El pasado día 13 de abril de 2026 la CNMV anunciaba: “Un estudio detecta que el uso de la inteligencia artificial sin supervisión humana en decisiones de inversión presenta fallos, errores y alucinaciones” y explicaba, en particular, que dicho Estudio de la CNMV analizaba la capacidad de razonamiento de modelos como ChatGPT, Gemini, DeepSeek y Perplexity en la toma de decisiones de inversión; deducía que los errores detectados, en última instancia, pueden inducir a pérdidas para los inversores; y recomendaba el uso de modelos basados en fuentes oficiales de información regulada y estandarizada porque pueden mejorar significativamente la calidad de los resultados. Por su evidente interés y su inserción en una de las líneas de investigación que seguimos desde hace ya muchos años en este blog y fuere de él, damos cuenta sintética de su contenido.
A) El Estudio “Large Language Models and Stock Investing: Is the Human Factor Required?” (“Los grandes modelos de lenguaje y la inversión en bolsa: ¿es imprescindible el factor humano?”)
Se trata, en concreto, del Estudio de investigación “Large Language Models and Stock Investing: Is the Human Factor Required?” («Los grandes modelos de lenguaje y la inversión en bolsa: ¿es imprescindible el factor humano?») (Working paper No. 96, March 2026) elaborado por Ricardo Crisóstomo y Diana Mykhalyuk, técnicos de la Dirección General de Estrategia y Asuntos Internacionales de la CNMV que presenta un análisis empírico comparativo de las predicciones de inversión generadas por modelos de lenguaje de última generación en el entorno financiero actual. La metodología del Estudio se basa en la configuración experimental, destacando el diseño de indicaciones, el marco de evaluación y la documentación reglamentaria utilizada. Sus resultados inciden en la evaluación de la calidad del razonamiento, la gestión de los errores de razonamiento y el rendimiento económico de las carteras de inversión generadas por grandes modelos de lenguaje (LLM).
El Estudio nos informa que los grandes modelos de lenguaje (LLM) son sistemas de inteligencia artificial avanzados basados en redes neuronales (como la arquitectura “transformer”) entrenados con inmensas cantidades de datos para comprender, generar y analizar texto natural. A partir de esta constatación, evalúa si los modelos de lenguaje a gran escala pueden generar predicciones bursátiles económicamente fiables y, mediante una comparación sistemática de modelos, estrategias de “prompting” y fuentes de información, analiza si -y en qué condiciones- las señales generadas por estos modelos pueden ofrecer rendimientos ajustados al riesgo superiores a los índices de referencia pasivos.
En su conclusión (p.31) el Estudio nos dice que el escenario de la gestión de la inversión en los mercados financieros en tiempo real supone una prueba especialmente exigente para las capacidades de los grandes modelos de lenguaje (LLM), ya que requieren la recuperación dinámica de información, un razonamiento en varias etapas, precisión numérica y un criterio específico del ámbito financiero en el que se opera.
B) La “democratización” de la gestión de la inversión en instrumentos financieros gracias a la IA y los LLM : ¿Un espejismo peligroso?
El Estudio plantea el siguiente dilema: “La rápida evolución y la creciente accesibilidad de los grandes modelos de lenguaje (LLM) está abriendo nuevas fronteras en los mercados financieros. Los LLM modernos se utilizan cada vez más para interpretar documentos financieros complejos, identificar tendencias de mercado, extraer opiniones o generar recomendaciones de inversión. Sin embargo, estas capacidades avanzadas plantean una pregunta fundamental: ¿pueden los LLM generar de forma autónoma predicciones fiables sobre el mercado bursátil?”
Para resolver tan interesante dilema, el Estudio empieza constatando que, tradicionalmente, el análisis en profundidad de los mercados de valores ha sido dominio exclusivo de los profesionales de la inversión, que cuentan con conocimientos especializados, datos de mercado en tiempo real y herramientas analíticas específicas. Sin embargo, se observa un cambio de paradigma de la mano de los recientes avances en los sistemas de IA -incluida la navegación web y la recuperación de datos en tiempo real- que están democratizando la inteligencia financiera y, de algún modo, la autogestión de la inversión en instrumentos financieros. Esta relación de causa-efecto se explica porque, al acceder y sintetizar datos de mercado en tiempo real, noticias de última hora y señales de sentimiento, los grandes modelos de lenguaje (LLM) están cada vez mejor posicionados para respaldar estrategias de inversión con visión de futuro. Este cambio tecnológico tiene el potencial de transformar el panorama de la inversión, dotando a los particulares de recursos analíticos que reflejan los que hasta ahora estaban a disposición exclusivamente de los profesionales financieros.
Procede advertir que esta democratización de la inversión puede ser un espejismo y por ello, la creciente adopción de los grandes modelos de lenguaje (LLM) en los mercados financieros suscita importantes preocupaciones. En efecto, al tratarse de modelos de lenguaje, los LLM están diseñados para generar respuestas fluidas y seguras, incluso cuando se basan en razonamientos erróneos, información incompleta o imprecisiones computacionales. En consecuencia, los inversores que carezcan de conocimientos financieros o de capacidad de juicio crítico pueden depositar una confianza excesiva en las recomendaciones de la IA, utilizando las señales de los modelos sin comprender adecuadamente sus riesgos y limitaciones.
C) Los riesgos derivados del uso de los de los grandes modelos de lenguaje (LLM) para adoptar decisiones de inversión en los mercados financieros sin supervisión humana
El Estudio subraya que el uso de la IA sin intervención humana conlleva riesgos operativos significativos y que, en especial, su uso sin control por parte de los inversores minoristas podría dar lugar a importantes pérdidas económicas. En particular, después de evaluar los resultados de cuatro modelos avanzados de IA (ChatGPT, Gemini, DeepSeek y Perplexity), sus autores concluyen que estas herramientas presentan fallos recurrentes de razonamiento, incluyendo errores computacionales, interpretaciones financieras incorrectas y uso de información desactualizada o inventada (alucinaciones).
La mayor incidencia de estos fallos se observa en las consultas simples, sin estructura ni contexto, lo que pone de manifiesto la importancia de utilizar instrucciones analíticas claras y de establecer mecanismos de supervisión.
C) La importancia del factor humano y de un marco de gobernanza de la IA
De lo anterior se infiere la integración de la IA en los mercados financieros no constituye solo un reto tecnológico, sino también organizativo porque, para que la capacidad generativa de estos modelos se traduzca en resultados fiables, resulta necesario establecer un marco colaborativo en el que la potencia de procesamiento de la IA esté sujeta a procesos de verificación rigurosos y a una validación humana sistemática que permita mitigar los riesgos asociados cuando se detectan.
El peligro de la aparente democratización de la gestión en valores parte de la base de las propias limitaciones operativas de los grandes modelos de lenguaje (LLM) que, en el marco de sencillas indicaciones conversacionales, pueden generar recomendaciones de inversión que ofrecen poca información, con rendimientos excedentes inconsistentes, índices de información bajos y volátiles y con un precisión de la clasificación que solo supera ligeramente los valores de referencia aleatorios.
Estas limitaciones operativas de los grandes modelos de lenguaje (LLM) son especialmente relevantes para los inversores minoristas o poco informados, que pueden carecer de los conocimientos necesarios para detectar distorsiones sutiles, conceptos financieros erróneos o resultados numéricamente incoherentes.
Por el contrario, los marcos de indicaciones estructuradas -y, en concreto, los protocolos de cadena de pensamiento supervisados- mitigan sistemáticamente las incoherencias lógicas y el ruido en el razonamiento. Cuando los grandes modelos de lenguaje (LLM) se basan en estructuras analíticas explícitas y se someten a una validación humana iterativa, tanto el rendimiento económico como la precisión predictiva mejoran de forma significativa. Por lo tanto, observamos que convertir la capacidad generativa bruta en un rendimiento fiable requiere tanto indicaciones estructuradas como supervisión humana.
De cara al futuro, los resultados del Estudio indican que los retos de implementación en el ámbito financiero impulsado por la IA residen en integrar las capacidades básicas de los modelos de lenguaje grande (LLM) en marcos de gobernanza que combinen orientación analítica, datos verificados y supervisión humana. El reto no es meramente técnico, sino organizativo. Las capacidades básicas de los modelos no parecen suficientes para lograr resultados fiables y sólidos.
Por lo tanto, las arquitecturas de los grandes modelos de lenguaje (LLM) deben complementarse con rigurosas medidas de seguridad en su implementación, fomentando un marco colaborativo entre humanos e IA que aproveche el poder generativo y, al mismo tiempo, controle de forma sistemática los fallos de razonamiento y el riesgo asociado a los modelos
D) La necesidad de alimentar los sistemas de IA con información financiera verificada para obtener decisiones de inversión fiables
El Estudio destaca también la importancia de emplear fuentes de información contrastadas frente al contenido difuso y general de la web, que puede presentar narrativas contradictorias o sesgadas. En particular, demuestra que la incorporación de la información presentada por los emisores e intermediarios ante los organismos reguladores mejora la precisión de las previsiones. Ello es así, porque los informes presentados a las autoridades supervisoras contienen información estandarizada y de gran fiabilidad y, en consecuencia, sirven como base que facilita la comparación entre empresas y reduce el ruido informativo. En concreto, resalta que los modelos de inversión basados en la información procedente de supervisores como la CNMV -que contiene datos estandarizados e información altamente contrastada- son más fiables y reportan menos errores. El anclaje (“grounding”) de los sistemas con información procedente de estas fuentes oficiales ofrece ventajas evidentes porque contribuye a reducir el ruido informativo, favorece la comparabilidad de los datos y permite obtener un razonamiento financiero más coherente, preciso y fiable, frente al uso de la información general que se encuentra en internet. A diferencia de los contenidos de Internet -que a menudo contienen narrativas contradictorias, interpretaciones sesgadas o inexactitudes fácticas- la información divulgada por las autoridades reguladoras respalda un razonamiento más coherente y ofrece un punto de referencia empírico fiable.
En todo caso, conviene ser prudentes al constatar que hay aún no se comprende suficientemente hasta qué punto los grandes modelos de lenguaje (LLM) pueden acceder, sintetizar y razonar de manera eficaz sobre la información financiera en tiempo real. La información disponible en la web se caracteriza por normas de presentación de informes heterogéneas, narrativas y fuentes de datos contradictorias, y contenidos potencialmente engañosos. Estos matices informativos introducen ruido y ambigüedad en el razonamiento de los LLM, lo que pone a prueba la capacidad de los modelos para extraer señales coherentes y generar recomendaciones de inversión fiables.
E) Reflexiones finales sobre un terreno fronterizo de alto riesgo: digitalización, persuasión y los abusos de mercado
El Estudio de investigación “Large Language Models and Stock Investing: Is the Human Factor Required?” («Los grandes modelos de lenguaje y la inversión en bolsa: ¿es imprescindible el factor humano?») publicado por la CNMV el pasado 13 de abril de 2016 se inscribe en las iniciativas recientes de esta autoridad de supervisión en territorios de vanguardia del mercado de instrumentos financieros donde interactúan la digitalización, la persuasión y los abusos informativos y operativos del mercado (el lector interesado en profundizar sobre esta materia puede consultar la entrada de este blog del 14 de abril titulada “FINFLUENCERS, abusos de mercado y persuasión digital de los inversores: Informes, Guias y Advertencias recientes de la CNMV”).
Las referencias que acabamos de hacer a este interesante Estudio nos permiten hacer algunas reflexiones finales que pueden interesar a los inversores y a los lectores en general:
a) En general, estamos ante un efecto frontera entre la IA y la inversión en instrumentos financieros, territorios ambos que hemos frecuentado en este blog durante los últimos años y que nos parece de la mayor importancia , por sus efectos económicos y del máximo interés, por la propia complejidad de las interacciones entre la IA y la inversión.
b) En especial, hay que recordar que la denominada Ley Europea de Inteligencia Artificial (LEIA) -integrada en el Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo de 13 de junio de 2024 por el que se establecen normas armonizadas en materia de inteligencia artificial- califica de sistemas de IA de alto riesgo a los tipificados en los 8 ámbitos contemplados en su Anexo III de la LEIA (art. 6.2) entre los que se encuentra el del acceso y disfrute a servicios privados esenciales como algunos del mercado financiero.
c) En concreto, cuando el Estudio de la CNMV insiste en la necesidad de alimentar los sistemas de IA con información financiera verificada para obtener decisiones de inversión fiables nos parece oportuno recordar la definición de sistema de IA sita en el art.3.1) de la Ley Europea de Inteligencia Artificial (LEIA) como “un sistema basado en una máquina diseñado para funcionar con distintos niveles de autonomía, que puede mostrar capacidad de adaptación tras el despliegue y que, para objetivos explícitos o implícitos, infiere de la información de entrada que recibe la manera de generar información de salida, como predicciones, contenidos, recomendaciones o decisiones, que puede influir en entornos físicos o virtuales”. Y, a partir de esta definición, nos parece que puede resultar de utilidad la metáfora del alambique que hemos empleado en este blog y fuera de él y que nos ha llevado a definir ideográficamente los sistemas de IA como “alambiques que procesan grandes cantidades de datos o información bruta que se alojan en el canal de entrada para generar -mediante un método de transformación algorítmica que le permite interactuar con su entorno y aprender en consecuencia- un producto de salida en forma de información neta o destilada”.
No queremos poner punto final a esta entrada sin compartir con los lectores una conclusión propia de la filosofía del conocimiento aplicada a la digitalización: entramos en un nuevo territorio de profundidad abisal que nos muestra que lo digital, apareciendo “prima facie” como algo meramente instrumental, se nos revela como esencial para el pensamiento humano porque retrotrae sus efectos desde la forma hacia el fondo y condiciona la forma de pensar del ser humano; con ejemplos tan notables como la inteligencia artificial y su aplicación mediante técnicas digitales a la persuasión para que las personas adopten decisiones de inversión de su patrimonio. Esto es, la digitalización social, entendida en un sentido amplio determina no solo “como” se piensa sino que condiciona también “que” es lo que se piensa.