En la última publicación invitada en el blog de XBRL International, Björn Fastabend, jefe de recopilación de datos XBRL en la Autoridad Federal de Supervisión Financiera de Alemania (BaFin), aporta una vez más la perspectiva de un regulador sobre los desafíos prácticos de la integración de la IA en la supervisión digital. La IA tiene un gran potencial, pero solo si los reguladores actúan con cuidado, claridad y un fuerte sentido de propósito.
Fastabend sostiene que la IA no es mágica y que no debería ser la que manda. Para los reguladores, su función es la de asistente: buena para detectar patrones, pero pésima para asumir responsabilidades. La clave reside en la integración: almacenar los informes XBRL en un sistema compartido que alimente tanto las herramientas de inteligencia empresarial como las de IA, permitiendo consultas precisas y análisis exploratorios con los mismos datos estructurados y de alta calidad. El objetivo no es reinventarlo todo, sino mejorar cuidadosamente los procesos existentes.
Desde la soberanía y la seguridad de los datos hasta la gestión del cambio y la gobernanza, el artículo ofrece una hoja de ruta sólida para los organismos de supervisión que se adentran en la era de la IA. Y como bien señala Fastabend, «empiece poco a poco». Los proyectos piloto, los casos de uso específicos y los registros de auditoría rigurosos son fundamentales para generar confianza sin comprometer el rigor.
Este es el tipo de diálogo que XBRL International se enorgullece de apoyar: reflexivo, práctico y basado en la experiencia real. Merece la pena leerlo.
De la posibilidad a la práctica: cómo abordar los desafíos de la implementación
Hasta ahora, en esta serie hemos explorado la poderosa sinergia natural entre XBRL e IA, y el potencial de combinar la exploración de IA con la verificación de BI en flujos de trabajo de análisis integrados. Ahora abordamos la cuestión crucial de la implementación. ¿Cómo pasamos de las posibilidades prometedoras a la realidad práctica manteniendo los rigurosos estándares que exige la normativa?
Es un secreto a voces que los reguladores suelen ser lentos en la adopción de nuevas tecnologías. Esto no se debe a la pereza ni a la ineficiencia, sino al contexto regulatorio particular en el que operamos. Los reguladores deben ser prudentes al tomar decisiones. Nuestros juicios pueden tener repercusiones que van mucho más allá de las empresas individuales y afectar a economías enteras.
Adoptar una tecnología tan disruptiva y que supone un reto fundamental como la IA es, por lo tanto, una tarea abrumadora. Sin embargo, los reguladores no podemos ignorar la realidad: a medida que recopilamos y analizamos volúmenes cada vez mayores de datos, y que las entidades que regulamos adoptan la IA con entusiasmo, debemos mantenernos al día. La buena noticia es que, con un poco de esfuerzo adicional, los reguladores pueden incorporar el análisis de IA con quizás menos dificultad de la que tememos. Debemos actuar, y podemos hacerlo.
Al considerar la introducción de la IA en un contexto regulatorio, es fundamental tener presentes nuestros estrictos requisitos normativos. Al abordar de forma proactiva estos desafíos específicos desde el principio, podemos garantizar la integración exitosa de la IA en el proceso de análisis regulatorio.
Confianza y verificación
Para los reguladores que planean integrar la IA en los procesos analíticos, es fundamental definir límites claros sobre cuándo se utiliza y qué puede hacer. Debido al riesgo de alucinaciones y la falta de transparencia en sus resultados, la IA debe limitarse a un rol exploratorio y no debe tomar decisiones finales. Por extraordinarios que parezcan, los sistemas de IA se basan en estadísticas, no en magia. Como he recalcado a lo largo de esta serie, el valor de la IA reside en proporcionar a los analistas información sobre dónde centrarse y qué analizar, no en asumir la responsabilidad de todo el proceso de análisis. Es esencial gestionar estas expectativas sobre el papel de la IA desde el principio.
La adopción de la IA en contextos regulatorios requiere una cuidadosa consideración y planificación, teniendo en cuenta el marco normativo vigente y el nivel de rigor regulatorio exigido. Es fundamental generar confianza mediante la transparencia y garantizar la participación de los analistas durante todo el proceso. Como suele ocurrir con la IA, el mensaje clave es que nuestro objetivo no es, en absoluto, sustituir la experiencia humana, sino complementarla con un conjunto de herramientas más amplio.
Realidades de la implementación
Los organismos reguladores suelen supervisar cientos, si no miles, de empresas y, por lo tanto, manejan grandes cantidades de informes XBRL que procesar. Analizar los informes XBRL individualmente rara vez resulta práctico. Para integrar eficazmente la IA en el proceso de análisis regulatorio, lo ideal es almacenar los informes y taxonomías XBRL en una base de datos compartida entre el sistema de IA y el de BI, garantizando así que ambos utilicen los mismos datos de origen.
Al considerar la integración técnica, los reguladores deberían centrarse en optimizar su infraestructura existente en lugar de construir sistemas completamente nuevos. Las estructuras de bases de datos a menudo requieren mejoras para admitir tanto consultas de BI precisas como una exploración de IA más flexible. La rica información semántica de las taxonomías XBRL debe ser accesible para ambos sistemas, preservando las relaciones entre conceptos que otorgan mayor significado a los datos. La planificación de recursos debe contemplar no solo la implementación inicial, sino también el mantenimiento continuo a medida que evolucionan las taxonomías. Un enfoque práctico consiste en desarrollar procesos estandarizados para mantener los modelos de IA alineados con los cambios en la taxonomía, garantizando un análisis coherente a lo largo del tiempo.
La calidad de los datos es un factor crucial tanto en el análisis de IA como en el de BI, y una consideración fundamental para una integración exitosa de la IA. En este sentido, XBRL destaca, ya que sus validaciones integradas garantizan una alta calidad de los datos, la cual se refleja en la calidad de los resultados analíticos. No obstante, los organismos reguladores podrían requerir controles de calidad adicionales específicos para el análisis de IA. Las herramientas automatizadas de evaluación de la calidad pueden identificar posibles problemas antes de que afecten los resultados, lo que contribuye a mantener la fiabilidad que exige el trabajo regulatorio.
Requisitos reglamentarios
Al implementar IA en un contexto regulatorio, la soberanía y la seguridad de los datos son primordiales. Para la mayoría de los organismos reguladores, las soluciones locales representan el enfoque óptimo, ya que mantienen los datos financieros confidenciales completamente dentro de un perímetro seguro. Esto es especialmente importante para los reguladores financieros y de mercado, que manejan información altamente confidencial que podría afectar la estabilidad del mercado si se viera comprometida.
Las implementaciones de IA locales ofrecen varias ventajas clave para entornos regulatorios. Proporcionan un control total sobre el almacenamiento y el procesamiento de datos, eliminan el riesgo de transmisión externa de datos y permiten medidas de seguridad personalizadas adaptadas a los requisitos regulatorios específicos. Si bien algunos proveedores promueven las soluciones de IA basadas en la nube por su escalabilidad y menor mantenimiento, estos beneficios rara vez superan la necesidad fundamental de una seguridad de datos absoluta en contextos regulatorios. Dicho esto, actualmente existen varios entornos regulatorios que utilizan implementaciones de nube arrendada de alta seguridad. No todos los países pueden o desean seguir ese camino, y en todos los casos se requiere un conjunto relativamente complejo de acuerdos legales.
Al configurar estos entornos seguros, es fundamental mantener rigurosamente los estándares de privacidad y seguridad. Los sistemas de IA deben operar con los mismos altos estándares de protección de datos que los métodos de análisis tradicionales, siguiendo políticas definidas sobre el acceso y el uso de los datos. La creación de registros de auditoría significativos es especialmente importante, ya que los organismos reguladores deben poder explicar y justificar sus procesos. Cada paso del flujo de trabajo de análisis de IA debe estar documentado y ser rastreable, lo que permite su examen cuando sea necesario.
Los marcos de gobernanza adecuados equilibran la innovación con los controles necesarios. Deben existir políticas claras que definan cuándo y cómo se puede utilizar la IA en los procesos regulatorios, incluyendo límites explícitos a la autoridad para la toma de decisiones. Es fundamental destacar que la decisión final en cualquier proceso regulatorio siempre debe recaer en un ser humano. La IA, como máximo, puede utilizarse para la exploración, nunca para la toma de decisiones autónoma. Mantener las capacidades de análisis tradicionales junto con los nuevos métodos mejorados con IA garantiza la continuidad y el cumplimiento de las obligaciones regulatorias.
Avanzando
El enfoque más práctico para la implementación de la IA consiste en comenzar con proyectos piloto específicos y bien definidos. En lugar de intentar una transformación integral, los reguladores deberían identificar desafíos concretos y bien definidos donde la IA pueda demostrar un valor claro. Estos desafíos podrían incluir la detección de anomalías en los informes de sectores de alto riesgo o la identificación de patrones de incumplimiento. Estos proyectos específicos permiten desarrollar la experiencia gradualmente, a la vez que demuestran beneficios tangibles.
Aprender de estas primeras experiencias es fundamental para la expansión posterior. Es importante realizar revisiones periódicas, analizando tanto el rendimiento técnico como la integración con los procesos existentes. Los éxitos y los desafíos deben documentarse, lo que proporciona información valiosa para futuras iniciativas. A medida que aumenta la confianza, los reguladores pueden consolidar sus logros de forma gradual, extendiendo los enfoques probados a conjuntos de datos o capacidades analíticas adicionales.
A lo largo de este proceso, es fundamental fomentar un diálogo constructivo sobre los retos que afrontamos. El debate abierto sobre las limitaciones y los contratiempos iniciales no es un signo de fracaso, sino una parte necesaria de la innovación responsable. Este diálogo debe extenderse más allá de nuestras propias organizaciones e incluir a las entidades informantes y otras partes interesadas. Organizaciones internacionales como XBRL International ofrecen plataformas valiosas para el debate y el intercambio de conocimientos, lo que permite a los reguladores aprender de las experiencias de los demás.
Un enfoque proactivo para ampliar las posibilidades
La integración de la IA en el análisis XBRL presenta importantes oportunidades y desafíos para los organismos reguladores. Al abordar estos desafíos de manera proactiva —estableciendo límites claros, garantizando una implementación técnica sólida, manteniendo el rigor regulatorio y adoptando un enfoque gradual— podemos mejorar nuestras capacidades de supervisión, preservando al mismo tiempo la confianza y la fiabilidad que exige nuestra función.
La clave reside en considerar la IA no como un sustituto de los procesos existentes, sino como una herramienta complementaria que amplía las posibilidades. Cuando se implementa correctamente, el análisis potenciado por IA permite a los reguladores trabajar de forma más eficiente y eficaz, concentrando la experiencia humana donde aporta mayor valor y aprovechando la tecnología para la exploración inicial y el reconocimiento de patrones. Este enfoque equilibrado representa el camino más prometedor para la supervisión regulatoria en un entorno financiero cada vez más complejo.