Enterprise agentic workflows and multi-agent systems for investment strategy: JPMorgan sostiene que los agentes de investigación de inversión desplegables requieren autonomía gobernada, no automatización sin restricciones

Visión general

Global Quantitative Strategy de JPMorgan resume un taller de septiembre de 2026 realizado con Google sobre la creación de flujos de trabajo agentic empresariales para investigación de inversión. El informe sostiene que el objetivo práctico es una autonomía gobernada y revisable: los agentes deben automatizar tareas repetibles e intensivas en datos, operando dentro de herramientas, fuentes de datos, criterios de aceptación y vías de escalamiento aprobados.

Perspectivas principales

El informe diferencia Agentic AI de la automatización tradicional, el aprendizaje automático y la IA generativa. La automatización fija sigue rutas de código predefinidas, el aprendizaje automático identifica patrones y la IA generativa amplía la interacción en lenguaje natural con información no estructurada. Agentic AI, en cambio, controla el flujo de trabajo: puede descomponer un objetivo, seleccionar herramientas, ejecutar acciones, revisar el trabajo intermedio e iterar. JPMorgan subraya que esto no implica comportamiento sin supervisión. En los flujos de trabajo de inversión, la autonomía debe limitarse mediante permisos, puntos de revisión y vías de escalamiento para que el proceso siga siendo explicable y defendible. La justificación económica es selectiva, no universal. El informe afirma que la IA tiende a tener ventaja en trabajos escalables y repetibles, como clasificación de documentos, redacción y elementos de programación, mientras que los humanos conservan ventaja estructural en juicio de alto riesgo, trabajo estratégico y creatividad. La racionalidad del despliegue depende de los costes de tokens frente al tiempo humano, el tiempo de finalización, el retrabajo, las tasas de error, la consistencia y la supervisión. La investigación financiera se presenta como un caso de uso adecuado por ser multietapa e intensiva en herramientas, pero su vínculo directo con la toma de decisiones de inversión hace esenciales la fiabilidad y la trazabilidad. El primer agente especializado del taller utilizó una herramienta de datos de mercado en vivo para recuperar datos actuales de precios de acciones y realizar cálculos en el momento de la consulta. Esto reduce la brecha entre el conocimiento del modelo en la fecha de entrenamiento y un mercado cambiante, sustituyendo el proceso manual de obtener datos por separado y pegarlos en prompts. El informe destaca que la velocidad no es el único beneficio: son necesarias restricciones sobre las fuentes de datos permitidas y una conducta definida ante datos faltantes, obsoletos o inconsistentes para evitar resultados plausibles pero sin respaldo. El prototipo utilizó una función de precios que devolvía 100 por defecto si no encontraba un ticker, mientras que el informe resalta por separado las salvaguardas para datos no encontrados como medio de reducir el riesgo de alucinación. El segundo especialista fue un analista RAG para documentos privados. Los documentos se dividen en fragmentos, se convierten en embeddings semánticos y se almacenan en una base de datos vectorial; la consulta del usuario se incorpora del mismo modo y la búsqueda de similitud recupera los pasajes pertinentes para proporcionar contexto al modelo. El informe dice que esto puede fundamentar respuestas en políticas internas aprobadas, perspectivas de mercado o documentos corporativos, ayudando al agente a mantenerse coherente con las visiones internas y las restricciones relevantes. También recalca que RAG solo es fiable con pruebas deliberadas: los equipos deben inspeccionar los pasajes recuperados detrás de respuestas representativas. Si la recuperación devuelve los extractos correctos pero la respuesta sigue siendo deficiente, deben endurecerse las instrucciones y restricciones de respuesta; si la recuperación no encuentra el material correcto, deben optimizarse la fragmentación, los embeddings o la configuración de búsqueda. El agente RAG ilustrado utiliza un tiempo de espera de 30 segundos para impedir una búsqueda interminable de información que no está en la base de datos. La orquestación dirigida por un gestor es el siguiente paso. Un gestor de enrutamiento interpreta el objetivo del usuario, planifica subtareas, las asigna a agentes especializados y consolida sus resultados. JPMorgan sostiene que mandatos más acotados reducen la confusión y pueden mejorar la calidad de los resultados, mientras que dirigir tareas rutinarias a modelos más rápidos y baratos y reservar modelos de mayor capacidad para razonamientos complejos puede controlar los costes. Su valor aumenta cuando el sistema pasa de unas pocas herramientas a decenas o cientos de especialistas, momento en que las personas no pueden recordar de forma fiable el mandato y acceso a herramientas de cada agente. Por tanto, la selección de modelos, las reglas de enrutamiento, la precisión, la latencia y el coste deben probarse y ajustarse para cada flujo de trabajo, no estandarizarse mediante una única configuración. La demostración final combina estos componentes en un equipo de investigación autónomo gobernado por roles explícitos y condiciones de detención. Un refinador de objetivos convierte una solicitud amplia en un encargo de investigación preciso. Un ciclo de investigación combina un analista RAG, un responsable de cumplimiento y un comprobador de terminación; este decide si el trabajo cumple el criterio de aceptación o necesita otra iteración. El ciclo ilustrado tiene un máximo de 4 iteraciones. Después, un agente redactor elabora un memorando ejecutivo utilizando únicamente el resultado del ciclo de investigación y recibe la instrucción de no llenar vacíos con conocimiento propio externo. Esta jerarquía busca controlar la calidad y el consumo de tokens, manteniendo visibles la responsabilidad y el flujo de evidencia. El informe concluye que un "harness" de producción diferencia un prototipo inteligente de un sistema desplegable. Un harness expone planes, pasos intermedios, llamadas a herramientas, actividad de subagentes y uso de recursos, permitiendo a los usuarios diagnosticar problemas e intervenir. JPMorgan señala tres palancas prácticas de ajuste: parámetros de inferencia como la temperatura para reducir la variabilidad, instrucciones más completas y ejemplos few-shot para estandarizar resultados, y pruebas para decidir cuándo las funciones deben seguir siendo herramientas o convertirse en subagentes delegados. La gobernanza se caracteriza como un requisito de ingeniería, no como una consideración posterior: los sistemas necesitan permisos explícitos, puertas de revisión y escalamiento, límites de iteración y ejecución, y trazas de evidencia inspeccionables a medida que escalan.

Marco de análisis

El informe avanza desde la definición y la economía de Agentic AI hacia un especialista de datos en vivo, un especialista RAG, el enrutamiento dirigido por un gestor y una arquitectura de equipo de investigación completa. Utiliza prototipos del taller para explicar cómo el acceso aprobado a datos, la fundamentación mediante recuperación, las pruebas, la separación de roles, la revisión de cumplimiento y los límites de ciclo pueden hacer que los flujos de investigación automatizados sean revisables y controlables.

Notas metodológicas

• OtroOtro

  Generación aumentada por recuperación (RAG)

  El flujo de trabajo recupera pasajes relevantes de un conjunto de documentos aprobado y vectorizado, y los aporta como contexto para fundamentar las respuestas en evidencia de las fuentes, en lugar de conocimiento no respaldado del modelo.

• OtroOtro

  Orquestación multiagente dirigida por un gestor

  Un agente gestor descompone una solicitud, enruta subtareas a especialistas, combina los resultados y aplica controles explícitos de calidad, coste y terminación.

Datos clave

• Tiempo de espera de conexión del agente RAG30 secondsDiseñado para impedir que un agente busque indefinidamente información que no está en su base de datos.
• Máximo de iteraciones del ciclo de investigación autónomo4El ciclo termina cuando se cumple el criterio de aceptación o se alcanza el límite de iteraciones.
• Etapas del equipo de investigación autónomo3Refinador de objetivos, ciclo de investigación iterativo y redactor.

Impacto e implicaciones

El informe presenta los sistemas de agentes gobernados como una manera de automatizar etapas repetibles de investigación conservando la trazabilidad de la evidencia y la supervisión humana. Sugiere que las organizaciones deben adaptar herramientas, modelos, prompts, enrutamiento y controles a flujos de trabajo específicos, en vez de desplegar un agente autónomo genérico.

Riesgos

• Las alucinaciones pueden propagarse por un flujo de trabajo automatizado de extremo a extremo cuando no se detecta un error temprano.
• Los resultados pueden parecer confiados incluso cuando los datos subyacentes no se recuperaron, faltan, están obsoletos o son inconsistentes.
• Los ciclos sin límites, las llamadas excesivas a herramientas y permisos de agentes mal definidos pueden crear problemas incontrolados de coste, seguridad y fiabilidad.
• Los resultados RAG pueden no ser fiables si no se prueban la calidad de recuperación, la fragmentación, los embeddings, la configuración de búsqueda y la fundamentación en fuentes.

Aspectos que vigilar

• Si las empresas seleccionan casos de uso de flujos de trabajo en los que las ganancias medibles justifican los costes de tiempo y dinero.
• Resultados de pruebas de selección de modelos, ajustes de inferencia, instrucciones, configuraciones de herramientas, precisión, latencia y coste.
• Si los sistemas de producción exponen llamadas a herramientas, resultados intermedios, fuentes de evidencia y uso de recursos para su revisión.
• Si los flujos de trabajo de agentes cuentan con permisos explícitos, criterios de aceptación, vías de escalamiento y límites de iteración.