafolio de acciones que busque reproducir una determinada rentabilidad del IPSA, uno de los principales indicadores del mercado bursátil chileno.
Mediante instrucciones específicas, el sistema puede evaluar distintas combinaciones de activos y generar resultados que cumplan determinadas condiciones. Sin embargo, alcanzar una rentabilidad objetivo en una simulación no demuestra que la cartera sea adecuada para invertir.
El ejercicio exige revisar los datos utilizados, las fechas consideradas, las ponderaciones de los activos y variables que pueden modificar el desempeño real, como comisiones, impuestos y exposición al riesgo.
Otro aspecto relevante es la reproducibilidad: la posibilidad de verificar cómo se obtuvo un resultado y comprobar que no corresponde a información inventada o a un procedimiento incorrecto.
Por ello, Egaña enfatiza la importancia de solicitar procedimientos verificables, revisar los supuestos y comprender el funcionamiento de los modelos utilizados.
A estas precauciones se suma la necesidad de evaluar una inversión desde tres dimensiones: rentabilidad esperada, riesgo y diversificación.
Torres explica que una compañía puede presentar perspectivas favorables, pero aumentar excesivamente la exposición de una cartera a determinada industria. En ese caso, incorporar el activo podría elevar el riesgo total, aunque individualmente parezca una buena oportunidad.
De esta manera, el análisis no termina al identificar una empresa atractiva o calcular un precio objetivo, sino cuando se logra integrar el retorno esperado, los riesgos y el contexto del portafolio en una decisión fundamentada.
Las nuevas competencias que exige el análisis financiero
La transformación tecnológica también está modificando las habilidades que necesitan desarrollar los profesionales del sector.
Los especialistas coinciden en que aprender a utilizar herramientas de IA será cada vez más relevante, aunque esto no implica abandonar conocimientos tradicionales ni plataformas como Excel. Por el contrario, ambas capacidades pueden complementarse mediante integraciones que permiten automatizar procedimientos y trabajar con información financiera.
No obstante, su utilización efectiva requiere formular instrucciones precisas, proporcionar contexto, identificar errores y verificar resultados. También plantea desafíos relacionados con la confidencialidad de los datos y la incorporación de estas tecnologías en los sistemas internos de las organizaciones.
En este escenario, el principal cambio está en la distribución del trabajo: dedicar menos tiempo a recopilar información y más a comprender negocios, cuestionar supuestos y evaluar decisiones.
La tecnología puede acelerar el análisis, pero la responsabilidad de interpretar sus resultados y asumir las consecuencias de una inversión continúa en manos de las personas.
Estas reflexiones fueron abordadas por Sebastián Egaña y Felipe Torres en la masterclass “El futuro del análisis de inversiones: nuevas herramientas, nuevas ventajas competitivas”, realizada en el marco de la Formación Profesional en Inversiones con IA Generativa de Unegocios, de la Facultad de Economía y Negocios de la Universidad de Chile.
Fuente: Facultad de Economía y Negocios de la Universidad de Chile
- Obtener enlace
- X
- Correo electrónico
- Otras aplicaciones
Comentarios