Aumento mundial de la gestión de carteras basada en la inteligencia artificial
La inteligencia artificial se está integrando cada vez más en la gestión de carteras, lo que ayuda a las entidades de inversión a analizar los mercados, supervisar el riesgo y adaptar los servicios a cada cliente. Su atractivo radica en la capacidad de procesar grandes volúmenes de información más rápidamente que los equipos de análisis convencionales, pero la tecnología no está sustituyendo los principios sobre los que se construyen las carteras. La asignación de activos, la diversificación, la valoración y el control de riesgos siguen siendo fundamentales; la IA cambia la velocidad y la escala a las que se pueden aplicar.
Deloitte constató que alrededor del 60% de las empresas de gestión de inversiones encuestadas utilizaban la IA de forma moderada en actividades de distribución relacionadas con los datos, mientras que solo el 11% describía su uso como extenso. Las cifras apuntan a un sector que va más allá de la fase experimental, sin haber alcanzado aún la integración plena. La mayoría de las empresas no están delegando las decisiones sobre carteras en sistemas autónomos. Están introduciendo la IA de forma selectiva en los procesos de investigación, comunicación con los clientes, cumplimiento normativo y operativos, donde los beneficios pueden medirse con mayor claridad.
La automatización precedió a la inteligencia artificial
La gestión de carteras comenzó a incorporar la tecnología mucho antes de la actual ola de IA generativa. Los fondos cuantitativos utilizaban modelos estadísticos para identificar patrones, mientras que los sistemas de negociación algorítmica automatizaban la ejecución y reducían el tiempo transcurrido entre una señal de inversión y una operación. Posteriormente, los robo-asesores llevaron principios similares a los inversores particulares mediante el uso de cuestionarios digitales, carteras modelo y reequilibrios automáticos para ofrecer una gestión básica de las inversiones a un coste menor.
Wealthfront se convirtió en uno de los ejemplos más conocidos de este cambio tras su fundación en 2008 y el lanzamiento de la inversión automatizada en 2011. Su plataforma crea carteras a partir de fondos cotizados en bolsa, ajusta las asignaciones según el perfil de riesgo del cliente y automatiza funciones como el reequilibrio y la optimización fiscal mediante pérdidas. La importancia de este modelo radica menos en predecir la evolución de los mercados que en estandarizar un proceso que antes requería una mayor intervención humana, lo que permite a la empresa atender a una amplia base de clientes a un coste relativamente bajo.
La distinción entre automatización e inteligencia artificial es importante, ya que ambos términos suelen utilizarse indistintamente. Un sistema basado en reglas puede reequilibrar una cartera sin aprender de nuevos datos, mientras que un modelo de aprendizaje automático puede revisar sus conclusiones a medida que cambian las condiciones del mercado. Ambos pueden mejorar la eficiencia, pero conllevan supuestos y riesgos diferentes.
La IA amplía el ámbito analítico
Los equipos de inversión actuales deben procesar informes de empresas, datos económicos, cotizaciones bursátiles, noticias, estudios y cantidades cada vez mayores de datos alternativos. La inteligencia artificial puede organizar esta información, identificar patrones inusuales y señalar acontecimientos que, de otro modo, podrían pasar desapercibidos. Los sistemas de lenguaje natural pueden analizar las conferencias sobre resultados o los documentos presentados ante las autoridades reguladoras, mientras que los modelos de aprendizaje automático pueden comparar las relaciones entre miles de valores y variables económicas.
Estas capacidades pueden reforzar la investigación, ya que ayudan a los gestores de carteras a comprobar más hipótesis y a supervisar más posiciones. Un sistema puede detectar que varias posiciones que parecen diversificadas están expuestas al mismo riesgo de tipos de interés, de divisas o de la cadena de suministro. También puede actualizar esas evaluaciones con mayor frecuencia de lo que permitiría una revisión trimestral de la cartera.
Sin embargo, disponer de más datos no garantiza automáticamente mejores decisiones de inversión. Los mercados contienen tanto ruido como información, y los modelos pueden identificar correlaciones que desaparecen en cuanto cambian las condiciones económicas. Un sistema puede generar una respuesta precisa sin determinar si la relación subyacente es duradera o tiene relevancia económica. La inteligencia artificial amplía el alcance del análisis, pero sigue siendo el gestor de la cartera quien debe decidir qué factores merecen influir en la asignación de capital.
La personalización se vuelve más escalable
La IA también está cambiando la forma en que las empresas adaptan las carteras y la comunicación a cada cliente. Los modelos tradicionales de gestión patrimonial suelen clasificar a los inversores según categorías generales, como la edad, los activos y la tolerancia al riesgo. Los sistemas más avanzados pueden incorporar flujos de caja, pasivos, necesidades de liquidez, situación fiscal y compromisos financieros previstos para crear una visión más detallada de la idoneidad.
Esto puede permitir a las empresas detectar cuándo la cartera de un cliente ya no se ajusta a su situación o cuándo las posiciones en varias cuentas dan lugar a una concentración no deseada. Los asesores también pueden utilizar resúmenes generados por IA para preparar las reuniones y centrar los debates en las decisiones más relevantes para el cliente, en lugar de dedicar tiempo a recopilar información manualmente.
La calidad de la personalización depende de la calidad de los registros subyacentes. Muchas empresas siguen almacenando la información de los clientes en sistemas inconexos, mientras que los activos privados y las estructuras familiares pueden estar documentados de forma inconsistente. La IA puede analizar los datos que recibe, pero no puede corregir todas las omisiones ni determinar si las preferencias expresadas por un cliente se mantendrán en caso de una caída grave del mercado. Una recomendación más detallada puede seguir siendo inadecuada si se basa en información incompleta.
La gestión de riesgos ofrece un caso de uso más sólido
El riesgo de cartera es uno de los ámbitos en los que la inteligencia artificial puede aportar un beneficio práctico más evidente. Las herramientas de aprendizaje automático pueden supervisar los cambios en la volatilidad, la correlación, la liquidez y la concentración de la cartera, lo que permite a las empresas detectar antes los riesgos emergentes. También pueden facilitar el análisis de escenarios al comparar el comportamiento de los distintos activos en períodos anteriores de tensión en los mercados.
Estas herramientas resultan muy útiles porque, a menudo, el riesgo se manifiesta en categorías que los informes tradicionales tratan por separado. Una cartera puede contener acciones, bonos e inversiones privadas que dependen todas de la misma situación económica, aunque estén clasificadas como clases de activos diferentes. La inteligencia artificial puede ayudar a poner de manifiesto esta exposición común oculta mediante el análisis de una gama más amplia de relaciones.
No obstante, el análisis histórico tiene sus límites. Los modelos entrenados a partir de crisis anteriores no pueden anticipar por completo acontecimientos con causas o estructuras de mercado diferentes, mientras que las correlaciones suelen cambiar precisamente cuando los inversores más las necesitan. Por lo tanto, los equipos de gestión de riesgos deben combinar los resultados de los modelos con pruebas de estrés basadas en situaciones que no se hayan producido en los datos disponibles. La inteligencia artificial puede mejorar el sistema de alerta, pero no puede definir todas las fuentes plausibles de pérdidas.
El ahorro de costes depende del rediseño
Las empresas de inversión esperan que la inteligencia artificial reduzca los costes mediante la automatización de la revisión de documentos, la elaboración de informes, la conciliación de datos y algunas partes de la atención al cliente. Estos beneficios pueden ser considerables en organizaciones en las que los empleados altamente cualificados siguen dedicando mucho tiempo a tareas repetitivas. De este modo, los gestores de carteras y los asesores podrán dedicar más atención a la interpretación, la estrategia y las relaciones con los clientes.
El ahorro no es automático, ya que las empresas deben invertir en infraestructura de datos, ciberseguridad, integración de sistemas y formación de los empleados antes de que la tecnología pueda funcionar de manera eficaz. Una aplicación de inteligencia artificial implementada sobre bases de datos fragmentadas puede añadir otra capa de complejidad en lugar de eliminarla. Los proveedores externos también suponen costes de licencia y dependencias que deben evaluarse junto con las mejoras de eficiencia previstas.
Los argumentos comerciales más sólidos parten de un proceso definido y un resultado cuantificable. Se puede evaluar la reducción del tiempo necesario para elaborar un informe de cartera, al igual que la disminución del número de falsas alertas de cumplimiento. Una ambición general de transformar la gestión de inversiones mediante la inteligencia artificial es más difícil de poner a prueba y tiene más probabilidades de dar lugar a experimentos costosos sin una rentabilidad clara.
El juicio humano se hace más evidente
A menudo se presenta la inteligencia artificial como una forma de eliminar la emoción y los sesgos humanos de las decisiones de inversión. Es cierto que las reglas sistemáticas pueden evitar que un gestor de carteras abandone una estrategia debido al miedo a corto plazo o se encariñe con una inversión concreta. Sin embargo, los modelos siguen reflejando las decisiones humanas sobre los datos, los objetivos y las restricciones que se utilizan para construirlos.
Los investigadores deciden qué periodo histórico es relevante, cómo debe medirse el riesgo y qué resultados debe optimizar el sistema. Por lo tanto, el sesgo puede surgir del diseño del modelo, más que de la intuición de un operador. Los empleados también pueden desarrollar un sesgo de automatización, aceptando una recomendación porque parece matemáticamente sofisticada, incluso cuando sus supuestos son débiles.
El papel del gestor de carteras pasa a ser uno de interpretación y cuestionamiento. Los profesionales deben conocer el sistema lo suficiente como para reconocer cuándo un resultado entra en conflicto con la lógica económica, cuándo los datos no son fiables o cuándo las condiciones cambiantes del mercado han restado relevancia a un modelo. El criterio humano no ha desaparecido del proceso; más bien se ha reorientado hacia la decisión de cuándo no se debe seguir a la máquina.
La normativa se ajusta a la decisión
La gestión de carteras asistida por IA sigue estando sujeta a las mismas obligaciones de idoneidad, fiduciarias y de divulgación que el asesoramiento convencional. Una empresa no puede trasladar la responsabilidad a un algoritmo cuando una recomendación es inadecuada o un modelo produce un resultado perjudicial. Los organismos reguladores esperarán que las instituciones documenten cómo influyen los sistemas en las decisiones y quién sigue siendo responsable de aprobarlas.
La explicabilidad cobra especial importancia cuando la IA afecta a un cliente concreto. Los inversores no necesitan comprender todos los cálculos técnicos, pero sí deberían poder recibir una explicación clara de por qué una cartera o una recomendación es adecuada. Los modelos muy complejos pueden ofrecer mejoras marginales en el rendimiento predictivo, al tiempo que dificultan dicha explicación.
Por lo tanto, las empresas se enfrentan a una disyuntiva entre complejidad y control. En algunas aplicaciones, un modelo más sencillo que puedan entender tanto los empleados como los reguladores puede resultar más útil que un sistema más preciso cuyo comportamiento no se pueda explicar o cuestionar de forma fiable.
La seguridad limita el ritmo de adopción
Los sistemas de gestión de carteras basados en inteligencia artificial requieren acceso a datos confidenciales sobre el mercado, los clientes y las transacciones. Esto genera riesgos relacionados con la confidencialidad, la ciberseguridad y el uso de proveedores de tecnología externos. Los registros de gestión patrimonial pueden revelar estructuras familiares, intereses empresariales, situaciones fiscales y transacciones previstas, lo que hace que una filtración de datos resulte especialmente perjudicial.
Las instituciones deben contar con normas claras que regulen qué sistemas pueden acceder a la información de los clientes, dónde se tratan los datos y si los proveedores externos pueden utilizarlos para entrenar otros modelos. Asimismo, debe impedirse que los empleados introduzcan información confidencial en herramientas que no hayan sido autorizadas para su uso financiero.
La ciberseguridad es solo una parte del problema. Las empresas deben prepararse para resultados erróneos, interrupciones en los servicios y la posibilidad de que un modelo sea manipulado mediante datos corruptos. La resiliencia operativa requiere la capacidad de detectar un problema y seguir funcionando cuando los sistemas automatizados no están disponibles.
La ventaja competitiva se centra cada vez más en la implementación
Las herramientas de inteligencia artificial están cada vez más al alcance de todos, lo que reduce la probabilidad de que el mero acceso a esta tecnología suponga una ventaja duradera. Las empresas de la competencia pueden adquirir modelos, capacidad informática y datos de mercado similares, lo que significa que la diferenciación dependerá cada vez más de la información propia, de una integración eficaz y de la calidad de la supervisión humana.
Las grandes instituciones pueden beneficiarse de amplios conjuntos de datos y equipos especializados, mientras que las empresas más pequeñas pueden acceder a capacidades avanzadas a través de plataformas externas. Estas últimas obtienen acceso a un coste menor, pero ceden parte del control sobre la infraestructura y el diseño de los modelos. En ambos casos, el valor del sistema depende de si está integrado en el proceso de inversión, en lugar de añadirse como una función independiente.
El último estudio de PwC sobre gestión de activos y patrimonios sostiene que las empresas líderes están incorporando tecnologías como la inteligencia artificial y la analítica avanzada al núcleo de sus actividades de inversión, distribución y prestación de servicios, en lugar de utilizarlas únicamente como herramientas de apoyo. Esta distinción refleja la siguiente fase de adopción: la ventaja competitiva provendrá del rediseño de los flujos de trabajo y las decisiones en torno a la tecnología, y no del mero hecho de anunciar que se utiliza la inteligencia artificial.
La gestión de carteras sigue siendo un ejercicio de incertidumbre
La inteligencia artificial seguirá extendiéndose a los ámbitos de la investigación, la gestión de riesgos, la atención al cliente y las operaciones de carteras durante los próximos tres a cinco años. Las herramientas de lenguaje natural mejorarán el acceso a la información, mientras que los modelos de aprendizaje automático ayudarán a las empresas a supervisar carteras más amplias y complejas. Es probable que estos avances hagan que las entidades de inversión sean más ágiles y tengan mayor capacidad de expansión.
No harán que los mercados sean predecibles. Los precios reflejan las expectativas cambiantes, las decisiones políticas y el comportamiento humano, mientras que las relaciones que se observan en los datos históricos pueden debilitarse una vez que los inversores empiezan a operar basándose en ellas. La inteligencia artificial puede mejorar la probabilidad de tomar una decisión acertada, pero no puede garantizar el resultado ni determinar qué riesgos debe asumir un inversor.
Por lo tanto, el modelo más fiable no es ni totalmente automatizado ni depende por completo del criterio individual. Las máquinas pueden procesar información, detectar patrones y aplicar las normas de la cartera, mientras que las personas evalúan si el resultado tiene sentido desde el punto de vista económico y sigue siendo adecuado para el cliente. La inteligencia artificial está transformando los mecanismos de la gestión de carteras, pero una asignación de activos disciplinada, una rendición de cuentas clara y la comprensión de la incertidumbre seguirán determinando si esos mecanismos producen mejores resultados de inversión.
