La lógica de inversión institucional vista desde el sistema de investigación global de UBS: la curva de costos de la IA, la computación cuántica y una perspectiva de largo plazo sobre la asignación de activos globales

La lógica de inversión institucional observada desde el sistema de investigación global de UBS: curva de costos de la IA, computación cuántica y una perspectiva de largo plazo para la asignación global de activos

En un entorno en el que la trayectoria de las tasas de interés aún no está clara, la inflación pegajosa persiste y la geopolítica y la competencia tecnológica se entrelazan, la forma en que los inversores institucionales toman decisiones está experimentando un cambio estructural: de depender de juicios sobre una única clase de activos a depender de sistemas de investigación multiactivos, multirregionales y con seguimiento sostenido. Los materiales públicos de UBS Global Research muestran que su equipo está formado por aproximadamente 720 analistas, estrategas y economistas, y cubre más de 50 mercados y alrededor de 4.000 acciones. Este artículo no toma las fluctuaciones de corto plazo como objeto de discusión, sino que utiliza la composición de capacidades y los temas recientes de este marco de investigación como hilo conductor para observar cómo se está redefiniendo la investigación de inversiones global y qué implica este cambio para la asignación de activos a largo plazo.

Contexto de mercado: reconexión entre macro y micro

Durante más de una década, el entorno de bajas tasas de interés redujo en buena medida el impacto marginal de los juicios macroeconómicos sobre los resultados de las carteras, y la asignación de activos dependió más de la valoración relativa y las primas de riesgo entre clases de activos. A medida que la interacción entre el ciclo de tasas de interés, la estructura de la inflación y la política fiscal se ha vuelto más compleja, la lógica de reversión a la media basada únicamente a nivel de clase de activos ya difícilmente puede explicar la enorme divergencia dentro de una misma clase de activos.

El posicionamiento que UBS da a sus equipos de economía y estrategia refleja precisamente este cambio: UBS Economics se apoya en los juicios de los estrategas de mercado y colabora estrechamente con analistas de compañías y sectores para comprender más profundamente cómo funciona la economía mundial; UBS Global Strategy ayuda a los inversores a identificar los factores impulsores y los conecta con oportunidades entre clases de activos y regiones. En otras palabras, el juicio macroeconómico y la evidencia microeconómica se consideran los dos extremos de una misma cadena analítica, y no dos áreas profesionales independientes entre sí.

La perspectiva histórica de largo plazo también ha recuperado importancia. En materiales públicos de UBS se menciona el Global Investment Returns Yearbook 2026, un anuario cuyo propósito es examinar los factores impulsores de los rendimientos reales de los activos a largo plazo y extraer de ellos lecciones útiles para entender el futuro. En una fase de mayor volatilidad, este tipo de datos de largo plazo, que abarcan décadas y múltiples clases de activos, tiene un valor de investigación directo para asignadores de horizonte largo como fondos de pensiones, fondos soberanos y capital de aseguradoras: no responde a "qué comprar el próximo trimestre", sino a "qué factores determinan realmente los rendimientos reales en el largo plazo".

Al mismo tiempo, la propia agenda de investigación también está cambiando. UBS Global Research sitúa la "IA generativa" como uno de sus temas destacados y deja claro que su propósito es mostrar la amplitud, la profundidad y la originalidad de sus economistas, estrategas y analistas. Esta formulación merece atención: la IA ya no es solo un tema de investigación sectorial, sino más bien una variable analítica que atraviesa múltiples industrias y clases de activos.

Flujos de capital actuales: hacia dónde se concentra la atenciónCabe destacar que la siguiente discusión se basa en los temas de investigación y la composición de capacidades que UBS ha divulgado públicamente, y no en una inferencia sobre montos específicos de capital. La selección de temas de investigación es, en sí misma, una ventana confiable para observar hacia dónde fluye la atención de las instituciones.

Primero, la IA generativa pasa de la “discusión conceptual” a la “discusión de costos y eficiencia”. En el pódcast de investigación global de UBS, Caroline Li y Wei Xiong, de UBS Research, discutieron las tendencias de adopción de la IA, la disminución de los costos de inferencia y el panorama competitivo de la próxima etapa que el ecosistema de IA de China podría revelar. Cuando las organizaciones pasan de la fase de experimentación a la de retornos medibles, la eficiencia de costos se está convirtiendo en un factor importante en las decisiones de despliegue. La implicación de este cambio para la investigación de inversiones es que los criterios de validación de la narrativa de la IA están pasando del “límite superior de capacidad” a la “economía unitaria”.

Segundo, la computación cuántica se sitúa en la posición de “valor de opción a largo plazo”. En otra discusión, el responsable de investigación cuantitativa de UBS, Paul Winter, y la profesora Elena Ynduráin analizaron el estado actual de esta tecnología, el significado real de la “ventaja cuántica” y cómo su convergencia con la IA podría influir en la innovación. La discusión también señaló que la computación cuántica aún se encuentra principalmente en fase de pruebas y que los avances en IA podrían ayudar a liberar su potencial en un horizonte temporal más largo. Para los asignadores de capital a largo plazo, el valor de este tipo de temas no reside en catalizadores de corto plazo, sino en si puede cambiar la estructura de costos y las barreras competitivas de ciertas industrias.

Tercero, aumenta la demanda de investigación sistemática sobre los mercados privados. La investigación de empresas privadas de UBS (Private Company Research) perfila a las empresas privadas con métodos sistemáticos y evalúa su posicionamiento competitivo. A medida que aumenta la proporción de la actividad innovadora y de la formación de capital en los mercados privados, si la investigación de mercados públicos carece de coordenadas de referencia del sector privado, surgirá una brecha en el juicio sobre el panorama sectorial. Esta es también una de las razones, en el plano metodológico de la investigación, por las que los inversores institucionales han seguido prestando atención al private equity y a los activos alternativos en los últimos años.

Cuarto, los datos alternativos y las herramientas cuantitativas se convierten en infraestructura de investigación. UBS Evidence Lab ofrece “conjuntos de datos directamente utilizables para obtener insights” que abarcan más de 55 áreas especializadas; su base de activos cubre más de 5,000 empresas. La base de datos UBS HOLT incluye más de 20,000 empresas y se utiliza para la comparación y valoración de compañías a nivel global; Quant Answers, por su parte, ofrece módulos como predicción de riesgo de cartera, estilo de cartera y análisis fundamental. El punto común de estas herramientas es que las conclusiones de investigación deben ser trazables, reproducibles y verificables a nivel de cartera.Quinto, los temas de consumo y cultura entran en el análisis del valor de marca a largo plazo. Los analistas de UBS Jay Sole y Michael Lasser discutieron cómo los momentos deportivos y culturales son transformados por las empresas de consumo en valor de marca a largo plazo, así como las oportunidades de crecimiento que traen los cambios en las tendencias de participación. Esto parece no tener relación con la macroeconomía, pero es una parte importante para entender la rentabilidad a largo plazo del sector de consumo: el capital de marca, la participación de los usuarios y la relevancia cultural constituyen barreras competitivas difíciles de medir con indicadores financieros de corto plazo.

Si se juntan estos temas, se puede ver una pista clara: la atención de las instituciones está pasando de la “rotación de clases de activos” a los “temas estructurales + evidencia verificable”.

Análisis de la lógica de inversión: factores estructurales que impulsan el cambio

Primero, el descenso de la curva de costos tecnológicos ha cambiado la persistencia de los temas de inversión. Cuando la IA pasa de la experimentación al despliegue a escala, los costos de inferencia, el consumo de energía, la gobernanza de datos y la capacidad de adaptación organizativa se convierten en variables clave que determinan quién puede obtener realmente retornos. Esto significa que el tema de la IA no existirá en la forma de un único sector, sino que permeará las estructuras de costos de múltiples sectores en la forma de “mejora de eficiencia”. Para los asignadores de activos, este tipo de temas se parecen más a infraestructura de largo plazo que a un foco pasajero.

Segundo, la frontera entre los mercados públicos y los mercados privados se está difuminando. El ciclo de maduración de las empresas innovadoras se ha alargado, y aparece un desajuste entre la cobertura sectorial invertible en los mercados públicos y la distribución de la actividad innovadora. Esto explica por qué la investigación sistemática de empresas privadas, el capital privado y las inversiones alternativas se incluyen en discusiones más amplias de asignación de activos, y no solo como asignaciones satélite.

Tercero, la capacidad de datos y modelos se ha convertido en la “función de producción” de las instituciones de investigación. Cuando la cobertura de datos, los marcos cuantitativos y las herramientas de valoración se convierten en infraestructura reutilizable, el costo marginal de la producción de investigación disminuye, pero aumentan las exigencias de validación. La combinación de UBS Evidence Lab, HOLT y Quant Answers refleja precisamente esta división del trabajo: la amplitud de los datos, la consistencia de la valoración y la cuantificación del riesgo de cartera; las tres son indispensables.

Cuarto, la estructura de pasivos de los fondos institucionales de largo plazo exige “fuentes de retorno explicables”. Los fondos de pensiones, los fondos soberanos y las family offices, frente a sus responsabilidades fiduciarias y su gobernanza interna, necesitan marcos que expliquen las fuentes de rendimiento y las exposiciones al riesgo. Esta es precisamente la razón por la que se valoran investigaciones de largo plazo como el Global Investment Returns Yearbook, así como nuevas formas de distribución de contenido como los pódcast: la investigación no solo debe ser correcta, sino también comprensible, discutible e incorporable al proceso de decisión.

En conjunto, estos factores no son fenómenos de corto plazo. Apuntan juntos a una tendencia de largo plazo: la investigación de inversión está pasando de la “oferta de opiniones” a la “infraestructura de evidencia”, y las decisiones de asignación de activos están pasando de la división por clases de activos a marcos centrados en temas, factores de riesgo y motores estructurales.

Factores de riesgoRiesgo macroeconómico. La trayectoria de las tasas de interés y la estructura de la inflación aún presentan incertidumbre. Si la velocidad de desaceleración de la inflación y el ritmo de los ajustes de política se desalinean, las correlaciones entre activos podrían cambiar significativamente en poco tiempo, invalidando supuestos de cartera basados en correlaciones históricas.

Riesgo político y regulatorio. Los cambios en la regulación de la IA, las reglas sobre flujos transfronterizos de datos, los controles a la exportación de tecnología y la política fiscal podrían reconfigurar el panorama competitivo y la estructura de costos del sector tecnológico. Para carteras con exposición central a temas tecnológicos, las variables de política ya son una fuente de riesgo tan importante como los fundamentales.

Riesgo geopolítico. La fragmentación del ecosistema tecnológico, la reconfiguración de las cadenas de suministro y las restricciones a los flujos regionales de capital afectan la forma en que las empresas acceden a los mercados y las vías para materializar el retorno del capital. La evolución del ecosistema de IA en China ha atraído interés de investigación, en parte porque podría revelar las características regionalizadas del panorama competitivo.

Riesgo de valoración y expectativas. Cuando un tema alcanza un amplio consenso, los precios suelen ajustarse antes de que mejore el flujo de caja. El mayor riesgo de la inversión temática normalmente no es equivocarse de dirección, sino el desfase temporal y la sobrevaloración.

Riesgo de modelo y datos. La creciente dependencia de datos alternativos, modelos cuantitativos y marcos de valoración sistemáticos también introduce nuevos riesgos: la calidad de los datos, el sesgo de muestra, los supuestos del modelo y las limitaciones de la extrapolación histórica pueden subestimarse. Cuanto más potentes son las herramientas, mayor es la exigencia de transparencia metodológica.

Riesgo de liquidez. Una mayor profundidad de investigación en mercados privados y activos alternativos no equivale automáticamente a una mejora de la liquidez. Para capitales de largo plazo, la frecuencia de valoración, las vías de salida y el ritmo de llamadas de capital siguen siendo dimensiones de riesgo que deben gestionarse de forma independiente.

Riesgo de sincronización temporal de tecnologías de vanguardia como la computación cuántica. En la discusión se ha dejado claro que la computación cuántica se encuentra actualmente, sobre todo, en fase de pruebas. Las implicaciones de inversión de este tipo de tecnologías se parecen más a una opción de largo plazo que a una fuente de flujos de caja próximos que pueda extrapolarse linealmente.

Perspectivas a largo plazo

Próximos 3 a 5 años: industrialización de la investigación y estructuración temática. La infraestructura de datos, las herramientas cuantitativas y la investigación de mercados privados pasarán gradualmente de ser una “capacidad diferenciadora” a una “configuración básica”. Al mismo tiempo, el tema de la IA virará más claramente de la narrativa sectorial hacia indicadores de costo y eficiencia, y los inversores prestarán más atención a la medibilidad del retorno de la implementación que a la demostración de capacidades de los modelos.

Próximos 5 a 10 años: la IA se convierte en infraestructura, no en un tema independiente. Si el costo de inferencia sigue bajando y la integración de la IA con los procesos de negocio se profundiza, es más probable que la IA, al igual que la electricidad e internet, se convierta en una variable de contexto para el análisis de otros sectores. En ese momento, lo que realmente determine las diferencias de retorno bien podría ser factores “no relacionados con la IA”, como el suministro de energía, la gobernanza de datos, la estructura de talento y la eficiencia organizacional.

Valor de opción a largo plazo de las tecnologías de vanguardia. El panorama de convergencia entre computación cuántica e IA es un tema típico de ciclo largo y alta incertidumbre. Su valor de investigación radica en identificar qué industrias podrían cambiar su curva de costos debido a un salto en la capacidad de cómputo, más que en hacer predicciones precisas sobre el momento de comercialización.Evolución adicional del marco de asignación de activos. A medida que se integran la investigación de mercados públicos y privados y se estandarizan los datos alternativos, las decisiones de asignación podrían organizarse más en torno a factores de riesgo, exposiciones temáticas y factores impulsores a largo plazo, y no tanto en torno a proporciones tradicionales de clases de activos.

Cambios en la distribución de la investigación y en los procesos de decisión. Los pódcast, las plataformas de datos y los portales de clientes (por ejemplo, los canales de información macroeconómica y de mercados locales que ofrece UBS Neo) indican que la investigación se está integrando en más etapas del proceso de inversión. Para las instituciones, esto significa que los criterios de evaluación de la investigación pasarán de “si la conclusión resulta atractiva” a “si el proceso puede revisarse”.

Conclusión: el valor a largo plazo de la investigación radica en que sea verificable

En el panorama global de inversión, los cambios en los flujos de capital suelen observarse antes que los cambios de precios, y la capacidad de observación depende de la amplitud y la profundidad del sistema de investigación. La estructura de capacidades que UBS Global Research presenta públicamente —equipos de economía y estrategia multiactivo, cobertura de análisis de aproximadamente 4.000 acciones en más de 50 mercados, activos de datos que abarcan más de 55 áreas especializadas, una base de datos de valoración de más de 20.000 compañías y una investigación sistemática de empresas privadas— refleja en esencia una misma tendencia: lo que los inversores institucionales necesitan no son más opiniones, sino cadenas de evidencia más verificables.

Para los asignadores de capital a largo plazo, la pregunta que realmente merece un seguimiento continuo no es si un tema será popular en el próximo trimestre, sino: ¿qué factores estructurales están cambiando las curvas de costes y las barreras competitivas de las industrias? ¿Estos cambios cuentan con un respaldo de datos medibles? ¿Los precios actuales ya reflejan estos cambios? Y, cuando coexisten riesgos macroeconómicos, de política y geopolíticos, ¿la cartera tiene suficiente diversificación y capacidad explicativa?

En este sentido, el valor de la investigación de inversiones no reside en predecir, sino en organizar la incertidumbre en una forma que pueda gestionarse. Esta es a la vez una cuestión de largo plazo para las estrategias de inversión institucional y la lógica subyacente de la evolución continua de los mercados de capitales globales.