La inteligencia artificial podría exponer la estupidez natural de los inversores
Sus éxitos son innegables, pero es más difícil que los repitan en ámbitos humanos con reglas más difusas
Mis colegas estudian la inteligencia artificial”, bromeó una vez el psicólogo israelí Amos Tversky. “Yo estudio la estupidez natural”. El cofundador de la economía conductual, fallecido en 1996, no vivió para ver 2023, cuando más colegas suyos del mundo académico se subieron al carro de la IA junto con inversores de capital riesgo, líderes corporativos y deportistas de la Bolsa. Pero los inversores deberían prestar más atención a la especialización de Tversky. La economía del comportamiento, que estudia el modo en que los factores psicológicos, emocionales y sociales afectan a la toma de decisiones humanas, ofrece algunas pistas importantes para quienes esperan sacar provecho de la IA.
La primera lección es la más obvia: cuidado con las burbujas. Desde que OpenAI lanzó ChatGPT en noviembre, el flujo constante de capital hacia todo lo relacionado con la IA se ha convertido en un torrente. Las acciones de Nvidia, el principal fabricante mundial de chips utilizados en la creación de IA, han subido un 140% en seis meses. Microsoft ha ganado unos 500.000 millones de dólares en valor de mercado desde que anunció en febrero que incorporaba la IA a Bing. Los inversores en Alphabet elevaron en 60.000 millones su valor en un solo día, el 10 de mayo, después de que su CEO, Sundar Pichai, desvelara su nueva oferta de IA en la conferencia anual I/O de la compañía.
De hecho, el entusiasmo por la IA se ha convertido en el único rayo de luz que atraviesa la penumbra bursátil creada por la subida récord de los tipos en EE UU. El analista de Société Générale Manish Kabra calcula que, excluyendo las ganancias relacionadas con la IA, el S&P 500 habría bajado un 2% en lo que va de año. En cambio, ha subido un 8,6%. El auge tiene incluso consecuencias macro. El ministro de Economía irlandés, Michael McGrath, ha desvelado planes para un nuevo fondo soberano de 90.000 millones de euros, financiado en gran parte por una ganancia inesperada del impuesto de sociedades de gigantes tecnológicos como Apple y Microsoft, domiciliados en el país.
Para otras empresas, las vulnerabilidades percibidas frente a la IA pueden significar la perdición. Las acciones de Chegg se desplomaron a principios de mes cuando el fabricante de material de estudio admitió que los llamados grandes modelos lingüísticos, como ChatGPT, le estaban comiendo mercado.
Los modelos ortodoxos de valoración de activos sugieren que estas oscilaciones reflejan valoraciones cambiantes pero racionales de la rentabilidad futura. Pero la economía del comportamiento lleva tiempo ofreciendo una explicación alternativa, enumerando una serie de fallos sistemáticos en la toma de decisiones humanas. Desde el efecto rebaño y el exceso de confianza hasta el sesgo de confirmación y el miedo a perderse algo. Es un buen momento para que los inversores estén especialmente atentos a la tendencia de la estupidez natural a llevar las valoraciones bursátiles a extremos poco realistas y, por tanto, poco rentables.
Pero las lecciones más importantes de la economía del comportamiento se refieren a una cuestión más fundamental: ¿hará la nueva generación de IA lo que promete? La tecnología ya ha logrado algunos resultados realmente impresionantes. En 2020, AlphaFold, de Google DeepMind, sorprendió al mundo científico al lograr un cambio radical en uno de los grandes retos de la biología molecular. Predijo las estructuras en las que se pliegan las proteínas basándose únicamente en las secuencias de los aminoácidos que las componen. Venki Ramakrishnan, premio Nobel y entonces presidente de la Royal Society británica, lo calificó de avance que “cambiará radicalmente la investigación biológica”.
AlphaFold demostró lo que en general se considera la mayor virtud de la IA: su capacidad para reconocer patrones que escapan tanto a la intuición humana como al análisis estadístico tradicional, y luego aprovecharlos con fines predictivos. La misma capacidad caracterizó los asombrosos logros de la IA al derrotar a oponentes humanos en juegos estratégicos como el ajedrez y el Go, y ha permitido a ChatGPT producir una prosa inquietantemente coherente.
La gran incógnita es si la IA será capaz de reproducir esta extraordinaria capacidad de predicción en ámbitos de la vida comercial, financiera y política en los que las reglas son más difusas. La economía del comportamiento ofrece algunas advertencias sobre los intentos de aplicar la IA en la naturaleza.
Uno de los posibles problemas es el denominado sesgo de muestreo cuando se construyen modelos predictivos basados en el aprendizaje estadístico. El problema es que los conjuntos de datos usados para entrenar modelos pueden omitir acontecimientos poco frecuentes pero importantes. Por ejemplo, los retornos del mercado de valores pueden verse afectados por un pequeño número de movimientos raros pero extremos en los precios de las acciones. En consecuencia, las empresas de trading cuantitativo suelen evitar las estrategias de minería de datos puras en favor de enfoques en los que la probabilidad de los llamados riesgos de cola se asume en lugar de aprenderse. Los inversores menos técnicos adoptan su propia versión de la misma táctica cuando usan heurísticas sencillas como el margen de seguridad del legendario inversor Benjamin Graham.
Los economistas del comportamiento describieron el problema del sesgo de muestreo al estudiar cómo aprenden los humanos. Pero las redes neuronales pueden sufrir deficiencias similares. Las máquinas inteligentes, al igual que los humanos naturalmente estúpidos, tendrán que enfrentarse al irritante hecho de que la ausencia de pruebas casi nunca es prueba de ausencia.
Y luego está quizá el más frustrante de todos los problemas cuando se trata de modelar y manipular el comportamiento humano: la ley de Goodhart. Se trata de la paradoja, articulada por primera vez por el funcionario del Banco de Inglaterra Charles Goodhart en 1975, de que cuando una métrica se convierte en un objetivo político deja de ser una métrica fiable. Por ejemplo, los agregados monetarios eran buenos predictores de la inflación. Pero cuando los bancos centrales adoptaron objetivos basados en esas cifras, la correlación estable desapareció.
La raíz de este problema es que los sistemas humanos son intrínsecamente adaptativos de una manera que los sistemas físicos no lo son. Las personas comprenden e intentan burlar los esfuerzos por predecir su comportamiento si perciben que va en contra de sus intereses. Los aminoácidos que intervienen en el plegamiento de las proteínas no lo hacen.
Una vez más, estos retos prácticos están bien documentados en el campo de la inversión. El trading de valores es un juego de suma cero: la plusvalía de un inversor es la minusvalía de otro. Como resultado, existe un incentivo poderoso y automático para que el resto del mercado se adapte y anule las reglas de trading históricamente exitosas tan pronto como se identifican. La ley de Goodhart explica por qué el exceso de rentabilidad de las estrategias de inversión sistemáticas suele erosionarse con el tiempo. Sigue siendo una incógnita si la IA logrará escapar mejor de su gravedad.
Los inversores estarían locos si ignoraran los espectaculares resultados que la IA ha producido hasta ahora. Pero en lo que se refiere a aplicaciones más amplias, deben andarse con cuidado. La inteligencia artificial puede tener más en común con la estupidez natural de lo que los humanos –o las máquinas– piensan.
Los autores son columnistas de Reuters Breakingviews. Las opiniones son suyas. La traducción, de Carlos Gómez Abajo, es responsabilidad de CincoDías
Sigue toda la información de Cinco Días en Facebook, Twitter y Linkedin, o en nuestra newsletter Agenda de Cinco Días
