¿Cómo pueden los modelos de lenguaje a gran escala (LLM, por sus siglas en inglés) mejorar nuestra forma de trabajar con taxonomías XBRL? En su último blog, Revathy Ramanan, directora de Orientación Internacional de XBRL, analiza cómo las herramientas basadas en IA pueden ayudar a los autores de taxonomías y a los proveedores de software, mejorando la calidad, la claridad y la usabilidad de las mismas.
Experimentos recientes demuestran que los modelos de lenguaje natural (LLM) pueden optimizar el desarrollo de taxonomías al identificar frases redundantes en las etiquetas, garantizar la coherencia y mejorar la claridad, lo que ayuda a los autores de taxonomías a perfeccionar su trabajo de manera más eficiente. También pueden proporcionar controles de calidad en tiempo real, como la verificación de las estructuras de árbol de presentación, asegurando así el cumplimiento de las mejores prácticas. ¿Otro caso de uso clave? Facilitar la interpretación de las reglas de fórmulas. Los LLM pueden desglosar las fórmulas en explicaciones comprensibles para el ámbito empresarial, lo que ayuda tanto a usuarios técnicos como no técnicos a comprender la lógica detrás de las reglas de validación.
Más allá de estas mejoras, Revathy también contempla una aplicación más transformadora: el uso de modelos de lenguaje natural (LLM) para replantear la navegación taxonómica. Tradicionalmente, las taxonomías se basan en estructuras jerárquicas, cuya exploración puede resultar engorrosa. Mediante la IA, los usuarios pueden consultar taxonomías en lenguaje natural, obteniendo resúmenes contextualizados de las divulgaciones e identificando conceptos relevantes de forma más intuitiva.
¿Podrían los LLM transformar la forma en que se diseñan y exploran las taxonomías? Las ideas de Revathy sugieren un futuro en el que la asistencia impulsada por IA hará que las interacciones con las taxonomías sean más inteligentes, rápidas y accesibles.
Aprovechamiento de modelos LLM para interacciones taxonómicas más inteligentes
En blogs anteriores, he explorado cómo podemos aprovechar los modelos de lenguaje a gran escala (LLM, por sus siglas en inglés), como ChatGPT, para facilitar y mejorar significativamente el análisis de informes XBRL, incluyendo tanto datos numéricos como descripciones narrativas. Estas herramientas permiten a los usuarios realizar consultas en lenguaje natural, eliminando la necesidad de conocimientos de programación. Al proporcionar datos XBRL a los LLM, permitiendo que estos modelos comprendan la estructura de los datos y accedan a los metadatos de taxonomía, podemos obtener información más profunda y precisa que con formatos no estructurados tradicionales como los PDF.
En este artículo, dejaré de lado, por ahora, el análisis del usuario final para considerar cómo se pueden utilizar las capacidades de los LLM para crear experiencias de taxonomía XBRL más inteligentes e interactivas. Este artículo está dirigido especialmente a autores de taxonomías y proveedores de software que diseñan experiencias de navegación de taxonomías en sus herramientas.
Mejorar la claridad y la coherencia del etiquetado.
Definir etiquetas en una taxonomía puede ser complejo y llevar mucho tiempo. No se trata solo de seguir reglas: lograr etiquetas claras, concisas y coherentes a menudo requiere un criterio que las herramientas de automatización estándar no pueden replicar fácilmente. Aquí es donde los modelos de lenguaje natural (LLM) pueden ser de gran ayuda, permitiendo a los autores de taxonomías perfeccionar las definiciones de etiquetas con mayor facilidad y precisión.
Le proporcioné a ChatGPT una lista de etiquetas estándar en formato de hoja de cálculo y le pedí que identificara palabras redundantes. Los resultados fueron reveladores: señaló frases como «cantidad total», «para el período de informe» y «relacionado con «como ejemplos de verborrea innecesaria.
Posibles frases redundantes en las etiquetas estándar.
Por ejemplo, la frase «periodo de informe» se usa con frecuencia en las etiquetas, pero es muy probable que sea redundante, ya que todos los elementos de la taxonomía se relacionan intrínsecamente con un periodo de informe. Al eliminar dichas frases, los autores de taxonomías pueden mejorar la claridad sin sacrificar el significado. El uso de modelos de lenguaje natural (LLM) para este tipo de consultas proporciona pistas útiles a los autores de taxonomías al refinar las etiquetas.
Más allá de la simple detección de redundancias, los modelos de lenguaje natural (LLM) pueden analizar patrones de etiquetas para mejorar la coherencia. Le pedí a ChatGPT que examinara las etiquetas estándar de una taxonomía de informes de sostenibilidad que contenía el término «cadena de valor». Reconoció que estas etiquetas a menudo contenían los términos «aguas arriba» y «aguas abajo», que frecuentemente aparecían juntos.
Análisis de patrones en etiquetas que contienen el término “cadena de valor”.
En los informes de sostenibilidad, el término cadena de valor suele abarcar tanto las actividades iniciales como las finales. Las etiquetas estándar, diseñadas para capturar de forma concisa cada concepto del informe, no necesitan indicarlo siempre; solo requieren los términos «iniciales» o «finales» cuando se identifican únicamente los impactos iniciales o finales. El patrón detectado por ChatGPT sugiere que algunas etiquetas estándar incorporan ambos términos innecesariamente y que, en su lugar, podrían incluirse en la etiqueta de documentación, que proporciona una descripción más extensa. Estas observaciones ayudan a los autores a replantearse la construcción de las etiquetas, lo que, en última instancia, conduce a una taxonomía más estructurada y estandarizada.
Controles de calidad sobre la marcha
Otra aplicación útil de los modelos de lenguaje natural (LLM) es la verificación de la calidad de las taxonomías en tiempo real mediante reglas. Por ejemplo, los autores de taxonomías pueden verificar rápidamente si todos los árboles de presentación comienzan con un elemento abstracto, lo que garantiza el cumplimiento de las mejores prácticas. El proceso de revisión de taxonomías por parte de los autores puede complementarse con la integración de verificaciones de calidad basadas en LLM, lo que, en última instancia, mejora la integridad de la taxonomía.
Simplificación de la interpretación de fórmulas con LLM
Las reglas de fórmula son una característica clave de XBRL. Ofrecen un mecanismo estandarizado para integrar reglas de validación en una taxonomía XBRL y desempeñan un papel fundamental para garantizar la calidad de los datos. Sin embargo, una crítica común es que estas reglas pueden resultar difíciles de interpretar para los humanos. Si bien la fórmula XBRL (XF), basada en texto, ofrece una sintaxis más amigable, aún puede parecer técnica y compleja.
Una regla de fórmula XBRL representada en XF.
Los modelos de lógica de negocio (LLM) destacan por su capacidad para interpretar código, lo que los convierte en herramientas valiosas para descifrar la lógica de las fórmulas. En este experimento, utilizo Google Gemini para demostrar que se pueden usar diferentes herramientas disponibles para este tipo de tareas. Le proporcioné a Gemini reglas de fórmulas XBRL en XF y le pedí que explicara su estructura. El modelo identificó eficazmente patrones clave y resumió las reglas de forma clara y comprensible para el ámbito empresarial.
Interpretación de las reglas de la fórmula XBRL por Gemini – 2
Para profundizar en este tema, proporcioné una fórmula específica para calcular el Índice de Interés Público. Gemini desglosó las variables y explicó la lógica en términos sencillos, haciendo que la regla fuera comprensible incluso para usuarios sin conocimientos técnicos.
Estos experimentos sugieren un caso de uso prometedor para los modelos LLM en herramientas de representación taxonómica, donde podrían actuar como intérpretes bajo demanda para fórmulas complejas.
Repensando la navegación taxonómica con LLM
Tradicionalmente, las taxonomías se navegan mediante estructuras jerárquicas, lo que obliga a los usuarios a profundizar en los niveles de anidamiento para comprender los conceptos relevantes. Si bien este enfoque es eficaz, puede resultar engorroso a la hora de comprender las divulgaciones en su contexto.
Visión jerárquica de una taxonomía.
¿Y si los másteres jurídicos pudieran ofrecer una forma más intuitiva de explorar las taxonomías?
Para explorar esto, proporciono a ChatGPT un extracto de la taxonomía ESRS en formato JSON, integrado en el visor XBRL en línea del informe iXBRL de muestra proporcionado por EFRAG. El modelo incluye propiedades de conceptos, referencias, etiquetas y relaciones de presentación y cálculo.
Le pedí a ChatGPT que buscara divulgaciones relacionadas con «planes de transición». A mi petición, en lugar de simplemente enumerar conceptos, analizó la taxonomía, identificó elementos e información relevantes y los resumió de forma comprensible para el ámbito empresarial. Además, proporcionó contexto sobre la divulgación presente en la taxonomía.
Resumen de las divulgaciones relacionadas con los planes de transición dentro de una taxonomía.
Este enfoque podría ofrecer una forma más natural de explorar y comprender las taxonomías, facilitando así la experiencia del usuario. La idea no es eliminar el enfoque jerárquico, sino utilizar modelos de lenguaje natural (MLN) para una navegación más inteligente. Los MLN pueden ayudar a comprender mejor la estructura taxonómica, mostrando cómo se conectan los conceptos dentro de la jerarquía y destacando otras ideas relevantes que podrían ser de interés.
Este enfoque podría ofrecer una forma más natural de explorar y comprender las taxonomías, facilitando así la experiencia del usuario. La idea no es eliminar el enfoque jerárquico, sino utilizar modelos de lenguaje natural (MLN) para una navegación más inteligente. Los MLN pueden ayudar a comprender mejor la estructura taxonómica, mostrando cómo se conectan los conceptos dentro de la jerarquía y destacando otras ideas relevantes que podrían ser de interés.
Quizás sea el momento de replantearse cómo funciona la navegación taxonómica.
Reflexiones finales
La integración de los modelos de lenguaje natural (LLM) en los flujos de trabajo de taxonomía ofrece interesantes oportunidades para el refinamiento de etiquetas, la revisión de taxonomías, la interpretación de fórmulas y la mejora de la navegación. Estas capacidades podrían aumentar la eficiencia, mejorar la claridad y proporcionar a los usuarios empresariales una forma más intuitiva de interactuar con las taxonomías.
Si bien aún queda mucho por explorar —y es muy probable que haya más aplicaciones por descubrir— una cosa está clara: los LLM no son solo herramientas para la automatización, sino asistentes inteligentes que pueden respaldar la evolución del diseño y la usabilidad de las taxonomías.