La Inteligencia Artificial (IA) ya se utiliza para hacer algunas cosas de forma más eficiente, pero para los inversores en activos privados su verdadero potencial sólo está empezando a asomar.
El impacto de la revolución de la IA en la inversión en mercados privados
Para algunas industrias el impacto inmediato de la Inteligencia Artificial será enorme. De hecho, para algunas empresas, la IA ya está cambiando por completo su forma de operar.
En la mayoría de los demás sectores, incluida la inversión en mercados privados, creemos que casi todos los profesionales percibirán un aumento de la productividad en los próximos seis meses. Pero esa IA no revolucionará por completo lo que ya se está haciendo. Por el momento…
Los grandes modelos lingüísticos y sus propiedades fundamentales
Los grandes modelos lingüísticos (Large Language Models o LLM por sus siglas en inglés) son el subconjunto de la IA que más se utiliza actualmente en la inversión en mercados privados. Estos modelos contienen miles de millones de parámetros y se han creado a partir de grandes cantidades de datos de texto de Internet. Son excelentes en cuestiones de lenguaje humano, como la generación de texto, el resumen y la traducción.
Un aspecto clave de estos modelos es su propiedad básica, que permite afinar los modelos lingüísticos de uso general creados por las grandes empresas tecnológicas para resolver problemas especializados. Y, lo que es más importante, este ajuste requiere sólo una fracción de la potencia de cálculo y de datos de los modelos originales.
¿Cómo utilizarán la IA los inversores privados?
Las herramientas de escritorio, como el chatbot interno de Schroders «Genie», impulsarán los tipos de mejoras de productividad de la IA que percibe la mayoría de la gente. Esta fase inicial de la revolución debe entenderse del mismo modo que los ordenadores o las hojas de cálculo cambiaron la industria.
La ayuda a la escritura, el diseño de presentaciones, el resumen y la codificación se están integrando en herramientas empresariales esenciales y ya están demostrando su valor.
Cuando los modelos básicos se combinan con otras funciones y datos propios, su valor se multiplica y se crean soluciones novedosas para tareas que requieren mucho tiempo. El emparejamiento de estos modelos con otras funcionalidades (como la capacidad de realizar cálculos) y con datos propios (como documentos internos) reduce significativamente o incluso elimina el riesgo de la llamada «alucinación», que es la tendencia de los grandes modelos lingüísticos a maquillar a veces las respuestas.
Los inversores privados se enfrentan a una enorme cantidad de información: informes de socios generales (GPs), archivos de la empresa, documentos del sector, artículos de noticias e inteligencia de mercado. La extracción masiva de esta información no estructurada, facilitada por los LLM, está permitiendo a los inversores reducir el ruido y centrarse en las piezas de información más importantes.
Uno de los retos más antiguos para los inversores de private equity es elaborar una lista de «comparables» a efectos de valoración. Tradicionalmente, esto se ha basado en la clasificación sectorial y la geografía de la operación para identificar a los comparables de una inversión; ahora, utilizando el contenido de los sitios web de las empresas junto con LLM, es posible construir un «mapa de similitudes» más pormenorizado que una lista más representativa. Y en un tiempo récord.
Pronto veremos salas de datos con IA, en las que un asistente de IA tendrá acceso a todos los documentos e información de la sala os y podrá resumir rápidamente el contenido, responder preguntas e incluso destacar los puntos más pertinentes. De este modo, el due diligence será aún más exhaustivo, rápido y se ahorrará tiempo.
¿Cómo se adaptarán los inversores, los gestores de fondos, las empresas de inversión y los proveedores de servicios?
Las organizaciones preparadas para liderar el mercado del mañana son aquellas que pueden dominar los retos de ingeniería que supone la integración de los modelos de base con los datos internos. Esto puede educar y capacitar rápidamente a su plantilla para utilizar la IA para mejorar la productividad y fomentan una cultura de innovación en toda la organización. Además, las organizaciones que formen asociaciones estratégicas con líderes tecnológicos clave obtendrán una importante ventaja al ser las primeras, ya que tendrán acceso a los últimos modelos y al talento de ingeniería que los respalda. Por último, nuestra experiencia ha demostrado que competencias técnicas como la ciencia de datos han tenido un impacto empresarial amplificado cuando se han integrado en los equipos de inversión; lo mismo ocurrirá con la IA.
Al igual que la industria del software, la IA generativa puede dividirse en capa de modelo y capa de aplicación. Ya existen numerosas herramientas construidas sobre los modelos básicos, como el recientemente anunciado Microsoft Office Co-Pilot para tareas ofimáticas o Github Copilot para codificación.
En un futuro no muy lejano, las herramientas útiles para muchas empresas serán suministradas por proveedores externos. Las herramientas específicas de cada empresa, que pueden ser una fuente de ventajas competitivas, se crearán internamente. Las herramientas externas se convertirán en la norma para hacer negocios en todas las empresas. La ventaja competitiva residirá en las herramientas propias.
Al automatizar las tareas rutinarias y repetitivas, la IA tiene el potencial de aumentar significativamente la productividad, liberando a los trabajadores humanos para que se centren en tareas más complejas y creativas que requieren ingenio humano.
Limitaciones y retos
Aunque la IA tiene el potencial de revolucionar la inversión en el mercado privado, es importante reconocer que existen riesgos asociados a su uso.
Hay tres grandes categorías de tareas «no aptas para la IA» que requieren que los humanos estén «en el bucle» para tomar decisiones clave: pensamiento crítico, resolución de conflictosy conciencia contextual amplia
Estas habilidades ya son esenciales para los inversores y lo serán aún más en el futuro, a medida que la IA ayude en otras tareas.
Un enfoque centrado en el ser humano puede supervisar el sistema de IA y garantizar que el resultado sea correcto y explicable. Además, es importante reconocer las limitaciones de la tecnología: aunque la IA puede analizar grandes cantidades de datos e identificar patrones, no es una solución mágica y puede cometer errores.
Las consideraciones legales, de cumplimiento, privacidad y seguridad son un requisito previo, ya que los sistemas de IA deben cumplir la normativa legal y las directrices éticas. Por último, es crucial disponer de mecanismos de gobernanza para evaluar y aprobar los casos de uso, garantizando que la IA se utiliza de forma responsable.
Al considerar cuidadosamente estos riesgos y aplicar las salvaguardias adecuadas, los inversores del mercado privado pueden aprovechar el poder de la IA al tiempo que minimizan los posibles inconvenientes.
Tribuna de James Ellison, responsable de Data Insights de activos privados de Schroders.
Por Funds Society, Madrid
