Valorar una empresa nunca ha sido un ejercicio completamente técnico. Quienes lo han hecho lo saben. Se parte de cifras, modelos, razones financieras, pero detrás de cada proyección hay siempre una narrativa que la sostiene: una historia que se cuenta sobre el futuro. Por eso, la irrupción de la inteligencia artificial (IA) en el proceso de valorización no reemplaza al analista, pero sí lo pone a prueba.

Hoy, la IA empieza a jugar un rol creciente en un punto crítico de la valoración: la formulación de proyecciones. Especialmente cuando se trata de estimar variables como el EBITDA, los márgenes operativos o las tasas de crecimiento. No solo lo hace más rápido, sino también con menos sesgo. Los modelos de machine learning pueden encontrar patrones que antes eran invisibles o simplemente ignorados, porque ningún modelo lineal ni razonamiento humano podía captarlos a tiempo. No es magia: es procesamiento masivo de múltiples fuentes y variables, que permite ajustar expectativas a medida que cambia el entorno.

Un ejemplo concreto: en el sector retail, donde la volatilidad es la regla, un modelo tradicional proyectaba un EBITDA de crecimiento constante basado en trimestres previos. Sin embargo, un algoritmo aplicado sobre datos de inventarios, clima, precios de insumos y tendencias en redes sociales ajustó esa proyección a la baja en más de 10 %. El cambio de tendencia no era visible aún en las ventas, pero la IA, según el estudio de Kureljusic y Karger (2024), lo anticipó. Y evitó una sobrevaloración.

Algo similar ocurre con los márgenes operativos. La herramienta Comparables.ai mostró que, en industrias sensibles al precio, los márgenes se contraen cuando hay promociones agresivas de los competidores. No siempre es obvio. Pero si la IA detecta un incremento en el gasto en publicidad de los pares, y un aumento en devoluciones o tickets más bajos, lo incorpora. Y ajusta. A veces dos puntos. A veces uno. Pero, en valoración, eso cambia el resultado.

También se está viendo cómo la IA reduce la discrecionalidad en el uso de múltiplos de empresas comparables. Lo que antes era un terreno fértil para justificar valoraciones optimistas, hoy puede automatizarse con criterios más rigurosos. ¿Qué pasa cuando se elige otro universo de comparables? La IA de Price Bailey hizo exactamente eso: amplió la base y el múltiplo EV/EBITDA pasó de 8,5x a 7,2x. Mismo modelo. Mismo sector. Diferente mirada.

Claro que no todo son ventajas. La IA se luce en escenarios de corto plazo o en industrias donde los datos abundan y se repiten. Pero cuando las reglas cambian —una disrupción tecnológica, una nueva regulación, un shock externo— su capacidad para proyectar se reduce. No tiene memoria de lo que nunca ocurrió. Así lo explica el análisis de AFP Online (2025): la IA no reemplaza al juicio humano. Lo acompaña. Y lo desafía.

Incluso cuando se usa para generar retornos en el corto plazo, como en los modelos de IKnowFirst, que llegaron a mostrar hasta 31,95 % en dos semanas, lo que destaca no es tanto el número como la capacidad de combinar señales de mercado con proyecciones dinámicas. No es el número per se. Es la velocidad para ajustarse.

¿Dónde queda el analista, entonces? No afuera. Pero sí en un lugar nuevo: menos productor de proyecciones y más curador de escenarios. La IA le ofrece proyecciones más objetivas, más rápidas, pero aún necesita interpretación. Un cambio en la tasa de crecimiento proyectada o en el margen sigue siendo una decisión que requiere contexto. Qué está pasando en el negocio, qué decisiones se están tomando, qué pasará si la competencia reacciona de forma distinta.

El debate no es si la IA mejora la valoración. Lo está haciendo. El punto es qué estamos dispuestos a aceptar como verdad futura. Cuánto confiamos en un algoritmo que no conoce al cliente, ni al directorio, ni al contexto político del país donde opera la empresa. Pero que, aun así, acierta. O al menos reduce el margen de error. Y eso, en valoración, ya es mucho.

Lee la nota completa aquí.