Aplicación de sistemas multiagente de IA

Este estudio presenta un análisis sobre la innovación y la transformación digital en el sector financiero mediante el uso de la Inteligencia Artificial Generativa, con especial énfasis en el ámbito del asesoramiento y la gestión de inversiones, combinando aspectos generales y de negocio, con la implementación práctica en una entidad. Se destaca el papel emergente de la Inteligencia Artificial Generativa como interlocutor entre clientes y asesores, así como herramienta facilitante de procesos de toma de decisiones más informadas, eficientes y personalizadas. Se quiere demostrar cómo a través de su capacidad para integrar información de investigación y generar respuestas contextualizadas, la Inteligencia Artificial Generativa transforma el rol tradicional del asesor financiero. En paralelo, se aporta una visión técnica detallada sobre el desarrollo y el funcionamiento de los Sistemas de Multiagentes y Modelos de Lenguaje de gran escala (LLM’s), que constituyen la base tecnológica de estas nuevas herramientas. El piloto implementado permite confirmar la viabilidad del enfoque de arquitectura multiagente para generar análisis financieros enriquecidos; la colaboración de agentes especializados con un agente integrador produjo informes comprensivos. La explotación con éxito de datos no estructurados para extraer información relevante en el análisis financiero de inversiones es otra innovación destacada en el sector y una aportación importante de estos agentes de IA. Finalmente, se muestra cómo está evolucionando el sector con ejemplos, y como MoraBanc ha sabido adaptarse estratégicamente a estas nuevas tendencias. El estudio reflexiona sobre los retos, oportunidades y alcance de esta revolución tecnológica, ofreciendo una visión global e integradora del futuro del asesoramiento financiero potenciado por la inteligencia artificial.

1. Introducción

1.1. Objetivo del estudio: analizar la transformación del asesoramiento financiero con la aplicación de la IA generativa

El objetivo principal de este estudio es analizar cómo la Inteligencia Artificial Generativa, una tecnología emergente de gran potencial, puede contribuir positivamente en el sector financiero. Se quiere realizar un estudio de la evolución de su integración en el sector, con especial atención a la gestión de inversiones y sus aplicaciones prácticas en el asesoramiento financiero.

Hasta hace pocos años, las entidades financieras tradicionales eran las únicas encargadas de gestionar servicios bancarios. Ahora, nos encontramos en un punto de inflexión en el que la accesibilidad está al alcance de todos. Cualquier persona con conexión a internet puede operar en bolsa, realizar consultas de su situación financiera, solicitar microcréditos o bien contratar seguros. Este factor clave en el desarrollo del sector ha supuesto una apertura económica hacia un sistema más competitivo. (CMS Prime 2025 – AI Revolution 2025: Trends, Market Impact, and Key Stocks).

Gráfico 1. Evolución del número de oficinas bancarias y del uso de la banca digital en España

La incorporación de la inteligencia artificial ha sido el factor más transformador de los últimos años. Sin embargo, cabe mencionar que no todos los territorios están igual de preparados para adaptarse a esta situación cambiante. En áreas con fuerte implantación bancaria como los países Occidentales, los nuevos modelos pueden desencadenar una reconfiguración del sector bancario conocido. Otras zonas como en África, donde sólo un 30% de la población dispone de una cuenta bancaria y la presencia física de oficinas bancarias resulta inviable, tener oportunidades digitales puede fomentar una inclusión financiera. (Igual Molina 2018 – Les fintech i la reinvenció de les finances)

Por otro lado, en el proyecto se incluye una visión técnica del desarrollo y funcionamiento de los sistemas multiagente y los modelos de lenguaje de gran escala (LLMs), base tecnológica de estas herramientas. El piloto implementado tiene como objetivo mostrar la viabilidad de los nuevos multiagentes y su uso exitoso de datos noestructurados en el análisis de inversiones, como gran aportación a los procesos existentes en análisis de inversiones y asesoramiento.

Este estudio también tiene como objetivo mostrar los pasos que está tomando una entidad de banca privada de referencia como MoraBanc para adaptarse a esta revolución tecnológica, asegurándose de que el banco evoluciona a la misma velocidad que los líderes del sector y aprovecha las oportunidades que la IA Generativa ofrece para mejorar su oferta de servicios.

1.2. La transformación digital y su evolución en el sector financiero y los servicios de inversión

Vivimos inmersos en un sistema que integra las finanzas en casi todos los aspectos de la vida diaria. Desde las primeras horas del día, cuando una persona despierta en una vivienda financiada a través de un préstamo hipotecario, hasta las últimas, cuando llega a casa y consume alimentos adquiridos con una tarjeta de crédito, su día transcurre dentro de un circuito constante de decisiones y acciones económicas.

No es ningún secreto que la inteligencia artificial ha llegado para redefinir los límites de nuestra eficiencia y el ámbito financiero ya no es ajeno a esta revolución tecnológica. Desde el análisis avanzado de datos para predecir tendencias de mercado, controlar riesgos como se menciona en Karasan, A. (2021) – Machine Learning for Financial Risk Management with Python, o mejoras en las operaciones mediante la ciencia de datos y el aprendizaje automático, pasando por el uso de la IA generativa como soporte en la toma de decisiones y detectar fraudes en tiempo real, el potencial impacto es enorme. (Dixon et al, M. (2020) – Machine Learning in Finance From Theory to Practice. Springer). Todo apunta hacia un futuro donde las decisiones económicas serán más rápidas y precisas que nunca. Los servicios financieros: el crédito, la inversión, los seguros o las transacciones de dinero, también evolucionarán, mejorando a su vez el servicio y personalización a clientes.

La transformación digital a nivel financiero se inaugura con el concepto de la tecnología financiera o Fintech (IBM 2025 – Fintech), (CNMV 2025 – Guía rápida Fintech), que describe el uso de tecnologías para mejorar o innovar los servicios financieros. En sus inicios, Fintech se encargó de introducir plataformas digitales para mejorar la realización de pagos, préstamos y gestión de cuentas utilizando tecnologías como aplicaciones móviles, entre muchos otros.

Gráfico 2. Distribución de las Fintech por segmento de actividad financiera

El gráfico 1 refleja una concentración de las fintech españolas del 62,86% en los cuatro segmentos señalados: crédito, pagos, inversiones y gestoría.

A medida que el sector evoluciona, se incorpora también la tecnología de la ciencia de datos, el aprendizaje automático o Machine Learning (IBM 2025 – What is Machine Learning), una rama de la Inteligencia Artificial numérica que se centra sobretodo en el desarrollo de modelos, calibrando algoritmos (supervisados, no supervisados o de aprendizaje reforzado) con datos del problema a resolver. Gracias a la construcción de algoritmos matemáticos que definen cómo los sistemas procesan y transforman grandes volúmenes de información para identificar patrones y tendencias, estos modelos ajustan sus parámetros internos para minimizar errores en predicciones, cuyos resultados se interpretan mediante métricas clave propias de cada técnica implementada. En finanzas, pueden resultar muy útiles para detectar anomalías, predecir movimientos de mercado o personalizar servicios para cada cliente.

El uso de modelos Multiagente con IA Generativa ofrece una nueva perspectiva en el Asesoramiento financiero y la Gestión de inversiones. La combinación de arquitecturas multiagente con LLMs para explotar datos multimodales no estructurados — y extraer de ellos información relevante— representa un gran avance en este camino de innovación del sector. Aunque ambos ámbitos de inversiones se ven beneficiados por la revolución tecnológica de la IA generativa, hay que matizar que es necesario continuar desarrollando los modelos para poder llegar a delegar al completo la toma de decisiones finales sobre las inversiones en los robots. Las decisiones de inversión, por la naturaleza eficiente de los mercados, es un ámbito especialmente difícil para su modelización, tal como refleja la literatura abundante del tema. (AQR. (2024) – Machine Learning: Why Finance Is Different). Actualmente, los avances se concentran en la automatización del proceso de búsqueda y recopilación de información, pero todavía no todos los modelos generan resultados fiables sin supervisión humana. En los siguientes apartados, mostraremos la implementación en una organización de servicios de inversión de esta nueva tecnología, con resultados muy prometedores.

Como bien muestra la lectura (Banco de España 2019 – Inteligencia artificial en los servicios financieros) las aplicaciones de la IA generativa en el sector financiero pueden ser infinitas, pero los primeros avances han sido focalizados en la eficiencia operativa y la optimización de tareas rutinarias. Esta evolución en los algoritmos se refleja en áreas como la gestión inteligente de datos o el procesamiento automatizado de transacciones.

Por otro lado, un tema clave que beneficia a las empresas es la incorporación de sistemas de personalización y los chatbots. Gracias a análisis autónomos de las tendencias de cada cliente, la IA puede ofrecer servicios de atención enfocados y adaptados a cada individuo. Tras evaluaciones automatizadas en tiempo real de tendencias y patrones de cada perfil, la entidad puede ofrecer un servicio de asesoramiento personalizado.

Por último, otro ámbito en el que destaca la aplicación de la IA es la gestión de riesgos. (McKinsey & Company 2024 – IA generativa para la gestión de riesgos en bancos). Sean riesgos de crédito, riesgos de mercado, suscripción y siniestralidad en seguros, cibernéticos, riesgos climáticos o posibles delitos financieros, la IA permite automatizar evaluaciones de riesgos, un paso más allá de los modelos de aprendizaje automático de la ciencia de datos tradicional. Además, en base a entrenar a los agentes, éstos acaban identificando automáticamente patrones asociados a movimientos sospechosos y pueden contribuir a reforzar la seguridad de las operaciones financieras, minimizando el impacto de posibles amenazas.

Las entidades financieras están aplicando herramientas de inteligencia artificial en toda la cadena de valor y para todo tipo de servicios.

Esquema 1. Ejemplos de uso de la Inteligencia Artificial

1.3. Las grandes tecnológicas como nuevos players en el sector financiero y en los servicios de inversión

Más allá de los bancos tradicionales, el sector financiero ha empezado a ver la entrada de nuevos competidores procedentes del ámbito digital. Apple, Google, Amazon… son ahora las grandes tecnológicas del sector. (Banco de España 2025 – Gigantes tecnológicos: big tech y su papel en el sector financiero). Las llamadas big tech se hicieron un sitio en el mundo financiero aprovechando su oligopolio de la actividad digital, con el objetivo de desarrollar más negocios y ofrecer más servicios al usuario. Empezando por los pagos electrónicos, se introdujeron en el mercado financiero de una forma ágil, rápida y estable. Poco a poco empezaron a abrir otros servicios como las concesiones de crédito o las operaciones con criptomonedas. En el ámbito de los servicios de inversión, la relevancia de las big tech no se limita a pagos o crédito: su capacidad de distribuir productos digitales a gran escala, personalizar servicios mediante datos y desplegar IA avanzada facilita la aparición de nuevas formas de inversión integradas en plataformas (por ejemplo, acceso simplificado a productos de inversión, herramientas de análisis y soporte automatizado al asesoramiento). En este sentido, su entrada acelera la digitalización del ciclo inversor (recopilación de información, análisis y generación de recomendaciones), que es precisamente el foco de este trabajo mediante sistemas multiagente basados en IA generativa.

A estas alturas, las grandes tecnológicas son o estadounidenses o chinas. Funciones tan conocidas como el ApplePay creado por Meta en 2022 o la integración de la función BNPL (Buy Now, Pay Later) por Amazon en 2021, son algunas de las iniciativas recientes de las big tech que han llegado para marcar un antes y un después en las aplicaciones de la tecnología en las finanzas. El potencial y crecimiento de estas empresas es extraordinario, además de su valor en bolsa muy por encima de cualquier principal grupo financiero.

Su éxito nace de la capacidad de innovar constantemente y adaptarse a las necesidades tanto del mercado como de los usuarios. Empresas como Microsoft o Google han sabido utilizar su infraestructura tecnológica, el inmenso volumen de datos e información que poseen y la confianza de sus clientes para expandirse hacia el sector financiero. El nacimiento de las big tech en el sector financiero supone un cambio estructural en la forma de entender las finanzas. Su enfoque centrado en el usuario, la personalización de servicios y la eficiencia operativa está estableciendo nuevos estándares que las instituciones financieras tradicionales tendrán que asimilar si quieren seguir siendo competitivas. Más que una moda pasajera, la entrada de las big tech es una señal clara de que el futuro del sector financiero será cada vez más digital, más integrado y, sobre todo, más influenciado por el ecosistema tecnológico. (BIS, 2019 – Annual Economic Report 2019)

En este contexto, también es fundamental mencionar a las compañías que lideran el desarrollo de inteligencia artificial generativa aplicada a los servicios financieros. Un ejemplo destacado es Anthropic, con su iniciativa Claude for Financial Services. Esta propuesta está diseñada específicamente para el sector financiero, ofreciendo soluciones basadas en modelos de lenguaje avanzados capaces de mejorar la atención al cliente, automatizar procesos de análisis de riesgo y reforzar la seguridad y la transparencia en las operaciones. Con esta iniciativa, Anthropic se suma al conjunto de empresas tecnológicas que están configurando una nueva etapa en la intersección entre la IA generativa y las finanzas. (Anthropic, 2025 – Claude for Financial Services)

En el presente estudio, analizamos los multiagentes de IA generativa que varias de estas compañías tecnológicas han estado desarrollando. El interés de estas empresas por el sector de los servicios de inversión es manifiesto. Podemos tomar como ejemplo reciente la adquisición por parte de OpenAI (participada por Microsoft) en una startup fintech de IA Generativa para el asesoramiento financiero (Engadget 2025 – OpenAI acquires an AI-powered personal investing app)

Gráfico 3. Capitalización bursátil (2024): Big Tech frente a Bancos Grandes (Big Banks)

1.4. Las grandes tecnológicas como nuevos players en el sector financiero y en los servicios de inversión

En un contexto donde los usuarios son sometidos a tanta innovación es necesario asegurar la confianza y seguridad en el uso de estas nuevas tecnologías y servicios. Por eso, tanto la IA como el propio sector financiero están controlados por un marco regulatorio que vela por la seguridad. Aparte de aportar beneficios, tiene unos riesgos que hay que tener muy presentes.

En primer lugar, la Unión Europea crea THE EU AI ACT, un reglamento concebido para garantizar que los ciudadanos europeos puedan confiar en los sistemas de IA. La regulación establece cuatro niveles de riesgo (inaceptable, alto riesgo, riesgo limitado y riesgo mínimo o nulo) e impone obligaciones diferentes según la categoría del sistema: por ejemplo, los sistemas de alto riesgo tendrán que cumplir con medidas estrictas de transparencia, fiabilidad, supervisión humana, calidad de datos, evaluación y mitigación del riesgo, y documentación detallada para garantizar la trazabilidad y la En paralelo, el sector financiero global y europeo se desarrolla dentro de un entorno altamente regulado. Específicamente, también dispone de un marco normativo consolidado para proteger a los inversores en el sector de los servicios de inversión. La normativa MiFID (Markets in Financial Instruments Directive), vigente desde 2007, establece obligaciones estrictas para las entidades financieras que ofrecen servicios como asesoramiento, gestión de carteras o comercialización de productos de inversión. El principal objetivo de la MiFID es garantizar que los clientes reciban información clara y adecuada, y entiendan los riesgos asociados a los servicios que contratan. Además, regula el comportamiento de las entidades para asegurar una actuación responsable. (CaixaBank – Información sobre MiFID)

En este contexto, la aplicación de sistemas de inteligencia artificial, especialmente en procesos de asesoramiento responsabilidad. También incluye prohibiciones por usos que la UE considera inaceptables, y dispone de períodos de implementación gradual para adaptar a los operadores y desarrolladores a las nuevas normativas. ( EU Artificial Intelligence Act Explorer)

automatizado, debe ser compatible con las exigencias de transparencia, idoneidad y protección al consumidor establecidas por la MiFID, que plantea nuevos retos reguladores que obligan a integrar los requerimientos del AI Act con los principios básicos de conducta financiera.

Por último, la nueva figura del Chief Data Protection Officer (CDPO) (TermsFeed. (2022, November 25). CDPO ) juega un papel esencial en este contexto, ya que debe garantizar que los algoritmos de IA utilizados operar bajo principios de transparencia, equidad y cumplimiento normativo. El CDPO lidera la implementación de políticas de gobernanza de datos, auditorías de modelos de IA y medidas de anonimización y seguridad. De esta manera, su función no solo protege a la organización frente a sanciones regulatorias, sino que también refuerza la confianza del consumidor y la credibilidad institucional en un entorno cada vez más digitalizado y automatizado.

2. Bases Tecnológicas

2.1. Sistemas Multiagentes: definición y aportación

Un agente de inteligencia artificial (IA) se refiere a un sistema o programa que es capaz de realizar tareas de forma autónoma en nombre de un usuario u otro sistema diseñando su flujo de trabajo y utilizando las herramientas disponibles. (IBM 2025 – ¿Qué son los agentes de IA? 2025) Es por esto, que un sistema de multiagentes es una red compuesta por varios módulos especializados que se coordinan entre sí para producir un resultado. Aunque cada agente utiliza diferentes herramientas, éstos operan de forma coordinada. Usando la inteligencia distribuida, llevan a cabo cuestiones imposibles de realizar por agentes individuales que, debido a no estar entrenados específicamente no tienen suficiente dato para ejecutar correctamente ciertas tareas. El diseño y la implementación de agentes de inteligencia artificial autónomos capaces de ejecutar secuencias de acciones y ajustar parámetros en entornos dinámicos es una disciplina de la ingeniería del software. Incluye desde los fundamentos de la IA generativa hasta arquitecturas avanzadas, incluyendo técnicas de planificación multipaso, integración de herramientas y colaboración entre múltiples agentes. Biswas, A., & Talukdar, W. (2025). Building Agentic AI Systems

En el ámbito financiero, la diversificación especializada de tareas elaborada por sistemas multiagente resulta especialmente valiosa, ya que cada dimensión del análisis — riesgo, fundamentales, contexto macroeconómico, sentimiento de mercado, etc. — exige un tratamiento diferenciado. Delegar cada una de estas tareas en agentes diseñados específicamente para resolverlas no solo mejora la precisión de los resultados, sino que reduce el coste computacional frente a soluciones basadas en un único modelo generalista que debe determinar por sí solo el enfoque más adecuado en cada situación.

Por otro lado, los sistemas multiagente también presentan desafíos que deben ser considerados. Los responsables de la tecnología deben garantizar la protección de datos de los usuarios y tener en cuenta que una dependencia excesiva de IA puede ocasionar vulnerabilidades para la entidad, si el sistema llegase a fallar. Asimismo, es fundamental gestionar posibles conflictos entre agentes: si diferentes agentes produjeran recomendaciones contradictorias, el sistema debe contar con mecanismos de resolución (por ejemplo, reglas de prioridad o la intervención de un agente supervisor que integre las conclusiones) para asegurar una respuesta final coherente.

Es necesario mirar hacia el futuro y preparar al sector para integrar de forma activa a los agentes de IA. Tanto la inversión en infraestructuras tecnológicas como la captación de personal especializado en el desarrollo de inteligencia artificial es esencial para que las entidades financieras estén preparadas.

2.2 Modelos de Lenjuaje (LLM): definición y aportación

Los grandes modelos de lenguaje (Large Language Models, LLM) constituyen una arquitectura computacional basada en técnicas de inteligencia artificial, diseñada y calibrada específicamente para llevar a cabo tareas de procesamiento de lenguaje natural, como la comprensión, generación y transformación de texto. En este sentido, los LLM no deben entenderse como un tipo de inteligencia artificial en sí mismos, sino como una forma avanzada de aplicar la IA al tratamiento del lenguaje humano. La mayoría de estos modelos de lenguaje a gran escala se basan en la arquitectura Transformer (Vaswani et al. 2017 -Attention is all you need), la cual emplea mecanismos de autoatención para manejar dependencias de largo alcance en secuencias de texto. Gracias a que pueden alcanzar decenas de miles de millones de parámetros entrenados con corpora masivos, estos modelos capturan matices semánticos complejos y almacenan un amplio conocimiento contextual. Estos modelos están revolucionando la forma de interactuar con la tecnología porque permiten una interacción fluida entre humanos y máquinas mediante el procesamiento estadístico del lenguaje. A diferencia de los sistemas multiagente, los LLM es un único modelo centralizado y limitado al contexto atribuido. (ESMA 2025 – LLMs in Finance: ILB ESMA Turing Report)

Las grandes empresas financieras están aprovechando estos modelos para extraer información valiosa de datos no-estructurados, como informes financieros, transcripciones de llamadas o publicaciones en redes sociales. Esta capacidad permite una comprensión más profunda del mercado, mejora la toma de decisiones y optimiza la gestión de riesgos. Además, los LLMs pueden analizar datos macroeconómicos y ayudar en la asignación de carteras, apoyando la mitigación de riesgos y estrategias de inversión más inteligentes. Estos avances democratizan el acceso a conocimientos financieros especializados dentro de las organizaciones, permitiendo que incluso los no expertos realicen consultas complejas y reciban respuestas contextualizadas. (Daloopa 2024 – Pros and Cons of Using LLMs for Financial Analysis: Opportunities and Risks)

En nuestro proyecto hemos probado distintos LLM para cada tarea específica, eligiendo aquel que ofrecía mejor rendimiento. Por ejemplo, utilizamos modelos de OpenAI (como GPT-4) para el análisis cuantitativo de datos financieros, Anthropic Claude Sonnet4 para la redacción de informes complejos, y Grok 4 (de xAI) para la recopilación y análisis de publicaciones en redes sociales. Esta aproximación multimodelo asegura que cada agente utilice la arquitectura de lenguaje más adecuada a su función.

Las instrucciones de los agentes (prompts) se han redactado mayoritariamente en inglés porque la mayoría de los grandes modelos de lenguaje están entrenados principalmente con datos en inglés y tienden a ofrecer respuestas más precisas cuando se les consulta en ese idioma. Diversas guías de ingeniería de prompts señalan que, aunque los modelos pueden procesar varios idiomas, el inglés suele ser el «idioma preferido» de los LLM debido a la mayor abundancia y diversidad de textos de entrenamiento en esa lengua, lo que mejora la calidad y consistencia de las respuestas generadas. (IBM 2025 What is Prompt Engineering?)

2.3 Datos financieros multimodales

La validez del uso de cada tipo de dato viene determinada por su naturaleza y el horizonte temporal que representa. Los datos estructurados — series de precios, estados financieros, indicadores macroeconómicos— son directamente computables y permiten calcular métricas comparables entre empresas y mercados. Los datos no estructurados — noticias, publicaciones en redes sociales, informes regulatorios— requieren un paso previo de transformación mediante modelos de lenguaje que los convierten en representaciones numéricas procesables. En ambos casos, la adecuación del dato al agente que lo consume no es casual: cada agente recibe exclusivamente los datos cuya estructura y frecuencia de actualización se ajustan a la dimensión del análisis que le corresponde. Por ejemplo, los datos de mercado intradía son pertinentes para el análisis técnico de corto plazo, mientras que los estados financieros trimestrales o anuales son la fuente apropiada para evaluar fundamentales. Esta correspondencia entre tipo de dato, frecuencia y objetivo analítico es lo que garantiza la coherencia del sistema en su conjunto. A continuación, describimos los tipos de datos que maneja cada agente (ver sección 5.2 para más detalles sobre su funcionamiento):

• Agente de riesgos. Analiza datos históricos de precios bursátiles y de índices de referencia. En concreto, calcula indicadores de drawdown (máximo, medio y actual) comparando la acción objetivo con el índice sectorial correspondiente. Estos cálculos cuantitativos se basan en series temporales de precios extraídas de bases de datos de mercado. Además, el agente considera indicadores fundamentales como el BPA (EPS) y el valor intrínseco estimado de la empresa. Este valor intrínseco se calcula mediante métodos de valoración fundamental externos (por ejemplo, un modelo de descuento de flujos de caja), proporcionando una referencia del valor teórico de la empresa que complementa el análisis de mercado.
• Agente financiero. Recopila datos contables oficiales mediante APIs especializadas. Obtiene el income statement, el balance sheet y el cash flow statement de la empresa objetivo. Estos son los tres estados financieros clave que resumen ingresos, gastos, activos, pasivos y flujos de efectivo a lo largo del tiempo.
• Agente social. Extrae datos de redes sociales (Twitter/X) relacionados con la empresa o acción analizada. Por medio de la API de Grok, se identifican los tuits más relevantes de la última semana que mencionan a la compañía. Estos mensajes (texto, metadatos de sentimiento o alcance) son procesados por un modelo LLM especializado (Claude Sonnet 4) que genera un informe de sentimiento agregado.
• Agente de noticias. Recopila artículos de prensa recientes que mencionan a la empresa objetivo usando APIs de noticias financieras. Inicialmente se obtiene un conjunto amplio de noticias, luego un filtro automático selecciona las más actuales y relevantes. Por ejemplo, se pueden filtrar por fecha de publicación y frecuencia de menciones.
• Agente macroeconómico. Obtiene indicadores macroeconómicos del país donde opera la empresa, para evaluar el riesgo país derivado. Mediante APIs o web scraping the datos económicos, previa verificación de que sus términos y condiciones permiten expresamente la extracción automatizada de datos. Dado que la finalidad de este estudio es de investigación, su uso queda amparado bajo dichas condiciones. Las métricas extraídas son las siguientes:
  • – PIB anual
  • – PIB per capita
  • – Deuda total
  • – Deuda sobre PIB
  • – Déficit
  • – Déficit sobre PIB
  • – Gasto público
  • – Gasto público sobre PIB
  • – Presión fiscal sobre PIB
  • – Tasa de desempleo
  • – SMI
  • – IPC General
  • – Tipos de interés
  • – Exportaciones
  • – Importaciones
  • – Balance comercial
• Agente de métricas técnicas. Se ocupa de indicadores técnicos del mercado según el horizonte temporal elegido (corto, medio o largo plazo). En la práctica, existe un sub -agente para cada timeframe, cada uno con un conjunto de indicadores técnicos adaptados:
  • – Diario:
  • VWAP
  • Volumen
  • MACD
  • EMA 9
  • EMA 21
  • RSI
  • – Semanal:
  • EMA 20
  • EMA 50
  • MACD
  • Momentum
  • RSI
  • – Mensual:
  • 200 EMA
  • MACD
  • RSI
  • Bandas de bollinger

  Estas señales técnicas permiten evaluar el momentum, la tendencia y la volatilidad del activo en cada horizonte temporal. De este modo, el agente técnico complementa el análisis fundamental aportando una perspectiva cuantitativa de corto, medio y largo plazo sobre posibles puntos de entrada o salida en el mercado.

• Agente SEC (Estados Unidos). En caso de que la empresa cotice en EE.UU., este agente accede a los informes regulatorios oficiales (SEC filings). Utiliza la API «Sonar» de Perplexity para extraer documentos como el 10 -K (informe anual), 10-Q (trimestral) y 8-K (evento relevante). Estos informes contienen información financiera detallada y eventos recientes exigidos por ley para empresas americanas. La incorporación de estos informes regulatorios oficiales garantiza que el análisis considere información actualizada y verificada directamente de la empresa. Esto añade una base documental sólida y de cumplimiento normativo al proceso de evaluación, reforzando la confianza en las conclusiones obtenidas.

Las fuentes de datos seleccionadas para los distintos agentes responden a los objetivos propios de un piloto experimental. En esta fase, se priorizaron aquellas fuentes que permitían un acceso rápido, sencillo y de bajo coste a la información necesaria, con el fin de validar la viabilidad conceptual y funcional del sistema multiagente. El propósito del piloto no era su despliegue en un entorno productivo, sino comprobar si la aproximación propuesta aportaba valor y sentido desde el punto de vista analítico. En un escenario de producción, las fuentes de datos podrían sustituirse o ampliarse por otras más robustas, especializadas o con mayores garantías de calidad y continuidad.

El uso de múltiples agentes especializados responde a la complejidad y naturaleza multimodal del análisis financiero. Cada agente ha sido diseñado para abordar una dimensión específica e independiente del proceso de evaluación (riesgo, fundamentales, métricas técnicas, contexto macroeconómico, noticias y sentimiento), permitiendo tratar de forma óptima distintos tipos de datos y fuentes de información.

Esta arquitectura multiagente facilita la paralelización de tareas, mejora la calidad y trazabilidad de los análisis parciales y permite una integración final más robusta y explicable. Asimismo, el enfoque modular incrementa la escalabilidad del sistema, posibilitando la incorporación futura de nuevos agentes sin alterar la arquitectura global. En conjunto, el número de agentes definidos permite una valoración holística y coherente del activo analizado, alineada con las buenas prácticas actuales en sistemas multiagente aplicados al ámbito financiero.

2.4 Plataforma de automatización de flujos de trabajo (n8n)

Para coordinar todos los agentes y servicios descritos, utilizamos n8n, una plataforma de automatización de flujos de trabajo (workflow) de código abierto. N8n permite encadenar tareas y conectar distintas APIs mediante una interfaz visual, combinando nodos de integración predefinidos con opciones para código personalizado. Cuenta con cientos de integraciones listas y capacidades nativas de IA, lo que facilita orquestar procesos complejos sin desarrollar infraestructura desde cero. Cabe destacar que, a diferencia de otras plataformas propietarias de automatización de flujos de trabajo (p. ej., Zapier o Microsoft Power Automate), n8n nos permite personalizar completamente la lógica e implantar el sistema onpremise. Esta libertad de configuración y despliegue resulta crucial en el sector financiero, donde se prioriza la confidencialidad y el control interno de los datos.

En nuestro caso, n8n se emplea como el «orquestador» del sistema multiagente: gestiona el flujo completo entre agentes. Por ejemplo, programa consultas periódicas a APIs de datos de mercado, envía los resultados al Agente de riesgos y al Agente financiero, luego recoge los informes generados por cada LLM y se los pasa al agente supervisor. Asimismo, coordina el agente social y de noticias (activándose cuando hay nuevo contenido relevante), y finalmente unifica todos los informes parciales en un documento final.

Al usar n8n, el sistema opera de manera automatizada y escalable: cada agente se invoca automáticamente según su programación o disparadores de datos «triggers», y sus outputs se encaminan de forma ordenada al siguiente proceso. Además, n8n ofrece mecanismos de monitorización y reintento automático en caso de fallos en alguna tarea, aportando robustez y trazabilidad al flujo de trabajo. Estas características incrementan la fiabilidad del sistema, algo esencial tratándose de procesos financieros críticos donde no se admiten errores ni pérdidas de datos.

De esta forma, n8n nos proporciona una solución robusta para automatizar el pipeline completo de análisis: desde la captura de datos financieros hasta la generación de los informes consolidados. Gracias a su licencia de código abierto y su flexibilidad (autoalojable o en la nube), mantenemos control total sobre los datos y la seguridad del flujo. Si bien en nuestro caso se empleó n8n como orquestador central, en la industria existen también otros frameworks especializados que se utilizan ampliamente para construir sistemas multiagente de IA generativa. Por ejemplo, librerías de código abierto como LangChain o LangGraph proporcionan entornos flexibles para la orquestación de agentes basados en LLMs, mientras que plataformas en la nube como Vertex AI Generative Studio ofrecen soluciones integradas para diseñar y desplegar flujos de IA generativa de forma gestionada. Asimismo, surgen marcos colaborativos multiagente (como el framework MAC de Multi -Agent Collaboration) orientados a coordinar múltiples agentes en tareas complejas. En la sección 4.2 se presenta una comparativa detallada de diez casos reales de sistemas multiagente, con énfasis en las diferencias en los frameworks empleados, los agentes involucrados y sus objetivos financieros.

3. Multiagentes e IA Generativa

3.1 Introducción multiagentes e IA generativa

Es necesario comprender que los sistemas multiagentes nacen mucho antes que la IA generativa con el objetivo de coordinar múltiples agentes autónomos. Cada agente suele tener una función, rol o perspectiva. lo que permite dividir problemas complejos en tareas más manejables. En la IA Generativa los multiagentes se aplican para mejorar la calidad, la eficiencia y la diversidad de los resultados generados. Por ejemplo, un agente puede encargarse de generar outputs y otro de contrastarlos con criterios predefinidos. Este esquema de generación verificación -corrección permite mitigar algunas limitaciones típicas de un único LLM, como las alucinaciones o los errores factuales. En efecto, un agente evaluador puede detectar inconsistencias o afirmaciones infundadas en el contenido generado por otro agente y retroalimentarlo con correcciones, elevando así la fiabilidad y precisión del resultado final. En el ámbito financiero, los usos de los diferentes agentes pueden ser infinitos, mediante su integración se pretende que el conjunto de ellos facilite y optimice la labor de los asesores.

4. Casos de multiagentes de IA Generativa en Inversiones

4.1 Ejemplos destacables del uso de multiagentes e IA generativa en banca e inversiones (GPTAdvisor, JP Morgan, BlackRock)

Son varias las empresas que destacan por haber desarrollado sistemas multiagentes en el sector financiero, y en los servicios de inversión en particular. Con agentes basados en la investigación y análisis de inversiones, JP Morgan y BlackRock destacan a nivel mundial por haber integrado de forma interna sistemas innovadores que les permiten optimizar la toma de decisiones, gestionar de una forma más eficiente, anticipar riesgos y ofrecer a sus clientes soluciones financieras personalizadas y con mayor valor añadido.

A nivel español, GPT Advisor (GPTAdvisor , s. f. – Página de la empresa) destaca por ser una empresa líder en el desarrollo tecnológico basado en IA Generativa para el wealth management. Fue fundada en 2023 por el valenciano Salvador Mas y se ha valorado como una innovación tecnológica destacable en el mundo de las finanzas. Ya ha empezado a ofrecer sus servicios a entidades como Andbank o Cecabank, donde se espera que su integración mejore el servicio de las bancas.

Su sistema multiagente desarrollado consta de un total de 45 agentes enfocados en obtener y estructurar información detallada sobre fondos de inversión que permite ganar rapidez en la atención y consulta de los clientes. Se busca que no solo optimize el trabajo del financiero, sino que gracias al uso de los Modelos de Lenguaje (LLM), facilite el entendimiento y comprensión del usuario.

El sistema está basado en información de FE FUNDINFO, una empresa de prestación de servicios de consultoría financiera que posee una larga base de datos útil y verificada.

A nivel mundial, JP Morgan (Gee-ky Gadgets 2025 – AI Investment Research Agent «Ask David» Built by JP Morgan) destaca por haber desarrollado un sistema con LangGraph como framework llamado «ASK D.A.V.I.D». Con el objetivo financiero de facilitar los procesos de investigación y recaptación de información, JP Morgan ha unido diferentes agentes para crear un sistema de uso interno. Entre los componentes clave del sistema se encuentra un agente de Structured Data encargado de consultar datos estructurados provenientes de bases de datos financieras o por ejemplo un agente de Analytics&Visualization que transforma datos en representaciones gráficas y visuales que facilitan la toma de decisiones.

Esquema 2. Estructura del sistema ASK D.A.V.I.D – JP Morgan

Otro sistema a destacar es el desarrollado por BlackRock llamado «AlphaAgents» (Zhao et al. 2025 – AlphaAgents: Large Language Model based Multi-Agents for Equity Portfolio Constructions). Mediante modelos de lenguaje avanzados, el sistema enlaza tres agentes básicos pero indispensables: Fundamental Agent, Sentiment Agent y Valuation Agent. El primero se encarga de analizar informes y tendencias mientras que el segundo examina noticias y valoraciones internas. Por último el tercer agente estudia precios, volúmenes y rendimientos para valorar si las acciones están sobrevaloradas o infravaloradas.

AlphaAgents ha sido creado con LangChain y GPT-4 como framework y LLM. Por el momento, está planificado que su función esté restringida a un uso interno basado en la investigación y facilitación de creación de informes financieros.

Como estos, hay varias entidades que ya están desarrollando sus propios sistemas cada uno con sus especialidades y objetivos concretos. En los siguientes apartados mostraremos la implementación práctica en varios casos, así como profundizaremos en los detalles en el prototipo propio de nuestro estudio.

4.2 Comparación 8 casos

La adopción de sistemas multiagente por parte de las empresas no deja de crecer. Cada organización los implementa con distintos objetivos, enfoques y niveles de capacidad, siempre adaptados a los usos que planean darles en el futuro.

En esta tabla comparamos ocho ejemplos de sistemas ya implementados en distintas empresas alrededor del mundo, financieras o grandes tecnológicas que entran en el sector, atendiendo a siete grandes criterios distintos que permiten observar las diferentes cualidades de cada multiagente, desde los objetivos de negocio a la arquitectura técnica.

Tabla 1. Comparativa de sistemas multiagentes

5. Aplicación e Implementación Práctica MoraBanc

5.1 Construcción

La implementación del Asesor Financiero IA de MoraBanc se realizó mediante la plataforma de automatización n8n, que actúa como orquestador central del flujo de trabajo. En n8n se diseñó un workflow modular que coordina múltiples agentes de IA especializados, integra diversas fuentes de datos externas y gestiona la lógica condicional de la aplicación. Gracias a este enfoque, fue posible automatizar de extremo a extremo la interacción entre los componentes del sistema – desde la solicitud del usuario en Telegram, hasta la recopilación y análisis de datos por cada agente, y finalmente la generación de un informe consolidado con recomendaciones.

Figura 1. Flujo general del asesor financiero IA implementado en n8n

Orquestación de agentes y fuentes de datos: En el flujo n8n, cada agente especializado se implementó como un conjunto de nodos dedicados a obtener datos de fuentes específicas y a invocar modelos de IA para procesarlos. En total se definieron siete agentes (seis principales más uno opcional), cada uno enfocado en una perspectiva de análisis distinta y conectado a sus respectivas fuentes de información y modelos AI. Los detalles de dichos agentes se pueden ver en la sección 5.2.

Todos estos agentes operan de forma paralela dentro del flujo de n8n. Una vez el usuario provee los datos de entrada (p. ej. la empresa objetivo y el tipo de análisis deseado), la plataforma dispara simultáneamente las ramas de trabajo de cada agente. Esto maximiza la eficiencia temporal del sistema, permitiendo que, por ejemplo, mientras se extraen datos financieros también se están analizando noticias, calculando métricas técnicas y consultando redes sociales. Cada agente utiliza nodos HTTP para acceder a las APIs externas correspondientes (Yahoo, Google, NewsAPI, Twitter/X, etc.), seguidos de nodos de procesamiento IA (como OpenAI Chat o Anthropic Claude) para generar sus informes textuales a partir de los datos obtenidos. Adicionalmente, se emplean nodos funcionales de n8n (como funciones JavaScript, merges y switches lógicos) para transformar datos (p. ej., filtrando noticias o calculando el índice de referencia adecuado) y encaminar el flujo según las condiciones definidas (por ejemplo, selección de horizonte temporal o disponibilidad del agente SEC).

Flujo desde Telegram hasta el informe final: El punto de entrada del sistema es un bot de Telegram conectado al flujo de n8n. Un nodo disparador (Telegram Trigger) escucha mensajes o comandos del usuario en el chat de Telegram. Cuando el cliente solicita un análisis (por ejemplo, mediante un comando específico o al iniciar la conversación), el bot responde automáticamente con un formulario interactivo para recoger la información necesaria. Este formulario (implementado con nodos tipo Form en n8n) solicita al usuario los parámetros clave: típicamente el nombre o tícker de la acción a analizar, el horizonte temporal deseado (corto/medio/largo plazo) y el tipo de reporte esperado (un informe general de información o una recomendación de inversión concreta). Una vez el usuario completa y envía el formulario, un nodo «On form submission» en n8n activa el flujo principal de generación del informe con las respuestas proporcionadas.

A partir de allí, el orquestador n8n gestiona la ejecución condicionada de los agentes correspondientes. Por ejemplo, según el horizonte temporal indicado, el flujo activa solo el subagente técnico pertinente y descarta los demás (utilizando nodos condicionales IF/Switch para bifurcar las rutas. Del mismo modo, si la empresa consultada cotiza fuera de EE. UU., el flujo omite el agente SEC y continúa sin esa rama. Durante la ejecución, n8n garantiza que cada rama agente funcione de forma aislada y concurrente; cualquier error o retraso en una fuente de datos no detiene el resto del proceso gracias a esta arquitectura desacoplada.

Con todos los agentes ejecutándose en paralelo, el orquestador espera a que cada uno produzca su informe parcial. En el workflow de n8n esto se implementa utilizando nodos Merge que sincronizan las ramas paralelas una vez completadas. En particular, un nodo de fusión de tipo «combine by position» reúne las salidas de los siete agentes en un solo objeto JSON agregando cada informe bajo una clave distinta (riesgo, financiero, social, etc.). Este nodo final de merge garantiza que las entradas al siguiente paso (el agente final) estén alineadas y disponibles simultáneamente.

Agregación de resultados y agente final: El nodo final del flujo corresponde al agente sintetizador, denominado «Final agent» en la arquitectura. Este agente final es en esencia otra llamada a un modelo de lenguaje avanzado (GPT-4 de OpenAI en nuestro prototipo), cuyo propósito es integrar todas las perspectivas generadas por los agentes previos y producir una recomendación agregada y coherente.

Figura 2. Configuración del orchestrator

Para conseguirlo, se definió un prompt extenso y estructurado que se pasa al modelo junto con los informes parciales como contexto. En dicho prompt (configurado como mensaje del sistema), se instruye al modelo para que actúe como un «agente financiero decisor» de alto nivel, combinando la investigación de todos los subagentes en una guía de inversión unificada. Este mensaje del sistema también adapta la tarea del modelo final según el tipo de reporte solicitado por el usuario: si el usuario pidió solo un informe informativo, el agente final debe elaborar una síntesis analítica detallada sin recomendación explícita; en cambio, si el usuario solicitó una señal de inversión, el agente final debe emitir una recomendación concreta (COMPRAR, MANTENER, VENDER o EVITAR) acompañada de justificaciones estructuradas. Estas instrucciones condicionales fueron incorporadas al prompt para asegurar que el output se ajuste exactamente a las expectativas del caso de uso.

El prompt o instrucciones utilizado para el Orchestrator se puede ver en el Anexo A.

Un aspecto crítico del diseño del prompt del agente final es la ponderación objetiva de las fuentes de información. En el propio texto de instrucciones se incluyó un apartado denominado «Analysis Framework» donde se asignan pesos porcentuales a cada informe de entrada, reflejando su relevancia relativa en la decisión final. Por ejemplo, al informe financiero (fundamentales de la empresa) se le otorga un peso del 25%, al de métricas técnicas un 20%, y a los informes de noticias de la empresa un 15%, mientras que las demás perspectivas – riesgos de mercado, contexto macroeconómico, sentimiento social y reportes SEC – se ponderan en torno al 10% cada una. Estas ponderaciones, definidas a priori por los expertos del proyecto, sirven como criterio objetivo para que el agente final no pase por alto ningún aspecto importante: guían al modelo a dar mayor énfasis a los fundamentos y señales cuantitativas, sin dejar de incorporar consideraciones de riesgo, entorno y sentimiento. De este modo, el agente sintetizador agrega las salidas de cada sub-informe ponderándolas según su relevancia en el resultado final y en proporción a su importancia. Así, dependiendo del estado del mercado, criterio del analista, preferencia personal, etc. se pueden cambiar las ponderaciones a conveniencia.

Los porcentajes de ponderación asignados a cada agente se introdujeron con el objetivo de dotar al sistema de flexibilidad y permitir ajustar la relevancia relativa de cada dimensión del análisis en la fase de agregación de resultados. Dichas ponderaciones no derivan de un análisis cuantitativo previo de impacto, sino que se establecieron como un mecanismo configurable propio de una prueba de concepto. El objetivo del piloto no era evaluar la sensibilidad del sistema a distintas ponderaciones, sino validar la viabilidad del enfoque multiagente; un estudio sistemático del impacto de estas ponderaciones quedaría reservado para fases posteriores de evolución del sistema.

Además de las indicaciones de peso, el prompt final enfatiza buenas prácticas analíticas (ser objetivo y decidido, evitar información no verificada, referenciar datos clave de los informes de entrada, considerar tanto riesgos bajistas como potencial alcista, etc.), para que la respuesta generada imite el estilo de un asesor profesional confiable. El contenido completo de los informes parciales se incorpora justo después de estas instrucciones dentro del mensaje al modelo. En nuestro flujo, esto se logró pasando al nodo de OpenAI un string construido dinámicamente que lista cada sub-informe precedido por su etiqueta (Riesgos, Finanzas, Métricas, etc.), usando las salidas del nodo Merge antes mencionado. De esta forma, el modelo GPT -4 recibe en un solo prompt estructurado toda la información ya procesada por los agentes, junto con la guía sobre cómo interpretarla de manera equilibrada.

Finalmente, el informe agregado resultante – ya sea un análisis extensivo o una recomendación de inversión puntual – es devuelto al usuario a través de Telegram. Para mejorar la presentación, el flujo de n8n formatea la respuesta del modelo: por ejemplo, si es un reporte extenso, puede convertirlo en un documento PDF o en un mensaje dividido en secciones (usando nodos de formato y conversión de archivo) antes de enviarlo. Un nodo Send Message o Send Document del bot entrega el resultado directamente al chat del cliente, completando así el ciclo de forma totalmente automatizada. El usuario recibe, en cuestión de minutos, un informe consolidado que combina todas las perspectivas de análisis en un formato único, gracias a la coordinación transparente de n8n entre múltiples servicios y agentes de IA.

Arquitectura modular, despliegue y tolerancia a fallos:

La solución construida con n8n destaca por su arquitectura modular y escalable. Cada agente especializado corresponde a un bloque independiente del flujo, lo que facilita el mantenimiento y futuras ampliaciones: por ejemplo, es posible actualizar la lógica de un agente (o integrar uno nuevo, como un agente ESG para criterios sostenibles) sin modificar sustancialmente el resto del sistema. Del mismo modo, la plataforma n8n permite un despliegue automatizado del flujo de trabajo; el diseño completo se exporta como un archivo de configuración (JSON) que puede versionarse y desplegarse en distintos entornos (desarrollo, producción) de forma ágil. En la práctica, el flujo del asesor IA de MoraBanc se puede ejecutar en un servidor o contenedor Docker de n8n, iniciándose automáticamente con cada solicitud de Telegram y escalando su ejecución según la demanda (gracias a la naturaleza asíncrona de las ramas de agentes, múltiples instancias podrían correr en paralelo si fuese necesario atender a varios usuarios simultáneamente).

Por último, se han incorporado consideraciones de robustez y recuperación ante errores. La plataforma n8n ofrece nodos específicos para manejo de errores y condiciones de fallo; en nuestra implementación se incluyeron nodos de verificación y rutas de excepción para gestionar eventuales problemas en tiempo de ejecución. Por ejemplo, si una fuente de datos externa no responde o retorna un error, el flujo activa un fallback que omite ese agente y notifica internamente la incidencia (evitando que todo el proceso falle). Del mismo modo, se establecieron tiempos de espera razonables en las llamadas a APIs y modelos para impedir bloqueos prolongados. Gracias a estas medidas, el sistema tiene tolerancia a fallos: un error aislado en un componente (por ej., imposibilidad de obtener cierto dato de mercado en ese momento) no compromete la generación del informe final, sino que el agente final procede con la información disponible, indicando si es necesario la ausencia de algún apartado. Esta capacidad de recuperación, junto con la trazabilidad que brinda n8n (log de cada ejecución y resultados intermedios), aporta la confiabilidad necesaria para un entorno real de asesoramiento financiero. En resumen, la plataforma n8n ha permitido construir de manera eficiente un sistema multiagente integrado, modular y robusto, alineado con las necesidades operativas y de seguridad de MoraBanc en su apuesta por la IA generativa en servicios financieros.

5.2 Multiagentes Utilizados

La arquitectura multiagente se diseña bajo un criterio de descomposición funcional del proceso de inversión. Cada agente representa un módulo especializado que reduce complejidad, limita el espacio de cálculo y mejora la trazabilidad del resultado final. La estructura no responde a una división arbitraria, sino a la segmentación real del análisis financiero profesional (macro, riesgo, técnico, etc.). El stock advisor está compuesto por 6 agentes.

Agente de riesgos:

El objetivo de este agente es:

1. 1. Analizar los drawdowns (retrocesos) en el precio de la acción en cuestión comparando estos con los de un índice del que formen parte (ejemplo: NVIDIA con NASDAQ).
      Se calcula parte por parte:
      • Drawdown máximo (ver temporalidades dentro del código)
      • Drawdown medio
      • Drawdown actual

      Después, un nodo de OpenAI analiza los datos individualmente (acción e índice).
      Finalmente, un último agente analiza los dos informes para extraer conclusiones.

   2. Un segundo agente de OpenAI analiza:
      • EPS
      • Valor intrínseco (calculado con datos externos, ver código)
   3. El último paso es reagrupar los dos informes finales y realizar un análisis de riesgos general. Gracias a la multitud de informes generados, la decisión del agente converge más fácilmente.

Figura 3. Configuración del agente financiero

Agente financiero:

• Gracias a una API extraemos datos de la empresa en
  cuestión:
  • • Income statement
    • Balance sheet
    • Cash flow
• Con esta información, un agente de OpenAI realiza un
  informe financiero.

Figura 4. Configuración del agente social

Agente de noticias:

Una API nos proporciona una gran cantidad de noticias en las cuales aparece el nombre de la acción/empresa. En segundo lugar, un código filtra las noticias para considerar solo las más recientes.

Esto permite un análisis más rápido y pertinente. Un agente de Anthropic realiza un informe sobre la actualidad de la empresa.

Figura 5. Configuración del agente de noticias

Agente macroeconómico Para evaluar si una inversión en un determinado país conlleva un nivel de riesgo elevado, el agente de riesgo país analiza la situación macroeconómica del territorio en el que opera la empresa.

Para ello, se recurre a técnicas de web scraping sobre fuentes públicas de datos económicos —previa verificación de sus términos y condiciones— , extrayendo métricas relevantes como el PIB per cápita, la deuda per cápita, entre otros indicadores.

Figura 6. Configuración del agente macroeconómico

Agente de métricas:

Este agente se divide en 3 subagentes. Cuando se ejecuta el programa, solo funciona uno de ellos. La selección dependerá del timeframe escogido por el usuario: (corto, medio o largo plazo).

El funcionamiento de cada subagente es el mismo para los tres. La diferencia reside en los indicadores utilizados. Cada timeframe emplea indicadores distintos, que se adaptan mejor a cada caso de estudio.

1. Una API nos proporciona una captura de pantalla de TradingView en la cual aparecen los indicadores correspondientes al timeframe.
2. Esta imagen es procesada por un analizador de imágenes de OpenAI que extrae los datos y transforma la imagen en números, sin extraer conclusiones.
3. Estos datos se envían al intérprete, que genera una conclusión basada en los indicadores.

Figura 7. Configuración del agente de métricas

Agente SEC:

El último agente, y el más complementario. La IA Perplexity, con su API «Sonar», tiene acceso a los datos de la SEC. Gracias a ello podemos extraer informes como el 10 -K (annual report), 10-Q (quarterly report), 8-K (current report). Este agente solo funciona en el caso de que la acción/empresa esté localizada en Estados Unidos.

Figura 8. Configuración del agente SEC

Dado el alcance temporal y de recursos del piloto, en esta primera versión no se ha profundizado extensamente en definir una estructura de prompting óptima para cada agente. El objetivo principal fue validar la viabilidad funcional del sistema multiagente, más que optimizar cada prompt de manera exhaustiva. En iteraciones futuras, se recomienda adoptar una estructura típica de ingeniería de prompts —que incluye claridad de rol, contexto, tareas y ejemplos en la consulta— siguiendo prácticas reconocidas de prompt engineering, con el fin de mejorar la precisión, coherencia y fiabilidad de los outputs generados por los modelos. Este enfoque estructurado de diseño de prompts ha sido señalado como una práctica esencial para guiar el comportamiento de modelos de lenguaje hacia respuestas más relevantes y consistentes. (IBM 2025 – The 2025 Guide to Prompt Engineering)

5.3 Resultados del piloto

Capacidades observadas

En el piloto, el sistema multiagente demostró la capacidad de elaborar informes integrales de asesoramiento financiero para empresas cotizadas. Mediante la coordinación de agentes especializados (financiero, de métricas técnicas, de noticias, de sentimiento social, de riesgos, macroeconómico, etc.) junto con un agente final integrador, se generaron análisis estructurados que abarcan múltiples facetas de cada empresa. En ambos casos se observó que el sistema pudo sintetizar datos financieros clave (crecimiento de ingresos, márgenes, flujo de caja) y evaluar indicadores técnicos de mercado (p. ej., medias móviles de largo plazo, RSI y bandas de Bollinger) para determinar la tendencia del precio (ver Anexo D). Simultáneamente, incorporó el contexto macroeconómico e industrial vigente (ciclo económico, inflación, tipo de interés, posición sectorial) para situar las perspectivas de la empresa dentro del entorno global (ver Anexo D). Destaca especialmente que el sistema integró análisis de noticias recientes y del sentimiento de inversores en redes sociales, detectando un tono marcadamente optimista en las comunidades financieras en torno a estas empresas (ver Anexo D). Todo ello fue consolidado por el agente final en un informe unificado, incluyendo un resumen ejecutivo y apartados ponderados por relevancia (riesgos, fundamentos financieros, métricas de mercado, entorno macro, catalizadores estratégicos, entre otros). Esto evidencia la capacidad del sistema para agregar información heterogénea y producir un diagnóstico holístico de la situación de la empresa, emulando el trabajo conjunto de analistas de distintas especialidades.

Fortalezas del sistema

Los resultados del piloto resaltan varias fortalezas del enfoque propuesto. En primer lugar, la cobertura integral de dimensiones de análisis – desde métricas financieras hasta factores intangibles como el sentimiento del mercado – proporciona una visión 360° del activo analizado. Cada agente especializado aportó profundidad en su dominio (por ejemplo, detallando indicadores técnicos o desglosando balances), mientras que la fase de integración logró articular estas piezas en un discurso coherente. Como muestran los informes completos, se identifica con acierto tanto palancas de valor y oportunidades (p. ej., mejoras de márgenes, liquidez robusta, diversificación de ingresos) como factores de riesgo y cautela (valuaciones bursátiles elevadas, señales técnicas de sobrecompra, etc.) para ambas empresas analizadas (ver Anexos B y C). El sistema demostró habilidad para priorizar la información relevante: por ejemplo, destacó los excepcionales crecimientos de ingresos y márgenes de NVIDIA, a la vez que subrayó su balance sólido a modo de «fortaleza» (ver Anexo B), mientras que para TESLA enfatizó su expansión secuencial y diversificación estratégica en energía (ver Anexo C). Asimismo, la arquitectura multiagente aportó especialización con eficiencia –automatizando tareas de recopilación y análisis que normalmente requerirían equipos de analistas– sin sacrificar la calidad del análisis. La presentación estructurada con secciones ponderadas facilitó la lectura enfocada en las áreas de mayor impacto. En conjunto, el piloto confirmó que el sistema puede generar informes bien fundamentados y contextualmente enriquecidos, equiparables en alcance al análisis humano multidisciplinar, con la ventaja de una velocidad y consistencia propias de los modelos LLM.

Limitaciones identificadas

A pesar de las capacidades anteriores, el piloto reveló ciertas limitaciones importantes. La más notable fue la incompletitud de algunos datos en los informes generados por agentes especializados, lo que restringió partes del análisis. Por ejemplo, el agente de riesgos no logró obtener métricas históricas de drawdown (caídas máximas y promedio) ni cierta información de ganancias por acción, dificultando la evaluación rigurosa del riesgo de caída y la volatilidad de las acciones (ver Anexo D). Este vacío de datos obligó al sistema integrador a resaltar la falta de transparencia en el perfil de riesgo y a advertir que no se podía calibrar adecuadamente la protección frente a pérdidas extremas. De modo similar, se encontraron desconexiones puntuales en el contexto de algunas métricas: por ejemplo, se citó un «valor intrínseco» estimado para una acción sin relacionarlo con el precio de mercado vigente, impidiendo juzgar el margen de seguridad (ver Anexo C). Estas omisiones ponen de relieve la necesidad de mejorar la calidad y exhaustividad de las fuentes de datos que alimentan a cada agente.

Asimismo, la ausencia de un bucle de retroalimentación (backtracking) en la arquitectura actual implicó que el agente final integrador no pudiera corregir o recabar información adicional sobre la marcha; cualquier fallo u omisión de un sub -agente se propagó al informe final sin rectificación en tiempo real. Esto se evidenció en que el propio informe consolidado tuvo que sugerir obtener posteriormente ciertos datos faltantes para completar el análisis (ver Anexo C). Por otro lado, aunque la heterogeneidad de estilos de cada agente se mitigó en gran medida al unificar el informe, aún se puede mejorar la cohesión narrativa entre secciones para que la transición entre, por ejemplo, análisis técnico y macroeconómico sea más fluida. Finalmente, aspectos como el análisis de sentimiento social, si bien aportan valor, presentan el desafío de filtrar posible sesgo o ruido informativo; en el piloto, el sistema reflejó el fuerte optimismo de las redes, pero es necesario asegurar que tales señales se ponderen adecuadamente para no sobredimensionar tendencias pasajeras. Por ello se puede hacer uso del sistema de ponderación explicado en la sección 5.3. Estas limitaciones señalan áreas de mejora para robustecer el sistema antes de su implementación en entornos productivos reales.

En esta primera iteración, la evaluación del sistema se ha centrado en validar la viabilidad funcional de una arquitectura multiagente aplicada al análisis de inversiones, más que en cuantificar su rendimiento con métricas objetivas. Por ello, no se han recopilado de forma sistemática indicadores para medir la calidad del diseño y de la ejecución, tales como el tiempo de respuesta end -to -end por informe, la tasa de éxito/errores de llamadas a APIs y modelos, el coste por ejecución, o métricas de calidad del output (precisión factual, completitud y consistencia entre agentes). En futuras versiones del piloto se definirá un marco de evaluación con KPIs y casos de referencia, así como validación con analistas, para poder medir de forma comparable la mejora del sistema antes de considerar un despliegue en producción.

Lecciones y próximos pasos

Del piloto se desprenden aprendizajes clave que guiarán iteraciones futuras del sistema. En primer lugar, se confirmó la viabilidad del enfoque multiagente para generar análisis financieros enriquecidos; la colaboración de agentes especializados con un agente integrador produjo informes comprensivos, por lo que se continuará apoyándose en esta arquitectura. No obstante, resulta prioritario mejorar la integración de datos críticos en ciertos módulos, especialmente en el análisis de riesgos. Es necesario conectar fuentes de datos adicionales o más robustas para subsanar las ausencias detectadas (p. ej., incorporar históricos de volatilidad y drawdowns completos) y así dotar de mayor fundamento cuantitativo a los diferentes agentes. En paralelo, se plantea introducir mecanismos de retroalimentación en la orquestación de agentes: el agente final podría solicitar iterativamente aclaraciones o información extra a los agentes de base cuando detecte incoherencias o lagunas (por ejemplo, al identificar un valor intrínseco sin referencia comparativa, el sistema podría consultar automáticamente el precio de mercado). Esto convertiría el proceso en más robusto y reduciría la dependencia de la intervención manual para complementar el análisis. Otra lección importante es la necesidad de mantener una coherencia estilística y narrativa en el informe consolidado; si bien el contenido fue sólido, afinar el tono y eliminar redundancias entre secciones aumentará la claridad de la presentación.

Como próximos pasos, se propone extender las pruebas a más empresas de distintos sectores para validar la generalización del sistema y ajustar los agentes a dinámicas sectoriales diferentes. También se evaluará la incorporación de nuevos agentes especializados (por ejemplo, un agente de factores ESG o de análisis competitivo) para ampliar el abanico de información considerada. Finalmente, de cara a la adopción real en el banco, se planifica una fase de validación con expertos humanos, contrastando las recomendaciones de la IA con el criterio de los analistas de MoraBanc, de modo de calibrar el sistema, asegurar su confiabilidad y definir protocolos de supervisión adecuados.

En suma, el piloto proporcionó valiosas evidencias tanto de las fortalezas del sistema (cobertura amplia, rapidez, consistencia) como de los aspectos a optimizar, marcando una hoja de ruta clara para evolucionar el asesor financiero basado en IA hacia un nivel de madurez mayor y una eventual implantación exitosa en el entorno operativo.

6. Conclusiones y visión de futuro

La proyección del futuro de la Inteligencia Artificial ha pasado de ser incierta a mostrarse con claridad. Ya no nos preguntamos cómo avanzará la tecnología, sino qué debemos hacer para estar preparados ante su inminente integración.

Es previsible que la IA automatice muchas de las tareas actualmente realizadas por humanos. Por ello, resulta imprescindible reorganizar las estructuras de las entidades para alcanzar un equilibrio entre las tareas automatizadas por la IA y aquellas que seguirán requiriendo del razonamiento, la empatía y la creatividad humana.

Detrás de esta transformación existe un componente fundamental de reskilling —la actualización y readaptación de las competencias profesionales— que las organizaciones deben adoptar con urgencia. Las entidades financieras, en particular, deben identificar con precisión qué funciones pueden optimizarse mediante la IA y cuáles necesitan seguir siendo gestionadas por las personas para garantizar un servicio ético, confiable y de alto valor añadido.

El futuro de la IA no solo implica innovación tecnológica, sino también una transformación cultural y organizativa. Aquellas instituciones que sepan combinar el poder de la automatización con el talento humano serán las que lideren la próxima era digital.

Desde una perspectiva más técnica, es importante destacar que los modelos de lenguaje de gran tamaño (LLM) han demostrado ser herramientas esenciales en el desarrollo de sistemas multiagente dentro del sector financiero. Gracias a estos modelos, se ha logrado analizar información no estructurada, personalizar procesos con eficacia, desarrollar actividades desde la eficiencia y abrir nuevas vías de acceso a datos y conocimiento que impulsan la toma de decisiones estratégicas.

A partir de los resultados del piloto, se comprobó que el uso de múltiples agentes colaborativos es una estrategia eficaz para generar evaluaciones financieras detalladas, aunque se identificó la necesidad de reforzar la incorporación de datos clave, especialmente en la evaluación de riesgos. Para ello, será importante integrar nuevas fuentes de información y mecanismos que permitan a los agentes intercambiar consultas y validar resultados automáticamente, reduciendo así la intervención humana. También se destacó la importancia de unificar el estilo y la estructura de los informes para mejorar su claridad. En la siguiente etapa, se ampliarán las pruebas a empresas de distintos sectores y se sumarán agentes con especializaciones adicionales, como sostenibilidad o competencia. Tal y como se expone en el apartado 5.3, el piloto también puso de manifiesto limitaciones relevantes que condicionan el alcance de los resultados: la incompletitud de algunos datos obtenidos por ciertos agentes (especialmente en el módulo de riesgos), la dependencia de la calidad y robustez de las fuentes externas y la ausencia de mecanismos de retroalimentación que permitan al agente integrador solicitar aclaraciones o información adicional ante lagunas o incoherencias. Asimismo, aunque la unificación final mitiga diferencias de estilo, todavía existe margen para mejorar la cohesión narrativa entre secciones. Estas limitaciones refuerzan la necesidad de evolucionar el sistema antes de un despliegue productivo, priorizando fuentes más exhaustivas, validación automática y bucles de corrección.

Finalmente, se prevé una validación conjunta con analistas de MoraBanc, con el fin de ajustar el modelo, garantizar su precisión y establecer protocolos de supervisión adecuados. En conjunto, estos aprendizajes delinean una ruta sólida para mejorar la calidad y personalización escalable de los servicios de asesoramiento financiero e inversiones, con el soporte imprescindible de la inteligencia artificial.

7. Bibliografía

• Amazon Web Services (AWS) (2024). ¿Qué es un LLM? Explicación de los modelos de lenguaje grandes. AWS. https://aws.amazon.com/es/what-is/large-language-model/
• Anthropic, 2025 – Claude for Financial Services https://www.anthropic.com/news/claude-for-financialservices
• AQR. (2024). Machine Learning: Why Finance Is Different. Recuperado de https://www.aqr.com/Learning-Center/MachineLearning/Machine-Learning-Why-Finance-Is-Different
• Banco de España (2025). Gigantes tecnológicos – Big Tech -y su papel en el sector financiero. Banco de España. https://www.bde.es/wbe/es/noticias-eventos/blog/gigantestecnologicos-big-tech-en-el-sector-financiero-.html
• Banco de España (2019). Inteligencia artificial en los servicios financieros. Boletín Económico, Artículos Analíticos. https://www.bde.es/wbe/es/publicaciones/publicacionesdiscontinuadas/articulos -analiticos/inteligencia-artificialservicios -financieros.html
• BIS, 2019. Annual Economic Report. https://www.bis.org/publ/arpdf/ar2019e.pdf
• Biswas, A., & Talukdar, W. (2025). Building Agentic AI Systems https://www.amazon.com/dp/1803238755?ref=cm_sw_r_ff obk_cp_ud_dp_0B0QBDCQYY1KD0Y2TR1C&ref_=cm_s w_r_ffobk_cp_ud_dp_0B0QBDCQYY1KD0Y2TR1C&socia l_share=cm_sw_r_ffobk_cp_ud_dp_0B0QBDCQYY1KD0Y 2TR1C&bestFormat=true
• CaixaBank (s. f.). MiFID (Markets in Financial Instruments Directive) e información para inversores. CaixaBank. https://www.caixabank.es/particular/inversion/mifid.html#:~: text=La%20MIFID%20(Markets%20in%20Financial,a%20s us%20clientes%20o%20potenciales
• Cinco Días (2025). Alphabet, la matriz de Google, alcanza los tres billones de dólares de valor en Bolsa. Cinco Días. https://cincodias.elpais.com/mercados-financieros/202509 -15/alphabet-la-matriz-de-google-alcanza-los-tresbillones -de -dolares -de -valor -en-bolsa.html
• CMSPrime (2025). AI Revolution 2025: Trends, Market Impact, and Key Stocks. CMSPrime Blog. https://cmsprime.com/blog/ai-revolution-2025-trendsmarket -stocks
• CNMV 2025 – Guía rápida Fintech https://www.cnmv.es/DocPortal/Publicaciones/Fichas/GR0 3_Fintech.pdf
• CompaniesMarketCap (s. f.). Nvidia: market cap. CompaniesMarketCap. https://companiesmarketcap.com/nvidia/marketcap
• Daloopa 2024 – Pros and Cons of Using LLMs for Financial Analysis: Opportunities and Risks) https://daloopa.com/blog/analyst-best-practices/pros-andcons-offusing-llms-for-financial-analysis
• Datisa / fuente adaptada (s. f.). Beneficios y riesgos de la aplicación de la IA en el sector financiero. https://datisa.es/beneficios-y-riesgos-de-la-aplicacion-dela -ia -en-el -sector -financiero/
• Digual (s. f.). La revolució de l’economia digital i l’ètica social. Oikonomics, Universitat Oberta de Catalunya. https://oikonomics.uoc.edu/divulgacio/oikonomics/ca/nume ro10/dossier/digual.html
• Dixon, M., Halperin, I., & Bilokon, P. (2020). Machine Learning in Finance: From Theory to Practice. Springer. https://2024.scihub.ru/8212/d39aae7120e0c90bbc4a421a5 be068ab/10.1007@978-3-030-41068-1.pdf
• Engadget (2025) – OpenAI acquires an AI-powered personal investing app) https://www.engadget.com/ai/openai-acquires-an-aipowered-personal-investing-app-192339271.html
• ESMA, ILB & The Alan Turing Institute (2025). Leveraging Large Language Models in Finance: Pathways to Responsible Adoption. ESMA. https://www.esma.europa.eu/sites/default/files/202506/LLMs_in_finance_-_ILB_ESMA_Turing_Report.pdf
• Funds Society (2025). La inteligencia artificial desafía el futuro de los asesores financieros. Funds Society. https://www.fundssociety.com/es/opinion/la-inteligenciaartificial -desafia -el -futuro -de -los -asesores-financieros/
• Gee -ky Gadgets 2025 – AI Investment Research Agent «Ask David» Built by JP Morgan https://www.geeky-gadgets.com/ai-investment-researchtool/
• Google Cloud (2025). Cómo Schroders construyó su asistente de investigación financiera multiagente. https://cloud.google.com/blog/topics/customers/howschroders -built -its -multi -agent-financial-analysis-researchassistant
• GPTadvisor (2023). GPTadvisor: Generative AI para la gestión patrimonial. https://gptadvisor.com/company?utm_source=chatgpt.com #:~:text=GPTadvisor%20was%20founded%20in%202023, help%20them%20achieve%20their%20objectives
• Hilpisch, Y. (2020). Artificial Intelligence in Finance. O’Reilly Media. https://www.oreilly.com/library/view/artificial-intelligencein/9781492055426/
• Hull, I. (2021). Machine Learning for Economics and Finance in TensorFlow 2: Deep Learning Models for Research and Industry. https://content.e-bookshelf.de/media/reading/L-142778607c50cf52c1.pdf
• IBM (2024). ¿Qué es fintech? IBM Topics. https://www.ibm.com/es-es/think/topics/fintech
• IBM (2024). ¿Qué es un sistema multiagente? IBM Think . https://www.ibm.com/es-es/think/topics/multiagent-system IBM (2024). ¿Qué son los grandes modelos de lenguaje (LLM)? IBM Think. https://www.ibm.com/es-es/think/topics/large-languagemodels
• IBM 2025 -The 2025 Guide to Prompt Engineering. https://www.ibm.com/think/prompt-engineering
• IBM (2024 ). What is machine learning? Think Topics https://www.ibm.com/think/topics/machine-learning
• IBM 2025 -What is Prompt Engineering? https://www.ibm.com/think/topics/prompt-engineering
• ICCSI (s. f.). Sistemas multiagentes: inteligencia artificial en acción. ICCSI. https://iccsi.com.ar/sistemas-multiagentes-inteligenciaartificial/
• IEBS Business School (2024). Qué son los agentes de IA y los sistemas multiagente. IEBS Business School. https://www.iebschool.com/hub/el-potencial-de-losagentes-de-ia-y-los-sistemas-multiagente-inteligenciaartificial/
• JPMorgan Chase (2025). LLM Suite: Premio a la Innovación del Año 2025. https://www.jpmorganchase.com/about/technology/news/ll msuite -ab -award
• Karasan, A. (2022). Machine Learning for Financial Risk Management with Python. O’Reilly Media. https://asset.quant-wiki.com/pdf/Machine%20Learning%20for%20Financial%2 0Risk%20Management%20with%20Python.pdf
• McKinsey (2024). Cómo la IA generativa puede ayudar a los bancos a gestionar el riesgo y el cumplimiento normativo. McKinsey & Company. https://www.mckinsey.com/featuredinsights/destacados/como-la-ia-generativa-puede-ayudara-los -bancos -a-gestionar-el-riesgo-y-el-cumplimientonormativo/es
• Microsoft (2025). Introducción de Microsoft 365 Copilot: orquestación multiagente y más. https://www.microsoft.com/en-us/microsoft365/blog/2025/05/19/introducing-microsoft-365-copilot-
• Microsoft (2025). Introducción del SDK de Microsoft 365 Agents. https://learn.microsoft.com/en-us/power-platform/aibuilder/large-language-models
• n8n -io (2025). n8n: Plataforma de automatización de flujos de trabajo con capacidades nativas de IA. GitHub. https://github.com/n8n-io/n8n
• Parlamento Europeo & Consejo de la UE (2024). Regulation (EU) 2024/1689: harmonised rules on artificial intelligence. Unión Europea. https://eur-lex.europa.eu/legalcontent/EN/TXT/?uri=CELEX%3A32024R1689
• PwC España (2024). Marco regulatorio actual sobre inteligencia artificial. PwC España. https://www.pwc.es/es/newlaw-pulse/legaltech/marcoregulatorio-actual-inteligencia-artificial.html tuning-multi-agent-orchestration-and-more-from-microsoftbuild -2025/
• Unión Europea / Comisión (2024). Shaping Europe’s digital future: regulatory framework on AI. Unión Europea Comisión. https://digital-strategy.ec.europa.eu/es/policies/regulatory-framework-ai
• Vaswani, Ashish, et al. «Attention is all you need.» Advances in neural information processing systems 30 (2017) . [1706.03762] Attention Is All You Need
• Yoigo – Blog Empresas (2019). Las grandes tecnológicas se acercan al sector financiero. Yoigo. https://blogempresas.yoigo.com/grandes-tecnologicasacercan-sector -financiero/
• ZenML (2025). Asistente de investigación financiera multiagente con RAG y supervisión humana en JPMorgan. https://www.zenml.io/llmops-database/multi-agentinvestment -research -assistant -with -rag -and -human -in -the -loop
• Zhao et al. 2025 – AlphaAgents: Large Language Model based Multi -Agents for Equity Portfolio Constructions https://arxiv.org/html/2508.11152v1

8. Sobre los autores

Eric Garcia Ribera es Responsable de Activos Digitales, Fintech e Inteligencia Artificial en MoraBanc (Andorra), donde lidera la estrategia de activos digitales, innovación financiera y el equipo de IA del banco. Es Máster en Ciberseguridad por la Universidad de York y Graduado en Ingeniería Informática por la Universitat Politècnica de Catalunya. Cuenta con experiencia previa en ciberseguridad en el sector financiero y tecnológico internacional. Sus áreas de especialización incluyen los activos digitales, la tecnología financiera y la inteligencia artificial aplicada a la banca.

Miquel Heredia es estudiante del doble grado de Matemáticas y Economía en la Universidad de Angers. Realizó unas prácticas (internship) en el sector de activos digitales de Morabanc.

Carlos Salinas dirige el área de Plataformas Digitales en Estating, donde diseña arquitecturas de colateral institucional sobre infraestructuras financieras descentralizadas. Su trabajo se centra en la convergencia entre activos del mundo real, mercados on-chain e inteligencia artificial aplicada a la formación de capital institucional. Docente en el IEB y anteriormente responsable de estrategia de activos digitales en MoraBanc.

.

Júlia Pou es estudiante de Administración y Dirección de Empresas en la Universitat Pompeu Fabra y ha realizado una internship en MoraBanc, donde ha adquirido experiencia en el entorno bancario y en la gestión de proyectos. Su perfil refleja una formación orientada al mundo empresarial, con especial atención a los ámbitos financiero y a la aplicación de la inteligencia artificial en el ámbito de la gestión.

Gerard Albà Soler es Chief Investment Officer (CIO) y Subdirector General de MoraBanc. Es Licenciado en Matemáticas por la Universidad de Barcelona, con experiencia como profesor universitario especializado en finanzas, economía y tecnología. Posee una trayectoria en dirección general en diversas entidades financieras.

www.linkedin.com/in/gerardalbasoler