Mete un equipo de análisis de banca de inversión en tu IA: cómo monetizar TradingAgents, el framework multi-agente

El problema: un solo agente no puede tomar decisiones complejas

Quien haya usado GPT o Claude para análisis de inversión conoce el dolor: pides a un modelo que evalúe fundamentales, sentimiento y técnico a la vez, y te da papilla. O un “mantener” ambiguo, o una cadena lógica rota: un segundo dice que los resultados superan expectativas y al siguiente que el sentimiento se deteriora.

No es un problema de inteligencia del modelo. Es un problema de arquitectura. La banca de inversión real funciona por división de trabajo: cada analista cubre lo suyo, los researchers debaten, el trader mira señales, riesgo pone los stops. Una IA haciendo todos los papeles a la vez siempre distorsiona.

La clave de TradingAgents es que rompe esa cadena en siete agentes independientes: analista fundamental, analista de sentimiento, analista de noticias, analista técnico, researchers (debate alcista/bajista), trader y gestor de riesgo. Cada uno trabaja por su cuenta, se pelean entre sí y al final se consolida.

La oportunidad: no es una máquina de trading, es el “sandbox estándar” de colaboración entre IAs

La primera reacción de mucha gente es “lo uso para operar”. Error. Eso es tratar TradingAgents como magia.

Lo importante es esto: es una plantilla open source, modificable y funcional de un sistema de decisiones complejas.

Si haces servicios de IA, copias de aquí la arquitectura multi-agente. Si haces contenido, tienes material para explicar “cómo decide una IA”. Si haces producto, haces fork y construyes un asistente de decisión para un sector vertical.

En GitHub está entre los frameworks multi-agente más comentados (el número de estrellas varía; según el post original, entre 56k y 98.9k, sin verificar de forma independiente). Código limpio, documentación completa, comunidad activa. Para quien quiere estudiar colaboración entre IAs, es una mesa de disección lista para usar.

Las tres vías de monetización

Vía 1: servicios — “suites de agentes de decisión” para sectores concretos

La arquitectura de TradingAgents es modular: capa de analistas, capa de researchers (debate alcista/bajista), capa de trading, capa de riesgo. Cada capa es un agente independiente.

La lógica del servicio es simple: cambia “análisis financiero” por el escenario de decisión de otro sector.

• Decisión de selección de producto e-commerce: un agente corre datos de ventas, otro precios de competencia, otro riesgo de proveedores, y debaten si lanzar o no el producto. Cambios concretos: reescribe el system prompt en analyst.py, cambia la fuente de datos financieros por la API de tu herramienta de analítica e-commerce, y sustituye el MACD por tendencia de ventas.
• Decisión de contenidos: agentes que analizan algoritmo de plataforma, sentimiento de audiencia y patrones de virales, y debaten si hacer o no ese tema. Cambios: fuente de noticias por métricas de TikTok/Instagram, variable “resultados” por “retención/engagement”.
• Decisión de contratación: agentes que evalúan encaje del CV, desempeño en entrevista y riesgo de equipo, y debaten si hacer la oferta. Cambios: API de datos de mercado por API de parsing de CVs, y la lógica de “stop loss” del agente de riesgo por “probabilidad de superar el periodo de prueba”.

Yo uso Claude para el razonamiento, es el más estable; GPT-4o a veces se desmadra. n8n se aprende más rápido que Make pero sale más caro; depende de tu presupuesto. Cuando el cliente oye “7 IAs discutiendo para decidir por ti”, el presupuesto se duplica solo.

Anclas de precio (según presupuesto del cliente): versión personalizada de un escenario, 1.000-2.500 €; versión sectorial genérica, desde 3.500 € (comparable a un proyecto de dashboard BI a medida).

Vía 2: contenido — convierte “cómo piensa una IA” en producto de conocimiento

Cuando TradingAgents corre, genera el registro completo del debate: qué dice el researcher alcista, cómo rebate el bajista, qué lógica adopta finalmente el trader.

Ese registro es material de contenido escaso.

Abre una cuenta de “diario de inversión IA” en Lemon8 o TikTok: cada día corres una acción y conviertes el debate en un vídeo corto con capturas. El titular va directo al conflicto: “GPT dice comprar vs Claude dice vender: ¿qué pasa con Tesla?”. Ese formato retiene audiencia como pocos.

⚠️ Aviso de cumplimiento: el contenido con recomendaciones concretas de acciones dispara fácilmente las políticas de valores de las plataformas; riesgo alto de shadowban o cierre de cuenta. Muestra solo el debate, no des consejos de compra/venta. Titula “cómo discuten las IAs”, no “si debes comprar”.

Nivel avanzado: compila los debates en una “Newsletter semanal de decisiones IA” en Substack, a 30-90 €/año. Público objetivo: minoristas y curiosos que no pueden pagar research de banca pero sí el subproducto de una “mesa de inversión simulada por IA”.

Valor oculto: esos debates alimentan tu Second Brain (base de conocimiento personal). Documenta “en qué condiciones la IA cambia de criterio” y tendrás un activo reutilizable para cualquier decisión futura.

Vía 3: producto — un “SaaS de research IA” vertical

TradingAgents es open source, pero las fuentes de datos sectoriales y los prompts son la barrera.

Ejemplo e-commerce: convierte la arquitectura en una “suite de agentes de selección de producto”, conecta las APIs de tu stack de analítica y marketplaces (Amazon, Shopee), reescribe los prompts para el escenario de sourcing. Un vendedor de Shopify o Amazon pagará 60-250 €/mes por “10 productos potenciales detectados cada día” (unas 6 veces el precio de una suscripción básica de herramienta de analítica).

Stack técnico por fases:

• MVP mínimo: Streamlit + módulos core de TradingAgents + una API key. Tres días y está en el aire.
• Versión avanzada: frontend en Next.js, backend en FastAPI, orquestación de agentes con LangGraph (motor de workflows) o CrewAI.
• Escala: Railway o Vercel, conectando fuentes de datos por sector.

Arranque en frío con SEO y pauta en Pinterest/Lemon8, atacando keywords tipo “herramienta IA selección producto” o “asistente IA de análisis”. Los primeros usuarios se pescan en comunidades de e-commerce y grupos de Telegram de inversión.

Cálculo de costes: que las APIs no se coman tu margen

7 agentes en serie consumen unos 15k-30k tokens por decisión con GPT-4o: unos 0,60-1,80 € por corrida. Si el cliente corre una al día, el coste mensual de API es 18-55 €. Con precio de 60-250 €/mes, margen bruto del 60-70%. Aguanta.

Para recortar: los agentes no críticos (sentimiento, noticias) con GPT-4o-mini o un Llama local, y el coste baja a 0,10-0,40 € por corrida. El debate de researchers es el núcleo: ahí no recortes.

Caso real: cómo se ve una decisión generada por TradingAgents

El post original menciona funciones de backtesting y paper trading (según la fuente, sin verificar de forma independiente). Supón que lo corres con Tesla:

1. Analista fundamental: últimos resultados, “ingresos +15% interanual, margen bruto recuperando”.
2. Analista de sentimiento: barre Twitter y Reddit, “retail optimista, pero cae la conversación institucional”.
3. Analista de noticias: Bloomberg y Reuters, “ampliación de la fábrica de Shanghái, catalizador positivo”.
4. Analista técnico: MACD y RSI, “sobrecompra en semanal”.
5. Debate de researchers: el alcista argumenta “fundamentales + expansión sostienen el largo plazo”; el bajista, “técnico sobrecomprado + sentimiento en techo”.
6. Trader: síntesis, “posición pequeña de prueba, stop en -5%”.
7. Gestor de riesgo: revisa correlaciones de cartera, “exposición a tech ya elevada, reducir 20%”.

Ese proceso completo te da más densidad de conocimiento que un día entero leyendo foros de inversión.

Llamada a la acción: esta misma noche

Deja de guardar marcadores. Abre GitHub, busca TradingAgents, clónalo y sigue estos tres pasos:

1. Corre el caso por defecto: con una API key de OpenAI o Anthropic, analiza Apple y observa el debate completo.
2. Cambia una variable: sustituye el ticker por una categoría e-commerce que conozcas (“¿qué prenda de mujer vale la pena lanzar?”) y mira cómo debaten los agentes.
3. Graba una pieza de contenido: graba la pantalla del debate, súbelo a TikTok o Lemon8 con el título “Puse a 7 IAs a pelearse para decidir si compro Tesla”.

En tres días vuelve y cuéntame cuánto has ganado.

¿Y si no sabes programar?

• Usa las plantillas multi-agente de arrastrar y soltar de Coze o Dify. Cero Python.
• O usa la demo web de TradingAgents (si el autor la ha desplegado): metes el ticker, ves el debate, grabas pantalla y ya tienes contenido.
• La opción más vaga: corre el caso por defecto una vez, sube las capturas del debate a Lemon8 con “7 IAs analizaron Apple por mí” y aun así ganarás seguidores.