Más allá de la productividad: el cambio estructural de la IA en la gestión activa
La IA en la gestión de activos ha superado las ganancias iniciales de productividad. Pablo Riveroll explica los beneficios de integrar datos e investigación propietarios con grandes modelos de lenguaje, mientras que Charlotte Wood analiza la visión de toda la empresa sobre la IA de agentes.
Authors
Pablo Riveroll, Fund Manager and Global Head of Equities Research:
La industria de la gestión activa está entrando en una segunda fase de adopción de la IA. La primera oleada se centró principalmente en la eficiencia, utilizando grandes modelos de lenguaje (LLMs) para resumir información, acelerar la investigación y apoyar a los analistas en su trabajo cotidiano. La siguiente fase parece más estructural. Se centra en integrar datos propietarios, investigación interna y sistemas de cartera directamente con modelos de IA, con el potencial de transformar cómo se forma la visión de inversión y se entiende el riesgo.
El año pasado, describimos cómo nuestra división de mercados públicos empezaba a usar IA para mejorar nuestra ventaja de inversión. Las herramientas que discutimos – ChatGPT Enterprise, Bloomberg DSX, nuestro analista copiloto propietario y Context AI – estaban generando verdaderas mejoras de eficiencia: acelerando las evaluaciones iniciales de la empresa, democratizando el conocimiento en todo el equipo y liberando a los analistas para centrarse en trabajos de mayor valor.
Ese artículo capturaba la adopción de la IA 1.0: usar LLMs principalmente como asistentes de investigación sofisticados capaces de procesar y resumir información pública. Los resultados fueron alentadores, y desde entonces las herramientas se han integrado en nuestras mesas de capital y crédito.
Pero el panorama ha cambiado significativamente. Ahora estamos entrando en lo que consideramos la adopción de la IA 2.0, una fase definida no por una recuperación más rápida de información, sino por una integración profunda de la IA en el flujo de trabajo central de inversión. La diferencia es estructural: estamos en proceso de conectar nuestros datos propietarios, la propia investigación de nuestros analistas y nuestros sistemas de gestión de carteras directamente con potentes LLMs. Múltiples agentes de IA que no solo responden preguntas, sino que nos ayudan activamente a rastrear nuestras tesis de inversión, entender nuestras exposiciones al riesgo y tomar mejores decisiones.
Múltiples agentes conectando nuestros datos e IP directamente a potentes modelos de lenguaje
El desarrollo más significativo del último año ha sido la maduración de la IA de agentes – con agentes específicos de tareas trabajando juntos – y una tecnología llamada Protocolo de Contexto Modelo, o MCP. Piensa en MCP como un conector universal, el equivalente a un puerto USB, pero para aplicaciones de IA. Proporciona una forma estandarizada de conectar nuestras fuentes de datos internas directamente a grandes modelos de lenguaje, transformando lo que estos modelos pueden hacer por nosotros.
En la primera fase de la adopción de la IA, nuestras herramientas eran agentes individuales, trabajando en gran parte con información disponible públicamente. Un analista podía pedir a ChatGPT que resumiera la última llamada de resultados de una empresa o evaluara la dinámica competitiva de un sector, y el resultado era útil pero genérico. Cualquier gestor de activos con las mismas herramientas podría producir esencialmente el mismo análisis.
La integración de nuestros datos y nuestra propiedad intelectual en los modelos cambia esta ecuación fundamentalmente. Al conectar nuestras bases de datos internas, modelos financieros, notas de investigación y conjuntos de datos propietarios a LLMs, podemos crear un entorno de IA que sea exclusivamente nuestro. Cuando un analista consulta nuestro sistema, el modelo se basará no solo en información pública, sino también en la propia investigación acumulada de Schroders, nuestras previsiones macroeconómicas internas, los modelos propietarios de nuestros analistas y los datos de posicionamiento de nuestra cartera. Diferentes agentes se centrarán en distintas tareas: extracción de datos, elaboración de gráficos, procesamiento de lenguaje natural, monitorización de tesis. La calidad y especificidad del resultado estarán en otra liga.
Por ejemplo, un analista que cubra acciones latinoamericanas podría hacer una pregunta como: "¿cuál es la opinión de nuestro equipo de materias primas sobre los precios del cobre, y cómo se compara con las suposiciones sobre la demanda de cobre incorporadas en nuestras proyecciones de adopción de vehículos eléctricos y desarrollo de infraestructura de red en China?" El sistema, una vez conectado con nuestra IP interna, la investigación de terceros y los datos de mercado, podría entonces proporcionar una respuesta integrada que antes habría requerido horas de referencias cruzadas manuales.
Integrando nuestra propia investigación en IA
Quizá el cambio más poderoso sea devolver nuestra propia investigación - la producción intelectual acumulada de cientos de analistas y gestores de cartera - a los sistemas de IA. Esto significa que no somos solo consumidores de contenido generado por IA; estamos construyendo herramientas de IA que aprenden de nuestro conocimiento colectivo y se basan en él.
Los analistas producen un volumen enorme de trabajo: notas de la empresa, revisiones sectoriales, investigaciones temáticas, comentarios de modelos y recomendaciones de inversión. Gran parte de este conocimiento institucional se encuentra en campañas compartidas, bandejas de entrada y chats de Teams, accesibles solo para quienes sabían dónde buscar o que asistieron a la reunión adecuada. El futuro es uno en el que la investigación se estructura, indexa y pone a disposición de nuestras herramientas de IA como contexto.
Las implicaciones prácticas son significativas. Un gestor de carteras que se prepare para una reunión sobre industriales europeos pronto podrá pedir al sistema que resuma las diferentes opiniones de nuestra firma en el sector, sacando a la luz no solo las últimas notas publicadas, sino también el patrón de cómo han evolucionado las convicciones de nuestros analistas a lo largo del tiempo. Un nuevo analista que se uniera al equipo podría acceder rápidamente al conocimiento institucional acumulado sobre su universo de cobertura, comprendiendo no solo lo que pensamos hoy, sino también el razonamiento y la evidencia que hay detrás de esas opiniones.
De forma crucial, esto nos permitirá utilizar la IA para ayudar a los analistas a hacer un seguimiento más sistemático de sus propias tesis de inversión. Cuando un analista publica una tesis - por ejemplo, que una empresa concreta verá una expansión de márgenes impulsada por una menor competencia y, por tanto, mayor poder de fijación de precios - el sistema podrá monitorizar los datos entrantes (comunicados de resultados, comentarios de la dirección, informes del sector) y señalar si nuevas pruebas apoyan o cuestionan esa tesis. Esto nos llevará de un mundo donde la monitorización de tesis era esporádica y manual a uno donde es continua y sistemática.
Seguimiento de la tesis y comprensión holística del riesgo
Uno de los desarrollos más importantes en esta segunda fase de adopción de la IA es cómo estas herramientas pueden ayudarnos a comprender nuestras exposiciones al riesgo de una manera más holística y oportuna.
Tradicionalmente, la gestión de riesgos en la inversión activa en renta variable ha estado dominada por modelos factoriales cuantitativos. Estos son valiosos, pero describen el riesgo en términos de exposiciones estadísticas: cuánto de la variación de rendimiento de una cartera puede atribuirse a factores como el valor, el momento o el tamaño. Lo que no capturan bien es el riesgo fundamental, a nivel de tesis, que realmente asumen los gestores activos: las perspectivas y juicios específicos de inversión que impulsan el posicionamiento de la cartera, y los diferentes temas que están interconectados aunque un modelo de factores no los detecte.
Este tipo de transparencia a nivel de tesis, aumentada por la capacidad de la IA para procesar información de forma continua, representa un cambio genuino en la forma en que entendemos y gestionamos el riesgo. En un mundo habilitado por IA, podemos tener diferentes agentes que rastreen los distintos impulsores que esperamos para una empresa y la probabilidad de que se materialicen. Permite a los gestores de carteras tomar decisiones más informadas sobre qué puntos de vista apoyarse, cuáles cubrir y cuáles revisar.
¿Cuáles son los beneficios de la adopción de la IA 2.0?
Basándose en las ganancias de eficiencia de la primera fase, esta integración más profunda de la IA en nuestro proceso de inversión aporta beneficios en varias dimensiones:
- De conocimiento genérico a propietario. Al conectar nuestros propios datos e investigación con los LLMs, el resultado ya no es algo que ningún competidor pueda replicar. El análisis refleja el conocimiento acumulado de nuestra empresa, nuestros modelos específicos y nuestras opiniones exclusivas. Esto es una fuente genuina de diferenciación.
- De tareas individuales a IA de agentes. El seguimiento de tesis asistido por IA significa que nuestras tesis de inversión se prueban continuamente con la evidencia entrante, en lugar de revisarse solo a intervalos programados. Esto permite un reconocimiento más rápido de cuándo una tesis se está desarrollando, se estanca o está siendo invalidada.
- De riesgo a nivel de factor a riesgo a nivel de tesis. Vincular posiciones a tesis específicas y monitorizar esas tesis en tiempo real proporciona a los gestores de carteras una comprensión mucho más profunda de a qué están expuestos realmente, complementando las herramientas cuantitativas tradicionales de riesgo.
- De inteligencia individual a inteligencia colectiva. Hacer accesible la investigación de nuestros analistas a los sistemas de IA significa que el conocimiento colectivo de la empresa puede ser consultado, cruzado y sintetizado de formas que antes no eran posibles. Una visión de un analista japonés puede informar la tesis de un analista europeo en tiempo real, sin depender de conversaciones casuales en corredores.
- De previsión no estructurada a previsión medida. A medida que avanzamos hacia previsiones explícitas y rastreadas, creamos la infraestructura para un sistema de aprendizaje genuino. Con el tiempo, esto ayuda a cada analista y gestor de carteras a mejorar su juicio, lo que creemos que se traducirá en mejores resultados de inversión.
Mirando hacia adelante
En nuestro primer artículo, describimos 2025 como el año en que las herramientas de IA se integrarían verdaderamente y se usarían como algo rutinario. Eso ya es una realidad. Los LLMs y nuestras otras herramientas forman ahora parte del flujo de trabajo diario de cientos de analistas y gestores de carteras en nuestras mesas de renta variable y crédito.
2026 se perfila como el año en que la IA pasará de ser una herramienta de productividad a una visión de inversión. La integración de nuestros datos y estudios propietarios en modelos, el desarrollo de capacidades de seguimiento de tesis y la conexión más profunda entre las herramientas de IA y los flujos de trabajo de gestión de carteras representan un cambio cualitativo en lo que la IA significa para nuestro proceso de inversión.
Seguimos creyendo que el papel de la IA es aumentar, no reemplazar, el juicio humano. Pero la naturaleza de ese aumento se está profundizando rápidamente. En la primera fase, la IA nos ayudó a procesar la información más rápido. En esta segunda fase, nos ayuda a organizar nuestro pensamiento, a rastrear nuestras convicciones, a entender nuestras exposiciones y a aprender de nuestros resultados. Las firmas que aprovechen bien esto - no solo despliegando las herramientas, sino integrándolas de forma reflexiva en su inversión - creemos, ofrecerán mejores resultados a sus clientes con el tiempo.
Charlotte Wood, Head of Innovation and FinTech Alliances:
La IA es ahora una parte firme del funcionamiento diario de Schroders. Durante el último año hemos visto cómo la adopción se acelera considerablemente, con nuestras herramientas propias en el centro y muchos casos de uso implementados que se traducen en valor tangible. Es importante destacar que consideramos la IA como un diferenciador visible para Schroders, como parte de nuestro claro compromiso con la innovación y la evolución de la forma en que entregamos resultados a los clientes.
Como se ha descrito antes, el siguiente cambio ya está en marcha, pasando de la IA asistida a un modelo más de agentes. En términos prácticos, esto significa pasar de tareas impulsadas por humanos (por ejemplo, "analizar estas fuentes", "borrador de contenido") a sistemas de IA que actúan de forma proactiva, primero con aprobación humana para cada acción y, con el tiempo, operando de forma autónoma dentro de políticas y controles definidos por el hombre.
Nuestra visión es que los agentes de IA se conviertan en una parte integral de la plantilla de Schroders, trabajando junto y en nombre de los empleados para asumir tareas cada vez más complejas, de modo que nuestra gente pueda centrarse en el juicio y en las actividades de mayor valor para los clientes. Cada vez más tareas pueden realizarse en gran medida en segundo plano, requiriendo solo atención humana para excepciones, escaladas o para añadir valor específico.
Para lograr esto de forma responsable se requieren bases sólidas, que mi equipo está estableciendo ahora. Estos fundamentos incluyen establecer una plataforma para construir y ejecutar agentes, dar a los agentes la capacidad de acceder a fuentes de datos, conectar agentes con sistemas empresariales para que puedan actuar y, de manera crucial, implementar controles y monitorización para que el comportamiento de los agentes sea seguro y observable.
Vemos esto como el camino desde la IA como herramienta de productividad hasta la IA como capacidad escalable: integrada, controlada y genuinamente transformadora para nuestra forma de operar.
Suscríbete a nuestro contenido
Visita nuestro centro de preferencias y escoge qué información quieres recibir por parte de Schroders.
Authors
Temáticas