La IA aún pincha en bolsa: pierde dinero y sobreopera

Hay un dato que retrata el problema mejor que cualquier promesa comercial: en cuatro competiciones, varios modelos de lenguaje perdieron cerca de un tercio del capital. No es un tropiezo menor. Es una señal bastante clara de que la IA generativa, al menos hoy, sigue lejos de gestionar una cartera con la disciplina que exige el mercado.

Bloomberg repasa varios torneos recientes entre modelos de OpenAI, Anthropic, Google y xAI, y el balance es flojo. Muchos acabaron en pérdidas, movieron demasiado papel y tomaron decisiones erráticas pese a recibir exactamente las mismas instrucciones. Llama la atención que algunos ni siquiera fueran capaces de mantener una estrategia reconocible durante más de unas pocas sesiones.

Uno de los casos más ilustrativos fue Alpha Arena, una competición creada por la startup Nof1. Ocho modelos arrancaron con $10,000 cada uno para operar durante dos semanas en tecnológicas estadounidenses. Había enfoques defensivos y también apuestas apalancadas. El resultado conjunto fue pobre: solo seis de 32 resultados terminaron en positivo.

La dispersión entre unos y otros también dice mucho. xAI’s Grok 4.20 ejecutó 158 operaciones en un concurso. Alibaba Group’s Qwen, bajo el mismo prompt, lanzó 1,418. La diferencia no es anecdótica. Habla de algo muy básico en gestión: controlar el ritmo de operativa. Y ahí muchos bots siguen fallando con estrépito.

Mucho apoyo al análisis, poca confianza para darles el volante

Wall Street lleva tiempo probando hasta dónde puede llegar esta tecnología. Firmas como JPMorgan Chase y Balyasny Asset Management ya usan IA para investigación, detección de fraude y análisis interno. Ahora bien, otra cosa muy distinta es dejarles decidir qué comprar o qué vender sin supervisión humana. Ese paso todavía no llega.

Jay Azhang, fundador de Nof1, puso el dedo en la llaga al enumerar carencias bastante elementales: “position sizing, timing, signal weighting and overtrading.” Es decir, justo las piezas que separan una idea interesante de una operativa consistente.

No es un diagnóstico aislado. El blog de investigación Flat Circle siguió 11 competiciones públicas de trading con IA y encontró un patrón parecido: en todos los eventos hubo al menos un modelo rentable, pero solo dos lograron una rentabilidad mediana positiva. Traducido a lenguaje de mercado: sí, siempre aparece algún bot salvando los muebles; el grueso sigue quedándose atrás.

Azhang fue todavía más directo sobre el estado real del trading autónomo: dar dinero a un LLM para que invierta por su cuenta “isn’t a thing yet.”

Pese a todo, hay firmas que siguen empujando. Intelligent Alpha, por ejemplo, gestiona un fondo apoyado en IA que mezcla modelos de lenguaje con transcripciones de resultados, previsiones de analistas, documentos corporativos, indicadores macroeconómicos y búsquedas web para lanzar predicciones. En late 2025, OpenAI’s ChatGPT acertó la dirección de las revisiones de estimaciones de beneficios el 68% del tiempo. Es su mejor registro hasta ahora y muestra que la tecnología sí puede aportar valor en tareas concretas.

El problema está en medirla bien. Los métodos clásicos de backtesting pueden engañar porque los modelos podrían llevar dentro conocimiento previo de episodios históricos del mercado, lo que introduce look-ahead bias. Por eso cada vez más firmas prefieren pruebas en vivo.

Y lo que esas pruebas van dejando es bastante nítido: la IA puede ser útil como asistente para filtrar información, ordenar señales o acelerar análisis. Como sustituto del gestor o del trader humano, todavía no. Al menos no mientras siga confundiendo velocidad con criterio y actividad con rentabilidad.