El sistema de seis capas que estoy construyendo para analizar empresas con IA antes de invertir
No soy analista profesional. Estoy aprendiendo a analizar empresas para invertir mejor, y precisamente por eso intento no usar la inteligencia artificial como una bola de cristal.
Este artículo explica el sistema de seis capas que estoy construyendo para analizar empresas con más disciplina antes de invertir.
Estoy aprendiendo que hay una forma peligrosa y una forma mucho más prudente de usar la inteligencia artificial para analizar inversiones.
La forma incorrecta es abrir ChatGPT, escribir "analiza Newmont Mining para mí" y tomar decisiones en función de lo que te devuelve. Lo que obtienes así es una mezcla de información genérica, datos posiblemente desactualizados y un tono de confianza que no se corresponde en absoluto con la solidez del análisis. Es la forma más rápida de usar una herramienta potente para cometer errores con más velocidad.
La forma más prudente requiere más trabajo inicial, pero mejora mucho la calidad del análisis que te devuelve la IA. Se trata de descomponer el análisis en capas ordenadas, donde cada una construye sobre la anterior, y de alimentar al modelo con los documentos primarios de la empresa en lugar de dejar que improvise. Este artículo explica el sistema que estoy construyendo y probando para analizar empresas con más orden.
Ojo que no digo que esto sustituya la modelización de un experto. Pero también opino que en manos de uno puede minimizar y automatizar su flujo de trabajo.
Por qué seis capas y no una sola
Cuando intentas hacer todo en un único prompt ocurren varias cosas malas a la vez. El modelo mezcla la comprensión del negocio con la valoración antes de haber limpiado los números. Genera cifras que suenan precisas pero que en realidad son inferencias sin base documental. Puede incluso usar métricas que no encajan con el tipo de empresa. Por ejemplo, valorar una minera junior sin producción con una métrica pensada para empresas que ya generan EBITDA puede llevar a conclusiones muy equivocadas. Y lo más peligroso: te da una respuesta que parece completa pero que tiene agujeros invisibles.
Separar el análisis en seis capas tiene un efecto disciplinante tanto para el modelo como para ti. Cada capa hace una sola cosa bien. El output de cada una se convierte en el contexto verificado de la siguiente. Y si en algún momento algo no cuadra, sabes exactamente en qué capa está el problema.
Mi regla práctica es no saltarme capas. Si entiendo mal el negocio desde el principio, todo lo que venga después puede estar construido sobre una base débil.
Antes de empezar: los documentos primarios
El sistema no funciona sobre información de segunda mano. Antes de ejecutar el primer paso, hay que subir los documentos primarios de la empresa al proyecto en ChatGPT: el informe anual más reciente, el último trimestral, la presentación de resultados, y si es una empresa minera, el informe técnico NI 43-101 o el estudio de viabilidad.
A partir de esos documentos, el modelo extrae automáticamente el contexto de trabajo: dónde cotiza la empresa, en qué países opera, qué tipo de negocio es, cuál es su capitalización, cuál es el precio de la materia prima relevante. Lo que no encuentre en los documentos lo busca en internet. No hay introducción de datos manual.
Sin documentos primarios, la IA puede escribir muy bien sobre una empresa y aun así estar construyendo sobre arena.
Capa 1 — Entender el negocio
La primera capa tiene un objetivo único: entender qué hace exactamente la empresa y cómo gana dinero. Nada más. No se valora todavía.
El modelo analiza los documentos y responde preguntas concretas: qué produce, a quién le vende y cómo cobra, qué estructura tiene el negocio, en qué países opera realmente (que no siempre coincide con donde cotiza), y cuál es su unidad económica básica —qué margen genera por barril, por onza, por tonelada.
Al final de esta capa el modelo debe ser capaz de explicar el negocio en cuatro frases sin tecnicismos, de forma que alguien externo lo entienda. Si no puede hacerlo con claridad, hay información que falta. En ese caso no se continúa —se buscan los documentos que faltan.
Es un filtro de calidad antes de invertir tiempo en el resto del análisis.
Capa 2 — Limpiar los números
Esta es probablemente la capa que más me está ayudando a no confundir beneficio contable con calidad real del negocio.
Los estados financieros pueden incluir partidas que no se repetirán y que alteran mucho la imagen del negocio: deterioros de activos, ganancias o pérdidas por coberturas, diferencias de cambio o plusvalías por venta de activos. Si no las separo, puedo acabar valorando ruido como si fuera beneficio recurrente.
El modelo toma los estados financieros y normaliza cada línea importante. Lo que intento obtener son números más limpios y más representativos de la capacidad normal del negocio para generar caja.
Para no fiarme ciegamente de la respuesta, uso una regla sencilla: obligo a la IA a etiquetar de dónde sale cada cifra importante.
- [D] si el dato viene literalmente de un documento.
- [C] si fue calculado a partir de datos reales.
- [I] si fue inferido con un salto lógico.
- [S] si es un supuesto sin base documental directa.
Esta transparencia forzada cambia todo. Si las métricas centrales de la valoración salen como [I] o [S], la decisión final no puede ser comprar. El sistema no permite llegar a una conclusión de alta confianza basándose en supuestos no verificados.
La capa termina con un veredicto categórico: números limpios, números dudosos, o números insuficientes. Si son insuficientes, el análisis se detiene y se buscan más documentos.
Capa 3 — Valorar el negocio
Con los números limpios de la capa anterior, ahora sí se valora. Y aquí es donde el sistema se diferencia más de un análisis genérico, porque las métricas que se usan dependen completamente del tipo de empresa.
Para una empresa de exploración y producción de petróleo las métricas relevantes son el EV/EBITDAX, el FCF yield, el precio objetivo por valor neto de activos de las reservas, y el precio del crudo a partir del cual la empresa deja de generar caja libre. Usar un PER aquí es un error —el beneficio neto en E&P está completamente distorsionado por deterioros y coberturas.
Para una minera de oro en producción lo que importa es la posición en la curva de costes mundial, el AISC, el FCF yield y el P/NAV. Para una minera junior en fase de desarrollo, sin producción, las métricas correctas son completamente distintas: el descuento sobre el valor neto del proyecto, el valor de empresa por onza de recurso geológico, y una prima de riesgo ajustada a la fase en que está el proyecto.
Me gusta trabajar con tres escenarios —pesimista, base y optimista— porque me obliga a no depender de una sola previsión. Y siempre hay un margen de seguridad requerido antes de considerar la entrada.
La capa termina con una conclusión en una sola palabra: cara, razonable, barata, o "barata solo si se cumple X". Esta última es la más útil, porque obliga a explicitar exactamente el supuesto del que depende toda la tesis.
Capa 4 — Los riesgos que no aparecen en los múltiplos
Una empresa puede salir barata en la valoración y ser una trampa. La cuarta capa existe para detectar exactamente eso.
El modelo revisa un checklist sectorial específico. Para una E&P: historial de windfall taxes en los países donde opera, tasa de declino de los campos, riesgo de renegociación contractual, obligaciones de abandono de pozos que no están provisionadas en el balance. Para una minera de oro: si la ley del recurso ha caído entre versiones del informe técnico, si el CAPEX ha escalado entre estudios sucesivos, si hay warrants masivos pendientes que van a diluir a los accionistas existentes.
Luego evalúa la calidad del equipo directivo. La métrica que importa no es el crecimiento de la producción —es el valor por acción. Un CEO que duplica la producción emitiendo acciones al precio del activo no crea valor para el accionista. El sistema mira el historial real: si han construido proyectos en plazo y presupuesto, si tienen acciones propias o solo opciones, si el guidance de los últimos tres años refleja la realidad o prometen y no entregan.
También intento entender si existe alguna ventaja real (MOAT). En petróleo y minería no suele ser una marca o un efecto de red; muchas veces la ventaja está en la geología, los costes, la ubicación del activo o la calidad del recurso.
La capa termina con un semáforo por jurisdicción y los tres riesgos ocultos que no aparecen en los múltiplos de la capa anterior.
Capa 5 — La decisión
Esta capa es mi intento de simular un pequeño comité de inversión antes de tomar una decisión. Reconcilia los cuatro análisis anteriores y exige tres respuestas que no son opcionales.
El catalizador. ¿Qué tiene que ocurrir, concreto y con fecha, para que el mercado reconozca el valor que identifica la tesis? No vale "eventualmente el mercado lo descubrirá". Tiene que ser un evento específico: publicación del estudio de factibilidad en el tercer trimestre, resultado del primer pozo de la nueva campaña de perforación, renovación de la licencia de explotación. Si no hay catalizador identificable con plazo razonable, la decisión baja automáticamente un escalón.
El coste de oportunidad. ¿El retorno esperado en el escenario base justifica tener capital aquí frente a la mejor alternativa disponible en cartera en este momento?
La decisión final cae en una de cinco categorías sin ambigüedad posible: comprar, comprar solo con más margen de seguridad, mantener y seguir estudiando, esperar mejor precio, o evitar.
Y al final, obligatorio, el abogado del diablo. Tres a cinco hechos específicos que, si fueran ciertos, romperían completamente la tesis. No vale "si baja el precio del oro". Vale algo así: "Si la siguiente actualización del recurso muestra una dilución de ley superior al quince por ciento, el valor neto del proyecto cae un treinta por ciento y la empresa cotizaría en línea con el valor, sin margen de seguridad." La especificidad es lo que hace útil este ejercicio.
Capa 6 — La ficha de vigilancia
Si la decisión no es evitar, el último paso genera una ficha de seguimiento. No para archivar —para usar activamente.
La ficha tiene tres partes. Primero, las métricas a revisar trimestralmente con umbrales definidos de antemano: producción, coste por unidad, flujo de caja libre, deuda. Para cada una, un umbral de alerta rojo y uno positivo verde. Segundo, los hitos esperados en los próximos doce a dieciocho meses con fecha y condición de rotura: qué resultados de perforación esperamos, cuándo se publica el siguiente estudio técnico, cuándo vence la licencia clave. Tercero, las señales de venta y las señales de ampliación predefinidas —escritas en frío, antes de que haya presión emocional.
La idea es que cuando llegue el siguiente trimestral no sea necesario reanalizar la empresa desde cero. Abres la ficha, compruebas si las métricas están dentro de los umbrales, si los hitos se han cumplido, si hay alguna señal de venta activa.
Creo que las decisiones de venta pensadas en frío suelen ser mejores que las tomadas cuando el precio ya se ha movido y las emociones están encima de la mesa.
El sistema en perspectiva
Este sistema de seis capas no garantiza acertar. Nada lo hace.
Lo que sí busca es algo más modesto y más útil: reducir errores evitables. Evitar comprar una empresa solo porque la IA ha escrito una respuesta convincente. Evitar valorar beneficios que no se repetirán. Evitar usar métricas que no encajan con el sector. Evitar ignorar riesgos que no aparecen en los múltiplos.
Para mí, la IA no sustituye el criterio del inversor. Pero bien usada puede ayudar a construirlo.
Y ese es el verdadero objetivo: no delegar la decisión, sino aprender a pensar mejor antes de tomarla.
¿Tienes preguntas sobre el proceso o quieres profundizar en alguna capa en particular? Déjalo en los comentarios.
