Automatizar el análisis fundamental con IA: qué funciona y qué no

El análisis fundamental con IA consiste en delegar a un agente la parte mecánica del trabajo —localizar los informes, extraer las cifras, normalizarlas y compararlas entre empresas y periodos— para que la persona dedique su tiempo a lo que la máquina no hace: interpretar el contexto competitivo, cuestionar la contabilidad y decidir. Dicho de otra forma: la IA no analiza una empresa, monta en minutos la mesa de trabajo que antes costaba días preparar.

Esa distinción no es un matiz de estilo, es la que separa un sistema útil de un generador de cifras inventadas. Nosotros construimos este tipo de agentes para clientes y también para nuestros propios proyectos de mercados, y el aprendizaje más caro ha sido siempre el mismo: el 80% del valor está en la extracción verificada y la normalización, no en el resumen bonito que escribe el modelo al final. Este artículo recorre qué se puede automatizar de verdad, cómo se monta la tubería, dónde engaña la comparación entre empresas, qué cuesta y qué no debe hacer nunca un agente de este tipo.

¿Qué parte del análisis fundamental se puede automatizar y cuál no?

Se automatiza bien todo lo que es recuperación, extracción, cálculo y comparación reglada; se automatiza mal todo lo que es juicio sobre calidad del negocio o del equipo directivo. La frontera está en si la tarea tiene una respuesta verificable contra un documento.

• Automatizable con alta fiabilidad: descargar informes anuales, trimestrales y hechos relevantes; extraer las partidas de balance, cuenta de resultados y flujos de caja; calcular ratios; detectar cambios de perímetro o de política contable declarados; comparar la evolución de una partida a lo largo de diez ejercicios; señalar diferencias entre lo declarado y lo calculado.
• Automatizable con supervisión: resumir la sección de riesgos, contrastar el discurso de la dirección entre dos ejercicios, extraer datos operativos no financieros (clientes, capacidad, unidades) que cada empresa presenta a su manera, clasificar notas al pie relevantes.
• No automatizable: juzgar la calidad del equipo directivo, valorar la sostenibilidad de una ventaja competitiva, decidir si un múltiplo es caro o barato, y —por supuesto— decidir qué hacer con la información.

Un sistema honesto es explícito sobre esa frontera. Si un proveedor te vende un agente que "decide qué empresas están infravaloradas", lo que estás comprando es una opinión generada por un modelo estadístico presentada como conclusión analítica. La utilidad real está antes: en que la mesa de trabajo esté completa, verificada y comparable.

¿Cómo lee un agente un informe anual, paso a paso?

La tubería tiene cinco etapas, y cada una tiene su modo de fallar. El error más común de los proyectos que fracasan es saltarse la etapa de verificación y confiar en que el modelo "ha leído bien".

La pieza técnica que más ayuda hoy es la información ya estructurada. En la Unión Europea, el formato ESEF obliga a los emisores cotizados a publicar sus informes financieros anuales en XHTML, con las cuentas consolidadas etiquetadas en Inline XBRL, para ejercicios iniciados a partir del 1 de enero de 2020 (Reglamento Delegado publicado en el Diario Oficial en mayo de 2019). En Estados Unidos, la SEC lleva más tiempo publicando datos XBRL de los registros de EDGAR. Traducción práctica: para las cotizadas recientes, una parte importante de la extracción ya no es leer un PDF, es consumir un dato etiquetado. Para lo anterior a esas fechas, para las no cotizadas y para todo lo que vive en las notas, sigue siendo lectura de documento.

Comparar empresas: dónde aporta la IA y dónde engaña

La comparación automática es la función que más tiempo ahorra y la que más silenciosamente se equivoca. Aporta cuando homogeneiza; engaña cuando presenta como comparable algo que no lo es y nadie se da cuenta porque la tabla se ve limpia.

Estas son las trampas que un agente bien construido debe declarar en la propia salida, no esconder:

1. Marcos contables distintos. NIIF y US GAAP tratan de forma diferente arrendamientos, desarrollo capitalizado o deterioros. Comparar márgenes sin declararlo es comparar dos reglas distintas.
2. Ejercicios fiscales desalineados. Una empresa que cierra en marzo y otra en diciembre no comparten el mismo trimestre económico, sobre todo en negocios estacionales.
3. Cambios de perímetro. Una adquisición grande convierte el crecimiento en aritmética, no en negocio. El agente debe marcar el ejercicio en que cambia el perímetro.
4. Partidas no recurrentes. Indemnizaciones, ventas de activos, litigios. Si el modelo las mete en la serie sin señalarlas, la tendencia que dibuja es falsa.
5. Métricas ajustadas por la propia empresa. El EBITDA ajustado de cada compañía se ajusta a su manera. Un agente debe preferir siempre la cifra auditada y traer la ajustada como columna aparte, con la definición al lado.

La regla que aplicamos: el sistema no debe entregar nunca un número sin su procedencia. Cada celda con su documento, su página y su fecha. Es la misma disciplina de trazabilidad que exigimos a cualquier agente de IA para research financiero, y sin ella el resto del proyecto no vale nada.

Verificación: la mitad del proyecto que nadie presupuesta

En nuestros proyectos, la capa de verificación se lleva entre un tercio y la mitad del esfuerzo total, y es exactamente la partida que los presupuestos baratos eliminan. Sin ella, el sistema produce cifras que parecen correctas, que es peor que no producir nada.

Los cuatro controles que consideramos innegociables:

• Cuadres aritméticos. Activo igual a pasivo más patrimonio; las partidas suman su total; el flujo de caja concilia con la variación de tesorería. Si no cuadra, el dato no sale.
• Doble extracción. Dos pasadas independientes sobre el mismo documento y comparación de resultados. Las discrepancias van a revisión humana, no a la media.
• Cita obligatoria. Todo número enlazado a su ubicación exacta en el documento. Si el sistema no puede citar, marca el campo como no disponible en lugar de estimarlo.
• Rango de plausibilidad. Comparación contra el histórico de la propia empresa. Un salto del 400% en una partida estable es, casi siempre, un error de unidad, no una noticia.

La arquitectura que sostiene todo esto es una base documental bien indexada con recuperación por contexto —lo que suele llamarse RAG corporativo—, más una capa determinista de cálculo. Los rangos de coste de esa infraestructura los desglosamos en nuestra guía sobre cuánto cuesta un RAG corporativo.

¿Qué NO debe hacer un agente de análisis fundamental?

No debe emitir recomendaciones, no debe estimar cifras que no ha encontrado y no debe operar. Las tres cosas son técnicamente posibles y las tres convierten una herramienta de productividad en un problema.

• Recomendar comprar o vender. Además de ser una función distinta —y regulada en muchos contextos—, es la que rompe el propósito del sistema: dar contexto verificado a quien decide.
• Rellenar huecos. Un modelo de lenguaje siempre puede escribir un número. Un dato no encontrado debe salir como no encontrado.
• Valorar sin supuestos explícitos. Si el sistema calcula un descuento de flujos, los supuestos de crecimiento y descuento los pone una persona y quedan visibles en la salida.
• Interpretar señales de mercado en tiempo real. Eso es otro sistema, con otra ingeniería y otros riesgos; conviene no mezclarlos.
• Ejecutar órdenes. La separación entre el sistema que informa y el que opera debe ser física, no una opción de configuración.

Si el interés está en la parte de ejecución y validación de reglas, es un terreno distinto que tratamos en nuestro artículo sobre IA para backtesting y validación de estrategias, donde el problema no es leer documentos sino no engañarse con los resultados.

¿Cuánto cuesta montarlo y cuánto tarda?

Un sistema acotado —un universo de 30 a 100 empresas, fuentes oficiales, extracción verificada y comparativa automática— encaja en la banda de un agente a medida para pyme: entre 15.000 y 40.000 € según número de fuentes, profundidad del histórico y nivel de verificación exigido, con un primer despliegue útil en 6 a 10 semanas. El mantenimiento anual se mueve en el 10-20% del coste de construcción, y aquí tiene una causa concreta: las empresas cambian el formato de sus informes, y la extracción hay que revisarla cada temporada de resultados.

Las dos partidas que suelen desviarse: el coste de los datos de terceros (si necesitas históricos limpios de un proveedor comercial, su licencia puede superar al desarrollo) y el volumen de documentos, porque el consumo del modelo escala con las páginas procesadas, no con el número de empresas. Antes de pedir presupuesto, define el universo y la profundidad histórica: sin esas dos cifras, cualquier presupuesto es un número inventado.

Cómo montarlo paso a paso

1. Define el universo y las fuentes oficiales que aceptas como válidas. Sin esta decisión, el sistema acabará mezclando notas de prensa con cuentas auditadas.
2. Construye el esquema de partidas normalizado antes de tocar ningún modelo. Es el trabajo menos vistoso y el que determina si el proyecto sirve.
3. Empieza por 10 empresas y 3 ejercicios. Extrae, verifica manualmente cada celda y mide la tasa de acierto real. Ese número es tu línea base.
4. Añade la capa de verificación hasta que el sistema detecte solo sus propios errores en la muestra de control.
5. Escala el universo, no las funciones. Más empresas con la misma calidad vale más que más funciones con calidad desconocida.
6. Revisa cada temporada de resultados y trata la extracción como código vivo, no como una entrega cerrada.

Si estás valorando un sistema así para tu equipo de análisis, nosotros lo planteamos siempre empezando por una prueba medida sobre tu universo real antes de comprometer alcance; así trabajamos desde nuestra consultoría de inteligencia artificial.

Preguntas frecuentes

¿Puede un modelo de lenguaje leer un informe anual sin equivocarse?

No de forma fiable por sí solo, y esa es la premisa de diseño correcta. Los errores típicos —unidades, perímetro, periodos solapados— son sutiles y no se detectan leyendo la salida. Por eso el sistema se construye con extracción estructurada donde existe, verificación aritmética siempre y citación obligatoria de cada cifra.

¿Sirve para empresas no cotizadas?

Sí, pero con más trabajo. Sin obligación de formato electrónico estructurado, todo depende de la calidad de las cuentas depositadas y la extracción vuelve a ser lectura de documento. La verificación aritmética gana aún más peso, porque no hay una fuente estructurada contra la que contrastar.

¿Cuánto histórico hace falta?

Para que la comparación aporte, al menos cinco ejercicios; diez si el sector es cíclico. La restricción práctica no suele ser técnica sino de disponibilidad y coste: cuanto más atrás vas, menos datos estructurados hay y más documentos hay que procesar.

¿Es esto lo mismo que un asistente de IA que resume noticias de empresas?

No. Un resumidor de noticias trabaja sobre texto y produce texto; un sistema de análisis fundamental produce datos verificados con procedencia. Se pueden combinar, pero el resumen jamás debe alimentar la tabla de cifras.

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