La pregunta anterior – ¿Está $GOOG infravalorado? – es un tema candente en foros de inversión que genera debates apasionados y de interpretación libre, y también es típica de las investigaciones que los inversores minoristas realizan antes de hacer una operación.
También es una excelente prueba práctica del estado de la IA para las inversiones cotidianas. En particular, queremos averiguar si la IA actual puede ayudar a los inversores a descubrir información genuina y respaldar sus afirmaciones con datos fiables. Con plataformas como $HOOD que ofrecen asistencia de IA para las operaciones, es un momento oportuno.
Primero los métodos, luego las respuestas.
Entonces, ¿la IA 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 los datos y, en última instancia, qué tan útil fue la respuesta.
Claude comenzó consultando sitios web agregadores. Estas fuentes citaban el P/E en comparación con el promedio de 10 años de $GOOG y con el sector. Claude también extrajo precios objetivo que representaban un promedio de las calificaciones de los vendedores; estos venían pre-promediados: el resumen de MarketBeat de un consenso de "41 analistas" en una pasada, un promedio de "Compra Fuerte" cerca de $429 en otra. Claude citó dos valores razonables, uno de Simply Wall St y otro de una fórmula estilo Peter Lynch, que representan modelos orientados al minorista que aparecen en la primera página de una búsqueda web.
Tomando los precios objetivo como ejemplo, notamos que no teníamos acceso a la lista de analistas, las fechas o el método de promediado detrás de los objetivos de "consenso". También observamos que las dos pasadas de Claude sobre la subtarea no coincidían en el número final. Esto significa que, como gran parte de los datos extraídos de la web abierta, el análisis de Claude se basó en números indicativos sin mucho conocimiento sobre qué los componía o, lo que es crítico, qué se omitió del cálculo. Para este primer análisis, encontramos que todos los números de Claude provenían de dichas fuentes secundarias.
(Aparte: para aquellos que siguen las ganancias de Broadcom ($AVGO), el impacto de obtener los objetivos de los analistas de la web se desarrolló en tiempo real: a los 15 minutos de las ganancias, CNBC y Reuters reportaron los ingresos como una decepción, mientras que WSJ y Yahoo Finance los reportaron como un éxito. ¡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 patas alcistas y los mismos riesgos bajistas que uno esperaría encontrar en los titulares y los mejores mensajes de foros. Nuestra conclusión es que realmente acelera el trabajo de los inversores ocasionales que merodean foros. Pero un corolario es que, por defecto, no despliega el tipo de análisis y técnicas de modelado que utilizan los inversores profesionales, ni accede a los datos con los que construyen las valoraciones de las empresas. En estos aspectos, Claude estándar hace poco por 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 fue mucho, mucho más profundo. Primero, comenzó desglosando los segmentos (Cloud, Servicios, Otras Apuestas), el historial de flujo de caja y capex, el recuento 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 se encuentra la empresa hoy y alinearlo con su historial. También se ofreció a llevar los datos de deepKPI a 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 fue 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 barato en comparación con el grupo y un poco caro frente a su propio historial. Los objetivos del lado vendedor oscilaron entre $412 y $443, aunque dos modelos de valor razonable diferían en $112 para la misma acción. El resultado fueron las conocidas patas alcistas y riesgos bajistas, y un empate en la cuestión de si está infravalorado o sobrevalorado, que es donde observamos que terminan foros como r/valueinvesting.
Una vez que agregamos los datos de deepkpi, Claude pudo hacer un análisis mucho más profundo de la salud de la empresa frente a sus pares y las normas históricas. Por ejemplo, la respuesta web se basó en que el EV respecto al flujo de caja libre superaba 70, lo que un screener categorizó como caro. Pero cuando profundizamos en las presentaciones, las cifras se reencuadraron: el flujo de caja libre de 2025 fue de aproximadamente $73B y ya estaba plano mientras las ganancias se disparaban, y el desarrollo de IA está haciendo que el capex de 2026 se duplique aproximadamente, de $91B a $175-185B, mientras reduce el flujo de caja libre hacia $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 tanto la más grande entre sus pares como la menos riesgosa en relación con los negocios principales. Esto cambia por completo la interpretación de ese número.
El análisis impulsado por deepKPI también analizó 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%+ en los próximos años. Claude también comparó los márgenes del segmento, cerca del 24%, con AWS y Azure, dos pares hiperescaladores, y señaló que sus márgenes eran mejores: alrededor del 30%. Esto sugirió 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 de los datos operativos que no estaban en el consenso web. La primera fue 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 hacer más. La otra palanca fue la productividad. Los ingresos por empleado han comenzado a aumentar después de años de estar estancados. Esto es importante porque la construcción de centros de datos se convertirá 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 sugerencia de que $GOOG está tomando medidas para apuntalar su negocio principal mientras ve su inversión en IA hasta su finalización.
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 concluyó 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 suposición fundamentada, pero las cosas que impulsan nuestra apuesta son muy claras: 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 conocimiento comprobable a la pregunta original que no es obvio simplemente navegando por foros.
Nuestra conclusión es que los modelos de IA son intérpretes poderosos de las presentaciones y los datos para los 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 KPI y los archivos de texto de las presentaciones de deepKPI. También debemos darles las habilidades para interpretar esos datos de manera experta, como lo 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 los inversores minoristas y los inversores profesionales está cambiando de manera significativa. Y rápidamente.
