¿Cuánto costará una niñera? La IA está a punto de hacer que el análisis de inversiones sea mucho más productivo
Gregory Bond y Gary Collier, Man Group
Un paralelismo con la economía de hace 60 años sugiere que las decisiones quizá no se tomen más rápido.
Si preguntas a algunos de los que estamos aquí qué nos preocupa de la IA y la inversión, no son las burbujas, la pérdida de puestos de trabajo ni que las máquinas se rebelen.
Probablemente, la IA nos hará mucho más productivos en casi todo lo que hacemos en el ámbito de la investigación y, sin embargo, es posible que nuestras decisiones de inversión no sean más rápidas. De hecho, si no se rediseñan, podrían empeorar. Un paralelismo con la economía de hace 60 años da nombre a esta combinación.
El problema de la niñera
A mediados de la década de 1960, William Baumol y William Bowen se propusieron explicar por qué las orquestas y los teatros estadounidenses estaban siempre en bancarrota. Su respuesta partía del cuarteto de cuerda. Una actuación requiere los mismos cuatro músicos y la misma media hora que en la época de Beethoven.
- La industria manufacturera se vuelve cada vez más productiva.
- La música en directo no, pero los salarios de los músicos suben de todos modos, al estar integrados en un mercado laboral que abarca toda la economía.
Así pues, todo lo que no se vuelve más productivo se encarece relativamente, para siempre. Baumol lo denominó «la enfermedad de los costes». Es la razón por la que tu ordenador portátil cuesta menos cada año y tu abogado, más.
«Para que el aumento de las capacidades de los ordenadores condujera a la Singularidad, sería necesario que la IA pudiera abarcar todas las actividades humanas… pero también atender a pacientes, cuidar y consolar a los niños, y mediar en disputas»
William Nordhaus (2021)
Crecimiento de los precios de producción en EE. UU. frente al crecimiento de la productividad total de los factores por sector, 1987-2023
Cuanto más productivo se volvía un sector, más lentamente subían sus precios (correlación de rangos −0,50). Parte de ello se debe al ruido y parte a cuestiones contables, ya que los precios son, en gran medida, costes repercutidos. Los extremos lo dicen todo. Entre 1987 y 2023:
- la fabricación de ordenadores mejoró su productividad un 11 % anual, mientras que sus precios cayeron un 10 % al año.
- Los servicios jurídicos —un trabajo basado en el criterio humano del que volveremos a hablar— no registraron ningún crecimiento de la productividad, con precios que subieron un 4 % al año.
El crecimiento puede verse limitado «no por lo que hacemos bien, sino más bien por lo que es esencial y, sin embargo, difícil de mejorar».
La misma tendencia, presente en la investigación
Generar hipótesis, escribir código y realizar pruebas retrospectivas constituyen la vertiente informática y de fabricación del negocio, y la IA está reduciendo drásticamente sus costes en estos mismos momentos. Las ideas candidatas son cada vez más abundantes.
Pero entre una idea candidata y el capital del cliente se interpone la labor, sujeta al criterio humano, de decidir en qué confiar: el «problema de la niñera» en miniatura.
Esa decisión consume datos históricos recientes del mercado y tiempo real. Los mercados producen un año de evidencia al año, independientemente del número de estrategias que se prueben, y cuantas más candidatas se prueben, más alto será el listón de prueba que cada una deberá superar.1 La evidencia es el cuarteto de cuerda; la validación son los servicios jurídicos del proceso de investigación.
Creemos que la IA también debería abaratar algunas partes de la validación, por ejemplo, ayudando a diseñar mejores experimentos y a descartar antes las ideas menos prometedoras. Pero el recurso que marca el límite no es la capacidad de cálculo. Una estrategia intradía genera miles de observaciones nuevas al año. Una estrategia macroeconómica con un periodo de tenencia de seis meses apenas ha generado unas decenas de observaciones a lo largo de la historia moderna de los mercados. Y es en las estrategias de horizonte más largo donde debe invertirse más capital, porque las más rápidas tienen límites de capacidad.
Así, los horizontes con menos evidencia son precisamente los que soportan más capital. Ampliar el número de mercados o estrategias añade observaciones correlacionadas de los mismos escasos regímenes —la crisis de 2008 ocurrió en todas partes a la vez—, y una simulación puede someter una estrategia a escenarios adversos, pero no demostrar que funcionará. La capacidad de cálculo no puede fabricar historia: solo el paso del tiempo puede hacerlo.
En la versión de Baumol, el problema giraba en torno a los salarios
En la investigación de inversiones gira en torno a la evidencia: una cantidad limitada frente a una cola creciente de hipótesis que hay que evaluar. En ambos casos, la etapa cuya productividad no puede aumentar acaba absorbiendo el presupuesto. Si no rediseñamos el proceso, la validación se convertirá en el paso más lento y costoso.
La alternativa es hacerla mal, con el riesgo de que las decisiones empeoren aunque todo lo demás se acelere. Ya existe una señal temprana de ese deterioro, observada en operaciones empresariales, no en inversiones. En Harvard Business Review, Ferreira y Tong describen cómo algunas personas aplican a la IA un nivel de confianza uniforme: desoyen sus recomendaciones cuando no deberían y las aceptan cuando deberían cuestionarlas. En ambos casos, obtienen peores resultados. La figura 2 muestra esquemáticamente adónde puede llevarnos esto.
La IA acelera la generación de ideas y la implementación; sin un rediseño, la validación corre el riesgo de convertirse en el paso que limita el ritmo y el más costoso, o bien se lleva a cabo de forma deficiente, y las decisiones empeoran
La misma tendencia, presente en la investigación
La atención se centra en la generación de ideas. Sin embargo, el recurso escaso está pasando a ser la evidencia.
La respuesta consiste en gestionar la evidencia con la misma disciplina con la que el sector aprendió a gestionar el riesgo.
En nuestro negocio de inversión sistemática, los experimentos automatizados fijan los criterios de éxito y las condiciones para descartar una idea antes de conocer ningún resultado.
Los agentes de investigación hacen avanzar las ideas respetando presupuestos explícitos de evidencia.
Estamos en una fase temprana. Se han realizado dos rondas, ambas en el mismo mercado. Un agente de IA propuso:
- 260 señales candidatas; 20 superaron un umbral fijado antes de las pruebas, usando datos históricos reservados para esa evaluación, y ahora se utilizan en producción: una tasa de supervivencia del 7,7 %.
- Propuso 338 señales, de las que sobrevivieron 22, es decir, el 6,5 %. Esa prueba con datos reservados sirve para hacer una primera selección, no constituye la demostración definitiva. Probar una idea con datos históricos sigue siendo la última fase de su generación. Las señales supervivientes pasan después a esperar datos nuevos de mercado en condiciones reales: esa es la evidencia verdaderamente escasa.
Todas las firmas en las que invierte un asignador de capital se enfrentan a alguna versión de esta misma aritmética.
La pregunta para una gestora está dejando de ser cuántas ideas puede producir con IA y pasa a ser cómo distribuye la evidencia disponible entre ellas
Eso implica preguntar
- cuántos periodos verdaderamente independientes y fuera de muestra respaldan una estrategia,
- si las pruebas se definieron antes de ver los resultados
- y cómo se comparan los rendimientos reales con la simulación que hizo atractiva la idea.
Cuando falta esa disciplina, las decisiones tienden a empeorar.
¿Cuánto costará una niñera cuando los ordenadores puedan hacerlo casi todo?
Una niñera es alguien a quien confiamos aquello que no podemos permitirnos perder. Dentro de una firma de inversión, esa función consiste en decidir qué ideas merecen recibir el capital de los clientes. Depende de la evidencia y del tiempo; por eso, es probable que su coste aumente.
Foto de Kampus Production
