Estudio del MIT concluye que los consejos financieros de IA funcionan, pero con matices

Los consejos financieros de IA pueden generar colchones de ahorro considerables para prácticamente todos los mayores de 30 años, según una nueva investigación del MIT Sloan School of Management. Pero el estudio también halló que la calidad de la orientación depende en gran medida de cómo los usuarios formulen sus prompts, y que las diferencias en esos prompts pueden acumularse en brechas patrimoniales sustanciales.

Taha Choukhmane, profesor asistente de finanzas en MIT Sloan, y coautores evaluaron cómo los modelos de lenguaje aconsejan a las personas sobre gasto, ahorro e inversión a lo largo de sus vidas. En general, los modelos recomendaron ahorrar durante los años laborales, reducir activos en la jubilación, invertir fuertemente en fondos de acciones diversificados y disminuir la exposición a acciones después de los 45 años.

“Nos sorprendió bastante la calidad de los consejos. Especialmente cuando lees el tipo de preguntas que la gente hacía, no era evidente que los consejos coincidieran con lo que los académicos consideran buenos principios financieros.”

Cómo funcionó el estudio sobre consejos financieros

Los investigadores construyeron un modelo financiero de ciclo de vida que abarca cómo suelen cambiar los ingresos, el empleo, las inversiones y los impuestos a lo largo del tiempo. Ese modelo sirvió como referencia para evaluar qué constituyen decisiones financieras sólidas.

Recomendado

Empresa emergente apunta a Nvidia con servidor de IA de 128TB

Luego pidieron a una muestra de 1.000 adultos que escribieran sus propios prompts solicitando asesoramiento financiero a GPT-5.2, GPT-5.6 o Gemini 3 Flash. Los investigadores simularon qué pasaría si las personas de entre 22 y 89 años siguieran las recomendaciones resultantes de forma repetida a lo largo del tiempo.

Las simulaciones abarcaban decisiones sobre:

• Gasto y ahorro
• Participación en el mercado de acciones y asignación de cartera
• Riesgo de inversión a lo largo del ciclo de vida
• Respuestas a cambios como el desempleo

El equipo repitió el ejercicio con prompts académicos estructurados que contenían la edad de cada persona, su situación laboral, ingresos, saldos de ahorro y supuestos sobre el entorno económico. Esos prompts también especificaban esperanza de vida normal, gastos de subsistencia, edad de jubilación, riesgo laboral, riesgo de ingresos, la ley fiscal vigente en EE. UU. y las reglas de la Seguridad Social que no cambiarían.

Los investigadores compararon ambas formas de asesoramiento simulado por IA con lo que las personas ya hacían sin IA, así como con el consejo generado por los prompts académicos.

Mejores prompts mejoraron el asesoramiento sobre ahorro e inversión

Los modelos funcionaron mejor de lo que los investigadores esperaban incluso al responder a las preguntas habituales de los usuarios. Sus recomendaciones, en general, promovieron mayores niveles de ahorro, mayor participación en el mercado de valores, carteras diversificadas y una toma de riesgo acorde con la edad.

Sin embargo, los modelos mostraron debilidades al manejar shocks financieros y la gestión continua de carteras. Confiaron demasiado en reglas empíricas simples para gastar y ahorrar, aconsejaron a personas que habían perdido su empleo recortar el gasto en exceso incluso cuando tenían ahorros, y permitieron que las carteras derivaran en lugar de reequilibrarlas activamente.

Un prompt típico de usuario podría ser: «¿Dónde debería invertir empezando con $50 y añadiendo consistentemente $25 al mes después?» En cambio, un prompt estructurado podría definir los ingresos del usuario, gastos, riesgos laborales y de ingresos, edad prevista de jubilación y supuestos fiscales.

“La gente normal no escribe sus prompts como lo haría un profesor de finanzas.”

Los autores afirmaron que esto convierte a la IA en una fuente potencialmente asequible y ampliamente accesible de orientación, sobre todo porque el asesoramiento financiero humano tradicional puede implicar costos significativos, sesgos y conflictos de interés. Pero el estudio no estableció que cada recomendación fuera adecuada para todas las personas, y encontró que los modelos con frecuencia no reequilibraban activamente las carteras.

Las diferencias en los prompts produjeron brechas patrimoniales

El consejo también varió según el género del usuario, su alfabetización financiera y la experiencia previa con IA. Seguir recomendaciones generadas a partir de prompts escritos por hombres, por usuarios con mayor alfabetización financiera o por personas con experiencia previa en IA produjo alrededor de un 5% más de patrimonio cerca de la jubilación.

Los investigadores hallaron que:

• Los modelos recomendaron mayores asignaciones a renta variable en respuesta a prompts escritos por hombres y por usuarios con alta alfabetización financiera.
• Las mujeres y los usuarios con menos alfabetización financiera terminaron con aproximadamente $50.000, o un 4%, menos patrimonio a los 60 años.
• Las personas sin experiencia previa usando IA para asesoramiento financiero recibieron tasas de ahorro recomendadas más bajas y terminaron con casi $100.000, o un 6%, menos patrimonio a los 60 años que quienes sí tenían experiencia previa con IA.

Parte de la disparidad se debió a cómo la gente formulaba las preguntas. Las mujeres tenían más probabilidades de usar palabras como «familia», «supermercado» y «pagar», mientras que los hombres usaban con más frecuencia términos como «estrategia», «crypto» y «crecimiento». Pero el modelo también cambió sus recomendaciones cuando el mismo prompt se etiquetó como proveniente de una mujer en lugar de de un hombre. Aproximadamente dos tercios de la brecha de género en los resultados patrimoniales se debió a diferencias en los prompts, mientras que el tercio restante provino de ese cambio en el asesoramiento del modelo.

Choukhmane dijo que este último patrón podría reflejar inferencias razonables sobre diferencias en preferencias, esperanza de vida o riesgo de ingresos —o sesgos aprendidos a partir de los datos de entrenamiento. El estudio sostiene que avanzar exige puntos de referencia más claros sobre cómo debería variar el asesoramiento financiero entre distintos grupos demográficos.

Recomendaciones para consumidores y empresas financieras

Los investigadores recomiendan que los consumidores usen la IA primero para desarrollar comprensión financiera en lugar de simplemente seguir sus recomendaciones. Los prompts basados en la planificación de ciclo de vida, la teoría de carteras y supuestos explícitos del mundo real mejoraron el asesoramiento sobre ahorro y gasto y redujeron la dependencia de reglas empíricas básicas. Los usuarios también deberían pedir a los modelos que se protejan contra el sesgo demográfico.

Choukhmane dijo que la IA puede complementar a un asesor humano, ayudando a los clientes a implementar el consejo entre reuniones. Para las personas que no pueden permitirse un asesor, describió la IA como una forma económica de acceder a orientación financiera —aunque reconoció que quienes más podrían beneficiarse son los que tienen menos alfabetización financiera o menor capacidad para redactar prompts detallados.

Los hallazgos también tienen implicaciones para las empresas financieras. Los grandes modelos recomendaron tipos de cuentas específicas, productos financieros y proveedores que los usuarios no habían mencionado. Los productos de Vanguard aparecieron en el 6% de las respuestas del modelo y los de iShares en el 3,4%, pese a que menos del 0,4% de los prompts mencionaban cualquiera de las dos compañías.

Eso sugiere que el descubrimiento de productos puede depender cada vez más de cómo los modelos describen las ofertas financieras, en lugar de basarse solo en el marketing tradicional o la visibilidad en búsquedas.

El artículo, «AI Financial Advice: Supply, Demand, and Life Cycle Implications», ganó el Swiss Finance Institute Outstanding Paper Award 2026. Sus autores son Taha Choukhmane, Weidong Lin y Matthew Akuzawa del MIT Sloan, y Tim de Silva de la Stanford Graduate School of Business.