La paradoja de la inteligencia: máquinas autónomas, inversionistas perdidos

En última columna publicada en el medio El Mercurio Inversiones, Pablo Méndez, Gerente de LarrainVial Estrategia, hace una analogía de la irrupción de la inteligencia artificial en la industria de automóviles y lo que sucede en el mercado financiero.

Revisa su reflexión a continuación:

Imagina subirte a un Tesla en modo de conducción automática durante un viaje en carretera en Estados Unidos. El vehículo ajusta la velocidad, cambia de pista y se desplaza con una fluidez sorprendente. Parece integrarse al tráfico como un glóbulo rojo más fluyendo por el torrente sanguíneo. En cierto modo, es el triunfo de la inteligencia artificial sobre la complejidad de la conducción.

Ahora bien, si los autos pueden manejarse solos, ¿por qué tan pocos inversionistas logran ganarle al mercado? Esa inquietud no solo da forma a un reciente estudio, sino que atraviesa buena parte de los aportes de Marcos López de Prado, uno de los referentes mundiales -y mi favorito-, en la interacción entre ciencia de datos y finanzas.

Su tesis es clara: la inteligencia artificial fracasa en las inversiones porque la mayoría de los intentos carecen de un marco teórico robusto. Se entrenan algoritmos como quien suelta un auto al tráfico con cámaras y sensores, pero sin enseñarle realmente qué significa manejar.

Las inversiones, enfatiza el autor, constituyen un problema matemático mucho más complejo que la conducción. Los datos financieros son ruidosos, limitados, condicionados por relaciones ocultas y permanentemente afectados por la propia reacción de los participantes. A esta dificultad se suman barreras estructurales que impiden una experimentación real (a diferencia de los autos que se pueden probar), la naturaleza no estacionaria de los mercados —marcada por quiebres estructurales, como cambios regulatorios, y por parámetros e interacciones cambiantes—, una relación señal-ruido muy baja y el hecho de que las muestras disponibles suelen ser pequeñas. Pretender que un modelo genérico de machine learning descifre este laberinto equivale a esperar que un auto autónomo recorra una ciudad desconocida sin reglas de tránsito claras: tarde o temprano, se estrellará.

De ahí que, pese a la abundancia de datos y a los avances tecnológicos, la evidencia muestra que pocos gestores superan consistentemente a los índices. No se trata de falta de inteligencia artificial, sino de falta de teoría. Carentes de hipótesis y de un diseño riguroso, los sistemas se vuelven frágiles, se sobreajustan con facilidad y fallan inevitablemente cuando el mercado modifica su velocidad o su dirección.

La reflexión es incisiva, pero necesaria: la ventaja competitiva en inversiones no proviene de acumular datos, sino de interpretarlos con ciencia. El gran riesgo del uso de machine learning en las instituciones es caer en la lógica del martillo y el clavo: con la herramienta en la mano, todo parece un problema a resolver con modelos. La tentación de lanzarse de cabeza a programar es fuerte, pero, como enfatiza el autor, sin un marco teórico que oriente, los resultados son frágiles. El futuro de la industria no se juega en quién tenga más poder de cómputo o acumular datos, sino en quienes logren construir modelos que combinen creatividad teórica y rigor empírico.

López de Prado, M. (2018). Advances in financial machine learning. Wiley.

López de Prado, M. (2020). Machine learning for asset managers. Cambridge University Press.

López de Prado, M. (2025). AI challenges in mathematical investing. SSRN.