La inteligencia artificial promete transformar la forma en que analizamos los datos financieros (y de otros negocios), y las principales plataformas están lanzando herramientas ambiciosas para democratizar el análisis de las inversiones. Pero tras este entusiasmo se esconde una pregunta crucial: ¿puede la IA comprender realmente lo que lee?
Una nueva investigación académica cuestiona supuestos fundamentales sobre la preparación de la IA para el análisis financiero, con hallazgos que deberían preocupar a quienes utilizan herramientas financieras basadas en IA. El estudio revela importantes brechas entre las capacidades de la IA y la precisión requerida para un análisis de alta calidad. Las IA actuales demuestran ser incapaces de identificar con precisión el significado financiero en la mayoría de los casos, lo que dificulta el análisis asistido por IA. Sin embargo, la investigación ofrece un enfoque valioso para probar y mejorar las capacidades de la IA.
Mientras tanto, hemos estado probando afirmaciones de IA que buscan hacer que los documentos presentados ante la SEC sean «comprensibles al instante». Los resultados revelan patrones preocupantes en la forma en que estas herramientas interpretan los datos corporativos, y lo que están pasando por alto por completo. Entre otras cosas, es bastante evidente que procesan la información financiera de forma deficiente, con consecuencias previsibles para la precisión y la fiabilidad.
Las implicaciones van mucho más allá de la tecnología: afectan la calidad de los datos, la normativa y el futuro de la transparencia financiera. Para quienes desarrollan, regulan o invierten en herramientas financieras basadas en IA, comprender estas limitaciones es fundamental.
Más allá de la exageración: cómo los datos estructurados pueden salvar el análisis financiero de la IA.
John Turner, CEO de XBRL International, habla sobre la necesidad de que la analítica digital se base en datos digitales trazables y de alta calidad.
La IA está llegando al análisis financiero, y lo hace a pasos agigantados. ¿Esto se traducirá en información útil o en un caos de conjeturas y descabelladas conclusiones? ¿Cómo podemos saberlo? En las últimas semanas, hemos visto dos avances en IA que parecen muy relevantes para los informes digitales. Creemos que los datos digitales estructurados son un ingrediente clave para un análisis de IA de alta calidad, y las últimas evidencias que respaldan esta opinión se acumulan.
En primer lugar, un nuevo artículo académico (anterior al análisis por pares, como parece ser el enfoque para la IA) cuestiona las suposiciones sobre la preparación de la IA para el análisis financiero. El equipo de investigación, de The Fin AI, la Universidad de Columbia, el Instituto Tecnológico de Georgia y el Gustavus Adolphus College, ha creado FinTagging, un referente para evaluar la capacidad de los grandes modelos de lenguaje (LLM) para extraer y estructurar información financiera de informes corporativos.
Sus hallazgos son preocupantes. Si bien los modelos de IA son eficaces para localizar y clasificar información financiera en documentos, presentan serias dificultades con la comprensión semántica precisa que requiere el etiquetado (y el análisis financiero). En lo que respecta a la tarea crucial de vincular los números y el texto extraídos con los conceptos correctos en la taxonomía completa de US-GAAP (la lista de definiciones digitales utilizadas para la presentación de informes en EE. UU.), incluso los mejores modelos alcanzan solo un 17 % de precisión. En otras palabras, se equivocan al adivinar el significado de cada dato al menos el 83 % de las veces. Por supuesto, esta identificación precisa se vuelve trivial (simplemente un caso de vincularla con los datos digitales exactos que se utilizan) si se proporcionan a la IA etiquetas y taxonomías XBRL.
En segundo lugar, empresas como Perplexity AI están anunciando planes ambiciosos para democratizar el acceso a los datos financieros mediante IA, sin aprovechar la infraestructura digital existente. La investigación de FinTagging parece revelar deficiencias fundamentales en los enfoques actuales.
Debo recalcar desde el principio que tanto la investigación como las iniciativas prácticas de maestría en derecho (LLM) en este campo son completamente nuevas. Por lo tanto, como ocurre con todo en el mundo de la IA, los lectores deben abordar estos temas con cautela y realizar pruebas de forma continua.
Acceso a los datos sí, información útil no
El reciente anuncio de Perplexity AI sobre la integración con SEC/EDGAR promete hacer que los complejos informes corporativos de las empresas estadounidenses sean comprensibles al instante mediante consultas en lenguaje natural. Se trata de una visión ambiciosa que podría democratizar el análisis financiero para millones de inversores, y en XBRL International apoyamos plenamente el objetivo de aprovechar la IA para mejorar el acceso a los datos y la transparencia financiera.
Pero hay un problema fundamental que subyace a la superficie: por lo que sabemos, el modelo de IA parece estar consumiendo únicamente las partes HTML legibles por humanos de los documentos presentados ante la SEC, así como análisis de terceros, y no los datos ricos y estructurados legibles por máquina que ya están integrados en cada documento.
En nuestros experimentos, hemos descubierto que el uso de la versión Enterprise Pro de la herramienta Perplexity arroja resultados bastante dispares. Aquí les presentamos algunos ejemplos:
- Al consultar la herramienta sobre los activos corrientes de Microsoft [MSFT] para el trimestre finalizado el 31 de marzo de 2025, se obtienen los resultados correctos.
- Al solicitar un desglose de los activos corrientes, la herramienta indica primero que el balance detallado no está disponible en el comunicado de prensa ni en los datos financieros destacados de ese trimestre. Luego, al pedírsele que consultara la documentación presentada ante la SEC, devuelve con seguridad cifras de junio de 2024, alegando que provienen del informe 10-Q de marzo de 2025. Tras recibir la indicación de que las cifras son incorrectas, se corrige automáticamente.
- Al preguntar sobre las “ganancias/pérdidas netas reconocidas en inversiones”, solo se muestra el total de “Otros gastos”, indicando que este rubro está incluido. Sin embargo, no se especifica el monto exacto, a pesar de que se detalla por separado en el informe.
- Cuando se le solicita que proporcione un desglose de la información sobre segmentos divulgada por Microsoft, la herramienta identificará los segmentos de negocio, pero no los segmentos geográficos que aparecen directamente debajo de ellos.
- Si le preguntas sobre el gasto en I+D de Amazon ( ¡una pregunta recurrente!), te dará una estimación de un tercero o una cifra (probablemente) mucho mayor («Tecnología y contenido» y «Tecnología e infraestructura»). Curiosamente, lo hace con total seguridad. Amazon es conocida por no revelar su gasto en I+D.
En XBRL International no contamos con los recursos necesarios para analizar en profundidad la nueva herramienta de Perplexity. Sin embargo, es evidente que no utiliza los datos estructurados ni los metadatos publicados por la SEC. En cambio, se basa principalmente en el código HTML de la página, así como en evaluaciones de terceros disponibles en línea. Como ya han señalado otros, el resultado dista mucho de ser información y análisis de calidad para inversores.
Todo esto representa un error, pero la oportunidad está ahí para ser aprovechada. La investigación sobre FinTagging parece proporcionar tanto una hoja de ruta para la mejora como un marco de pruebas para identificar las limitaciones actuales.
Leyendo como humanos, no como máquinas.
Cuando las empresas presentan informes ante la SEC, envían un único documento Inline XBRL legible tanto para humanos como para máquinas. Cada cifra financiera y cada fragmento de información se etiqueta con un concepto estandarizado de la taxonomía US-GAAP, o a veces con una definición específica de la empresa conocida como «extensión». Las etiquetas otorgan a cada dato un significado preciso —lo que permite, por ejemplo, identificar qué divulgaciones comparar en diferentes informes— y proporcionan vínculos con otros conceptos, creando un conjunto sofisticado de relaciones semánticas. Los informes presentados ante la SEC constituyen precisamente el tipo de datos estructurados que deberían mejorar la precisión y la exhaustividad del análisis mediante IA.
Sin embargo, nuestras pruebas parecen demostrar que Perplexity, al igual que la mayoría de las herramientas financieras con IA hasta la fecha, ignora esta información digital. Aparentemente, solo procesa el texto narrativo y las tablas en formato HTML, complementados con comentarios de terceros provenientes de la web. Es como tener acceso a una biblioteca con un catálogo preciso, pero optar por leer solo las portadas de los libros, hojear algunos volúmenes y mezclarlos con reseñas aleatorias.
FinTagging: una prueba de realidad para las afirmaciones financieras de la IA
La investigación FinTagging ofrece una cruda perspectiva sobre las capacidades de la IA en el procesamiento de datos financieros. El enfoque del equipo utiliza informes XBRL existentes para poner a prueba a los modelos de lógica descriptiva (LLM). Las IA realizan conjeturas (sin la guía de XBRL) sobre el contenido de cada informe, y las etiquetas XBRL conocidas funcionan como una especie de hoja de respuestas para la comparación. Los investigadores estaban particularmente interesados en el potencial de los LLM para el etiquetado XBRL automatizado, pero su capacidad para identificar datos con precisión es igualmente relevante para el análisis asistido por IA.
El equipo probó diez modelos de lenguaje de programación lógica (LLM) de última generación en dos tareas críticas: extraer información financiera de documentos (FinNI) y vincular esa información con los conceptos correctos de la taxonomía XBRL (FinCL). Los resultados fueron reveladores:
- Capacidades de extracción bastante sólidas: Modelos como DeepSeek-V3 lograron puntuaciones F1 de hasta el 72 % al localizar y extraer información financiera tanto de texto como de tablas. GPT-4o ocupó el segundo lugar con un 60 %, mientras que los modelos más pequeños tuvieron un rendimiento deficiente.
- Comprensión semántica deficiente: Los mismos modelos de alto rendimiento lograron una precisión de no más del 17 % al vincular esos datos con los conceptos XBRL correctos, seleccionando entre los más de 10 000 conceptos que conforman la taxonomía completa de US-GAAP.
- Fracaso total con los enfoques tradicionales: al probarlos como tareas de clasificación simples en toda la taxonomía, incluso los mejores modelos obtuvieron una puntuación del 0 %.
Estos hallazgos sugieren que, si bien la IA puede leer documentos financieros razonablemente bien (aunque ningún analista, en ningún lugar, está satisfecho con una precisión del 72 %), tiene serias dificultades con la comprensión semántica precisa que requiere el análisis financiero estructurado.
La metodología del documento FinTagging, que compara los datos extraídos con datos XBRL conocidos, podría servir como un marco de prueba eficaz para las capacidades de análisis financiero de los sistemas de gestión de clientes (LLM). Dicha prueba probablemente revelaría deficiencias importantes: datos financieros omitidos por completo, conceptos mal interpretados o tratamientos contables complejos simplificados en exceso.
El camino a seguir: IA más XBRL
¿Realmente necesitamos XBRL? Tanto la investigación como los resultados iniciales de Perplexity nos dan un rotundo sí. Por sí sola, la IA está lejos de ser capaz de interpretar informes financieros con precisión.
Herramientas como Perplexity podrían mejorar drásticamente su análisis financiero al incorporar los datos XBRL legibles por máquina que ya están disponibles gratuitamente. La SEC proporciona informes XBRL completos en línea con cada dato numérico etiquetado con precisión, taxonomías estandarizadas que definen las relaciones entre conceptos financieros y datos históricos que permiten el análisis de tendencias con coherencia semántica. Esto significa que es posible rastrear cada número y cada fragmento de texto hasta su origen: datos individuales específicos en el informe regulatorio oficial de la empresa.
Existe la vía técnica: véase el siguiente artículo. Y sí, por supuesto somos conscientes de que aún queda mucho por hacer:
- Los programas de maestría en derecho (LLM) necesitarían mecanismos exhaustivos de verificación de errores que garanticen que no estén utilizando datos que hayan sido etiquetados incorrectamente; y
- Las herramientas deben definir sus métodos de normalización de datos para permitir comparaciones exhaustivas entre empresas.
Por lo tanto, no prevemos la rápida desaparición de los proveedores de información, que (al fin y al cabo) llevan más de una década trabajando con datos XBRL, cuentan con procesos de normalización bien perfeccionados y acceso a las mismas capacidades de IA de vanguardia.
Sin embargo, estos avances son importantes.
Más allá de las limitaciones actuales
Al integrar datos XBRL estructurados, los LLM pueden ir más allá del simple análisis de contenido y avanzar hacia una verdadera inteligencia financiera. La investigación de FinTagging demuestra que esta integración no será trivial, pero también sugiere que los enfoques estructurados funcionan increíblemente bien cuando se implementan correctamente. Las economías con repositorios de datos estructurados autorizados (como el sistema EDGAR de la SEC de EE. UU., el sistema EDINET de Japón, el DART de Corea, los repositorios de datos XBRL de la NSE y la BSE en India, los datos del BMV en México, entre otros) proporcionan los componentes básicos para que las herramientas impulsadas por IA ofrezcan nuevos niveles de conocimiento para inversores, reguladores y cualquier otro tipo de usuario.
El análisis financiero no es una simple aplicación de IA: la precisión es crucial para las decisiones de inversión. No importa si la IA de Amazon adivina erróneamente que quiero unas zapatillas blancas. Lo que sí importa es si una IA adivina erróneamente el gasto en I+D de AMZN. Si las herramientas de IA pretenden democratizar el acceso a los datos financieros, deben aprovechar los formatos estructurados y legibles por máquina que garantizan la precisión y la exhaustividad. La investigación de FinTagging ofrece tanto una llamada de atención como una hoja de ruta.
Para los reguladores y los responsables políticos, creemos que estos acontecimientos ponen de relieve lo siguiente:
- La importancia y la urgencia de contar con repositorios completos de informes digitales de calidad para la inversión: son activos nacionales significativos que están alcanzando su máximo potencial.
- La importancia correlacionada de centrarse en la mejora continua de la calidad de los datos en informes digitales de todo tipo.
La IA ha llegado para quedarse. Como copiloto en la toma de decisiones, es fundamental que le proporcionemos la información estructurada que necesita para navegar con confianza mientras avanzamos a toda velocidad hacia (¡esperemos!) nuevos y emocionantes horizontes.