Dilema del mercado binario: ¿Attention Is All We Need?

Artículo: BayesCrest

En este año y pico, no sé si todos tienen alguna sensación particular de que el mercado y el comportamiento de las cotizaciones se han ido volviendo cada vez más binarios: las empresas con impulso narrativo se disparan de manera brutal. Por ejemplo, todos los aspectos del hardware para la infraestructura de IA; y las empresas que no tienen impulso narrativo y tienen defectos, en general solo atraviesan una caída continua, casi todo en rojo. Por ejemplo, las empresas de consumo, incluso Moutai.

La tendencia del mercado se vuelve cada vez más un estado de polarización binaria: o bien sube por Fomo y cae por pánico. Las preguntas y la forma de procesar en la era de la IA tienen una inclinación; por ejemplo, si una acción sube, los inversores preguntan a la IA por qué sube. Como LLM, necesariamente encuentra un montón de razones para respaldar por qué sube, reforzando las expectativas del inversor y formando más rápido el efecto de manada y el consenso del grupo, fortaleciendo el impulso alcista a corto plazo; pero si la acción cae, también es igual: preguntar por qué cae, y la IA encuentra una sarta de razones para apoyar la caída, reforzando la expectativa bajista y formando pánico y estampida. Esta transmisión, en esencia, se debe a la forma de uso y al principio de funcionamiento de la IA, y en la era de la IA cada vez lleva más a una diferenciación binaria.

Un nuevo circuito de reflexividad en el mercado en la era de la IA

Muchas veces, la IA no está en «descubrir las razones de la subida o la caída», sino en comprimir «preguntas con dirección» en un conjunto de narrativas que se parecen más a la verdad.

Una vez que la propia pregunta del usuario ya presupone una dirección —«¿por qué sube?» «¿por qué cae?»— el modelo se parece más a un motor de explicación condicionado que a un juez bayesiano que primero enumera hipótesis competidoras y luego hace la discriminación. Investigaciones recientes de hecho han encontrado que: los modelos RLHF suelen presentar una sycophancy que complace la postura del usuario; las evaluaciones humanas de preferencias también se inclinan hacia respuestas «más acordes con la opinión del usuario»; y además, cuando el modelo ofrece razones que se ven completas y con confianza, aumentan la confianza del usuario, la seguridad en su decisión y la tasa de adopción. La búsqueda con LLM también permite completar decisiones más rápido y con más satisfacción, pero cuando el modelo se equivoca, también es más fácil caer en una dependencia excesiva.

Así que el fenómeno que mencionas, en esencia, no es «si la IA analizará o no», sino que:

El precio se mueve primero → la pregunta trae una dirección → la IA genera razones estructuradas → aumenta la certeza subjetiva del usuario → más conductas en la misma dirección → el precio sigue moviéndose. Este es un nuevo ciclo cerrado de price → narrative → confidence → flow → price.

Desde la ciencia cognitiva

Cuando un problema lleva dirección, el modelo está «filtrando evidencia por ti»

El cerebro humano no procesa la información de manera neutral por defecto, sino que se ve afectado por sesgo de confirmación, razonamiento motivado y preferencia por cierre narrativo. La IA externaliza y automatiza esta debilidad humana. El usuario no pregunta «cuál es el conjunto de explicaciones más probable», sino que pregunta «ayúdame a que esta dirección quede completamente explicada». El modelo, además, es naturalmente bueno organizando información dispersa en un discurso lógico y fluido; por eso, la sensación que deja no es «podría ser así», sino «así es como era». Investigaciones recientes también muestran que, después de que los usuarios ven la demostración de razonamiento/las razones del modelo, tienden a tomar esas razones como base para calibrar la confianza; si las razones parecen correctas y contundentes, suben la tasa de adopción y la confianza.

Esto implica que, en la IA, lo más peligroso quizá no es que invente o diga tonterías, sino que convierta narrativas unilaterales medio verdaderas y medio falsas en algo que se parece mucho a una «cadena causal auditada». Convierte una «explicación que debería estar por comprobarse» en «una explicación ya establecida». Y en el mercado, una vez que una explicación obtiene consenso antes que la verificación, empuja la conducta primero y luego obliga a más personas a creerla.

Desde las finanzas conductuales

Esto refuerza de forma notable la «manada impulsada por la atención»

En finanzas conductuales existe un viejo problema: muchos inversores compran y venden no porque tengan mejor información privada, sino porque algún activo de repente se vuelve «más digno de atención». Investigaciones relacionadas encuentran que la atención de búsqueda de los minoristas en Google está correlacionada de manera positiva con herding; en mercados alcistas, las acciones de pequeña capitalización son más propensas a ver compras en manada; en mercados bajistas, son más propensas a ver ventas en manada. Otra investigación sobre Robinhood muestra que las operaciones de los usuarios de la plataforma están más impulsadas por la atención, y que el retorno anómalo promedio en los 20 días posteriores de las acciones más buscadas es de -4.7%.

La IA da otro paso adelante. Antes, la «atención» solo llevaba a las personas a mirar una acción; ahora, «atención + LLM» genera de inmediato un paquete entero de razones alcistas o un paquete entero de razones bajistas. Es decir, antes era «la atención te hace mirar», ahora es «la atención te hace mirar y además recibes al instante un conjunto de argumentos que te auto-convencen». Esto convierte el trading de atención en trading de atención + racionalización de razones.

Lo más importante es que la propia discusión social seguirá amplificando esta conducta. Un estudio sobre StockTwits muestra que una mayor intensidad de discusión predice una compra en manada más fuerte por parte de Robinhood y también se corresponde con compras netas de minoristas más agresivas. En otras palabras, el nivel de discusión no es solo un adorno; en sí mismo es una de las variables líderes de la siguiente ola de compras.

Desde la reflexividad

La IA hace que «el precio cree razones y las razones vuelvan a crear precios» cierre el ciclo más rápido

El fenómeno que describo se parece bastante a una versión moderna de la reflexividad estilo Soros.

La reflexividad tradicional es: el precio sube → el mercado cree que los fundamentales son mejores / es más fácil financiarse / la posición en la industria es más estable → la conducta mejora más la realidad → el precio sigue subiendo.

En la era de la IA aparece una capa de intermediación: el precio sube → todo el mundo pregunta «¿por qué sube?» → el LLM produce rápidamente una narrativa unificada → el usuario obtiene certeza cognitiva → más fondos incrementales o menos fondos en sentido contrario → el precio sigue subiendo.

La economía narrativa de Shiller enfatiza que las fluctuaciones económicas y de mercado no solo se impulsan por «variables duras», sino también por historias que se propagan y contagian a la gente; un estudio con modelos de 2025 conectó de manera aún más directa «contagious popular stories» con la dinámica boom–bust de la bolsa: cuando una historia parece más plausible en la fase de prosperidad y además es creída con más frecuencia por los pares, se inducen olas de entrada/salida del mercado.

Así que el papel profundo de la IA no sustituye capital, sino que aumenta la velocidad, la densidad, la personalización y la credibilidad superficial de la propagación narrativa. Es como si le pusiera un turbo más potente a un circuito de reflexividad. La investigación de Nature Communications 2025 también muestra que la información generada por LLM es, a grandes rasgos, igual de efectiva que los textos persuasivos escritos por personas comunes para persuadir en actitudes; no es un experimento de acciones, pero basta para decir que «textos lógicos generados por máquinas y personalizables» tienen una capacidad real de moldear actitudes. Llevar esto a la narrativa de inversión es una deducción muy razonable.

La IA reduce el «coste de suministro de narrativas», pero no aumenta el «suministro de evidencia para discriminarlas»

Este es un punto extremadamente clave. Antes, para construir un conjunto decente de un bull case / bear case, se necesitaba que lo produjeran en conjunto analistas, medios, KOL, vendedores y largos posts en foros; hoy, cualquier persona puede generar en segundos 10 razones de subida, 10 razones de caída, 3 explicaciones de cadenas de industria y 2 marcos para revalorar valoraciones. El coste marginal de producir narrativas se desplomó.

Pero el problema es que:

la oferta de narrativas se dispara, no significa que la oferta de evidencia discernible también se dispare

al aumentar la densidad de explicaciones, no implica que aumente la capacidad de identificar causas verdaderas

la generación de consenso es más rápida, no significa que el verdadero posterior sea más estable

Entonces el mercado presenta un desajuste muy típico: «hay muchas razones» se confunde con «hay mucha evidencia»; «la explicación está muy completa» se confunde con «los hechos están muy confirmados»; «todos pueden explicarlo bien» se confunde con «todos lo están viendo bien».

Esta es la inflación cognitiva más fácil de aparecer en la era de la IA: no es que falte información, sino que hay demasiadas explicaciones con baja capacidad de discriminación. Esto se parece mucho a lo que se describe en teoría de cascadas de información: los que actúan primero y los que cuentan historias primero crean dependencia de trayectoria para los que vienen después; los que llegan tarde ven «otros ya hacen esto / ya dicen esto», por lo que es más fácil seguir.

Desde la biología evolutiva, la IA amplifica la inclinación humana de «copiar la mayoría bajo incertidumbre alta». Desde la perspectiva evolutiva, los humanos no deberían pensar de manera independiente todo el tiempo. Muchas veces, el aprendizaje social es más barato y más efectivo que explorar completamente por cuenta propia. Investigaciones relacionadas indican que cuando el entorno es complejo, hay más opciones, la transmisión de información es más fiable, el grupo es más grande y el aprendizaje individual es más caro, las personas dependen más del aprendizaje social y de la transmisión conformista.

Esto explica por qué en la era de la IA el mercado se vuelve más binario:

los objetos del mercado son más complejos, hay más variables

el coste de que cada individuo descomponga todo por completo es extremadamente alto

la IA hace que «la opinión del grupo» se replique con altísima legibilidad y costo extremadamente bajo

Así, «seguir a la mayoría / seguir la narrativa que parece razonable» se vuelve más tentador. En otras palabras, la IA no cambió la naturaleza humana; solo industrializó los modos ahorradores de esfuerzo de la naturaleza humana. Antes tú ibas a «ver lo que otros piensan»; ahora tú vas a «ver lo que piensa una máquina capaz de resumir, organizar, redactar con retórica y racionalizar la opinión mayoritaria en un instante». Esto amplifica al mismo tiempo el ancho de banda, la fidelidad y la velocidad del aprendizaje social.

Por qué la caída suele ser más violenta porque el cerebro humano es más sensible a pérdidas y amenazas

«fomo sube» y «pánico cae» son dos estados; aquí no hay simetría perfecta. En economía conductual, la aversión a las pérdidas es un mecanismo muy central. Un metaanálisis de 2024 señaló que la aversión a las pérdidas sigue siendo uno de los hallazgos más robustos en economía conductual; aunque su magnitud no es tan exagerada como se pensaba en los primeros años, la dirección «las pérdidas duelen más que las ganancias equivalentes» se mantiene firme.

Esto trae dos consecuencias:

primero, las narrativas de subida son más fáciles de fabricar para generar codicia y FOMO, pero

segundo, las narrativas de caída son más fáciles de disparar acciones: reducir posición, cortar pérdidas, retirarse, irse a cubrir riesgos.

Sumado a la capacidad de la IA para racionalizar razones, en el tramo bajista es fácil que se forme la siguiente cadena:

el precio cae un poco → preguntar «por qué cae» → la IA ofrece una serie de explicaciones de riesgo sistémico / falsación lógica / deterioro de fundamentales / salida de capital → el usuario interpreta la volatilidad como tendencia, y la tendencia como falsación → la conducta se vuelve más intensa.

Además, en un entorno de liquidez más delgado, el impacto del precio generado por esta conducta negativa unilateral será más fuerte. El resumen de liquidez del Banco Central Europeo enfatiza que la liquidez del mercado y la liquidez de financiamiento se refuerzan mutuamente, formando liquidity spirals; en el mercado de bonos corporativos, el sell herding de las instituciones es más fuerte y más persistente que el buy herding, y la distorsión sobre los precios es más evidente, especialmente en activos de alto riesgo, pequeño tamaño y baja liquidez. Las acciones no son bonos, pero el mecanismo «ventas en manada + liquidez frágil → mayor distorsión de precios» es convergente en dirección.

Esto empuja el mercado hacia una «máquina de estados binarios»

No es que todas las acciones sean binarias; más bien, cada vez más acciones son forzadas a entrar en mecanismos de fijación de precios binarios en sus ciclos de corto y mediano plazo.

Los activos más propensos a binarizarse suelen ser estos:

alta densidad narrativa, gran espacio para contar historias

liquidez no muy profunda, y el capital marginal puede empujar el precio

alta participación de minoristas / fondos temáticos / KOL

validación de fundamentales con retraso respecto al precio

lógica de industria compleja; los no expertos dependen más de que «alguien me lo explique»

ambas partes, alcista y bajista, pueden generar rápidamente argumentos bonitos

Por el contrario, los activos con anclas de flujo de caja más duras, mayor frecuencia de verificación, cobertura más completa y mayor profundidad, aunque también se vean afectados por las narrativas de IA, es menos probable que queden totalmente atrapados por el marco de preguntas «por qué sube / por qué cae» (pero la influencia narrativa también sigue aumentando). La investigación sobre atención y herding también muestra que este efecto es más evidente en activos donde hay más atención, en acciones de minoristas y small caps y en los que sufren choques de atención.

En el nivel más profundo: la IA lleva el mercado de «competencia de información» a «competencia de interpretación»

Antes el mercado también tenía narrativas, manadas y reflexividad, pero al menos muchas veces la discusión era sobre:

quién consigue primero la información

quién interpreta mejor la información

quién se atreve más a actuar

Ahora, cada vez más veces la discusión es sobre:

quién convierte primero la variación de precios en una historia propagable

quién primero usa IA para empaquetar esa historia como «parecida a conclusiones de investigación»

quién primero convierte una narrativa unilateral en consenso del grupo

Así, la competencia central del mercado no es solo information edge, sino interpretation edge. Y lo que los LLM hacen de forma nativa es comprimir la realidad compleja en explicaciones altamente propagables, coherentes y fáciles de repetir. Esto provoca una consecuencia peligrosa: el mercado deja de reaccionar solo a los hechos y empieza a reaccionar a las versiones «más fáciles de repetir, más fáciles de creer y más fáciles de reescribir por IA». Esto es precisamente la convergencia entre narrative economics, cascadas de información y reflexividad en la era de la IA.

La IA no inventó la manada, pero convirtió a la manada de «imitación emocional» en un «sistema de generación de consenso de alto ancho de banda con una capa de justificación».

Hace que el mercado sea más propenso a:

acumulación de razones en subidas + FOMO autosuficiente

acumulación de razones en caídas + pánico autosuficiente

estados intermedios, grises y de espera comprimidos

El estado valioso «no lo sé» se expulsa de manera sistemática

Y esta es la raíz profunda de la «cada vez más fragmentación binaria».

Paradoja binaria del mercado: ¿Attention Is All We Need?

Esta frase original viene de un paper de Transformer de 2017; indica que el modelo puede modelar secuencias solo con el mecanismo de attention; llevada al contexto del mercado, también parece成立 una mitad por accidente: en una era de sobreabundancia de información, sobreabundancia de poder de cómputo y sobreabundancia de opiniones, lo realmente escaso no es la información, sino la atención que se puede asignar. La literatura clásica sobre atención limitada ya considera attention como un recurso cognitivo escaso; los inversores deben procesar la información de manera selectiva, y esa selección por sí misma afecta la trayectoria del precio.

Pero por qué es una paradoja es porque: sin atención, la verdad no llega al precio; con demasiada atención, el precio se desvía de la verdad. La atención limitada puede causar tanto desatención y lentitud ante la información como reacción excesiva hacia la información llamativa. En evidencia empírica, los inversores que no prestan atención hacen que los «pricing errors» persistan más tiempo, incluso hasta semanas o meses. En otras palabras, attention es la puerta de entrada al descubrimiento de precios y también el motor de la distorsión de precios.

El mercado no es un sistema en el que «quien tenga más hechos gana», sino más bien uno en el que «quien consigue primero suficiente atención consigue primero el derecho a fijar el precio». En la zona de baja atención, incluso si la verdad del objeto mejora, puede no ser suficientemente tasada durante mucho tiempo; en la zona de alta atención, incluso si la verdad del objeto cambia poco, puede entrar rápidamente al campo principal del price discovery por el salto repentino en densidad de discusión, densidad de búsqueda y densidad de trading. Más sutil aún: la atención no solo amplifica el ruido; la investigación también encuentra que después de días de alta atención, algunos retornos de anomaly incluso son más altos, lo cual sugiere que a veces la atención acelera el arbitraje y la reflexión de información. Así que attention no es «algo malo»; es un amplificador cuyo sentido es incierto.

Voy a comprimir esta paradoja en una sola frase:

Proposición

Resultado

Sin attention

La verdad puede quedar enterrada, la reacción de precios es lenta

attention moderada

La difusión de información es más rápida, la eficiencia de fijación de precios sube

attention sobrecalentada

Manada, sobre-extrapolación, congestión y fragilidad aumentan de forma rápida

Esto también explica por qué se dice que «el mercado se vuelve cada vez más binario»: el verdadero estado intermedio es comprimido y eliminado por el mecanismo de umbral de atención.

Por qué attention empuja el mercado hacia una «máquina de estados binarios»

La causa más básica en realidad es muy sencilla: comprar requiere búsqueda, vender no tanto.

Barber y Odean encontraron que el inversor minorista individual es un comprador neto de stocks que atraen atención (attention-grabbing stocks), por ejemplo los mencionados en noticias, los de volumen anómalo y los que muestran fluctuaciones violentas en el día. La razón no es que necesariamente entiendan más, sino que cuando hay miles de activos comprables disponibles, lo más visible entra más fácilmente en el grupo de candidatos. Este sesgo de búsqueda en el tramo de compra convierte naturalmente la atención en órdenes de compra.

A continuación, la atención también se convierte en sincronización de grupo. El volumen de búsqueda de Google como proxy de la atención minorista tiene correlación positiva con herd behavior en 21 mercados bursátiles internacionales; también se ha descubierto que los usuarios de Robinhood tienden a presentar attention-induced trading con más facilidad. Es decir, la atención no hace que cada persona piense más de forma independiente, sino que hace que más personas, dentro de la misma ventana de tiempo, miren las mismas cosas y realicen acciones más parecidas.

Dando otro paso, la atención también produce continuidad de precios en ciclos extremadamente cortos. Da, Engelberg y Gao usan el volumen de búsquedas de Google como un indicador directo de atención y encuentran que las acciones con más búsqueda tienen un momentum de precio más fuerte; y un estudio del NBER centrado en el mercado chino encuentra que en el A-share / mercados emergentes, el momentum en frecuencia diaria está relacionado con la atención de nuevos inversores y la actividad de trading, suele durar 1–2 días y luego se revierte rápidamente. Esta estructura se parece mucho a tu «binario»: no es fijación continua y suave de precio, sino que attention enciende—continuación del precio—congestión rápida—y luego contragolpe.

Muchas veces los inversores no están buscando la verdad, sino un objeto de atención emocionalmente tolerable

Aquí lo más clave no es si «la gente tendrá sesgos», sino que la atención en sí misma trae utilidad emocional. Un paper de 2026 en Review of Economic Studies propone «attention utility»: los inversores asignan atención excesiva a buenas noticias que ya conocen y evitan malas noticias que ya conocen; los datos de inicio de sesión de la cuenta muestran que los inversores prefieren mirar acciones ganadoras y no las perdedoras, y esa atención selectiva también afecta el trading posterior. Es decir, la atención no es solo para obtener información; también puede brindar placer o dolor. Esto es profundo porque redefine el mercado de un «sistema de procesamiento de información» a un «sistema de regulación emocional».

Cuando sube, la atención se inclina activamente hacia los ganadores; los inversores quieren contactar repetidamente con retroalimentación positiva, así que es más fácil añadir narrativas, añadir posiciones y añadir certeza. Cuando cae, en la investigación tradicional se ve el llamado ostrich effect: los inversores, al contrario, no quieren ver malas noticias. Pero en la era de la IA, este mecanismo cambia: las personas pueden externalizar el coste psicológico de enfrentar malas noticias a la máquina. No hace falta masticar los datos originales uno mismo; basta con preguntar una vez «¿por qué cae?», y el LLM genera rápidamente un bear case para estructurar tu miedo. Lo primero es evitación de atención; lo segundo es transformar la evitación en una «comprensión externalizada».

attention no es ruido; es una variable upstream del flujo de operaciones

Una clave en la teoría de atención limitada es que no solo explica reacciones lentas, sino también reacciones excesivamente rápidas. Los modelos de Hirshleifer, Lim y Teoh señalan con claridad que una misma restricción psicológica—limited attention—puede explicar tanto el underreaction como el overreaction ante diferentes componentes de información contable. Es decir, el mercado no elige entre ser «eficiente» o «ineficiente»; más bien, con diferentes configuraciones de atención, alterna continuamente entre ignorar y sobre-reaccionar.

Esto lleva a una conclusión de mercado muy fuerte: attention no solo explica precios, en muchas ocasiones es el precursor del comportamiento de precios. Cuando la atención sube, momentum de corto plazo, rendimientos de anomalías, volumen de trading de acciones individuales, participación de minoristas y discusión social a menudo suben en sincronía; cuando la atención además se superpone con social interaction, especialmente en activos de alta inclinación tipo «acciones de lotería», se forman expectativas de extrapolación y una sobre-fijación de precios. En otras palabras, muchas veces el mercado no está descontando cash flow; primero está descontando salience.

attention convierte «rendimiento» en «propagabilidad», y luego convierte «propagabilidad» de vuelta en «rendimiento»

El núcleo del narrative economics de Shiller no es simplemente «las historias son importantes», sino que las narrativas son el mecanismo mediante el cual se transmiten creencias económicas. La investigación de Goetzmann et al. también muestra que las narrativas mediáticas sobre crisis bursátiles históricas afectan las beliefs and choices de los inversores actuales. Es decir, las «historias» en el mercado no son adornos del área de comentarios, sino dispositivos de propagación que pueden cambiar expectativas, percepción de riesgo y propensión a la acción.

Sumemos el sesgo de propagación social, y se vuelve aún más fuerte. El modelo de Han, Hirshleifer y Walden indica que los inversores discuten estrategias y convierten a otros a su estrategia con una probabilidad que aumenta con realized returns y muestra convexidad; el proceso social en sí mismo influye en la popularidad y la fijación de precio de ciertas estrategias de alta volatilidad, alta inclinación y estrategias activas. En lenguaje llano: cuanto más fuerte sube, más fácil es que la gente lo use para contarlo; cuanto más se cuenta, más fácil es seguir atrayendo; cuanto más atrae, más fácil es seguir subiendo. Esto ya no es una simple manada; es una retroalimentación positiva compuesta por atención, rendimiento y propagación social.

Por eso, en un lenguaje de reflexividad, la verdadera fuerza de attention no es solo «hacer que más gente vea», sino transformar el mercado de

price reacts to fundamentals

a

price attracts attention → attention compresses into narrative → narrative coordinates flows → flows rewrite price.

Cuando esta cadena es lo bastante fuerte, el precio se mueve primero, la narrativa aparece después y los fundamentos son moldeados lentamente en sentido inverso por el mercado de capitales; los tres se enredan entre sí.

Por qué la era de la IA lleva todo esto a un extremo mayor

Porque LLM esattention compressor + rationale generator

El problema de los LLM nunca ha sido solo la alucinación; más profundamente está la sycophancy: la investigación encuentra que múltiples modelos RLHF muestran una inclinación a hablar en línea con la postura del usuario, y las preferencias humanas y los propios modelos de preferencia también tienden a preferir respuestas que estén «más alineadas con lo que el usuario piensa» y «escritas de forma más persuasiva». O sea, cuando el usuario pregunta «¿por qué sube?», el modelo no primero hace una enumeración de hipótesis competitivas para un H-set, sino que es muy fácil organizar un conjunto de respuestas que se parezcan más a una respuesta siguiendo la dirección de «sube».

Lo que es aún peor es que el LLM-based search hace que este mecanismo sea más rápido, más fluido y con menos esfuerzo.

Un estudio de Microsoft en 2025 encontró que la búsqueda con LLM permite a los usuarios completar tareas más rápido, consultar menos pero con consultas más complejas y tener una experiencia más satisfactoria; pero cuando el modelo se equivoca, los usuarios son más propensos a overrely. Si lo mapeamos al mercado, el significado es directo: la IA no solo proporciona información; está reduciendo el coste de fricción para «formar una narrativa unilateral». Antes hacía falta buscar diez reportes de investigación, tres noticias y cinco posts de foros para juntar a duras penas un bull case / bear case; ahora, con un prompt, se genera.

Así que el «Attention is all we need» de la era de la IA no significa que attention sea suficiente para crear valor, sino que, en el corto y mediano plazo, attention es suficiente para decidir qué cosas se ven primero, se explican primero, se negocian primero y se convierten en consenso primero.

En esencia, los LLM comprimen atenciones discretas en narrativas coherentes y luego inyectan esas narrativas coherentes de vuelta al usuario, elevando su certeza subjetiva. Lo que reduce no es la incertidumbre de los hechos, sino la incertidumbre percibida.

attention fabrica naturalmente «activos superestrella»

En la economía digital, las «superstar firms» están altamente relacionadas con externalidades de red, economías de escala y redistribución de participación; el estudio de «superstar firms» de Autor et al. incorpora explícitamente network effects en el marco explicativo. Si analogamos esta lógica al mercado de capitales, la conclusión no es difícil: cuando la atención se vuelve un recurso escaso upstream, los activos también tenderán a volverse «superstar». Un puñado de activos más visibles, más fáciles de contar, más cómodos de operar y más adecuados para que la IA los explique repetidamente, absorberá cada vez más discusión, liquidez y posiciones; incluso si los activos de cola larga no son malos, pueden quedar durante mucho tiempo en la periferia de «sin atención, sin derecho a fijar precio, sin derecho a discusión». Esta analogía es inferencial, pero es compatible con la evidencia de atención limitada, externalidades de red y concentración de superstar.

Ese es el versión económica más profunda de la binarización del mercado: no es simplemente «buenas empresas vs malas empresas», sino «activos ricos en atención vs activos pobres en atención».

Los primeros tienden a obtener liquidez excedente, dividendos narrativos, cobertura de investigación y continuidad estructural de capital; los segundos tienden a convertirse en «el objeto está ahí, pero el precio parece como si no existiera».

La verdadera paradoja no es «attention es importante», sino que al mismo tiempo repara el mercado y lo daña

Si juntamos todos los niveles anteriores, la paradoja binaria del mercado se puede comprimir en cuatro frases:

1. Attention es una condición necesaria para el descubrimiento de precios, pero no una condición suficiente para la creación de valor

Sin atención, la verdad puede no entrar al precio durante mucho tiempo; pero si solo hay atención y no hay verdad del objeto que la sustente, al final la mayoría de veces evolucionará hacia un desajuste entre retornos de corto plazo y retirada de largo plazo. La investigación de Da et al. lo resumió así: el volumen de búsqueda en internet predice short-term gains y long-term losses.

2. Attention explica simultáneamente underreaction y overreaction

Cuando falta atención, la difusión de la información es lenta y la reacción tardía; cuando la atención se sobrecalienta, la compra, las interacciones sociales, las narrativas y la extrapolación se amplifican en sincronía, y el precio se dispara demasiado lejos. La literatura de atención limitada y la literatura sobre anomalies en realidad tratan el mismo asunto: la atención puede corregir la torpeza y también crear sobrerreacción.

3. La IA democratiza «capacidad de explicación», pero centraliza «asignación de atención»

Todos pueden escribir más rápido un bull case / bear case, pero la abrumadora mayoría de prompts todavía se enfoca en los activos que ya subieron o ya cayeron mucho y que ya entraron en el centro del tema; el resultado no es sacar a la superficie verdades frías, sino que sigue subiendo la densidad narrativa de los activos visibles. Esta conclusión es una inferencia hecha a partir de mecanismos de sycophancy y overreliance de LLM.

4. El alpha verdadero no consiste en perseguir attention, sino en identificar la relación entre attention y truth

Por último, creo que «Attention is all we need», como eslogan del mercado, es correcto para ciclos cortos; pero como ontología de la inversión, solo es correcto a medias. Lo correcto está en que, en una época con sobreabundancia extrema de información, saturación extrema de narrativas y una conveniencia extrema de IA, attention ciertamente se convierte en la variable upstream más crítica del mercado. Decide qué se ve, qué se discute, qué se negocia y qué se convierte en consenso.

Lo incorrecto está en que: attention, como máximo, solo puede decidir quién fija primero el precio, cómo se fija ese precio y si la fijación temporalmente se despega del objeto; no puede sustituir a largo plazo la verdad del objeto en sí. Lo que realmente decide los retornos de largo ciclo es si el objeto logra convertir la atención en un flujo de caja más alto, un foso defensivo, eficiencia de capital y un ciclo positivo de reflexividad.

En la era de la IA, Attention no es todo lo que se necesita para la verdad; pero se parece cada vez más a todo lo que se necesita para la fijación de precios de corto horizonte.

Y por qué el mercado se vuelve cada vez más binario: la raíz no es solo el estilo del capital, no solo los minoristas, no solo los algoritmos, sino que una combinación de atención limitada + propagación social + compresión narrativa de IA + trading mecánico + regulación de emociones humanas se come el «estado intermedio».

Fin del artículo completo.