IA generativa en Economía y Finanzas
El documento “IA Generativa en Economía” presenta una introducción práctica al funcionamiento de la inteligencia artificial generativa y a sus posibles aplicaciones en economía y finanzas. Su propósito central es explicar, sin recurrir a una complejidad matemática elevada, cómo funcionan los grandes modelos de lenguaje y de qué manera pueden utilizarse como herramientas de apoyo para construir modelos económicos y mejorar procesos de toma de decisiones financieras.
Para explicar el funcionamiento de la IA generativa, el material utiliza la analogía de un “chef maestro”. El entrenamiento de la inteligencia artificial se compara con un gran libro de recetas: el modelo ha procesado grandes cantidades de libros, informes y contenidos, a partir de los cuales reconoce patrones y relaciones. Cuando recibe una instrucción o prompt, no necesariamente copia una respuesta existente, sino que combina los patrones aprendidos para generar una nueva salida. En este proceso, la calidad de la instrucción resulta fundamental: cuanto más específica y contextualizada sea la consulta, mayor precisión puede obtenerse en la respuesta.
El documento aclara que la IA generativa no debe ser entendida como una calculadora tradicional. Su funcionamiento se basa principalmente en predecir palabras o tokens a partir del contexto y de los patrones aprendidos durante su entrenamiento. Por esta razón, su principal valor no está en realizar cálculos matemáticos exactos, sino en actuar como un copiloto lógico capaz de estructurar razonamientos, redactar supuestos económicos, convertir ideas en código para herramientas como Python o Excel y ayudar a analizar escenarios cualitativos.
También se presenta una comparación entre algunas de las herramientas de inteligencia artificial disponibles para estudiantes y profesionales de economía y finanzas. Claude se destaca por su capacidad para el razonamiento conceptual, la redacción técnica y la interpretación de documentos extensos. ChatGPT aparece como una herramienta versátil, especialmente útil para estructurar razonamientos y generar código en Python o Excel. Gemini sobresale por su integración con el ecosistema de Google y el acceso a información web, mientras que Copilot se encuentra fuertemente vinculado con Bing y con las herramientas de Microsoft Office. El documento también señala determinadas limitaciones asociadas a las versiones gratuitas de estas plataformas.
Entre las principales ventajas de la IA generativa se menciona el aumento de la productividad. Por ejemplo, puede acelerar considerablemente la elaboración de código en Python o la creación de fórmulas en Excel, reduciendo tareas que podrían demandar horas de trabajo a pocos minutos. No obstante, el material advierte sobre las denominadas “alucinaciones”, es decir, situaciones en las que la IA puede generar información o datos numéricos aparentemente convincentes pero incorrectos. Por esta razón, cualquier información cuantitativa producida por estas herramientas debe ser revisada y auditada. El criterio humano continúa siendo indispensable, ya que la calidad de cualquier modelo económico depende de la validez de sus supuestos y el profesional sigue siendo responsable de la interpretación final.
La segunda parte del documento se concentra en ejemplos de aplicación de inteligencia artificial generativa y Machine Learning al análisis económico argentino. Se presentan tres áreas principales: inflación e IPC, actividad económica y mercado laboral.
En relación con la inflación y el Índice de Precios al Consumidor, se plantea la utilización de IA para realizar procesos de nowcasting, es decir, estimaciones de variables económicas antes de que se publiquen oficialmente. Esto puede realizarse procesando datos diarios de precios obtenidos, por ejemplo, mediante scraping de supermercados y servicios. La inteligencia artificial también puede colaborar en la generación de scripts automatizados en Python para modelar la trayectoria del IPC y anticipar tendencias respecto de los datos oficiales publicados por el INDEC.
En el caso de la actividad económica, se propone utilizar inteligencia artificial para integrar indicadores sectoriales de alta frecuencia, como los despachos de cemento, la demanda de energía, la recaudación tributaria y los patentamientos. La combinación de estos datos permitiría elaborar estimaciones anticipadas del EMAE y del PBI. Además, se plantea el uso de IA para simular shocks económicos y analizar sus posibles efectos sobre sectores estratégicos argentinos como la agroindustria, Vaca Muerta, la industria manufacturera y los servicios, utilizando automatizaciones desarrolladas en Excel o Python.
En cuanto al mercado laboral, el documento señala que la IA puede procesar grandes volúmenes de información provenientes de portales de empleo, convenios colectivos y datos de la Encuesta Permanente de Hogares del INDEC. Esto permitiría monitorear de manera más dinámica la demanda laboral y construir modelos predictivos orientados a estudiar la evolución del salario real frente a la inflación, así como la relación entre empleo formal e informal en Argentina.
En síntesis, el documento plantea que la inteligencia artificial generativa debe ser entendida como una herramienta de apoyo al economista y no como un reemplazo del conocimiento profesional. Su mayor utilidad se encuentra en acelerar tareas, estructurar razonamientos, automatizar procesos, integrar grandes cantidades de información, programar modelos y explorar escenarios económicos. Sin embargo, los resultados generados deben ser siempre verificados, especialmente cuando contienen información numérica o sirven de base para decisiones económicas o financieras. La conclusión enfatiza que la ventaja profesional estará cada vez más asociada a la capacidad de los economistas para incorporar la inteligencia artificial de manera adecuada en sus procesos de análisis y toma de decisiones.