Arno

¿Quién es Arnout Ter Schure y por qué su enfoque importa?

De trabajar más de una década en energía y medio ambiente a crear una plataforma de análisis de mercados que combina inteligencia artificial con juicio humano: así resume su trayectoria Dr. Arnout Ter Schure, fundador de Intelligent Investing, LLC, lanzada en 2017.

Con un Ph.D. en Ciencias Ambientales de la Universidad de Lund en Suecia, Ter Schure pivotó hacia los mercados financieros y construyó una plataforma que ofrece pronósticos diarios sobre mercados estadounidenses, metales, USD y criptomonedas tanto a inversores individuales como a fondos privados. Su enfoque se apoya en análisis técnico, el principio de Elliott Wave, y un indicador propietario de compra/venta que la plataforma afirma supera el 95% de precisión para los principales índices.

Pero lo que distingue su propuesta — y lo que entrevistas recientes han puesto bajo el foco — es la filosofía que sustenta la herramienta: la IA expande la capacidad de análisis, pero el contexto humano sigue siendo insustituible para traducir datos en decisiones de mercado significativas.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

¿Qué dice la evidencia sobre IA vs. humanos en los mercados?

Aquí es donde los datos cuentan una historia que va más allá del hype.

Un análisis publicado en el International Journal of Data Science and Analytics revisó 27 estudios revisados por pares sobre predicción bursátil con machine learning (covering 2000-2018) y llegó a una conclusión incómoda: los fondos alimentados por IA, cuando sus datos de rendimiento se hicieron públicos, generalmente underperformed frente a los benchmarks del mercado.

¿Por qué? El estudio señala un problema metodológico fundamental: en la academia, los investigadores ejecutan múltiples versiones del modelo (a veces cientos en paralelo) y luego reportan solo los mejores resultados. Pero en el mundo real, solo ejecutas una estrategia y el profit/loss es inequívoco: no hay cherry-picking que valga.

Un estudio de 2025 publicado en Future Business Journal matiza esta imagen. Analizando datos reales de 2022 a 2024 en mercados alcistas, bajistas y de recuperación, encontró que los Sharpe Ratios eran prácticamente idénticos: 2.38 para fondos gestionados por IA versus 2.41 para gestores humanos. Los humanos recuperaron ligera ventaja en fases de recuperación de mercado (Treynor/Jensen’s Alpha de +7.82 frente a -1.58 de la IA), aunque las diferencias no alcanzaron significancia estadística (p = 0.1193).

En otras palabras: la IA no es mejor ni peor por defecto — es diferente.

¿Cómo funciona realmente un enfoque híbrido IA + juicio humano?

El modelo que defiende Ter Schure tiene sentido cuando entiendes las limitaciones de cada lado.

Los equipos de inversión de alto rendimiento usan la IA para lo que hace bien: procesar volúmenes masivos de datos, parsear filings regulatorios, generar cobertura multilingüe y acelerar el desarrollo de estrategias. Pero confían en el juicio humano para lo que la IA no resuelve: estresar suposiciones, detectar la falsa certeza que a veces genera la IA, y mantener la accountability sobre la decisión final.

Separar la generación de señales de la responsabilidad de la decisión no es un detalle filosófico. Es una salvaguarda operativa.

El problema práctico que muchos founders no ven: el 66% de los inversores admiten arrepentirse de decisiones emocionales o impulsivas, y un 32% confiesa operar mientras conduciendo o en situaciones de distracción, según datos de TNW. La IA no tiene ese problema, pero tampoco tiene intuición contextual sobre un cambio regulatorio inesperado o el impacto psicológico de un evento geopolítico.

El estudio del profesor Hendrik Bessembinder, que Ter Schure cita en la sección «The 1% Club» de su plataforma, analiza el rendimiento vitalicio de 29,078 acciones estadounidenses desde 1926 hasta 2019: solo el ~3% generan riqueza positiva por encima de los bonos del tesoro. Ese dato por sí solo debería hacer pensar a cualquier founder que confía ciegamente en cualquier modelo — IA incluido — para predecir mercados.

¿Qué cambió en 2026 con los agentes de IA autónomos?

Los primeros meses de 2026 trajeron una sacudida: agentes de IA como «Hazel» de Altruist (lanzada el 10 de febrero de 2026) empezaron a ejecutar tax-loss harvesting, rebalanceo de portfolios y navegación regulatoria de forma completamente autónoma — tareas que antes requerían equipos humanos completos.

El llamado «Altruist Shock» aceleró la separación entre firmas nativas digitalmente y las instituciones tradicionales, con la IA pasando de ser una herramienta interna a una interfaz directa con el consumidor que evita intermediarios bancarios. Los mercados comenzaron a revalorar los procesos humanos a velocidad de persona como si valieran cero.

Pero la crisis de confianza que generó en finanzas tradicionales también demostró algo importante: cuando los agentes ejecutan sin supervisión humana robusta, la turbulencia del mercado expone las grietas de la confianza ciega en la automatización.

Para un founder construyendo en fintech, la lección es clara: automatizar la ejecución no es lo mismo que eliminar la necesidad de supervisión inteligente.

¿Qué significa esto para tu startup?

Si estás construyendo un producto en fintech, wealth management, o cualquier vertical donde la IA toque la toma de decisiones financieras, estos son los principios que deberías integrar desde el día uno:

Diseña capas de verificación humana para decisiones de alto impacto. No uses la IA para decidir directamente — úsala para generar opciones. Tu equipo (o tu usuario final) debe tener un botón de stop y el contexto para usarlo. La investigación muestra que las IA pueden generar falsa certeza incluso cuando los datos son ambiguos.
Mide tu modelo contra benchmarks reales, no contra datasets optimizados. El problema del cherry-picking académico es el mismo problema que tiene una startup que testea un modelo de IA y reporta los 3 días de buen rendimiento. Si tu modelo no sobrevive un bear market, un rally volátil y una temporada de earnings irregular, no funciona.
Documenta el proceso de decisión, no solo el resultado. En el mundo de la inversión, el audit trail importa tanto como el ROI. Tu producto debe poder explicar por qué se tomó una decisión — y eso implica combinar la trazabilidad de la IA con el razonamiento humano documentado.
El mercado hispanohablante necesita herramientas que no asumen infraestructura de Wall Street. Si miras a LATAM y España, la adopción de fintech está creciendo pero con realidades distintas: menos acceso a asesores de wealth, más inversión retail, y una regulación en evolución. Construir para ese contexto — no simplemente traducir productos estadounidenses — es donde está la oportunidad.

La pregunta ya no es si la IA va a transformar tu vertical. La pregunta es cómo estructuras tu producto para que la IA amplifique el buen juicio humano en lugar de reemplazarlo — porque los datos muestran que cuando intentas reemplazarlo por completo, el mercado te corrige.