Así utilizan los profesionales de Wall Street la IA para obtener ideas de inversión
Las personas recurren cada vez más a los chatbots de inteligencia artificial para obtener asesoramiento financiero, pero obtener información valiosa de ellos depende de cómo la solicites.
En la jerga de los chatbots, este proceso se conoce como "prompting". En lugar de pedirle a ChatGPT que simplemente proporcione buenas selecciones de acciones, los profesionales de Wall Street han aprendido que obtener consejos útiles de estas herramientas requiere un proceso de varios pasos que incluye solicitudes en capas, diálogos recíprocos y la capacidad de verificar fuentes. En resumen, si bien los chatbots pueden adoptar personalidades humanas, su eficacia depende de sus operadores.
El 58% de los profesionales del mercado utilizan la IA en sus procesos de inversión.
Wall Street ha adoptado la IA con fuerza. El 58 % de los profesionales de la inversión encuestados recientemente por Natixis afirmaron que sus empresas ya habían implementado herramientas de IA en sus procesos de inversión. La encuesta contó con 520 participantes.
El público en general también está recurriendo a la IA para resolver sus dudas financieras. Visual Capitalist analizó datos de Sensor Tower y descubrió que la categoría de preguntas con mayor crecimiento entre marzo y abril de 2025 fue la de economía, finanzas e impuestos. El 13 % de las preguntas se incluyeron en esta categoría, frente al 4 % del mismo período del año anterior.
Si bien la IA puede ayudar con las consultas financieras, los inversores deben tener en cuenta que los grandes modelos de lenguaje (LLM), que son los sistemas que ejecutan los chatbots de IA, son como una caja negra, y los usuarios no tienen claro cómo razonan. Además, se basan en fuentes de información de diversa calidad, ya sea su formación, fuentes primarias o blogs aleatorios. Esto dificulta confirmar si se está recibiendo la respuesta óptima, o incluso la correcta.
Las firmas de Wall Street han implementado medidas de seguridad para abordar algunos de estos problemas, incluyendo el uso de versiones empresariales de modelos públicos e integrándolos con bases de datos internas propietarias, o recurriendo a proveedores externos que se encargan de ello. OpenAI y Anthropic se encuentran entre las empresas que ofrecen versiones empresariales de sus modelos, las cuales ofrecen más capacidades en aspectos como el análisis de datos, la privacidad y la personalización, pero se dice que son más caras que las versiones estándar.
Por ejemplo, AlphaSense, que presta servicios a empresas de inversión, utiliza muchos de los mismos LLM disponibles para el público, pero ha desarrollado un software que actúa por sí solo para asignar tareas de investigación basándose en los datos que ha cargado en su plataforma, como transcripciones de empresas, presentaciones de resultados, informes de la Comisión de Bolsa y Valores (SEC) e investigación del lado vendedor. El proceso puede ser replicado manualmente, en cierta medida, por inversores minoristas para ayudar a mitigar algunos de los problemas de la IA y optimizar los resultados.
Los LLM son muy inteligentes, pero necesitan el contexto y las indicaciones adecuadas, afirmó Chris Ackerson, vicepresidente sénior de producto de AlphaSense. Recomienda tratar a los chatbots como a un becario sin todo el contexto ni la experiencia, y proporcionar pasos muy específicos como parte de las indicaciones.
Cómo sacar el máximo provecho de tus indicaciones
Dave Wang, un ex administrador de fondos convertido en comerciante minorista e investigador de inteligencia artificial, dijo a MarketWatch que utiliza un proceso de indicaciones de cinco partes para ayudar a obtener un análisis financiero óptimo cuando busca datos de acciones o información del sector.
La primera parte de la instrucción consiste en asignarle a la IA un perfil, por ejemplo, un analista de ventas, un contador o un estratega. El encuadre ayuda al chatbot a descifrar qué tipo de información buscar y en qué centrarse según los datos importantes para cada rol. También podría ayudar a refinar la presentación de la información y las cifras.
Noticia relacionada
Dado que los LLM se capacitan en internet, comprenden el trabajo de un analista de ventas y sus diferencias con el de un gestor de fondos de cobertura o un contador, explicó Ackerson. Una vez asignado un rol, su razonamiento y resultados pueden verse influenciados por este.
El segundo paso es ir más allá de una pregunta general y, en su lugar, definir el propósito de la solicitud, es decir, qué información busca el usuario y la decisión que intenta tomar. Esta es la parte más importante de la solicitud, afirmó Wang. El chatbot de IA desconoce el objetivo exacto del usuario y, debido a la gran cantidad de información, podría responder de diversas maneras, que probablemente no incluyan la información más relevante sobre una acción.
Cuando Wang utilizó indicaciones sencillas, como pedir a los modelos de OpenAI que analizaran una acción, la falta de especificidad se correspondió con respuestas generales. Por ejemplo, el chatbot podría proporcionar información sobre Apple Inc. El modelo de negocio y los flujos de ingresos, pero no incluía detalles más específicos que un analista necesitaría, como el impacto que la adquisición de una plataforma de IA podría tener en los ingresos de Apple. En resumen, las respuestas de ChatGPT eran correctas, pero carecían de una ventaja de inversión que pudiera respaldar una visión contraria, señaló.
Solicitar información exacta es complicado si un usuario carece de experiencia en inversiones o no tiene suficiente conocimiento sobre una acción. Un analista financiero tendrá una idea más clara de lo que es importante para el precio de una acción y los factores de riesgo que la impulsan, lo que le permite ser más específico sobre lo que busca. Sin embargo, es probable que el usuario promedio no tenga la misma base de conocimientos. Para solucionar esta brecha de conocimiento, Wang sugiere dar un paso más: pedirle a la IA que le haga preguntas para determinar qué sabe y qué busca, y así ayudar a elaborar la pregunta.
A continuación se muestra un ejemplo de una indicación que utilizó Wang:
Eres un experto en la redacción de propuestas para ChatGPT Deep Research, especializado en inversión e investigación macroeconómica.
Para contextualizar, soy inversor en renta variable y me gustaría comprender mejor (1) qué es la dominancia fiscal, (2) cuál es la probabilidad de que esto ocurra en Estados Unidos a corto y medio plazo, (3) el impacto en la economía y las diferentes clases de activos en esta situación, (4) el impacto en mi cartera si me invierto principalmente en renta variable tecnológica y activos digitales, (5) qué clases de activos tendrían un buen rendimiento y cuáles un rendimiento inferior en un escenario de dominancia fiscal. Antes de elaborar la propuesta, hazme preguntas para aclarar cualquier duda o si hay alguna laguna de conocimiento que debamos resolver juntos.
Si un usuario no está seguro sobre el contexto de su mensaje, Wang sugiere agregar una línea que diga: "No entiendo completamente cómo invertir, así que hazme cualquier pregunta para ayudar a llenar cualquier vacío de conocimiento antes de comenzar porque esto se basa en mis suposiciones", o "No asumas que mis suposiciones son correctas, así que por favor cuestiona mis puntos de vista si están muy lejos de serlo".
Esta solicitud iniciará un intercambio de preguntas. Aunque el resultado no será idéntico cada vez, ChatGPT podría formular preguntas sobre la tolerancia al riesgo del inversor, sus años de jubilación y si dispone de ahorros o una cuenta de jubilación para determinar el nivel de riesgo asumido. El chatbot considerará las respuestas del usuario antes de elaborar una respuesta final.
El tercer paso no consiste en dar por sentado que el chatbot tiene acceso a la información necesaria para tomar estas decisiones. Puede implicar proporcionar al modelo información clave, como tickers de empresas, periodos de tiempo relevantes y cualquier dato adicional importante para la consulta, como tablas de datos sin procesar. El usuario también puede solicitar que el modelo consulte fuentes primarias o confiables, como el sitio web de una empresa o documentos de la SEC.
También es importante recordarle a la IA que consulte los precios de las acciones más recientes. Pero incluso entonces, es necesario verificar el resultado para garantizar que el modelo haya seguido esas instrucciones, ya que a veces el chatbot no puede acceder a ciertos enlaces y no lo revelará.
Verificar las fuentes seleccionadas por la IA es fundamental, ya que los modelos de IA tienden a alucinar, lo que resulta en respuestas incorrectas. Una razón para ello es que están diseñados para ser muy útiles, explicó Alejandro López-Lira, profesor adjunto de finanzas en la Universidad de Florida, quien ha estado probando indicaciones. Por lo tanto, si se le pide información a un chatbot de IA y el modelo no fue entrenado con esos datos y no sabe cómo buscarlos, podría inventar algo, señaló.
La verificación de los resultados de una IA debe realizarse de dos maneras principales, explicó Ackerson. La primera es solicitarle que incluya el razonamiento de cada respuesta; la segunda, auditar las fuentes utilizadas para llegar a esas conclusiones. Durante este segundo paso, puede resultar evidente que el chatbot no extrajo datos de las mejores fuentes. Esto puede ocurrir cuando un chatbot no tiene acceso a un sitio web o a las plataformas adecuadas, explicó Ackerson.
Si las respuestas del chatbot no incluyen enlaces, se asume que no realizó una búsqueda web y, en su lugar, utilizó información de su entrenamiento. Esto podría ser un problema para el análisis financiero, ya que los modelos no están entrenados con las últimas noticias, explicó Lopez-Lira. A veces, un modelo de IA puede olvidar que necesita buscar en la web la información más reciente. En esos casos, Ackerson sugiere encontrar los documentos necesarios, como informes de ganancias, y subirlos manualmente al chatbot de IA.
El cuarto paso consiste en especificar el público al que se dirige la respuesta, como inversores institucionales o minoristas. Este paso no es tan importante, pero ayuda a que el resultado sea más accesible.
El quinto paso consiste en especificar el formato de la respuesta, indicando si debe incluir secciones, encabezados, tablas, viñetas, etc. Este paso no es necesario, pero puede ayudar a mejorar la experiencia del usuario y optimizar el contenido destinado a una presentación de inversión o un informe.
Una característica peculiar de los modelos de OpenAI es que responden al tono del usuario. Si se usa con amabilidad, el chatbot parece adaptar su respuesta a respuestas agradables, positivas o más agradables que no desmientan las suposiciones del usuario, señaló Wang. Sin embargo, cuando sus indicaciones son directas y severas, tiende a recibir respuestas más directas, lo cual es preferible al trabajar con datos financieros. Si bien no es una regla inflexible, es recomendable tenerla en cuenta.
Finalmente, OpenAI cuenta con algunas iteraciones de sus modelos de IA que difieren. La versión gratuita no es tan avanzada como, por ejemplo, los modelos de la "serie o", que tienen mayor capacidad de razonamiento, o su versión de Investigación Profunda, que permite realizar análisis más profundos.
En general, todos estos pasos, si bien son útiles, no sustituyen la experiencia del inversor. La IA puede mejorar las habilidades del usuario, pero no puede reemplazarlas. Por lo tanto, cuanto mejor sea el conocimiento del usuario sobre los factores que contribuyen a una buena inversión, mejor podrá utilizar estas herramientas de IA.
“Invertir es como un juego entre jugadores”, dijo Wang, “así que las reglas del juego cambian constantemente. Si no entiendes qué hay realmente en juego, es muy difícil optimizar el sistema. La IA puede ayudarte a optimizar mejor que los demás, pero primero debes comprender en qué consiste el juego en esencia”.