Inteligencia artificial
Franklin Templeton desarrolla flujos de trabajo de investigación con IA junto con OpenAI

Puntos claveLa primera implementación de IA de Franklin Templeton fracasó porque los modelos…
Ver más
- La primera implementación de IA de Franklin Templeton fracasó porque los modelos carecían de una capa semántica que explicara cómo se conectan los datos.
- Los hackatones de Codex emparejan a expertos técnicos con profesionales de inversión para que los profesionales construyan sus propias herramientas de investigación.
- La firma quiere que la IA saque a la luz puntos de vista de investigación diversos y señale riesgos en lugar de perspectivas limitadas.
Franklin Templeton está desarrollando flujos de trabajo de inteligencia artificial para el análisis de renta variable con Codex de OpenAI y otras herramientas, según informó OpenAI en una historia de cliente publicada el 5 de noviembre de 2026. El objetivo inicial es ayudar a los gestores de cartera a comparar distintas perspectivas de investigación y examinar los riesgos que entrañan las ideas de inversión. La información describe una iniciativa que aún está pasando de la experimentación a la fase de producción, no un despliegue ya completado en toda la empresa.
En su primer enfoque de IA, la gestora de activos almacenó datos en una base de datos y conectó modelos a ella, pero la configuración no proporcionó las respuestas que necesitaban sus equipos porque los modelos no entendían cómo se relacionaban los datos entre sí. Posteriormente, los equipos añadieron agentes y una capa semántica, definida como un modelo estructurado de lo que significan los datos de la empresa y de cómo están conectados. Codex y otras herramientas se están utilizando para desarrollar esa capa de inteligencia conectada.
El sistema previsto busca reunir información de investigación, riesgos, cumplimiento normativo y operaciones bursátiles, áreas que aportan distintas perspectivas sobre una inversión. Su base combina conectores fiables, contexto sobre las carteras y los flujos de trabajo, y capacidades basadas en agentes para ofrecer información útil y práctica a analistas y gestores de cartera. Estos elementos buscan que el sistema sea reutilizable y esté sujeto a controles, y que aporte más contexto a las decisiones de inversión del que podía ofrecer la conexión original con la base de datos.
La transformación de un proceso de investigación secuencial
Katrina Dudley, vicepresidenta sénior de inversiones en mercados públicos de Franklin Templeton, describió el proceso anterior de análisis de renta variable como un trabajo secuencial dirigido por personas. Los analistas realizan un primer análisis de las acciones, revisan las llamadas sobre resultados y estudian a los competidores por línea de negocio mientras preparan propuestas de nuevas ideas para los gestores de cartera o actualizaciones sobre posiciones ya existentes en las carteras.
«Hemos pasado de complementar nuestro proceso de investigación a replantear los flujos de trabajo de investigación de inversiones», afirmó Dudley. El objetivo a largo plazo es poner la inteligencia conectada a disposición de todos los equipos de inversión, desde los analistas hasta los responsables de cada grupo de inversión, sin dejar de lado el criterio humano junto con la información que aporte el sistema.
La implementación ha incluido hackatones de Codex en los que expertos técnicos colaboran con profesionales de inversión mientras estos desarrollan sus propias herramientas. Los referentes de IA en los equipos de inversión trabajan para convertir esos experimentos en flujos de trabajo listos para producción. Las revisiones de seguridad, el apoyo de expertos, los controles de datos y los acuerdos sobre datos forman parte de ese proceso. Franklin Templeton también ha organizado laboratorios prácticos para los equipos poco después del lanzamiento de nuevas tecnologías. Dudley señaló que la dirección fomenta la experimentación dentro de límites de riesgo claramente definidos y acepta que no todas las iniciativas tendrán éxito.
La diversidad de la investigación y los riesgos orientan el diseño
El enfoque de la empresa aborda una limitación de las herramientas de aprendizaje de preferencias: un sistema que aprende que un usuario prefiere a un proveedor de investigación puede mostrarle más informes de ese proveedor y, potencialmente, reducir la variedad de perspectivas que se tienen en cuenta en el proceso de inversión. En cambio, Franklin Templeton quiere que los equipos de inversión accedan a una diversidad de estudios y opiniones.
La empresa también quiere que la IA destaque los riesgos junto con la tesis de inversión. «Necesitamos que la IA entienda que una buena idea de inversión está bien fundamentada, pero que también ha analizado los riesgos y permite que nuestros gestores de cartera los conozcan», afirmó Dudley. Este requisito vincula directamente los resultados de la tecnología con la información que necesitan los gestores de cartera para evaluar una idea.
Dudley también quiere que los analistas dediquen más tiempo a trabajar sobre el terreno y a conversar con expertos y profesionales, incluidos directivos de empresas privadas, y que compartan esas perspectivas con sus equipos de inversión. Por tanto, el trabajo va más allá de incorporar una sola herramienta: combina desarrollo de software, arquitectura de datos y controles de inversión. La prueba fundamental será determinar si los experimentos adaptados a cada función pueden convertirse en flujos de trabajo de producción sujetos a controles, sin perder la diversidad de la investigación, el análisis explícito de los riesgos ni la perspectiva humana que Dudley considera esencial.












