Más allá de la productividad: el cambio estructural de la IA en la gestión activa
El uso de la IA en la gestión activa ha ido más allá de los beneficios iniciales en productividad. Pablo Riveroll explica las ventajas de integrar datos y estudios propios con grandes modelos lingüísticos, mientras que Charlotte Wood analiza la visión global de la empresa respecto a la IA agéntica.
Authors
Pablo Riveroll, gestor de fondos y responsable global de investigación de renta variable:
El sector 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 modelos de lenguaje de gran tamaño (LLM) para resumir información, acelerar la investigación y apoyar a los analistas en su trabajo diario. La siguiente fase parece más estructural. Se centra en integrar datos propios, investigación interna y sistemas de construcción de carteras directamente con modelos de IA, con el potencial de redefinir cómo se forman las perspectivas de inversión y cómo se entiende el riesgo.
El año pasado, describimos la manera en la que nuestra división de mercados públicos estaba empezando a utilizar la IA para mejorar nuestra ventaja competitiva en materia de inversión. Las herramientas que mencionamos -ChatGPT Enterprise, Bloomberg DSX, nuestro copiloto de análisis propio y Context AI- estaban aportando mejoras reales en la eficiencia: aceleraban las evaluaciones iniciales de las empresas, democratizaban el conocimiento en todo el equipo y liberaban a los analistas para que se centraran en tareas de mayor valor.
Ese artículo reflejaba la adopción de la IA 1.0: el uso de los modelos de lenguaje de gran tamaño (LLM) principalmente como asistentes de investigación sofisticados capaces de procesar y resumir información disponible públicamente. Los resultados fueron alentadores y, desde entonces, las herramientas se han integrado en todas nuestras mesas de renta variable y crédito.
Pero el panorama ha cambiado significativamente. Ahora estamos entrando en lo que consideramos la adopción de la IA 2.0, una fase que se define no por una recuperación de información más rápida, sino por una profunda integración de la IA en en el proceso de inversión. La diferencia es estructural: estamos en proceso de conectar nuestros datos propios, la investigación de nuestros analistas y nuestros sistemas de gestión de carteras directamente a LLM potentes. Esto se traduce en múltiples agentes de IA que no solo responden a preguntas, sino que nos ayudan activamente a hacer un seguimiento de nuestras tesis de inversión, comprender nuestra exposición al riesgo y tomar mejores decisiones.
Múltiples agentes que conectan nuestros datos y nuestra propiedad intelectual directamente a potentes modelos de lenguaje
El avance más significativo del último año ha sido la maduración de la IA agéntica -la colaboración entre agentes especializados en tareas específicas- y una tecnología denominada «Model Context Protocol» (MCP). Se puede considerar el MCP como un conector universal, equivalente a un puerto USB, pero para aplicación en 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 independientes que trabajaban principalmente con información de dominio público. Un analista podía pedirle a ChatGPT que resumiera la última conferencia sobre resultados de una empresa o que evaluara la dinámica competitiva de un sector, y el resultado era útil, pero genérico. Cualquier gestor de activos que contara con las mismas herramientas podía elaborar, en esencia, el mismo análisis.
La integración de nuestros datos y nuestra propiedad intelectual en los modelos cambia esta ecuación de forma fundamental. Al conectar nuestras bases de datos internas, modelos financieros, notas de investigación y conjuntos de datos propios a los LLM, podemos crear un entorno de IA que es exclusivamente nuestro. Cuando un analista consulta nuestro sistema, el modelo no solo se utilizará información pública, sino también la investigación acumulada por Schroders, nuestras previsiones macroeconómicas internas, los modelos propios de nuestros analistas y nuestros datos de posicionamiento de carteras. Los distintos agentes se centrarán en diferentes tareas: extracción de datos, elaboración de gráficos, procesamiento del lenguaje natural y seguimiento de tesis de inversión. La calidad y la especificidad de los resultados serán de otro nivel.
Por ejemplo, un analista especializado en renta variable latinoamericana podría plantearse «¿Cuál es la opinión de nuestro equipo de materias primas sobre los precios del cobre, y cómo se compara eso con las hipótesis sobre la demanda de cobre que se han incorporado a nuestras previsiones sobre la adopción de vehículos eléctricos y la expansión de la red eléctrica en China?». El sistema, una vez conectado con nuestra propiedad intelectual interna, los estudios de terceros y los datos de mercado, podría ofrecer una respuesta integrada que antes habría requerido horas de cotejo manual.
Integración de nuestra propia investigación en la IA
Quizás el cambio más significativo sea la incorporación de nuestra propia investigación -el aporte intelectual acumulado de cientos de analistas y gestores de carteras- a los sistemas de IA. Esto significa que no somos meros consumidores de contenidos generados por la IA, sino que estamos creando herramientas de IA que aprenden de nuestro conocimiento colectivo y se basan en él.
Los analistas realizan un extenso trabajo: informes sobre empresas, análisis sectoriales, investigación temática, comentarios sobre modelos y recomendaciones de inversión. Gran parte de este conocimiento institucional se encuentra en unidades compartidas, bandejas de entrada y chats de Teams, accesibles solo para quienes sabían dónde buscar o quienes asistieron por casualidad a la reunión adecuada. El futuro está en estructurar e indexar la investigación y ponerla a disposición de nuestras herramientas de IA como contexto.
Las implicaciones prácticas son significativas. Un gestor de carteras que se prepara para una reunión sobre el sector industrial europeo podrá pronto solicitar al sistema que resuma las diferentes opiniones que tiene nuestra empresa sobre el sector, mostrando no solo los últimos comentarios publicados, sino también la evolución de las convicciones de nuestros analistas a lo largo del tiempo. Un nuevo analista que se incorpore al equipo podrá acceder rápidamente al conocimiento institucional acumulado sobre su ámbito de cobertura, y comprender no solo lo que pensamos hoy, sino también el razonamiento y el conjunto de pruebas que sustentan esas opiniones.
Lo más importante es que esto nos permitirá utilizar la inteligencia artificial para ayudar a los analistas a hacer un seguimiento más sistemático de sus tesis de inversión. Por ejemplo, cuando un analista publique una tesis afirmando que una empresa concreta experimentará un aumento de sus márgenes debido a una menor competencia y, por lo tanto, un mayor poder para fijar los precios, el sistema podrá supervisar los datos que se reciban (resultados financieros, comentarios de la dirección, informes del sector) y señalar si hay nuevas pruebas que respalden o refuten dicha tesis. Esto nos permitirá pasar de un mundo en el que el seguimiento de las tesis era esporádico y manual a uno en el que es continuo y sistemático.
Seguimiento de tesis y comprensión integral del riesgo
Uno de los avances más importantes en esta segunda fase de la adopción de la IA es la forma en que estas herramientas pueden ayudarnos a comprender nuestra exposición al riesgo de una manera más integral y oportuna.
Tradicionalmente, la gestión del riesgo en la inversión en renta variable activa ha estado dominada por modelos cuantitativos basados en factores. Aunque son valiosos, describen el riesgo en términos de exposición estadística, es decir, la parte de la variación de la rentabilidad de una cartera que puede atribuirse a factores como el valor, el momentum o el tamaño. Lo que no captan bien es el riesgo fundamental, a nivel de tesis, que asumen realmente los gestores activos: las opiniones y juicios de inversión específicos que determinan el posicionamiento de la cartera, y los diferentes temas que están interrelacionados, incluso si un modelo factorial no lo detecta.
Este nivel de transparencia a nivel de tesis de inversión, aumenta con la capacidad de la IA para procesar información de forma continua, lo que supone un auténtico cambio radical en nuestra forma de entender y gestionar el riesgo. En un mundo impulsado por la IA, podemos contar con distintos agentes que hagan un seguimiento de los diversos factores que esperamos que influyan en una empresa, así como de la probabilidad de que los riesgos identificados se materialicen. Esto permite a los gestores de carteras tomar decisiones más fundamentadas sobre qué posiciones reforzar, cuáles cubrir y cuáles revisar.
¿Cuáles son las ventajas de la adopción de la IA 2.0?
Más allá de los beneficios en términos de eficiencia derviadosde la primera fase, esta integración más profunda de la IA en nuestro proceso de inversión ofrece ventajas en varios ámbitos:
- De lo genérico a conclusiones basadas en datos y conocimiento propios. Al conectar nuestros propios datos e investigaciones con los modelos de lenguaje de gran tamaño (LLM), el resultado ya no es algo que cualquier competidor pueda replicar. El análisis refleja el conocimiento acumulado de nuestra empresa, nuestros modelos específicos y nuestras opiniones propias. Se trata de una auténtica fuente de diferenciación.
- De tareas simples a una IA agéntica. El seguimiento de tesis de inversión permite que nuestras hipótesis se analicen continuamente a la luz de los datos que van surgiendo, en lugar de revisarse solo a intervalos programados. Esto permite reconocer más rápidamente cuándo una tesis se está cumpliendo, se está estancando o está quedando invalidada.
- De una lectura del riesgo basada en factores a una lectura del riesgo basada en tesis. Vincular las posiciones a tesis específicas y supervisar esas tesis en tiempo real proporciona a los gestores de carteras una comprensión mucho más profunda del riesgo al que están realmente expuestos, complementando las herramientas cuantitativas tradicionales de gestión del riesgo.
- De la inteligencia individual a la inteligencia colectiva. Hacer que la investigación de nuestros analistas sea accesible a los sistemas de IA implica que el conocimiento colectivo de la empresa puede consultarse, contrastarse y sintetizarse de una forma que antes no era posible. Un artículo de un analista de Japón puede alimentar la tesis de un analista europeo en tiempo real, sin depender de conversaciones fortuitas en los pasillos.
- De previsiones no estructuradas a previsiones medibles. A medida que avanzamos hacia previsiones explícitas y trazables, construimos la infraestructura de un verdadero sistema de aprendizaje. Con el tiempo, esto ayuda a que cada analista y gestor mejore su criterio, lo que creemos que se traducirá en mejores resultados de inversión.
Mirando hacia el futuro
En nuestro primer artículo, describimos el año 2025 como aquel en el que las herramientas de IA se integrarían plenamente y se utilizarían de forma habitual. Eso es ahora una realidad. Los modelos de lenguaje de gran tamaño (LLM) y el resto de nuestras herramientas forman parte del flujo de trabajo diario de cientos de analistas y gestores de carteras en nuestros equipos de inversión de renta variable y de crédito.
El 2026 se perfila como el año en que la IA pasará de ser una herramienta de productividad a convertirse en una fuente de conocimiento para la inversión. La integración de nuestros datos y análisis propios en los modelos de inversión, 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 complementar, no sustituir, el juicio humano. Pero la naturaleza de ese complemento se está profundizando rápidamente. En la primera fase, la IA nos ayudó a procesar la información más rápidamente. En esta segunda fase, nos está ayudando a organizar nuestro pensamiento, hacer un seguimiento de nuestras convicciones, comprender nuestras exposiciones y aprender de nuestros resultados. Las empresas que aprovechen bien esto -no solo implementando las herramientas, sino integrándolas de forma reflexiva en su forma de invertir- ofrecerán, en nuestra opinión, mejores resultados a sus clientes a lo largo del tiempo.
Charlotte Wood, responsable de IA e Innovación:
La IA está integrada en el día a día de Schroders. Durante el último año hemos sido testigos de una aceleración notable en su adopción, con nuestras herramientas propias como eje central, y se han implementado numerosos casos de uso que se traducen en un valor tangible. Es importante destacar que consideramos la IA como un factor diferenciador visible para Schroders, como parte de nuestro claro compromiso con la innovación y la evolución de la forma en que ofrecemos resultados a nuestros clientes.
Como se ha descrito anteriormente, el siguiente cambio ya está en marcha: pasar de una IA asistencial a un modelo más autónomo. En la práctica, esto significa pasar de tareas impulsadas por humanos (por ejemplo, «analizar estas fuentes», «redactar contenido») a sistemas de IA que actúan de forma proactiva, primero con la aprobación humana para cada acción y, con el tiempo, operando de forma autónoma dentro de las políticas y controles definidos por los humanos.
Nuestra visión para el futuro contempla que los agentes de IA se conviertan en parte integral de la plantilla de Schroders, trabajando junto a los empleados y en su nombre para asumir tareas cada vez más complejas, de modo que nuestro personal pueda centrarse en el razonamiento y en las actividades que aportan mayor valor a nuestros clientes. Es posible que cada vez más tareas se realicen en gran medida en segundo plano, requiriendo la intervención humana solo para gestionar excepciones, escalar temas o aportar un valor específico.
Para lograrlo de forma responsable se requieren bases sólidas, que mi equipo está implementando actualmente. Esto incluye el establecimiento de una plataforma para crear y ejecutar agentes, dotar a los agentes de la capacidad de acceder a fuentes de datos, conectar los agentes a los sistemas empresariales para que puedan realizar acciones y, lo que es más importante, implementar controles y supervisión para que el comportamiento de los agentes sea seguro y observable.
Consideramos que este es el camino para pasar de la IA como herramienta de productividad a la IA como recurso evolutivo, integrado, controlado y verdaderamente transformador de 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