IA para análisis financiero: agentes de research con fuentes verificables

La IA para análisis financiero hace hoy tres trabajos de forma fiable: ingerir documentos (informes anuales, presentaciones de resultados, notas de análisis) y convertirlos en datos estructurados, filtrar universos grandes de activos o empresas contra criterios definidos por el analista, y sintetizar conclusiones con citas verificables a la fuente original. Lo que no hace, y conviene decirlo en la primera línea, es decidir por ti en qué invertir.

Este artículo cierra nuestra serie sobre IA aplicada a los mercados, y lo escribo desde la experiencia directa: en nuestros propios sistemas de trading algorítmico usamos agentes para exactamente estas tareas —leer, filtrar, sintetizar— y hemos aprendido dónde rinden y dónde se rompen. La distinción central es sencilla: el research es un proceso industrializable; el juicio de inversión, no.

¿Qué hace exactamente un agente de research financiero?

Un agente de research financiero automatiza el ciclo que un analista humano repite cada semana: recopilar documentos, extraer los datos relevantes, cruzarlos con criterios de selección y redactar una síntesis con las fuentes citadas. El humano pasa de fabricar el informe a revisarlo y a quedarse con la parte que de verdad es suya: la interpretación y la decisión.

En la práctica, el flujo tiene cuatro etapas encadenadas:

1. Ingestión. El agente recibe los documentos por los canales donde ya llegan: carpetas de PDFs, correo, portales de resultados, feeds regulatorios (CNMV, SEC). Da igual que sea un informe anual de 300 páginas o una presentación de 20 diapositivas.
2. Extracción y estructuración. De cada documento salen los datos que te importan —márgenes, deuda, guidance, riesgos citados, cambios en el consejo— a un formato tabular consultable, con la página de origen anotada en cada dato.
3. Screening. Sobre esa base estructurada, el agente aplica tus filtros: métricas fuera de rango, cambios frente al trimestre anterior, menciones nuevas de un riesgo concreto en el universo que sigues.
4. Síntesis con fuentes. El resultado es un memo corto —una o dos páginas— donde cada afirmación lleva su cita: documento, página, frase original. Eso convierte la revisión humana en minutos en lugar de horas.

¿Por qué la síntesis con fuentes es la pieza crítica?

Porque en finanzas una afirmación sin fuente verificable no vale nada, y los modelos de lenguaje usados sin arquitectura tienden a rellenar huecos con texto plausible. La diferencia entre un juguete y una herramienta de research es que la herramienta solo afirma lo que puede señalar en un documento concreto, y cuando no encuentra el dato lo dice.

Técnicamente esto se resuelve con una arquitectura de recuperación sobre tus propios documentos: el agente no "recuerda" el informe, lo consulta, y la respuesta se construye a partir de los fragmentos recuperados con su referencia. En nuestros despliegues exigimos además una regla dura: cualquier cifra que aparezca en el memo debe ser localizable en un clic. Si el sistema no puede cumplir eso, no está listo para un flujo financiero.

El beneficio operativo es doble. Primero, la revisión humana se acelera porque verificar es trivial. Segundo, el error se vuelve detectable: un dato mal extraído se ve al contrastar con la fuente, mientras que un párrafo bien redactado sin fuentes puede colar un error durante meses.

Ingestión de informes: del PDF de 300 páginas al dato consultable

La ingestión es la etapa menos glamurosa y la que más horas devuelve. Un analista tarda entre 2 y 4 horas en leer con criterio un informe anual completo; un agente lo procesa en minutos y deja preparado el esqueleto de datos y las secciones señaladas para lectura humana selectiva: riesgos nuevos respecto al año anterior, cambios de lenguaje en el guidance, partidas que se movieron.

El matiz importante es que el objetivo no es que nadie lea los informes, sino que el humano lea solo lo que ha cambiado o lo que el filtro marca como relevante. Cubrir un universo de 50 compañías con lectura completa es imposible para un equipo pequeño; con lectura asistida por agente es un flujo semanal razonable.

Screening: tus criterios, aplicados sin fatiga

El screening automatizado consiste en aplicar criterios definidos por el analista sobre datos estructurados, de forma continua y sin excepciones por cansancio. El valor no está en que la máquina invente criterios —no debe—, sino en que aplica los tuyos sobre un universo mucho mayor del que puedes vigilar a mano y te avisa solo cuando algo cruza el umbral.

Aquí conecta el research con la operativa: en trading sistemático, el screening alimenta listas de candidatos que después pasan por validación cuantitativa; en un departamento financiero corporativo, el mismo patrón sirve para vigilar contrapartes, clientes grandes o competidores. De hecho, la arquitectura es la misma que usamos en los agentes de IA para el departamento financiero, cambiando las fuentes y los criterios.

¿Qué diferencia hay entre esto y preguntarle a un chatbot?

La diferencia es la arquitectura y la trazabilidad, y se resume bien en una tabla:

Para tareas puntuales, el chatbot vale. Para un proceso de research que alimenta decisiones con dinero, la trazabilidad no es negociable.

¿Qué NO debe hacer un agente en análisis financiero?

Decidir. Todo lo que sea señal de compra o venta, dimensionamiento de posiciones o recomendación de inversión queda fuera del agente de research, por tres razones que hemos comprobado en carne propia:

• Los modelos de lenguaje no son modelos predictivos de mercado. Sintetizan texto; no estiman probabilidades de retorno. Usarlos como oráculo es confundir la herramienta.
• El sesgo de plausibilidad es peligroso con dinero. Una narrativa convincente y equivocada es peor que no tener narrativa, porque desactiva el escepticismo.
• La responsabilidad no se delega. Regulatoriamente y en la práctica, la decisión de inversión es de una persona identificable. El agente prepara el expediente; no firma.

La frontera sana: el agente reduce el coste de estar bien informado; el humano decide qué hacer con la información. Es el mismo principio que aplicamos a la previsión de caja con los agentes de tesorería: la máquina proyecta y alerta, el responsable decide.

Cuánto cuesta montar un flujo de research con agentes

Un flujo acotado —ingestión de un tipo de documento, screening sobre 20-50 entidades y memo semanal con fuentes— se mueve en el rango típico de un agente a medida para pyme: entre 15.000 y 40.000€ de proyecto según fuentes y complejidad, más un mantenimiento anual del 10-20% del coste inicial. El consumo de API de los modelos es menor de lo que se suele suponer: para volúmenes de decenas de documentos semanales, hablamos de decenas de euros al mes, no de miles.

El plazo razonable de un primer despliegue es de 4 a 8 semanas, empezando por el documento que más horas consume hoy. Y la métrica de éxito se pacta antes: horas de analista liberadas por semana y porcentaje de datos del memo verificados sin error.

Errores típicos al montar research con IA

• Empezar por el modelo y no por el flujo. La pregunta correcta no es "¿qué modelo usamos?" sino "¿qué documentos entran, qué datos salen y quién los revisa?". El modelo es intercambiable; el flujo es el activo.
• Aceptar memos sin citas. El día que toleras una afirmación sin fuente, has cambiado un proceso de research por un generador de opiniones. La regla de la cita verificable es innegociable desde el primer día.
• Ampliar el universo antes de estabilizar la tubería. Primero 20 entidades con extracción verificada; después 50, después 200. Al revés, acumulas errores más rápido de lo que puedes revisarlos.
• Dejar que el agente opine. Si el memo empieza a incluir "recomendaciones", alguien ha configurado mal el sistema. El agente describe, cuantifica y cita; la tesis la escribe el analista.

Preguntas frecuentes

¿Puede el agente cubrir noticias y redes además de informes?

Sí, técnicamente es la misma tubería con fuentes más ruidosas. Nuestra recomendación es empezar por documentos primarios (informes, presentaciones de resultados, filings regulatorios) porque su señal es alta, y añadir prensa después con filtros estrictos. Meter Twitter el primer día es la receta clásica para un sistema que grita mucho y informa poco.

¿Qué precisión tiene la extracción de datos de los informes?

Sobre PDFs digitales bien formados, la extracción de cifras con verificación cruzada se sitúa de forma consistente por encima del 95%, y los fallos son detectables porque cada dato lleva su fuente. El diseño correcto asume que habrá errores y hace que verificarlos cueste segundos; la cifra exacta depende de tus documentos y se mide en el piloto, no se promete en la venta.

¿Sirve esto para una pyme que no invierte en mercados?

Sí: el mismo patrón —ingerir documentos, filtrar por criterios, sintetizar con fuentes— funciona para vigilar competidores, analizar clientes grandes antes de dar crédito o seguir cambios regulatorios del sector. El research financiero de mercados es el caso más exigente; si la arquitectura sobrevive ahí, el resto son variantes.

¿Reemplaza esto al analista?

Reemplaza las horas de lectura mecánica y recopilación, que en la práctica son la mayoría de la semana de un analista. El criterio —qué preguntar, qué es raro, qué merece profundizar— se vuelve más valioso, no menos, porque ahora se aplica sobre más información y mejor organizada.

¿Por dónde empezamos?

Por un diagnóstico del flujo actual: qué documentos entran, cuántas horas consumen y qué decisiones alimentan. Con eso se elige el primer caso y se define la métrica de éxito; así arrancamos cualquier proyecto desde nuestra consultoría de inteligencia artificial.

Este artículo trata la tecnología y el negocio de la IA aplicada a los mercados. No es asesoramiento financiero ni una recomendación de inversión.