Todavía es demasiado pronto para dejar por completo las decisiones de compra y venta a un "agente de inversión con IA". No porque falte tecnología, sino porque la estructura del problema no encaja.
-
Las decisiones de inversión no son solo una función de la información actual. También se mezclan las creencias personales sobre una acción y las expectativas sobre el futuro (comprar Tesla no es apostar por sus estados financieros, sino por la creencia de que la conducción autónoma se hará realidad). Un LLM es un motor de razonamiento sobre la información presente, así que su resultado no es una apuesta, sino "un resumen de la información actual envuelto en una frase de compra o venta". Tiene un tono de convicción, pero no la creencia que la sustenta. También existe un problema de reproducibilidad: con los mismos datos y la misma pregunta, la respuesta puede cambiar cada vez.
-
Se parece a la trampa en la que antes cayó el mundo quant. No es que el quant en sí sea una trampa (los buenos quants ganan dinero), sino que tiene límites aplicar automáticamente al futuro reglas optimizadas con datos pasados y presentes: el problema es el sobreajuste y la dependencia del régimen de mercado. Los agentes LLM caen en la misma trampa en peores condiciones, porque las reglas están ocultas dentro de los pesos, son opacas y ni siquiera son reproducibles.
-
Por eso, el rol adecuado para la IA no es decidir, sino servir de insumo. Recolectar y organizar información, hacer cálculos consistentes y diagnosticar sesgos son tareas de la IA; creer en el futuro y jalar el gatillo sigue siendo tarea de la persona. Una parte importante de los errores de inversión no proviene de la convicción, sino de los insumos (como confundir diversificación con falsa diversificación, o mezclar rendimiento promedio con rendimiento compuesto realizado). Si los insumos son correctos, la convicción puede cumplir su papel.
-
Cuando este principio de human-in-the-loop se lleva al diseño de herramientas, la dirección se vuelve clara. No dejar los cálculos numéricos al LLM, sino fijarlos con reglas deterministas; responder a "¿cuándo se llegará a 300 millones?" no con una fecha, sino con una distribución de probabilidad; no hacer que la herramienta complete por su cuenta supuestos como el rendimiento futuro o la volatilidad, sino que la persona los ingrese; y concentrarse en exponer con precisión los insumos del juicio (sesgos de concentración, exposición efectiva de un ETF, etc.). No asesoría, sino diagnóstico.
2 comentarios
¿Qué valor técnico tendría este servicio como para que valga la pena pagar una suscripción, en comparación con los agentes de IA de código abierto?
Gracias por la pregunta tan puntual. Siendo sinceros, hay muchas partes que uno puede montar directamente con agentes open source, y en especial cosas como consultar datos públicos de acciones listadas en EE. UU. se pueden reemplazar bastante bien solo con Claude o Perplexity. Por eso no creemos que esa “consulta de datos” sea el valor que vendemos.
Si lo acotamos, hay más o menos tres puntos por los que vale la pena pagar y mantenerlo.
Los números no los calcula un LLM, sino el servidor con reglas determinísticas. A la misma pregunta sale la misma respuesta, y los valores de interés compuesto y proyecciones no cambian de una conversación a otra. Es la parte donde bloqueamos en la capa de herramientas el problema de reproducibilidad mencionado en el texto.
Nos encargamos de cosas que en el cálculo terminan requiriendo bastante trabajo aunque no lo parezca. Por ejemplo, en el look-through de ETF, el AAPL que se superpone entre VOO, QQQ y tenencia directa se suma como exposición efectiva sobre el total de activos; si uno mira ingenuamente solo la concentración por ticker, es fácil interpretar mal un ETF amplio como si fuera una “apuesta total”. Hacer esto bien y mantenerlo es trabajo. Con la proyección FIRE por Monte Carlo pasa algo parecido.
Hay ejes que un LLM puro estructuralmente no puede ver. Por ejemplo, el estado real de mi portafolio (Claude o Perplexity por sí solos no pueden ver mis activos en cartera) y la valuación consistente en múltiples monedas incluso para activos no listados en EE. UU., como depósito de garantía de jeonse, oro de KRX o participaciones no listadas. También recuerda la tolerancia al riesgo y los objetivos más allá de una sola conversación.
En resumen, no es un “agente que toma mejores decisiones”, sino el valor de permitirte conectar esta capa de insumos directamente a Claude/ChatGPT sin tener que configurarla ni mantenerla. Si eres de los que lo construirían y mantendrían por su cuenta, no hace falta que te suscribas; como la función de libro mayor en sí es gratis, lo más preciso sería probarlo y decidir si la capa de análisis realmente te aporta valor.