Sabemos que la IA es poderosa. Promete grandes cosas: información crucial a partir de enormes volúmenes de datos, hallazgos prácticos a partir de vagas intuiciones y respuestas a preguntas que ni siquiera sabías que tenías que hacerte. Pero, ¿cómo aprovechamos esas grandes posibilidades en el análisis de datos cotidiano? Esta es una pregunta particularmente compleja para los reguladores, que necesitan procesos sólidos, resultados fiables y una toma de decisiones transparente que cumpla con altos estándares de escrutinio.
Las herramientas tradicionales de inteligencia empresarial (BI) destacan por responder preguntas específicas. La IA permite algo fundamentalmente nuevo: la exploración sin límites. En otro cambio radical, la IA pone el análisis avanzado al alcance de supervisores no técnicos, gracias a la capacidad de interactuar con los modelos en lenguaje natural.
En su último artículo, Björn Fastabend, jefe de la unidad de recopilación y procesamiento XBRL de BaFin y miembro del Consejo de Administración de XBRL International, utiliza ejemplos prácticos para ilustrar cómo los reguladores pueden incorporar la IA en sus flujos de trabajo actuales. El objetivo es maximizar las capacidades analíticas manteniendo el rigor regulatorio.
- Aprovechar la IA para explorar, formular preguntas abiertas y descubrir patrones, anomalías y relaciones en vastos conjuntos de datos, centrándose en posibles áreas de interés.
- Utilizar la inteligencia empresarial para verificar y profundizar en los conocimientos derivados de la IA, responder a consultas precisas y proporcionar una base legal sólida para la toma de decisiones.
- Tanto las herramientas de IA como las de BI se basan en la misma base de datos XBRL subyacente y rastreable (a diferencia del artículo anterior), para un análisis preciso y una integración perfecta.
No se trata de reemplazar las herramientas existentes, sino de combinar fortalezas complementarias. El poder exploratorio de la IA, la precisión de las herramientas de BI y la base estructurada de XBRL crean una sinergia triple que proporciona información mucho más valiosa que la que podría obtener cualquier enfoque individual.
A medida que aumenta el volumen de datos regulatorios y su complejidad, este enfoque combinado ofrece a los reguladores una forma escalable de mejorar la comprensión y la supervisión, sin comprometer la precisión ni la integridad.
Análisis XBRL impulsado por IA en la práctica
De consultas estructuradas a exploración abierta
A medida que recopilamos volúmenes cada vez mayores de datos con un nivel de detalle cada vez mayor, los reguladores se enfrentan hoy a un desafío crucial: encontrar señales relevantes entre tanto ruido. Si bien las herramientas de inteligencia empresarial (BI) son excelentes para responder preguntas específicas y predefinidas, requieren que los usuarios sepan exactamente qué buscan. Pero, ¿cómo descubrimos lo que aún no sabemos preguntar?
Aquí es donde entran en juego las ventajas únicas de la IA. La IA permite una exploración sin límites de los datos XBRL, lo que nos permite descubrir patrones, anomalías y relaciones que de otro modo permanecerían ocultas. Complementa la precisión de las herramientas de BI, creando un potente flujo de trabajo analítico que mejora, en lugar de reemplazar, nuestros procesos existentes.
Innovando con el análisis abierto
Las herramientas de inteligencia empresarial (BI) destacan cuando se les proporcionan parámetros y métricas específicos para analizar, en preguntas como: «Comparar los índices de cobertura de liquidez de todas las entidades de crédito medianas de la región noreste con el promedio del sector, destacando las entidades que se encuentran por debajo del umbral regulatorio». Por lo general, es necesario «traducir» este tipo de solicitud para la herramienta de BI, ya sea mediante interfaces de arrastrar y soltar, filtros o código personalizado, y, si la información está disponible, proporcionará una respuesta inequívoca.
Sin embargo, los sistemas de IA sobresalen con consultas abiertas que serían difíciles de formular como consultas de bases de datos tradicionales, tales como:
- “En las entidades que supervisamos, ¿existen correlaciones inesperadas entre factores de riesgo no tradicionales que no serían evidentes a partir de los ratios financieros estándar, pero que podrían indicar vulnerabilidad ante la tensión del mercado?”
- “¿Qué patrones en los informes de este año difieren significativamente de los de años anteriores en todo el sector?”
- “¿Qué entidades muestran relaciones inusuales entre sus métricas operativas y sus resultados financieros en comparación con sus pares?”
Estas preguntas no especifican exactamente qué buscar; en cambio, le piden a la IA que identifique qué podría ser significativo o inusual dentro de los datos, y pueden formularse directamente.
He aquí un ejemplo sencillo: proporcionamos a ChatGPT un informe XBRL real (en formato ESEF europeo) y le pedimos que detectara patrones inusuales. Inmediatamente identificó varias áreas interesantes para un análisis más profundo y ofreció un resumen general.
La incorporación de la exploración mediante IA permite:
- Detección de patrones sin ideas preconcebidas: La IA puede identificar relaciones en todos los datos, sin limitarse a métricas predefinidas.
- Identificación de anomalías sin reglas definidas: en lugar de comprobar si existen umbrales predeterminados, la IA puede determinar dinámicamente qué constituye una anomalía en contextos complejos y multivariados.
- Descubrimiento de relaciones entre diversos puntos de datos: La IA puede identificar conexiones entre aspectos aparentemente no relacionados de los datos que podrían no ser obvios para los analistas humanos.
Quizás lo más importante sea que la IA democratiza el acceso a los datos. La capacidad de interactuar con datos XBRL complejos mediante lenguaje natural hace que los supervisores, sin conocimientos técnicos especializados, puedan acceder a análisis sofisticados. Esto no elimina la necesidad de científicos de datos y analistas de inteligencia empresarial, sino que les permite centrar sus habilidades especializadas en verificar y profundizar en las conclusiones preliminares obtenidas mediante la exploración con IA.
Del descubrimiento a la investigación: un flujo de trabajo práctico
Veamos un ejemplo típico de cómo funciona en la práctica este proceso analítico complementario.
Una analista regulatoria sospecha de manipulación de resultados y busca posibles anomalías en los gastos corporativos en las divulgaciones de pérdidas y ganancias, pero carece de una hipótesis específica para comprobar. Con las herramientas tradicionales, esta vaga preocupación podría ser difícil de investigar. Utilizando un sistema de IA con acceso a la base de datos XBRL, comienza con una pregunta general:
“¿Qué patrones inusuales existen en la forma en que las empresas informaron el desglose de los gastos brutos este año en comparación con años anteriores?”
La IA examina los datos XBRL subyacentes en numerosos informes y todas las métricas disponibles.
“A continuación se presenta un resumen de algunos de los patrones inusuales observados en los datos financieros:
Observaciones clave
- Aumentos o descensos bruscos en las cifras financieras
- Gastos vs. Ingresos: Algunos informes muestran un aumento repentino en los gastos que no se corresponde con un incremento similar en los ingresos. Esta divergencia puede indicar costos puntuales, dificultades operativas extraordinarias o incluso posibles errores de introducción de datos.
- Márgenes de beneficio: Hay casos en los que los márgenes de beneficio fluctúan bruscamente, con periodos de beneficios cercanos a cero o incluso negativos. Esto sugiere que los ingresos o los costes en esos periodos no siguen la tendencia habitual.
- Proporciones anómalas y problemas de consistencia
- Relación entre activos y pasivos: En algunos informes, los ratios entre activos y pasivos parecen ser inconsistentes con la tendencia general. Estas anomalías podrían indicar un cambio estructural en la forma de elaborar la información financiera o inconsistencias que requieren una mayor validación.
- Patrones de redondeo o estimación: Algunos valores aparecen excesivamente redondeados o uniformes, lo que podría indicar que los datos se han agregado o estimado en lugar de medirse con precisión.
La IA sugiere entonces pasos concretos para una investigación más profunda:
“Próximos pasos para un análisis más profundo
- Visualiza los datos:
Cree gráficos de series temporales para las métricas clave (ingresos, gastos, márgenes de beneficio, etc.) para identificar visualmente el momento y la magnitud de estas anomalías.
- Detección estadística de valores atípicos:
Utilice métodos estadísticos (por ejemplo, análisis de desviación estándar, filtrado basado en el rango intercuartílico) para identificar formalmente los valores atípicos. Esto puede ayudar a determinar si los patrones inusuales son estadísticamente significativos.
- Correlación contextual:
Investigue si las fechas correspondientes a las cifras financieras inusuales coinciden con eventos externos conocidos que podrían explicar parte de la variabilidad.
- Verificación de datos:
Compare estas cifras con otras fuentes o informes financieros fiables para determinar si estos patrones son exclusivos de este conjunto de datos o si reflejan una tendencia más amplia.
Para refinar estos hallazgos iniciales, el analista formula una pregunta de seguimiento:
“¿Qué empresas muestran este patrón con mayor claridad y se ha repetido este patrón en años anteriores?”
La IA ahora identifica cinco empresas específicas que muestran este patrón de forma consistente durante varios periodos de presentación de informes. Con esta información concreta, el analista recurre al sistema de BI para verificar y profundizar en el análisis.
Utilizando paneles de control preestablecidos, crea clasificaciones detalladas de gastos interanuales, comparando las empresas identificadas con los parámetros de referencia de su sector. Esto revela que estas empresas han reclasificado sistemáticamente ciertas inversiones de forma que afectan a los indicadores clave de rendimiento utilizados por los inversores. Con base en esta información, documentada a través del sistema de inteligencia empresarial para garantizar su validez legal, el organismo regulador emite las advertencias pertinentes a las empresas implicadas.
Este ejemplo ilustra la perfecta interacción entre la exploración impulsada por IA y la verificación basada en BI. El patrón inicial habría sido difícil de detectar sin saber exactamente qué buscar, pero la IA redujo eficazmente el alcance de la investigación, lo que permitió al analista utilizar herramientas de BI para un análisis preciso y definitivo.
Aquí presentamos los resultados de un proceso similar en el que ChatGPT recibió 100 informes anuales de Ucrania. Se identificaron patrones inusuales en los informes, con pasos para una investigación más profunda, y posteriormente se identificaron tres empresas específicas de interés. En este caso, sabemos que la interrupción relacionada con la guerra es la causa probable de las anomalías, y queremos comprender con mayor profundidad sus diversos impactos.
Cómo crear un flujo de trabajo eficaz en entornos regulatorios
Al aprovechar la IA para la exploración inicial y complementarla con BI, los reguladores pueden mantener los rigurosos estándares necesarios para la toma de decisiones regulatorias, al tiempo que se benefician de la capacidad de la IA para identificar patrones en grandes conjuntos de datos. Para combinar ambas herramientas, es fundamental que tanto la IA como la BI accedan a los mismos datos XBRL subyacentes.
Este flujo de trabajo ofrece varias ventajas clave:
- Eficiencia en la exploración de datos: la IA identifica rápidamente áreas potenciales de interés, lo que reduce el tiempo que los analistas dedican a buscar patrones significativos.
- Accesibilidad para usuarios no técnicos: La interacción en lenguaje natural elimina las barreras para el análisis de datos para los supervisores que no cuentan con formación técnica especializada.
- Fortalezas complementarias: El poder exploratorio de la IA, la precisión de las herramientas de BI y la base estructurada de XBRL crean una sinergia triple que proporciona información más valiosa que la que podría obtener cualquier enfoque individual.
- Escalabilidad para volúmenes de datos crecientes: a medida que los informes regulatorios aumentan en alcance y granularidad, este enfoque se adapta eficazmente para manejar datos cada vez más complejos.
El enfoque aquí descrito representa una manera práctica y equilibrada para que los reguladores mejoren significativamente sus capacidades analíticas, manteniendo al mismo tiempo el rigor necesario. Se integra a la perfección con los procesos existentes, requiriendo ajustes mínimos a los flujos de trabajo actuales.
Como veremos en el próximo artículo de esta serie, la implementación presenta ciertos desafíos que deben abordarse cuidadosamente. Estos incluyen garantizar la verificación adecuada de los análisis generados por la IA, mantener registros de auditoría claros y establecer marcos de gobernanza que definan los límites del papel de la IA en el análisis regulatorio.
Al abordar de forma proactiva estas consideraciones, los reguladores pueden aprovechar la poderosa combinación de la riqueza semántica de XBRL y las capacidades analíticas de la IA para mejorar significativamente su eficacia supervisora en un panorama financiero cada vez más complejo.