Una familia revisa su cuenta bancaria un domingo por la tarde. No es algo fuera de lo habitual. La letra de la hipoteca puede subir, el supermercado cada vez cuesta más y las vacaciones de verano están cada vez más cerca. Abren el portátil y hacen una pregunta directa a un chatbot de inteligencia artificial (IA): cuánto hemos gastado este mes y en qué exactamente.
La respuesta llega en segundos. La herramienta ordena los movimientos, agrupa los pagos por categorías y señala algunos patrones que habían pasado desapercibidos. Tres plataformas de streaming activas, varias suscripciones pequeñas que se renuevan cada mes y cenas fuera más frecuentes de lo previsto. Lo que antes implicaba revisar extractos durante horas aparece ahora organizado en una tabla clara.
Este tipo de tareas encaja perfectamente con la lógica de estos sistemas. La IA funciona especialmente bien cuando se enfrenta a grandes cantidades de datos que deben clasificarse y compararse. En finanzas personales ese tipo de información abunda. Extractos bancarios, ingresos mensuales, recibos domiciliados, posibles estafas o comparadores de hipotecas y comisiones. Ordenar ese flujo constante de datos es una tarea mecánica que durante años ha exigido tiempo y disciplina. Ya no.
De hecho, muchas personas ya utilizan herramientas que realizan ese trabajo sin pensar en que están usando la IA. BBVA, Santander, CaixaBank y otras entidades permiten, dentro de sus aplicaciones, agrupar pagos por categorías o seguir la evolución del presupuesto mensual. También existen aplicaciones externas como Fintonic que conectan distintas cuentas y analizan los movimientos para mostrar dónde se concentra el gasto.
¿Está equilibrado el presupuesto?
Ahora la familia del ejemplo decide ir un paso más allá. Introduce sus ingresos mensuales y pregunta si su presupuesto está equilibrado. El chatbot calcula proporciones, propone porcentajes razonables para cada partida y sugiere reducir algunos gastos variables para crear un pequeño margen de ahorro. En cuestión de minutos aparece una fotografía bastante precisa de su economía doméstica.
En esa etapa, la motivación va en aumento. Las respuestas son inmediatas, el acceso es barato o gratuito y la conversación se produce sin la incomodidad que a veces acompaña a hablar de dinero con otras personas.
Después, las preguntas empiezan a multiplicarse. Cómo organizar un fondo de emergencia. Cuánto ahorrar cada mes. Cuánto crecería una inversión periódica si genera un determinado interés compuesto. Un usuario puede pedir algo tan directo como “explícame este fondo de inversión como si tuviera 15 años” o “¿qué riesgo tiene realmente este producto?”. La IA sigue respondiendo con cálculos rápidos y explicaciones claras.
Inversión
Durante un tiempo parece que la herramienta puede resolver casi cualquier duda doméstica sobre dinero. El siguiente paso llega de forma natural. Si la IA puede ordenar los gastos y construir un presupuesto, quizá también pueda responder a la pregunta más ambiciosa: qué hacer con el dinero que sobra al final del mes o con los ahorros.
En ese punto las respuestas empiezan a parecer cada vez más sofisticadas. Los modelos suelen proponer estructuras diversificadas que recuerdan a las carteras tradicionales de gestión patrimonial.
Un ejemplo de este tipo de enfoque apareció recientemente en una columna del Financial Times. El autor pidió a un chatbot que diseñara una cartera para transformar 640.000 libras en un millón en un plazo de siete años. La respuesta incluía una asignación cercana al 45% en acciones de mercados desarrollados y emergentes, un 20% en bonos con grado de inversión, un 15% en activos reales como infraestructuras o inmobiliario cotizado y una pequeña proporción en estrategias alternativas.
Sobre el papel la propuesta parecía razonable. De hecho, muchos gestores profesionales utilizan estructuras similares cuando construyen carteras diversificadas. La IA fue capaz de explicar incluso las metodologías habituales para estimar rentabilidades esperadas y ajustar el peso de cada activo en función del horizonte temporal.
Los límites
Sin embargo, el propio ejercicio mostraba también el límite del sistema. La cartera estaba construida a partir de supuestos generales sobre los mercados y el perfil de riesgo del inversor. Lo que faltaba era la parte más difícil de codificar. La situación personal de quien toma la decisión.
Para entender por qué ocurre esto conviene mirar cómo funciona realmente la IA. Estos sistemas no razonan en el sentido humano del término. Analizan grandes cantidades de datos, detectan patrones estadísticos y generan respuestas que encajan con esos patrones.
Cuando las preguntas se van complicando y empiezan a ser sobre decisiones de inversión o planificación a largo plazo el margen de error aumenta. Por ejemplo, alguien puede preguntar a la IA si le conviene amortizar parte de su hipoteca o invertir ese dinero en bolsa. La herramienta puede comparar rentabilidades medias, inflación o costes financieros. Incluso puede calcular cómo cambiaría el resultado si los tipos de interés suben o si la bolsa mantiene su rentabilidad histórica durante varios años.
Sin embargo, ese cálculo parte siempre de supuestos generales. El algoritmo no sabe si ese usuario necesitará liquidez en tres años, si su empleo es estable o si será capaz de mantener la inversión cuando los mercados caigan con fuerza.
Situación personal
Algo parecido ocurre cuando la consulta gira en torno a decisiones de inversión más complejas. Un usuario puede pedir que compare si es mejor colocar su dinero en un depósito bancario, en un fondo de renta fija o en un ETF de bonos gubernamentales. La IA puede analizar las rentabilidades pasadas, la duración de los bonos o la sensibilidad a los tipos de interés.
El problema en este caso es que esas comparaciones tampoco reflejan toda la situación del inversor, una limitación que han señalado organismos internacionales como la International Organization of Securities Commissions al estudiar el uso de IA. Factores como la necesidad de liquidez o la capacidad real para asumir pérdidas temporales suelen quedar fuera del análisis.
El mismo problema aparece cuando se intenta diseñar una cartera a largo plazo. El sistema puede proponer una combinación aparentemente equilibrada de activos, pero sigue construyéndose a partir de supuestos generales y no de la situación concreta del usuario.
Una decisión que parece óptima en una hoja de cálculo puede no serlo en la vida real. Es más, la IA está programada para dar la razón al usuario. Si esta familia convence a su chatbot que invertir en piedras es una buena inversión, probablemente la herramienta termine dándole la razón.
El resultado es una paradoja interesante. La IA se está convirtiendo en una herramienta cada vez más útil para entender qué ocurre con el dinero dentro de un hogar. Sin embargo, la última palabra en las decisiones financieras importantes sigue dependiendo de factores que estos sistemas todavía no pueden medir con precisión. En esos casos la decisión final suele quedar fuera del algoritmo.