Se pidió a varios modelos de lenguaje grande (LLM) que seleccionaran acciones. Sus elecciones pusieron de manifiesto las limitaciones de la IA.

Este artículo ha sido elaborado por Working Knowledge de la Harvard Business School y recoge las reflexiones del profesor Charles C.Y. Wang. Los analistas financieros recurren cada vez más a la inteligencia artificial para obtener una ventaja a la hora de evaluar empresas. Sin embargo, antes de aceptar recomendaciones de valores procedentes de modelos de lenguaje grande, tenga en cuenta lo siguiente: sus análisis pueden contener sesgos y errores. ChatGPT, propiedad de la empresa estadounidense OpenAI, emitió previsiones mucho más optimistas —con objetivos de precio más altos y más recomendaciones de «compra»— que su rival chino DeepSeek cuando ambas plataformas evaluaron cerca de 5.000 empresas chinas que cotizan en bolsa, según un estudio de Charles C.Y. Wang, de la Harvard Business School. Este sorprendente resultado se atribuye a las disparidades en la disponibilidad de la información: ChatGPT parece incorporar menos cobertura de los medios de comunicación chinos. Suscríbase al boletín de Working Knowledge para recibir cada semana en su bandeja de entrada sus informes de investigación. A medida que empresas de una amplia variedad de sectores buscan una mayor rapidez y eficiencia en los algoritmos, las conclusiones del estudio invitan a la cautela: confiar excesivamente en los modelos de IA sin tener en cuenta los datos que estos pueden estar pasando por alto podría resultar arriesgado. La dependencia de la IA se está acelerando en el sector financiero, ya que, según Bloomberg Intelligence, se estima que el 40 % de los inversores institucionales de todo el mundo afirman actualmente que utilizan la IA para el análisis de mercados. «A nivel micro, estamos examinando en qué se diferencian ChatGPT y DeepSeek en el análisis financiero. Pero a nivel macro, se trata de lo que los inversores y analistas deben tener en cuenta al implementar estas herramientas para el análisis financiero global», afirma Wang, catedrático Tandon Family de Administración de Empresas. Wang es coautor del documento de trabajo«When LLMs Go Abroad: Foreign Bias in AI Financial Predictions»junto con Sean Cao, profesor asociado de la Universidad de Maryland, y Yi Xiang, profesor adjunto de la Universidad Politécnica de Hong Kong. ChatGPT se mostró especialmente optimista Wang y su equipo crearon una base de datos de 4.978 empresas que cotizan en las bolsas de Shanghái y Shenzhen, introduciendo sus activos totales, la rentabilidad sobre los activos y el apalancamiento —datos que proporcionarían a ambos modelos de IA la misma base para formular recomendaciones. Alrededor de junio y julio de 2024, cuando finalizaron los datos de entrenamiento de ambos modelos, los investigadores pidieron a ChatGPT 4.1 y a DeepSeek R1 que adoptaran la personalidad de un analista financiero profesional y predijeran el precio de las acciones de cada empresa seis meses después, es decir, a 31 de diciembre de 2024. Esto permitió a los investigadores comparar las predicciones con los precios reales de las acciones. Los investigadores también pidieron a los modelos que predijeran si cada acción subiría o bajaría, creando así una base para las recomendaciones de inversión. Los investigadores descubrieron que: ChatGPT se mostró especialmente optimista con respecto a las empresas chinas. El modelo estadounidense pronosticó que los precios de las acciones subirían aproximadamente un 12,5 % y emitió recomendaciones de «compra» con una frecuencia 1,3 puntos porcentuales superior a la de DeepSeek. Las predicciones de ChatGPT contenían más errores. Si los inversores hubieran seguido el consejo, se habrían llevado una decepción: ChatGPT presentó errores de previsión absolutos un 13 % mayores y resultó menos preciso que DeepSeek en sus recomendaciones bursátiles al contrastarlas con los precios reales de fin de año. ChatGPT muestra un «sesgo hacia el extranjero» Los resultados sorprendieron a Wang y a su equipo, quienes esperaban que los modelos de IA mostraran un «sesgo nacional», es decir, que cada uno favoreciera a las empresas de su propio país. En cambio, ocurrió lo contrario: ChatGPT se mostró, de hecho, más entusiasta que DeepSeek con respecto a las empresas chinas, mostrando un «sesgo extranjero». Ese giro ayuda a ilustrar «algo sutil y que muchos de nosotros damos por sentado», afirma Wang. «No vemos los datos subyacentes con los que se entrena cada modelo, lo que significa que existen sesgos implícitos que pueden filtrarse en los análisis». En el caso de ChatGPT, los investigadores atribuyeron el sesgo a lo que describen como «asimetría de la información»: OpenAI simplemente disponía de menos información con la que trabajar al elaborar sus análisis sobre las acciones chinas. En muchos casos, los medios de comunicación chinos publicaban noticias negativas sobre empresas chinas, pero esas mismas empresas no recibían ninguna cobertura en Estados Unidos. Como resultado, según Wang, ChatGPT estaba supliendo esas lagunas con conclusiones más optimistas que DeepSeek. La información adecuada marca la diferencia Para comprobar sus conclusiones, Wang y su equipo introdujeron en ChatGPT noticias de origen chino sobre las empresas y volvieron a ejecutar los prompts. Al hacerlo, el «exceso de optimismo» de ChatGPT desapareció y sus predicciones coincidieron con las de DeepSeek, lo que sugiere que ChatGPT carecía anteriormente de la cobertura informativa exhaustiva en la que se había basado DeepSeek. «Demostramos que no se trata solo de la falta de noticias. Es la falta de noticias negativas procedentes de China lo que provoca este sesgo», afirma Wang. El equipo también solicitó a los chatbots predicciones sobre un grupo de empresas estadounidenses, pero DeepSeek no mostró el mismo «sesgo extranjero». Esta asimetría, argumenta Wang, probablemente se deba al hecho de que la información sobre las empresas estadounidenses es un bien global ampliamente disponible y accesible para ambos modelos. Tenga en cuenta la fuente El equipo ha llevado a cabo recientemente un experimento similar utilizando ChatGPT 5, y los primeros indicios apuntan a «exactamente el mismo tipo de sesgos en los modelos más recientes», afirma Wang. El estudio contribuye a un creciente conjunto de investigaciones sobre el valor de los modelos de IA generalistas, como ChatGPT y DeepSeek, en comparación con los bots especializados. Por ejemplo, Bloomberg ofrece actualmente BloombergGPT para el análisis financiero, mientras que un servicio conocido como Fiscal.ai ha sido entrenado con información de la base de datos EDGAR de la Comisión de Bolsa y Valores de Estados Unidos. «La pregunta es: ¿acabaremos teniendo un supermodelo que lo haga todo bien o una colección de modelos especializados?», señaló Wang. «Sería muy interesante comprender su rendimiento relativo». Independientemente del modelo, Wang afirma que es importante cuestionar las recomendaciones del algoritmo. Ofrece este consejo: No dé por sentado que el análisis de la IA es neutral más allá de las fronteras Cuando utilice la IA para evaluar empresas en mercados desconocidos, considere que sus predicciones pueden estar sesgadas por lagunas en la cobertura de los datos locales. Lo que parece sólido puede reflejar información que falta. Base los conocimientos de la IA en el contexto local Refuerce el análisis basado en la IA añadiendo noticias en el idioma local, documentos normativos y datos de mercado, y valide sus resultados con expertos regionales o modelos alternativos antes de tomar decisiones. Utilice la IA como punto de referencia, no como decisión definitiva Las herramientas de IA pueden acelerar la investigación, pero no sustituyen al criterio humano, afirma Wang. Comparar los resultados de los distintos modelos y someter periódicamente a pruebas de estrés las hipótesis puede ayudar a evitar costosos errores de interpretación en las inversiones globales.

Se pidió a varios modelos de lenguaje grande (LLM) que seleccionaran acciones. Sus elecciones pusieron de manifiesto las limitaciones de la IA.

Resumen.

Partner Center