La pregunta anterior —¿Está [$GOOG](https://x.com/search?q=%24GOOG&src=cashtag_click) infravalorada?*— es a la vez un tema candente en foros de inversión que genera debates apasionados (como el test de Rorschach) y el tipo típico de investigación que los inversores minoristas hacen antes de realizar una operación.
También es una excelente prueba práctica del estado de la IA para las inversiones cotidianas. En particular, queremos saber si la IA actual puede ayudar a los inversores a encontrar información genuina y respaldar sus afirmaciones con datos confiables. Con plataformas como $HOOD ofreciendo asistencia de IA para operaciones, el momento es oportuno.
Primero los métodos, luego las respuestas.
Entonces, ¿la IA realmente desbloquea nuevos conocimientos?
Nuestras pruebas comienzan con Claude Opus 4.8, actualmente el modelo público más potente de Anthropic. Le preguntamos a Claude directamente sobre $GOOG y examinamos qué análisis realizó, de dónde obtuvo sus datos y, en última instancia, qué tan útil fue la respuesta.
Claude comenzó consultando sitios web agregadores. Estas fuentes citaban el P/E de $GOOG en comparación con su promedio de 10 años y con el sector. Claude también extrajo precios objetivo que representaban un promedio de las calificaciones del lado vendedor; estos venían pre-promediados: el resumen de MarketBeat de un consenso de "41 analistas" en una pasada, un promedio de "Compra Fuerte" cerca de $429 en otra. Claude citó dos valores razonables, uno de Simply Wall St y otro de una fórmula estilo Peter Lynch, que representaban modelos orientados al inversor minorista y aparecían en la primera página de una búsqueda web.
Tomando los precios objetivo como ejemplo, notamos que no teníamos acceso a la lista de analistas, las fechas o el método de promediado detrás de los objetivos de "consenso". También observamos que las dos pasadas de Claude sobre la subtarea no coincidían en el número final. Esto significa que, como muchos datos extraídos de la web abierta, el análisis de Claude se basó en números de referencia sin mucho conocimiento sobre qué los componía o, algo crítico, qué se excluyó del cálculo. En este primer análisis, encontramos que todos los números de Claude provenían de dichas fuentes secundarias.
(Nota al margen: para quienes siguen las ganancias de Broadcom ($AVGO), el impacto de obtener los objetivos de los analistas de la web se manifestó en tiempo real: a los 15 minutos de publicarse las ganancias, CNBC y Reuters reportaron los ingresos como una falla, mientras que WSJ y Yahoo Finance los reportaron como un acierto. ¡Pobre del trader algorítmico de IA que no tenga cuidado…)
La respuesta final de Claude fue un resumen competente del consenso web. Dio una explicación con las mismas tres razones alcistas y los mismos riesgos bajistas que uno esperaría encontrar en los titulares y los mejores mensajes de foros. Nuestra conclusión es que, sin duda, agiliza el trabajo de los inversores ocasionales que navegan foros. Pero un corolario es que no despliega por defecto el tipo de análisis y técnicas de modelado que utilizan los inversores profesionales, ni accede a los datos con los que construyen valoraciones de empresas. En estos aspectos, Claude por sí solo hace poco para acercar la sofisticación de los inversores profesionales al resto de nosotros.
Entonces, le preguntamos a Claude nuevamente y esta vez le dimos acceso a 10 años de KPIs operativos, texto de presentaciones ante la SEC, resúmenes de segmentos y competidores a través de deepKPI, un servidor MCP diseñado específicamente y disponible para cualquier inversor.
Con esta información, Claude profundizó muchísimo más. Primero, comenzó desglosando segmentos (Cloud, Servicios, Otras Apuestas), el historial de flujo de caja y Capex, la cantidad de acciones y la tasa impositiva, y los comentarios de la gerencia para analizar el historial operativo de $GOOG. Se sumergió en partidas como la obligación de rendimiento restante, el costo de adquisición de tráfico y los ingresos por empleado para evaluar dónde está la empresa hoy y alinearlo con su historial. También ofreció incorporar datos de deepKPI en una hoja de cálculo para crear un modelo operativo típico de grado institucional, aunque nos detuvimos antes de eso para los fines de este artículo.
Seamos concretos sobre la valoración:
La opinión web destilada era que, con $GOOG cerca de $389 y un P/E trailing de alrededor de 29 frente a un promedio de 10 años de 27 en un sector más cercano a 35, está algo barata en comparación con el grupo y un poco cara frente a su propio historial. Los objetivos del lado vendedor oscilaban entre $412 y $443, aunque dos modelos de valor razonable diferían en $112 para la misma acción. El resultado fueron las conocidas razones alcistas y riesgos bajistas, y un empate en la cuestión de si está infra o sobrevalorada, que es donde observamos que terminan foros como r/valueinvesting.
Una vez que agregamos los datos de deepKPI, Claude pudo realizar un análisis mucho más profundo de la salud de la empresa en comparación con sus pares y las normas históricas. Por ejemplo, la respuesta web se basaba en que el EV sobre flujo de caja libre superaba 70, lo que un screener clasificaba como caro. Pero cuando profundizamos en las presentaciones, los números se reencuadraron: el flujo de caja libre de 2025 era de aproximadamente $73B y ya estaba plano mientras las ganancias se disparaban, y el desarrollo de IA está provocando que el Capex de 2026 se duplique aproximadamente, de $91B a $175-185B, mientras reduce el flujo de caja libre a $15-25B. Por lo tanto, 72x no debe tomarse como un veredicto sobre lo cara que es la empresa, sino como una instantánea de una empresa en movimiento mientras realiza una apuesta masiva por el futuro. Según nuestro artículo reciente, esta apuesta es a la vez la más grande entre sus pares y la menos riesgosa en relación con sus negocios principales. Esto cambia por completo la interpretación de ese número.
El análisis impulsado por deepKPI también profundizó en las palancas del negocio principal de $GOOG. Señaló que la cartera de pedidos contratados de Cloud pasó de $108B a $157.7B en un solo trimestre. De 2.0x a 2.7x de los ingresos del segmento. Dado que la mayor parte se reconoce en los últimos 24 meses, esto sirvió como evidencia de que Cloud tiene el potencial de mantener un crecimiento del 30% o más en los próximos años. Claude también comparó los márgenes del segmento, cercanos al 24%, con AWS y Azure, dos pares hiperescaladores, y señaló que sus márgenes eran mejores, en el rango bajo del 30%. Esto sugería un margen alcanzable y significativo para la optimización de beneficios, otra señal que apunta a la salud futura del negocio.
Claude descubrió dos palancas más importantes a partir de los datos operativos que no estaban en el consenso web. La primera es lo que $GOOG paga para atraer tráfico a los anuncios: mucho cuando se ejecutan en sitios de la red, y poco cuando se ejecutan en propiedades propias de $GOOG como Búsqueda, YouTube y Gmail. Ese negocio se está desplazando más hacia las propiedades de $GOOG, en 2 puntos porcentuales sobre una base publicitaria de $265B, lo que muestra que las ganancias están creciendo y tienen margen para seguir haciéndolo. La otra palanca fue la productividad. Los ingresos por empleado han comenzado a subir después de años de estar estancados. Esto es importante porque la construcción de centros de datos se traducirá en años de gastos de depreciación que afectarán sus márgenes, y el aumento de la producción por trabajador empuja los márgenes en la dirección opuesta. Esta es otra señal de que $GOOG está tomando medidas para apuntalar su negocio principal mientras lleva a cabo su inversión en IA hasta su materialización.
En conjunto, el análisis operativo sugirió que Cloud está generando menos ganancias que sus pares y tiene una cartera de pedidos saludable para impulsar el proceso de cerrar esa brecha, el negocio publicitario se está volviendo más rentable y la producción por empleado está aumentando. Claude + deepKPI concluyeron que "mejor de lo que sugiere su múltiplo" se responde mejor con un modelo que nos permita probar estas palancas.
Como inversores minoristas, podemos invertir ese tiempo o hacer una estimación fundamentada, pero los factores que impulsan nuestra apuesta son muy claros: eficiencia de la nube frente a pares, combinación de canales publicitarios y eficiencia de los empleados. Este nivel de conocimiento y comprensión es mucho más concreto y claro que nuestro resumen del debate web y sí aporta un nivel de información comprobable a la pregunta original que no es obvio simplemente navegando por foros.
Nuestra conclusión es que los modelos de IA son intérpretes potentes de presentaciones y datos para inversores minoristas, pero uno debe tomar medidas para guiarlos lejos de los datos web secundarios y hacia datos de fuentes primarias, como las series temporales de KPIs y los documentos de presentaciones de deepKPI. También debemos darles las habilidades para interpretar esos datos con expertise, como hace deepKPI. Pero, especialmente a medida que los servicios de IA reducen el precio de acceso a datos y herramientas analíticas —de $10,000+ por asiento para servicios establecidos como Daloopa a $20/mes para deepKPI, o gratis para algunos usos— la brecha de larga data entre inversores minoristas e inversores profesionales está cambiando de manera significativa. Y rápidamente.
