A mediados de 2026, BlackRock anunció una cifra récord: 15,3 billones de dólares en activos bajo gestión, tras un primer semestre en el que los flujos de entrada se duplicaron con creces respecto al año anterior. Detrás de ese crecimiento no solo hay decisiones de inversión acertadas — hay una pieza tecnológica muy concreta: Aladdin, el sistema de análisis de datos que la gestora lleva desarrollando desde 1988 y que hoy utilizan más de 170 gestoras de activos y 40 aseguradoras externas a la propia BlackRock, entre ellas Franklin Templeton e Intesa Sanpaolo.
Este caso resume mejor que cualquier explicación teórica lo que ha cambiado en la analítica financiera: ya no es una ventaja competitiva reservada a un puñado de bancos de inversión — se ha convertido en la infraestructura sobre la que se apoya buena parte del sistema financiero global, y las cifras de 2026 lo confirman con datos concretos.
Qué es exactamente Aladdin, y por qué importa como caso de estudio
Aladdin no nació como un producto comercial, sino como una herramienta interna de gestión de riesgo de BlackRock en 1988. Con el tiempo fue incorporando funcionalidades —análisis de sostenibilidad, gestión de carteras, más recientemente datos de mercados privados tras la adquisición de Preqin en 2024, valorada en unos 3.200 millones de dólares— hasta convertirse en lo que la propia BlackRock llama un «sistema operativo» para la gestión de inversiones. Actualmente emplea a 7.500 profesionales, un 30% de toda la plantilla de la gestora, repartidos en 23 países. BlackRock ha declarado abiertamente su ambición de que esta división tecnológica represente un tercio de los ingresos totales de la compañía en 2030 — es decir, que vender la infraestructura de datos llegue a pesar tanto como gestionar el propio dinero de los clientes.
Los fondos cuantitativos ya no son una anécdota
Otro dato que ilustra el peso real que ha adquirido el análisis masivo de datos: según Barclays Investment Bank, los fondos cuantitativos (quant) —aquellos que combinan modelos matemáticos con inteligencia artificial para identificar patrones y ejecutar operaciones de forma sistemática— lideraron la generación de alfa (el rendimiento superior al del mercado) en toda la industria de hedge funds durante 2025, con un 5,8%, en línea con su media anualizada desde 2020. No es una moda pasajera ni un nicho experimental: es, actualmente, la estrategia que mejor está funcionando dentro de una industria que gestiona billones de dólares.
Las tres fuentes de datos alternativos que más está usando la IA en 2026
Según un análisis reciente sobre el sector de hedge funds, la inteligencia artificial está ampliando sus capacidades de análisis de datos alternativos en tres frentes concretos:
- Imágenes satelitales, usadas para estimar cosechas agrícolas o actividad económica de zonas concretas antes de que se publiquen estadísticas oficiales — una aplicación que ya mencionaba la versión anterior de este artículo, y que en 2026 sigue siendo una de las más consolidadas.
- Datos de tarjetas de crédito, que permiten anticipar tendencias de consumo con semanas de adelanto respecto a los informes trimestrales de las empresas.
- Tráfico web, utilizado para estimar el interés real de los consumidores por un producto o servicio antes de que se refleje en las cifras de ventas oficiales.
A esto se suma el análisis de sentimiento de mercado en tiempo real y la asignación dinámica de capital entre estrategias según las condiciones del momento — es decir, no solo se usan más datos, sino que los propios modelos deciden cómo repartir el capital de forma prácticamente continua, no solo en revisiones periódicas.
El otro lado de la moneda: cuando el propio mercado empieza a dudar
No todo apunta a una adopción sin fricciones. Un análisis de Mercer sobre perspectivas de inversión para 2026 señala un riesgo que conviene tener en cuenta: se espera que las grandes empresas que operan centros de datos (los llamados «hyperscalers») inviertan cerca de 450.000 millones de dólares en infraestructura de IA durante 2026, y 500.000 millones en 2027. El propio informe advierte de que sigue siendo incierto si esas inversiones se traducirán en los retornos que el mercado ya está descontando — una advertencia que aplica tanto a la infraestructura de IA en general como, por extensión, a las herramientas de analítica financiera que dependen de ella.
Esto conecta directamente con algo que ya analizamos en nuestro artículo sobre las Siete Magníficas y los semiconductores en 2026: el propio mercado ha empezado a exigir pruebas concretas de rentabilidad antes de seguir premiando indiscriminadamente cualquier inversión relacionada con IA y datos masivos.
Riesgos que no han desaparecido con el tiempo
Los desafíos que ya planteaba la analítica financiera hace unos años siguen vigentes, y en algunos casos se han vuelto más relevantes: la privacidad y seguridad de volúmenes de datos cada vez mayores, el riesgo de que un modelo entrenado con información sesgada o incompleta genere conclusiones poco fiables, y la dependencia tecnológica — el riesgo de ignorar factores difíciles de cuantificar por confiar en exceso en lo que dice un algoritmo. A esto se añade ahora una pregunta más específica de 2026: si el ritmo de inversión en la infraestructura que sostiene todo este análisis de datos es sostenible, o si una corrección en ese terreno podría afectar también a las herramientas analíticas que dependen de ella.
Por qué el criterio humano sigue siendo la pieza que falta en la ecuación
A mi juicio, el caso de Aladdin es revelador precisamente porque BlackRock, pese a tener uno de los sistemas de análisis de datos más sofisticados del mundo, sigue empleando a miles de profesionales para interpretar lo que esos datos muestran — no ha sustituido el criterio humano, lo ha equipado con mejor información. Esto sugiere que la pregunta relevante en 2026 no es si el Big Data sustituirá el análisis humano en las finanzas, sino qué proporción de cada decisión debe corresponder a uno y a otro, algo que la propia advertencia de Mercer sobre el riesgo de sobreinversión en IA vuelve a poner sobre la mesa: los datos son tan buenos como la interpretación que se hace de ellos, y esa interpretación sigue exigiendo criterio, no solo capacidad de cómputo.
Este artículo tiene fines informativos y educativos, no constituye asesoramiento financiero personalizado.
Fuentes: Funds Society, El Economista, Rankia, Mercer (vía Funds Society), BusinessWire.