Bloomberg no apuesta por un único modelo para su IA del Terminal: divide y cita para evitar el error caro

Por Zendoric · 10 de septiembre de 2026.

Bloomberg ha construido ASKB, la interfaz conversacional de inteligencia artificial de su Terminal —el software que usan cientos de miles de profesionales financieros para operar y analizar mercados—, sobre una arquitectura de agentes especializados en lugar de un único modelo masivo. Lo explicó Wayne Barlow, responsable global de productos del Terminal, en una entrevista con el medio especializado Hedge Fund Alpha. La herramienta está en beta desde principios de 2026 y llega tras una serie de pasos previos: resúmenes de resultados y noticias generados por IA, y una herramienta de "Document Insights" que respondía preguntas sobre un documento concreto.

La razón de fondo para no usar un solo modelo es que los distintos tipos de contenido financiero no se analizan igual. Una noticia se pondera sobre todo por su actualidad; un documento regulatorio se pondera más por el tipo de documento que es; y en ambos casos importa la perspectiva. Bloomberg ha optado por repartir ese trabajo entre agentes distintos en vez de pedirle a un modelo generalista que lo resuelva todo de una vez.

El segundo eje del diseño es la atribución. Cada respuesta de ASKB viene acompañada de citas: si el dato es estructurado, el usuario puede ver la fórmula exacta de BQL (Bloomberg Query Language, el lenguaje propio del Terminal para consultar sus bases de datos) que lo generó; si procede de una fuente no estructurada —una noticia, una nota de investigación de un bróker—, puede pinchar y ver resaltado el fragmento exacto de origen. Bloomberg extiende además esa trazabilidad a los propios analistas del lado vendedor (sell-side): muchos son suscriptores del Terminal, y los inversores del lado comprador (buy-side) pueden escribirles directamente a través de Instant Bloomberg para preguntar por su investigación. Para los datos que los clientes suben por su cuenta, la compañía dice mantenerlos segregados de la base de datos propia del Terminal, sin entrar —según Barlow— en el negocio de limpieza de datos de terceros.

El artículo, de acceso limitado, deja fuera de vista secciones tituladas "Evitar la deriva agéntica y las alucinaciones" y "Formar a los analistas del mañana": sabemos que Bloomberg las aborda, pero no el contenido, así que no vamos a especular sobre lo que no hemos podido leer.

Lo que sí queda claro con los hechos disponibles es una decisión de diseño reveladora sobre hacia dónde va la IA empresarial en sectores de alto riesgo. En finanzas, una cifra mal citada o una fuente confundida no es un tropiezo estético: mueve decisiones de inversión y, en el peor caso, acaba en un despacho de abogados. Ya hemos visto en otros ámbitos el coste real de una IA que genera afirmaciones sin que nadie verifique la cadena hasta la fuente. Bloomberg parece haber aprendido esa lección antes de que le explote: prioriza la trazabilidad granular por encima de la elocuencia de un modelo único, incluso a costa de una arquitectura más compleja de mantener.

Esto encaja con una tesis que venimos repitiendo en Zendoric: la carrera por el modelo más grande y el benchmark más alto no es la que de verdad define quién gana la adopción empresarial en verticales críticos. Gana quien resuelve el problema de confianza —qué agente responde qué, con qué fuente, verificable con un clic— antes que quien presume del modelo más potente. Es la misma lógica que ya vimos cuando la competencia entre las grandes plataformas se desplaza hacia la "fontanería" de la distribución de agentes: el valor se mueve del modelo en sí a la capa de gobierno, permisos y trazabilidad que rodea su uso.

Para el empleo en el sector financiero, el movimiento de Bloomberg refuerza un patrón que ya identificamos al analizar banca y seguros: la IA no sustituye sin más al analista, pero sí reduce el margen para el trabajo puramente administrativo de agregación de datos, mientras eleva el valor de quien sabe interpretar y verificar lo que la máquina propone. Que Bloomberg dedique una sección explícita a "formar a los analistas del mañana" —aunque no hayamos podido leer el contenido— sugiere que la propia compañía ve ese reajuste de habilidades como parte central de la historia, no como un efecto secundario. A largo plazo, herramientas como ASKB apuntan a un terreno donde el analista deja de perder horas rastreando documentos y las dedica a lo que realmente requiere criterio humano: exactamente el tipo de abundancia de tiempo que, bien gestionada, es la promesa de fondo de esta tecnología.