Últimos artículos

La relación entre los puntos de datos, la codificación de etiquetas, XBRL y la IA

Por qué la codificación abstracta de etiquetas no ayuda a la IA a comprender los datos XBRL, ni a los humanos.

La idea de que la codificación abstracta es perjudicial para los grandes modelos de lenguaje (LLM, por sus siglas en inglés) llevó a pensar que, por razones similares, la codificación también debe ser contraproducente para la comprensión humana.

Si bien la generación de etiquetas codificadas es esencial para diversas aplicaciones informáticas, plantea desafíos específicos para el funcionamiento de los sistemas de recopilación de datos XBRL, como el marco de informes de la Autoridad Bancaria Europea (EBA). La EBA utiliza tanto la Metodología de Puntos de Datos (DPM) como el Lenguaje Extensible de Informes Empresariales (XBRL) en la implementación de su sistema de Directiva sobre Riesgo de Crédito (CRD).

La EBA genera la taxonomía XBRL a partir de su modelo DPM interno y la proporciona a 27 autoridades de países europeos que recopilan los informes XBRL de miles de bancos. El cambio a un nuevo formato de recopilación más compacto, XBRL-CSV, ofrece la oportunidad de analizar cómo se genera el modelo XBRL y cómo lo interpretan los bancos obligados a presentar informes en este formato. También es un buen momento para revisar cómo se analizan los datos XBRL para facilitar la supervisión bancaria en Europa.

También analiza si la codificación DPM constituye una barrera para el uso futuro de herramientas avanzadas de IA que permitan descubrir información potencialmente útil en los grandes conjuntos de datos que se recopilan.

Codificación: el enfoque DPM

Primero, explicar cómo funciona el enfoque de la EBA para DPM y XBRL. Comienza con el análisis de hojas de cálculo definidas por los expertos del negocio para identificar los datos que deben recopilarse. Cada hoja se considera una tabla y se le asigna un nombre, por ejemplo, ‘F.02.00’, que es el ‘Estado de resultados’ en el módulo FINREP. En la hoja, a cada punto de datos se le proporciona un código dinámico basado en la columna y la fila. Por ejemplo, las coordenadas ‘F02.00, c010, r670’ son el punto de datos en la fila 670, en la columna 10 de la tabla FINREP ‘02.00’, que está etiquetada como ‘Resultado o pérdida del año’ y el ‘Período actual’ para la columna.

El siguiente paso en el enfoque DPM de la EBA consiste en analizar los puntos de datos mediante un método de alta dimensionalidad. De esta forma, el modelo resultante presenta pocas métricas (o «conceptos» en XBRL), pero numerosas dimensiones para desglosar los datos en puntos individuales. Posteriormente, el modelo DPM se utiliza para generar la taxonomía XBRL. La forma en que se genera el modelo influye significativamente en cómo lo comprenden las personas que participan en el proceso de recopilación de datos.

El enfoque actual da como resultado una taxonomía CRD de EBA extremadamente difícil de revisar con herramientas XBRL debido a su estructura altamente dimensional y al uso de la codificación DPM. Si se examina la taxonomía CRD de EBA, que proporciona el diccionario central, la estructura y las reglas de validación, resulta difícil discernir cualquier estructura semántica. En efecto, la codificación DPM y el uso de una dimensionalidad extrema han eliminado toda la información semántica.

Las taxonomías XBRL suelen diseñarse para ser auto explicativas y completas, proporcionando toda la información necesaria para la entidad informante. Sin embargo, la EBA considera necesario publicar un conjunto de documentos asociados que no están en formato XBRL, incluyendo plantillas anotadas en Excel. Estas últimas proporcionan al usuario los diseños de tabla necesarios para comprender qué información debe reportarse y cómo se vinculan los datos con la taxonomía.

La plantilla anotada FINREP F02.00 describe semánticamente el elemento a reportar. También proporciona las coordenadas DPM para la columna y la fila en las celdas grises. A cada punto de datos se le asigna un identificador (DPM-ID) resaltado en amarillo. Finalmente, en el lado derecho se muestra la lista de dimensiones para cada punto de datos en la taxonomía CRD XBRL.

El documento de instancia XBRL generado (archivo de datos) muestra el nivel de abstracción. No hay ninguna referencia ni codificación semántica de la etiqueta de ganancias o pérdidas mencionada anteriormente, solo un concepto, ‘eba_met:md103’, para ‘periodo actual’ (lo cual es inusual, pero lo veremos más adelante) y referencias de contexto que enlazan con las dimensiones.

Por lo tanto, la traducción «mecánica» actual del modelo DPM al sistema de recopilación de datos CRD de la EBA solo es comprensible para los humanos si se dispone de la documentación EBA correspondiente, y en particular de las plantillas anotadas. Esto no se ajusta al enfoque habitual de XBRL.

Transición a la generación de informes XBRL-CSV

A partir de 2025, la EBA tiene previsto utilizar un nuevo formato para comprimir los datos y reducir el tamaño de los archivos de los informes. El nuevo formato es XBRL-CSV.

La EBA planea usar el código DPM-ID, como el ‘57025’ mencionado anteriormente, como identificador clave en el nuevo formato XBRL-CSV. Este código se vincula desde el archivo CSV a la taxonomía XBRL mediante un archivo de metadatos JSON, que describe la estructura y el significado de los elementos CSV. Por lo tanto, la tabla ‘Estado de resultados’ en XBRL-CSV tendrá un aspecto similar a este:

Representación XBRL-CSV del estado de resultados

El DPM-ID es una construcción pura de base de datos, un código que actúa como una clave simple de base de datos para describir uno de estos puntos de datos. No tiene valor semántico y es una codificación puramente abstracta, que no contiene información de agrupación para ayudar a los procesadores a optimizar el rendimiento. Las coordenadas DPM pueden considerarse abstracciones o codificación de primer nivel. El DPM-ID es una abstracción de segundo nivel.

La codificación de etiquetas no aporta nada a los modelos de aprendizaje a gran escala, como los utilizados en ChatGPT, etc., ya que la codificación pierde «contexto y matices» al simplificar atributos o clasificaciones complejos en representaciones abstractas o numéricas. Esto se traduce en un rendimiento deficiente de los sistemas de IA utilizados para explorar los datos.

Basándonos en argumentos similares a los de Harrison Hoffman, creemos que el nivel de codificación utilizado en la taxonomía EBA XBRL y el uso del DPM-ID como identificador clave en la estructura XBRL-CSV propuesta dificultan la aplicación del aprendizaje automático a estos grandes conjuntos de datos, y por lo tanto, hacen más difícil «descubrir» nuevas relaciones en los datos utilizando herramientas avanzadas de IA.

Así pues, los sistemas altamente codificados, como el marco de informes CRD de la EBA, afectan tanto a la comprensión humana como a la de la IA.

Codificando el impacto humano

El marco de informes CRD de la EBA recopila información compleja relacionada con el desempeño y las operaciones de los bancos, donde cada banco cuenta con sus propios sistemas y procesos de datos heterogéneos para obtener la información requerida. XBRL debería funcionar como la lengua franca para ayudar a los miles de bancos a determinar qué información deben reportar. La capacidad de XBRL para estandarizar el diccionario de datos y validar los informes es la razón de su gran éxito en los sistemas de informes regulatorios, donde la calidad de los datos es fundamental.

Sin embargo, a diferencia de la taxonomía CRD de la EBA, las taxonomías XBRL, como la ampliamente citada taxonomía IFRS, utilizan etiquetas conceptuales con gran riqueza semántica, como «beneficio» y «pérdida». Utilizan la base de enlaces de presentación para mostrar al usuario la jerarquía de conceptos, la base de enlaces de cálculo para mostrar relaciones matemáticas sencillas y nombres cortos en lenguaje natural para los desgloses dimensionales, por ejemplo, «beneficio operativo neto» y «beneficio antes de impuestos».

Es evidente que codificar etiquetas en un marco de recopilación puede generar dificultades de interpretación que pueden dar lugar a malentendidos. La EBA publica y mantiene actualizada una serie de documentos que no utilizan XBRL, como las plantillas anotadas, y recurre a las Normas Técnicas de Implementación (ITS) sobre informes de supervisión para respaldar el marco, lo cual resulta laborioso y costoso. ¿Podría la EBA haber evitado gran parte de este trabajo adicional si la taxonomía se hubiera diseñado de otra manera?

En este contexto, si un informe no supera la validación, por ejemplo, cuando una fórmula XBRL produce un resultado anómalo, el analista suele tener que consultar numerosos documentos que no son XBRL debido a la opacidad del modelo XBRL; es decir, los conceptos y dimensiones codificados le generan trabajo adicional. Por lo tanto, el enfoque de la EBA consiste, en la práctica, en trasladar los costes a lo largo de la cadena de suministro de información a las 27 Autoridades Nacionales Competentes (ANC) europeas que gestionan el marco local de informes XBRL y a los bancos obligados a informar.

Es difícil cuantificar el tiempo perdido al resolver las abstracciones causadas por la codificación, pero se espera que la transición a XBRL-CSV y el uso del DPM-ID generen trabajo adicional al añadir otro nivel de indirección en el proceso de generación de informes. El software, por supuesto, podrá leer las descripciones JSON proporcionadas como parte de XBRL-CSV, pero los responsables de cumplimiento y los analistas bancarios dependerán de la lectura de las plantillas anotadas para comprender el significado de cada DPM-ID mediante la traducción de los identificadores de hoja, fila y columna. Además, la depuración de problemas requerirá resolver todos los niveles de abstracción en la taxonomía a través de los metadatos JSON. Como hasta ahora, los proveedores de software XBRL deberán seguir ofreciendo plantillas de hojas de cálculo renderizadas o formatos CSV alternativos más sencillos como opciones de entrada.

Codificación del impacto del análisis

En cuanto a la comunicación de los requisitos de información de la CRD, la taxonomía XBRL actual no es la mejor, pero ¿es peor la propuesta de migrar al formato XBRL-CSV utilizando el DPM-ID como identificador clave? O bien, ¿compensa el nivel adicional de abstracción la capacidad del enfoque para lograr los objetivos del sistema, es decir, supervisar el mercado bancario en Europa, de forma más eficaz que antes?

Sin duda, el enfoque DPM ha ayudado a la EBA a desarrollar un modelo y un diccionario de datos coherentes en todo el sistema bancario. El enfoque de puntos de datos funciona bien para sistemas que generan análisis predeterminados, como OLAP y los almacenes de datos tradicionales.

Se da por sentado que tanto la EBA como las NCA utilizan el amplio conjunto de datos de información bancaria europea para obtener un conjunto de indicadores clave de rendimiento bancario con los que comparar bancos individuales. Los informes de tendencias históricas y diversos paneles de control también son fáciles de generar. Sin embargo, se sospecha que gran parte de los datos recopilados no se utilizan para la supervisión bancaria, ya que dichos informes se limitan a lo que los humanos pueden procesar, es decir, datos altamente agregados o cuando es necesario analizar con mayor detalle un conjunto de datos específico en el que se ha emitido una alerta.

El poder del análisis mediante IA reside en su capacidad para descubrir información valiosa oculta en grandes volúmenes de datos detallados. Sin embargo, como argumenta el artículo de Harrison Hoffman, el uso de la codificación DPM en el sistema de recopilación no facilita el uso de modelos de lenguaje natural (LLM) en el conjunto de datos resultante. Si bien se podría aplicar el aprendizaje automático a los datos brutos, el sistema de IA requeriría un entrenamiento exhaustivo en el enfoque y la arquitectura DPM, así como en la vinculación del ID de DPM con etiquetas significativas. Todo esto implicaría un coste adicional y requeriría una amplia experiencia.

Los modelos de lenguaje natural (LLM) y las técnicas modernas de IA funcionan de manera diferente al almacenamiento de datos estándar y la IA tradicional (aprendizaje supervisado), es decir, mediante el entrenamiento no supervisado de modelos, a veces aumentado con conocimiento específico adicional, generación aumentada por recuperación (RAG). A gran escala, comienzan a ocurrir cosas especiales, como con los modelos de lenguaje, tales como GPT, Llama y Gemini, que comienzan a mostrar comprensión general del lenguaje. Este tipo de enfoque de IA sería más simple y económico de aplicar a medida que la tecnología madure.

Las arquitecturas de bases de datos modernas, como las bases de datos semánticas, permiten la recopilación eficiente de datos XBRL, y existen bases de datos XBRL basadas en SQL más económicas y sencillas para aplicaciones de menor tamaño. Estas tecnologías proporcionan un almacén de datos operativo donde ejecutar algoritmos de descubrimiento, especialmente útiles para la IA. Gracias a la estructura inherente de XBRL, también resulta sencillo transformar y cargar (o cargar y transformar) datos en estructuras analíticas, como una base de datos DPM.

Alternativas de codificación

Creemos que XBRL-CSV es ideal para la actualización del marco de informes CRD de la EBA, ya que puede reducir significativamente el tamaño de los archivos de los informes enviados. Por ello, el Consejo de Estándares XBRL (XSB) creó la especificación Open Information Model (OIM), que define tanto XBRL-CSV como XBRL-Json. La preocupación radica en que la EBA la está utilizando incorrectamente en lo que respecta a la estructura XBRL-CSV. Por primera vez, la EBA planea introducir la codificación DPM directamente en los informes XBRL utilizando una construcción semánticamente vacía, el DPM-ID, como una capa adicional de abstracción.

Sin repetir los argumentos del artículo original, creemos que la nueva estructura XBRL-CSV basada en el DPM-ID dificultará su comprensión tanto para humanos como para IA. Como aspecto positivo, los archivos serán más pequeños y, al menos para la EBA, resultará más sencillo cargar los datos recopilados en su propia base de datos DPM. Sin embargo, hay que tener en cuenta 27 autoridades nacionales competentes y miles de bancos al evaluar el impacto.

La alternativa sería utilizar directamente un buen modelo XBRL. Sin embargo, rediseñar las herramientas DPM para generar un modelo XBRL semántico «mejor» supondría un esfuerzo y un coste considerables, además de plantear otros problemas. Por ejemplo, el problema de la verbosidad en los términos XBRL es real. La codificación garantiza un tamaño fijo para nombrar los elementos, mientras que en un modelo XBRL típico los nombres de conceptos y dimensiones tienen una longitud variable. Esto último implica que cualquier sistema XBRL puede ser verboso y generar archivos grandes según la aplicación. No obstante, la especificación XBRL permite etiquetas tanto cortas como largas, por lo que creemos que estos problemas pueden resolverse mediante una codificación «sencilla» y no abstracta.

Resulta más sencillo para los humanos visualizar la disposición de la tabla, lo que facilitaría el trabajo de los proveedores de software, que ya generan las bases de datos de enlaces de tabla en otros formatos, como hojas de cálculo para la entrada de datos, y muestran mensajes de error útiles a los usuarios empresariales. Sin embargo, esto requeriría una mayor transformación por parte de la EBA al cargar su base de datos DPM interna.

Una posible solución sería utilizar las coordenadas DPM como identificadores dimensionales en el archivo XBRL-CSV. Los bancos comprenden las coordenadas a partir de las plantillas anotadas, lo que constituye una abstracción visual sencilla. Si se utilizaran las coordenadas DPM en el formato de archivo XBRL-CSV en lugar del ID de DPM, los procesadores XBRL podrían identificar grupos de datos (es decir, todos los datos de una columna o fila), lo que permitiría establecer una relación entre los datos para mejorar la velocidad de procesamiento. Al invertir los roles, la EBA podría ayudar a los usuarios a comprender los datos y, al mismo tiempo, facilitar su carga en la base de datos, es decir, utilizar las coordenadas DPM, los ID de hoja, columna y fila en la estructura CSV y vincularlos al ID de DPM en los metadatos técnicos JSON.

La EBA argumentaría que el DPM-ID posee una solidez histórica de la que carecen las coordenadas de la hoja de cálculo, ya que estas cambian entre periodos de informe. Sin embargo, las taxonomías XBRL se actualizan en cada periodo de informe y, por lo tanto, son transitorias por naturaleza. En consecuencia, el uso de las coordenadas DPM para una taxonomía no afecta al sistema de análisis, sino únicamente a la transformación y carga de datos. Además, la EBA ya dispone de la conexión histórica entre los puntos de datos mediante el DPM-ID en su base de datos analítica interna, que es donde debería establecerse la conexión histórica entre los elementos del informe.

El uso de las coordenadas DPM también se vincularía con la notación DPM para la verificación de la calidad de los datos. Esta notación propietaria se utiliza para ayudar a construir y documentar fórmulas XBRL que permiten comprobar la exactitud y la coherencia de los datos reportados. La codificación y las pruebas de estas reglas requieren un esfuerzo considerable. XBRL Europe propone un formato XF DPM para escribir fórmulas EBA que funcionen a nivel de hoja en lugar de a nivel de punto de datos, lo que simplifica la escritura y el procesamiento de las reglas. Si el modelo de datos cuenta con una estructura semántica, se podrían emplear técnicas de IA para generar estas reglas directamente a partir del modelo semántico, utilizando la estructura y la nomenclatura de los elementos.

Una vez que los reguladores y los proveedores de software logren que el nuevo formato funcione, el sistema de recopilación XBRL-CSV debería funcionar sin problemas, pero al igual que otros sistemas de recopilación basados ​​en sistemas de almacenamiento de datos propietarios, podría quedar obsoleto.

Conclusiones

Desde nuestro punto de vista, la EBA parece no haber elegido la estrategia más eficaz al adoptar el formato de informes XBRL-CSV, codificando toda la información y descartando la riqueza semántica de las hojas de cálculo desarrolladas por las propias empresas. Los escasos beneficios de este enfoque recaen en la EBA, pero no en las autoridades nacionales competentes ni en los bancos que recopilan o elaboran los informes.

Nuestra principal conclusión es que, al adoptar el DPM-ID como identificador clave en la estructura XBRL-CSV, la EBA dificulta la comprensión humana de la estructura y el significado de los datos, y además podría estar impidiendo un cambio importante en la informática hacia el análisis de grandes conjuntos de datos basado en IA. A medida que se enseña a las computadoras a pensar como los humanos, buscan relaciones semánticas entre los datos, como nombres de conceptos semánticos significativos, y estructuras basadas en jerarquías y tablas, que puedan orientar su comprensión.

La inteligencia artificial en seguros

La Autoridad Europea de Seguros y Pensiones de Jubilación (EIOPA) ha puesto en marcha una consulta sobre su Dictamen sobre la gobernanza y la gestión de riesgos de la Inteligencia Artificial (IA), ofreciendo orientación sobre cómo las aseguradoras deben gestionar la IA dentro de las normativas sectoriales vigentes. El dictamen aclara las aplicaciones de IA que no se clasifican como de alto riesgo según la Ley de IA, garantizando así que los sistemas de IA en el sector asegurador sigan siendo transparentes, justos y responsables. La consulta estará abierta hasta el 12 de mayo.

La IA ya está transformando el sector asegurador, desde la automatización del procesamiento de reclamaciones hasta la detección de fraudes y la evaluación de riesgos. Sin embargo, sin una gobernanza adecuada, la IA puede generar riesgos como sesgos, toma de decisiones poco transparente y resultados poco fiables. El dictamen de EIOPA subraya la necesidad de una sólida gobernanza de datos, aplicabilidad y una gestión de riesgos proporcional. Esto garantiza que la IA se utilice de forma responsable y en consonancia con los principios de protección del consumidor.

Para que la IA funcione eficazmente en el sector asegurador (o en cualquier otro sector financiero), requiere datos estructurados de alta calidad, del mismo modo que un coche autónomo necesita carreteras bien señalizadas. Los estándares XBRL y de informes digitales son esenciales para proporcionar datos financieros y regulatorios estructurados y legibles por máquina, lo que hace que las decisiones basadas en IA sean más fiables y transparentes. Sin datos estructurados, la IA corre el riesgo de operar a ciegas, lo que aumenta la posibilidad de errores e interpretaciones erróneas en áreas como la fijación de precios, la evaluación de siniestros y el cumplimiento normativo.

A medida que se acelera la adopción de la IA en los servicios financieros, los datos estructurados y los marcos de informes digitales como XBRL serán cruciales para garantizar que los sistemas de IA sigan siendo responsables, eficientes y seguros. La consulta de EIOPA ofrece una importante oportunidad para que las partes interesadas definan el futuro de la gobernanza de la IA en el sector asegurador.

EIOPA solicita comentarios sobre su Opinión sobre la gobernanza y la gestión de riesgos de la inteligencia artificial.

La Autoridad Europea de Seguros y Pensiones de Jubilación (EIOPA) ha puesto en marcha hoy una consulta sobre su Dictamen sobre la gobernanza y la gestión de riesgos de la inteligencia artificial, que ofrece a los supervisores y a las entidades aseguradoras orientación sobre cómo interpretar e implementar las disposiciones del sector asegurador a la luz del uso de sistemas de IA en los seguros.

El dictamen de la EIOPA aclara los principios y requisitos fundamentales previstos en la legislación sectorial de seguros que deben considerarse en relación con el uso de sistemas de IA. Se aplica a aquellos sistemas de IA que no se consideran prácticas de IA prohibidas ni de alto riesgo según la Ley de IA. Si bien la legislación de seguros se aplica a todos los sistemas de IA utilizados en seguros, para evitar complejidades regulatorias y solapamientos, el alcance de este dictamen no abarca las prácticas de IA prohibidas ni los sistemas de IA de alto riesgo según la Ley de IA. Se basa en el principio de proporcionalidad y sigue un enfoque basado en principios, lo que garantiza su flexibilidad para adaptarse a la evolución del mercado y de la tecnología a lo largo del tiempo. 

El dictamen está en consonancia con los principios y requisitos fundamentales de la Ley de IA y otras iniciativas internacionales en este ámbito, como las de la Organización para la Cooperación y el Desarrollo Económicos (OCDE), el G20 o la Asociación Internacional de Supervisores de Seguros (IAIS), apoyando así un enfoque armonizado. 

El dictamen establece expectativas de supervisión de alto nivel respecto a los principios de gobernanza y gestión de riesgos que las entidades aseguradoras deben aplicar para garantizar un uso responsable de los sistemas de IA adaptados a casos de uso específicos. Estos principios incluyen, entre otros:

  • aplicar un enfoque proporcional y basado en el riesgo a lo largo del ciclo de vida de los sistemas de IA,
  • actuar con base en principios éticos y de equidad, en el mejor interés de los consumidores,
  • definir claramente las funciones y responsabilidades del personal pertinente, 
  • poder explicar de manera significativa los resultados de los sistemas de IA,
  • implementar políticas sólidas de gobernanza de datos y
  • mantener una documentación y registros adecuados y ordenados.

Proceso de consulta

Se invita a las partes interesadas a presentar comentarios sobre el documento de consulta y la evaluación de impacto de la opinión de EIOPA sobre la gobernanza y la gestión de riesgos de la IA, respondiendo a las preguntas a través de la encuesta en línea. El plazo para la presentación de comentarios finaliza el 12 de mayo de 2025.

Antecedentes

El Reglamento (UE) 2024/1689 (la Ley de IA) se publicó en el Diario Oficial de la Unión Europea en julio de 2024. La Ley de IA se aplica a todos los sectores de la economía y tiene por objeto garantizar un alto nivel de protección de los derechos fundamentales, la salud y la seguridad.

La Ley de IA clasifica los sistemas de IA en cuatro categorías según su nivel de riesgo: prohibido, alto riesgo, limitado y riesgo mínimo. Si bien la Ley de IA define un conjunto integral de medidas de gobernanza y gestión de riesgos que los sistemas de alto riesgo deben cumplir, junto con los requisitos ya establecidos en la legislación sectorial, 

Los sistemas de IA clasificados como de riesgo limitado o mínimo según la Ley de IA continúan operando sin medidas adicionales en virtud de dicha ley, salvo un conjunto de normas de transparencia, la necesidad de fomentar la alfabetización digital en IA entre el personal y el desarrollo de códigos de conducta voluntarios. No obstante, el uso de estos sistemas por parte de las compañías de seguros e intermediarios está sujeto a las normas de gobernanza y gestión de riesgos establecidas en la legislación sectorial. 

La EBA estandariza la presentación de informes en sucursales bancarias en terceros países

La Autoridad Bancaria Europea (ABE) ha establecido un nuevo marco de supervisión e información para las sucursales bancarias de terceros países que operan en la UE, allanando el camino para una futura taxonomía XBRL que respalde la recopilación armonizada de datos en todos los Estados miembros.

En un informe final sobre el proyecto de Normas Técnicas de Ejecución (ITS, por sus siglas en inglés) en el marco de la legislación bancaria actualizada de la UE, la Directiva sobre Requisitos de Capital VI (CRD VI), la Autoridad Bancaria Europea (EBA, por sus siglas en inglés) describe un régimen de información diseñado para proporcionar a los supervisores una visión más clara y coherente de las actividades de las sucursales de la UE cuyas entidades matrices tienen su sede fuera del bloque.

Su esencia radica en el impulso a la armonización. El nuevo régimen introduce formatos, definiciones y frecuencias de presentación de informes comunes, diseñados para garantizar que los supervisores de toda la UE trabajen con datos comparables, sin sobrecargar a las instituciones responsables de la presentación de informes.

Según la propuesta, las sucursales en terceros países presentarán dos conjuntos de plantillas: uno que abarca la información financiera y regulatoria a nivel de sucursal, y otro que recoge datos cuantitativos y cualitativos relativos a la empresa matriz. Para mantener una carga proporcional, las sucursales más pequeñas informarán un conjunto de datos básicos reducido, mientras que las instituciones más grandes proporcionarán información más detallada.

Para la comunidad de informes digitales, el siguiente paso será seguido de cerca. Una vez que la Comisión Europea adopte los estándares, la EBA planea desarrollar el modelo de puntos de datos (DPM), la taxonomía XBRL y las reglas de validación asociadas que impulsarán el marco técnico de informes. Se espera que el paquete técnico completo esté disponible en el segundo trimestre de 2026.

En conjunto, esta iniciativa refuerza una tendencia regulatoria ya conocida: la supervisión basada en datos estructurados y legibles por máquina. A medida que el marco se consolida, la presentación de informes basados ​​en XBRL desempeñará un papel cada vez más importante en la forma en que Europa supervisa las actividades de los bancos globales que operan dentro de sus fronteras.

La última enmienda a la CRD (Directiva (UE) 2024/1619, también conocida como CRD VI), ha introducido un nuevo marco para las sucursales de terceros países (TCB). Bajo este régimen de la TCB, la CRD VI establece, en el Artículo 48k, la información regulatoria y financiera que las TCB deben informar periódicamente a sus autoridades competentes (CAs). Además, el artículo 481(1) de la CRD obliga a la Autoridad Bancaria Europea (EBA) a desarrollar borradores de normas técnicas de implementación (ITS) para definir formatos, definiciones y frecuencias de notificación uniformes para estos requisitos. Aunque algunas de estas obligaciones de reporte no son del todo nuevas —ya incluidas en la Directiva (UE) 2019/878 (CRD V)—, CRD VI introduce nuevos elementos. Estos incluyen requisitos para que las TCB informen sobre sus empresas principales (HU), así como detalles sobre activos y pasivos originados.

Este informe final presenta el borrador del ITS, proponiendo dos conjuntos de plantillas: requisitos de información sobre los propios TCB y requisitos de información sobre sus HU. En ambos casos, las entidades obligadas a informar son siempre los TCB supervisados. La proporcionalidad se aborda mediante el ‘enfoque core + supplement’ aplicado a los TCB de Clase 1 y Clase 2, con un conjunto central de puntos de datos aplicables a todos los TCB y la información adicional requerida solo para aquellos clasificados como Clase 1.

Se espera que los Estados miembros (MS) que invocan el artículo 48 de la CRD, aplicando así a sus TCB de terceros países los mismos requisitos que los aplicables a las instituciones de crédito autorizadas bajo la CRD, deben seguir abordando cualquier carencia de información solicitando a sus TCBs las plantillas necesarias propuestas en este ITS (o puntos de datos específicos dentro de ellas).

Tras la consulta, se han introducido una serie de simplificaciones y mejoras para mejorar la claridad, proporcionalidad y viabilidad operativa. Los cambios clave incluyen posponer la fecha inicial de presentación hasta el 31 de marzo de 2027, ampliar los plazos de remesas y revisar las disposiciones relacionadas con la HU. Las plantillas se simplificaron reduciendo la duplicación, simplificando las instrucciones y reduciendo el alcance. Se añadieron guías prácticas y ejemplos para apoyar la implementación. En conjunto, estos ajustes simplifican el marco mientras mantienen la integridad y la comparabilidad de la supervisión.

Próximos pasos

Tras la presentación del borrador final de ITS a la Comisión para su adopción, y la publicación del informe final y las herramientas de TI, incluidas las instrucciones vinculantes en nuestra página web, la EBA desarrollará el modelo de puntos de datos (DPM), la taxonomía XBRL y las normas de validación basadas en el borrador final del ITS. Este paquete técnico se publicará como borrador en el primer trimestre de 2026, mientras que se espera que el paquete técnico final se publique en el segundo trimestre de 2026. La primera fecha de referencia para la aplicación de este ITS está prevista para el 31 de marzo de 2027; por lo tanto, se concede un periodo de implementación de un año para los cambios propuestos. Las instrucciones se traducirán a los idiomas oficiales de la UE y se publicarán en la página web de la EBA como parte de las soluciones IT ITS.

Antecedentes y razonamiento

Una de las principales tareas de la EBA es contribuir, mediante la redacción de Normas Técnicas (BTS) y Directrices vinculantes, a la creación del Reglamento Único Europeo en la banca. El Reglamento Único tiene como objetivo proporcionar un conjunto único de normas prudenciales armonizadas para las instituciones financieras de toda la UE, ayudando a crear igualdad de condiciones y proporcionando una alta protección a depositantes, inversores y consumidores. Como parte de este Manual Único para la Banca en Europa, este borrador de ITS representa un nuevo hito crucial en el campo de la información de supervisión en Europa, al establecer requisitos de información armonizados para las TCBs.

De acuerdo con el mandato establecido en el Artículo 481 del CRD, la EBA ha desarrollado el borrador de ITS, que especifica soluciones TI (plantillas e instrucciones), estandarizadas en formatos, frecuencias y definiciones para que la información regulatoria y financiera que se informe periódicamente por los TCBs.

Por tanto, la notificación requerida en virtud del Artículo 481 del CRD deberá realizarse conforme a los formatos, frecuencia y soluciones TI especificadas en dichos ITS. Aunque los formatos y frecuencias especificados en las ITS se publicarán en la ley legal del Diario Oficial de la UE tras su finalización y adopción por la Comisión Europea, las instrucciones, que forman parte de las soluciones TI, se publicarán en la página web de la EBA y serán igualmente vinculantes.

Nuevo paquete regulatorio bancario

En junio de 2024, la Directiva (UE) 2024/1619 que modifica la Directiva 2013/36/UE (CRD VI) y el Reglamento (UE) 2024/1623 que modifica el Reglamento (UE) No. 575/2013 (CRR 3) se publicaron en el Diario Oficial de la UE (OJ), ambas necesarias para la implementación de las reformas regulatorias postcrisis de Basilea III publicadas por el Comité de Supervisión Bancaria de Basilea (BCBS) en diciembre de 2017, al tiempo que se consideran los aspectos específicos del sector bancario de la UE.

El paquete bancario introduce varias innovaciones clave en el marco prudencial de las instituciones de crédito. En primer lugar, incorpora los componentes finales del marco de Basilea III, garantizando igualdad de condiciones a nivel internacional, teniendo en cuenta las características únicas del sector bancario de la UE. Además, apoya la transición verde introduciendo nuevas normas que exigen a los bancos identificar, divulgar y gestionar sistemáticamente los riesgos relacionados con factores ambientales, sociales y de gobernanza (ESG) como parte de sus procesos de gestión de riesgos. Además, el paquete bancario refuerza las herramientas de aplicación disponibles para los supervisores que supervisan a los bancos de la UE, con el objetivo de garantizar una gestión sólida y salvaguardar la estabilidad financiera. Finalmente, establece un nuevo régimen regulatorio aplicable a las TCBs.

La introducción del régimen de la TCB se debió a la necesidad de abordar el creciente volumen de actividades realizadas por las TCB y la fragmentación regulatoria en toda la UE. En respuesta a estos desafíos, el Informe de 2021 de la EBA sobre el tratamiento de las TCB bajo la legislación nacional de MS, dirigido al Parlamento Europeo, al Consejo y a la Comisión, proporcionó recomendaciones políticas de alto nivel destinadas a armonizar aún más la legislación de la UE1. El informe también describía las prácticas de supervisión y ofrecía un mapeo detallado de los TCB que operan dentro del MS. Estas recomendaciones allanaron el camino para la inclusión de requisitos relacionados con la TCB en la CRD. Como resultado, el artículo 1 de la CRD introdujo un marco regulatorio armonizado para las TCB, incluyendo requisitos regulatorios mínimos.

Este marco está diseñado para permitir la supervisión efectiva de las TCB y proporcionar una visión completa de las actividades de los grupos de terceros países dentro de la Unión, incluyendo la supervisión común y la información financiera. De acuerdo con el artículo 48 de la CRD, la EBA fue encargada de desarrollar proyectos de ITS que establecieran plantillas estandarizadas para los requisitos de informe. La EBA sigue comprometida con la implementación oportuna y precisa del paquete bancario. En este contexto, estos ITS introducen un nuevo marco de reporte para los TCB, derivado de los requisitos y mandato establecidos en el CRD. Este marco abarca datos financieros y prudenciales relacionados con los propios TCB, así como información adicional sobre la empresa principal.

Resumen del mandato y observaciones generales

Aunque el artículo 481 de la CRD establece el mandato para que la EBA desarrolle este proyecto de ITS, el artículo 48k de la CRD especifica los requisitos de informe, detallando la información que debe presentarse a nivel de rama y respecto a la empresa principal.

El artículo 47(3) de la CRD define una empresa principal como una empresa que tiene su sede central en un tercer país y que ha establecido una TCB en el Estado miembro, así como las empresas matriz intermedias o finales de dicha empresa, según corresponda.

Para la agregación total de activos y pasivos del grupo de terceros países (TCG) dentro de la Unión, según lo exigido por el punto (a) del artículo 48k del CRD, el TCG será evaluado al nivel de la empresa principal última de dicho grupo.

Inteligencia artificial y crecimiento en economías avanzadas y emergentes

Investigamos si los efectos positivos de la inteligencia artificial generativa (IA generativa) sobre la tasa de crecimiento del valor añadido varían entre países a corto plazo. Utilizando una estrategia empírica y un conjunto de datos que abarca 56 economías y 16 industrias, encontramos que los efectos diferenciales del crecimiento surgen de variaciones en la exposición sectorial a actividades cognitivas e intensivas en conocimiento, diferencias en las estructuras de producción y la preparación de los países para la IA. Los resultados sugieren que, de media, la IA generada probablemente beneficiará más a las economías avanzadas que a las emergentes, ampliando así las disparidades globales de ingresos a corto plazo.

En los últimos años, la adopción global de la inteligencia artificial generativa (IA generativa) por parte de individuos y organizaciones ha aumentado de forma espectacular, lo que ha desatado un intenso debate sobre sus efectos económicos. La opinión predominante es que esta innovación tecnológica aumentará la productividad de los trabajadores y fomentará el crecimiento y la innovación de las empresas. A medida que aumenta la productividad agregada, la IA generacional podría tener un impacto positivo significativo en la economía global.

Aunque la IA general representa una tecnología de propósito general que está transformando las capacidades cognitivas, no se espera que su impacto sea uniforme entre individuos, ocupaciones e industrias. En primer lugar, la IA de generación mejora principalmente actividades cognitivas e intensivas en conocimiento (por ejemplo, servicios profesionales como finanzas y TI), mientras que se espera que las tareas con componentes físicos sustanciales (por ejemplo, la construcción) se vean menos afectadas. En segundo lugar, la adopción de la IA puede no ser práctica ni beneficiosa para todas las empresas y trabajadores. Las tasas de adopción e intensidad de uso siguen siendo bajas entre los grupos de población menos educada y mayores, su trayectoria futura es incierta

Las ganancias de productividad de la IA a nivel de empresa o sector también pueden no traducirse en ganancias macroeconómicas equivalentes. Factores económicos más amplios —incluyendo fricciones en la adopción, posibles interrupciones en las redes de producción y regulación— significan que las mejoras impulsadas por la IA generativa no se agrupen simplemente en una suma de efectos sectoriales.

Además, es poco probable que los beneficios de la IA generativa se distribuyan de manera equitativa entre países. El impacto agregado en el crecimiento de la IA generativa probablemente dependerá críticamente de las estructuras nacionales de producción, especialmente del tamaño relativo de los sectores expuestos a la nueva tecnología. Se espera que las economías avanzadas (AE), que tienden a tener una mayor parte del valor añadido de sectores que adquieren temprano como finanzas, sanidad y manufactura avanzada, se espera que se beneficien más que las economías emergentes y en desarrollo (EMDE). En muchas EMDE, los sectores intensivos en conocimiento son más pequeños, y la manufactura de baja cualificación e intensiva en mano de obra es más destacada que en las AE. Esto sugiere que los EMDE pueden verse menos afectados por el aumento de productividad provocado por la IA. En otras palabras, la accesibilidad y adopción de esta tecnología de propósito general puede reforzar las disparidades socioeconómicas existentes al beneficiar de manera desproporcionada a ciertos sectores y países.

En este artículo, examinamos si los efectos de crecimiento a corto plazo de la IA generativa difieren entre AEs y EMDEs. Nuestra hipótesis clave, que probamos empíricamente, es que el impacto del crecimiento de la IA generada está impulsado por diferencias sectoriales en la exposición a la tecnología y por características a nivel nacional que influyen en su adopción y uso. Por un lado, los sectores con mayor incidencia de mano de obra cualificada están más expuestos a las ganancias de productividad asociadas a la IA generativa. Por otro lado, la heterogeneidad en el impacto de la IA en el crecimiento puede reflejar los diferentes niveles de disposición de los países para adoptar la IA, desde la calidad de la infraestructura digital hasta el entorno regulatorio. Nuestro análisis se centra en los efectos del crecimiento a corto plazo, abstrayendo de la dinámica de equilibrio a largo plazo.

La estrategia empírica sigue de cerca otro enfoque. En su marco, miden el grado de dependencia de la financiación externa para cada sector (usando la economía estadounidense como referencia) y examinan si los sectores más dependientes de la financiación externa crecen desproporcionadamente más rápido en países con mercados financieros más desarrollados. El paralelismo en nuestro artículo consiste en utilizar una medida a nivel industrial de exposición a la IA generada (comparando la economía estadounidense) y una medida específica de país de la preparación para la IA que capta los posibles beneficios de la adopción de la nueva tecnología.

Comenzamos identificando la exposición de cada industria a la IA generativa. Utilizamos una medida a nivel industrial de la exposición a la IA desarrollada en Aldasoro, adaptada a la economía estadounidense. Tratamos la distribución estadounidense de exposiciones sectoriales como un referente para todos los países. Esta medida muestra una alta exposición en sectores de servicios como las finanzas y la educación, y baja en sectores como la agricultura y el transporte.

Para identificar la disposición de los países a usar IA, utilizamos el índice de preparación para IA (AIPI) del FMI. La medida recoge cuatro dimensiones clave relevantes para la adopción de la IA: infraestructura digital, capital humano, innovación tecnológica y marcos legales. Esta medida revela diferencias significativas entre los AEs y los EMDEs: el valor medio del índice es aproximadamente un tercio superior en los AE que, en los EMDEs, aunque existe una considerable heterogeneidad dentro de este último grupo. De hecho, algunos EMDE cuentan con una preparación elevada para la IA que podría proporcionar un apoyo institucional y estructural importante para el crecimiento impulsado por la IA.

Utilizando estas medidas de exposición a nivel industrial a la IA y la preparación a nivel nacional para adoptar la nueva tecnología, estimamos el impacto de su interacción en la tasa de crecimiento del valor añadido real en cada par industria-país en 2022–23, tras condicionar los efectos fijos país e industria. Una contribución clave de nuestro análisis es su alcance global, que incluye tanto economías avanzadas como emergentes, un área de investigación que hasta ahora ha recibido poca atención en la literatura sobre los efectos macroeconómicos de la IA generativa.

Los resultados muestran que, para el mismo aumento en la preparación de la economía para la IA, los sectores con alta exposición a la IA experimentan un mayor crecimiento en el valor añadido real que aquellos con menor exposición. Comparando sectores en los percentiles 90 y 10 de exposición a la IA, un aumento de una desviación estándar en la preparación para la IA se asocia con una diferencia de crecimiento de aproximadamente dos puntos porcentuales.

También mostramos que este resultado es robusto a la inclusión de varias variables de control. Entre ellos, el stock de robots en uso en los distintos sectores. Este hallazgo es importante, ya que los robots son otra innovación tecnológica que podría afectar las tasas relativas de crecimiento entre sectores, pero sus implicaciones para los trabajadores de cuello blanco y azul probablemente difieran de las de la IA generativa.

Tomando las estimaciones de las exposiciones a la IA a nivel industrial y condicionando la diferente distribución de industrias entre países, estimamos que el impacto de crecimiento a corto plazo de la IA generada es mayor en economías avanzadas que en economías emergentes. En las economías avanzadas, de media, el aumento estimado del crecimiento real del valor añadido es 0,6 puntos porcentuales superior al del país con menor aumento en la muestra global. El efecto correspondiente es, de media, alrededor de un tercio menor en las EMDE, que también muestran una considerable heterogeneidad a nivel de campo. Nuestras estimaciones ofrecen una de las primeras evaluaciones a nivel nacional sobre los efectos de crecimiento a corto plazo de la adopción de la IA generativa y sus posibles implicaciones en la distribución.

El artículo se relaciona con diversas corrientes de la literatura sobre las implicaciones de la IA. Estos incluyen evidencias sobre mejoras en la productividad tanto a nivel macro como micro, las implicaciones de la IA para la desigualdad de ingresos entre países y evidencia sobre la difusión de innovaciones tecnológicas anteriores.

Varios estudios han examinado los efectos de la IA en la productividad a nivel macroeconómico, dada su importancia para implicaciones de crecimiento más amplias. Dicho esto, casi toda la investigación existente se centra en economías avanzadas, especialmente en Estados Unidos. Uno de los menores aumentos estimados de productividad de la IA: un aumento anual del 0,07% en la productividad total de factores (TFP) del 0,07%, aunque durante una década. En varios otros estudios se encuentran ganancias sustancialmente mayores en el crecimiento de la productividad.

Para obtener efectos de la productividad macroeconómica, los estudios mencionados anteriormente se basan en estimaciones de las ganancias de productividad de la IA a nivel micro. Estas ganancias generalmente están documentadas como grandes. Otros aportan pruebas de empleados con estudios universitarios; para agentes de atención al cliente; y para desarrolladores de software. Las ganancias de productividad basadas en tareas en estos estudios oscilan entre aproximadamente el 15% y más del 50%.

Las estimaciones sobre las implicaciones macroeconómicas de la IA para países distintos a Estados Unidos —especialmente las EMDE— son notablemente limitadas. Como resultado, el análisis econométrico de los impactos diferenciales en las trayectorias de crecimiento de los países derivados de la adopción de la IA suele ser escaso. Sin embargo, hay algunas excepciones, por ejemplo, estiman una exposición significativamente menor a la IA en países emergentes y de bajos ingresos en comparación con economías avanzadas, reflejando diferencias en las estructuras económicas. Basándose en tres dimensiones relacionadas con la IA —exposición, preparación y acceso— y utilizando un modelo global multisectorial, encuentran que el impacto del crecimiento de la IA podría ser más del doble en economías avanzadas que en países de bajos ingresos. Centrándose en Asia y el Pacífico, sostienen que la IA podría aumentar la desigualdad entre países, dado que la mayoría de los empleos que pueden complementarse con la IA se concentran en economías avanzadas y no en países de bajos ingresos. El enfoque difiere de estos estudios en cuanto a metodología, ya que adoptamos un marco similar para examinar cómo interactúan la exposición a la IA y la preparación tecnológica para influir en las tasas de crecimiento. Las diferencias en la composición sectorial, combinadas con distintos grados de preparación tecnológica entre países, resultan en trayectorias de crecimiento divergentes a corto plazo.

La evidencia histórica sobre la difusión tecnológica puede aportar una visión de cómo las tasas de adopción de la IA pueden variar en el futuro, al tiempo que sugiere que los países emergentes y en desarrollo probablemente estarán en desventaja, analizando la difusión de innovaciones desde finales del siglo XVIII, encuentran que los avances tecnológicos generalmente han llegado desde países avanzados a países de ingresos más bajos, con la velocidad de difusión moldeada por la dotación de capital humano de los países y la adopción de tecnologías predecesoras. Al mismo tiempo, observan que los retrasos en la adopción han disminuido respecto a innovaciones más recientes. Se documentan además que la variación en la adopción de tecnología explica al menos una cuarta parte de las diferencias de ingresos per cápita entre países. De manera relacionada, desarrolla un modelo en el que las distorsiones a nivel de empresa dificultan la adopción de tecnología y tienen implicaciones significativas para la productividad agregada.

Conclusiones

La mayoría de las investigaciones previas sobre los beneficios de crecimiento y productividad de la IA generativa se han centrado en Estados Unidos y, en menor medida, en otras grandes economías avanzadas. Se ha prestado mucha menos atención a las diferencias entre países en los impactos del crecimiento de la IA, especialmente entre economías avanzadas y emergentes. Nuestro artículo aborda esta carencia en la literatura.

Está documentado que los impactos diferenciales en el crecimiento entre países provienen de diferencias en la exposición sectorial a la IA generativa, diferencias en las estructuras de producción de los países y su nivel de preparación tecnológica. Los resultados sugieren que, de media, la IA generada probablemente beneficiará más a las economías avanzadas que a sus homólogas de mercados emergentes, aumentando así las disparidades globales de ingresos a corto plazo.

Los resultados se refieren a impactos en el crecimiento medidos en términos de valor añadido bruto. Para traducir estas estimaciones en equivalentes de TFP —y más allá en proyecciones a largo plazo a nivel nacional— se necesita un modelo estructural que tenga en cuenta los efectos agregados de la demanda y los desbordamientos intersectoriales. Dejamos esta extensión a futuras investigaciones.

Implicaciones de la inteligencia artificial y las finanzas digitales para la estabilidad financiera

Declaraciones del Sr. Tao Zhang, Representante jefe del BIS para Asia y el Pacífico, en la Semana Financiera Internacional, en el marco del Foro Financiero Asiático (AFF), Hong Kong, 26 de enero de 2026.

El título de esta sesión es «Desarrollo e innovación de la IA y las finanzas digitales». Estos cambios están transformando la prestación de servicios financieros, el funcionamiento de los mercados y la gestión de riesgos. Desde la perspectiva de los bancos centrales, también plantean interrogantes importantes para la estabilidad financiera.

Centrándonos en las implicaciones para la estabilidad financiera, incluida la tokenización, que es un elemento central en los debates políticos actuales.

Los comentarios se desarrollan en tres partes:

  • En primer lugar, hablaré brevemente sobre cómo se están desarrollando la inteligencia artificial (IA) y las finanzas digitales, y por qué son importantes para el funcionamiento del sistema financiero.
  • En segundo lugar, y este será el punto central de mi intervención, abordaré las implicaciones para la estabilidad financiera, basándome en los recientes análisis del Banco de Pagos Internacionales (BPI) y del Consejo de Estabilidad Financiera (CEF).
  • Por último, diré unas palabras sobre la cooperación internacional y el papel del BIS.

Desarrollo e innovación: implicaciones para el funcionamiento del mercado

Permítanme comenzar explicando cómo se están desarrollando la IA y las finanzas digitales, y por qué están atrayendo tanta atención de los responsables políticos.

La IA se está adoptando en todo el sector financiero para una amplia gama de propósitos. Las instituciones financieras la utilizan para procesar grandes volúmenes de datos, respaldar la evaluación crediticia, detectar fraudes, gestionar riesgos y automatizar funciones administrativas. Más recientemente, los avances en modelos de lenguaje a gran escala e IA generativa han ampliado el abanico de posibles aplicaciones, incluyendo la interacción con el cliente, el análisis interno y los procesos de supervisión.

Los factores que impulsan la adopción de la IA son bien conocidos. Por el lado de la oferta, los rápidos avances en la capacidad de procesamiento, la disponibilidad de datos y las capacidades de los modelos han reducido las barreras de entrada. Por el lado de la demanda, las empresas buscan aumentar la productividad, reducir costos y obtener ventajas competitivas, mientras que las autoridades exploran el uso de la IA para mejorar la eficacia regulatoria y de supervisión.

En términos generales, las finanzas digitales se refieren a la creciente digitalización de los activos, procesos e infraestructuras financieras. Un componente clave de esto es la tokenización, que, en términos generales, consiste en la representación digital de activos financieros, como valores o depósitos, mediante tecnologías como la tecnología de registro distribuido.

Como ya hemos visto, la tokenización afecta la forma en que se organizan y ejecutan las transacciones financieras. Puede acercar la negociación, la liquidación y la gestión de garantías, reducir los costos de conciliación y favorecer un uso más eficiente de la liquidez y las garantías. La tokenización también puede reducir las fricciones en los pagos transfronterizos y la liquidación de valores, un aspecto especialmente relevante para regiones con fuertes vínculos comerciales y financieros, como Asia.

En conjunto, la IA y las finanzas digitales pueden mejorar la eficiencia, reducir los costos y fomentar la integración de los mercados financieros. Sin embargo, estos mismos avances también modifican la forma en que surgen y se propagan los riesgos en el sistema financiero, y plantean desafíos para los reguladores y supervisores. En resumen, tienen importantes implicaciones para la estabilidad financiera.

Implicaciones para la estabilidad financiera: tres canales

Ahora bien, me centraré en los canales a través de los cuales pueden surgir riesgos para la estabilidad financiera. Investigaciones y análisis de políticas recientes sugieren que la IA y las finanzas digitales pueden afectar la estabilidad financiera a través de múltiples canales. Para ilustrarlo, me centraré en los tres canales que resultan particularmente relevantes desde la perspectiva de un banco central, ya que se relacionan con el funcionamiento del mercado, la resiliencia operativa y la propagación de la tensión en el sistema financiero.

Funcionamiento del mercado y liquidez

En primer lugar, la IA y las finanzas digitales pueden afectar al funcionamiento del mercado y a la liquidez:

  • La IA puede acelerar las operaciones y los ajustes de cartera, lo que puede intensificar las fluctuaciones de precios a corto plazo cuando cambian las condiciones del mercado.
  • La tokenización representa digitalmente los derechos financieros, lo que puede agilizar las transacciones y la liquidación. Sin embargo, los derechos digitales pueden transferirse o canjearse más rápidamente de lo que los activos subyacentes pueden venderse o financiarse.
  • En condiciones normales, estas características pueden mejorar la eficiencia. Pero en periodos de estrés, la mayor rapidez en las operaciones y en la tramitación de reclamaciones puede afectar la liquidez, aumentar la volatilidad y contribuir a la inestabilidad del mercado.

Dependencias operativas y problemas de resiliencia

En segundo lugar, estas tecnologías plantean riesgos operativos y problemas de resiliencia:

  • Los sistemas de IA suelen depender de hardware especializado, servicios de computación en la nube, proveedores de datos externos y modelos pre-entrenados, muchos de los cuales se concentran en un número reducido de proveedores. De manera similar, las finanzas digitales y la tokenización dependen de plataformas, protocolos y proveedores de servicios compartidos que pueden llegar a ser de importancia sistémica.
  • Por lo tanto, las interrupciones operativas, los ciberataques o los fallos tecnológicos pueden tener importantes repercusiones para el sistema financiero.

Amplificación y propagación del estrés

En tercer lugar, la IA y las finanzas digitales pueden influir en cómo se propaga el estrés a través del sistema financiero:

  • El uso generalizado de modelos de IA, datos o reglas de decisión similares puede llevar a las instituciones a responder a las crisis de forma parecida, aumentando así las correlaciones en el comportamiento. Las plataformas de tokenización pueden crear interdependencias nuevas y, en ocasiones, complejas entre mercados y actividades.
  • Estas características pueden amplificar las perturbaciones a través del contagio y la prociclicidad, lo que permite que el estrés se propague de forma más rápida y generalizada entre instituciones, mercados y jurisdicciones.

Complicaciones para los bancos centrales a la hora de identificar y gestionar los riesgos para la estabilidad financiera.

Estos canales de riesgo no son fundamentalmente nuevos. Sin embargo, el cambio tecnológico asociado a la IA y las finanzas digitales puede aumentar la intensidad, la velocidad y la complejidad del flujo de estos riesgos para la estabilidad financiera, lo que dificulta la forma en que los bancos centrales y los reguladores los identifican, evalúan y gestionan.

En primer lugar, la intensidad. A medida que la adopción de la IA y la tokenización se generalizan, las exposiciones e interdependencias pueden concentrarse. La dependencia de plataformas compartidas, fuentes de datos comunes, modelos similares o proveedores de servicios clave puede aumentar la magnitud del impacto potencial cuando se producen interrupciones. En consecuencia, las perturbaciones que antes afectaban a instituciones individuales podrían tener consecuencias sistémicas más pronunciadas, incrementando la intensidad de los riesgos para la estabilidad financiera.

En segundo lugar, la velocidad. Ambas tecnologías pueden acelerar la materialización de los riesgos. La IA permite una toma de decisiones más rápida y automatizada, mientras que la tokenización puede acortar las cadenas de transacciones y los procesos de liquidación. En situaciones de estrés, esto puede reducir el tiempo disponible para que las instituciones y las autoridades respondan, ya que las presiones de liquidez, las interrupciones operativas o las reacciones del mercado se desarrollan con mayor rapidez. Por lo tanto, una transmisión más rápida puede dificultar la contención de los riesgos una vez que surgen.

En tercer lugar, la complejidad. La IA y las finanzas digitales también pueden aumentar la complejidad del sistema financiero, dificultando la observación y evaluación de los riesgos. En el caso de la IA, los modelos opacos, los datos no estructurados y la dependencia de proveedores de servicios externos pueden complicar la evaluación y validación de riesgos. En el caso de las finanzas digitales y la tokenización, la programabilidad, la compatibilidad y la participación de múltiples intermediarios en distintas jurisdicciones pueden generar interdependencias complejas y, en ocasiones, poco transparentes.

Cooperación internacional, gobernanza y el papel del BIS

Los avances que he analizado tienen una marcada dimensión transfronteriza. Los servicios de IA, las plataformas digitales y los sistemas de tokenización suelen operar en distintas jurisdicciones, mientras que la responsabilidad de la estabilidad financiera recae principalmente en los países. Esto crea un papel fundamental para la cooperación internacional, en particular en el ámbito de la gobernanza.

A medida que las finanzas se digitalizan y se interconectan, los marcos de gobernanza —que abarcan la rendición de cuentas, la gestión de riesgos y la supervisión— adquieren una importancia creciente. En el caso de la IA, surgen cuestiones de gobernanza relacionadas con la gestión del riesgo de los modelos, la gobernanza de los datos y la dependencia de proveedores de servicios externos. Para las finanzas digitales y la tokenización, la gobernanza y las decisiones de diseño —como los acuerdos de acceso, las responsabilidades operativas y los procesos de liquidación— pueden tener implicaciones importantes para la resiliencia, especialmente cuando las actividades trascienden fronteras.

Dado que estos desarrollos trascienden las jurisdicciones, los enfoques fragmentados o inconsistentes de la gobernanza pueden generar lagunas y fricciones. Esto subraya la importancia de una mayor alineación y coherencia en los marcos de gobernanza y regulación, respetando al mismo tiempo los mandatos nacionales y las diferencias en la estructura del mercado.

En este contexto, el Banco de Pagos Internacionales (BPI) desempeña un papel fundamental. El BPI ofrece un foro para que los bancos centrales intercambien opiniones sobre los desafíos de la gobernanza, apoya el trabajo analítico para esclarecer las implicaciones de la IA y las finanzas digitales para la estabilidad financiera, y facilita la colaboración y el aprendizaje compartido, incluso a través del Centro de Innovación del BPI. Al trabajar con el Consejo de Estabilidad Financiera (CEF), el Fondo Monetario Internacional y otros socios estratégicos, en el BPI estamos preparados para contribuir a fomentar enfoques de gobernanza sólidos e interoperables que impulsen la innovación y, al mismo tiempo, salvaguarden la estabilidad financiera.

Conclusión

La inteligencia artificial y las finanzas digitales, incluida la tokenización, están transformando el funcionamiento de los mercados financieros. Ofrecen importantes oportunidades para mejorar la eficiencia, la integración y la innovación. Al mismo tiempo, a medida que estas tecnologías se desarrollan, pueden intensificar los riesgos ya conocidos para la estabilidad financiera, afectando la liquidez, la resiliencia operativa, la interconexión y la prociclicidad.

Para los bancos centrales, el reto no reside en resistirse a la innovación, sino en comprender cómo esta modifica la naturaleza y la transmisión de los riesgos, y en garantizar que los marcos de gobernanza y los enfoques de política sigan siendo adecuados. Al fortalecer la cooperación internacional y aprovechar el análisis compartido, los bancos centrales pueden contribuir a que la innovación tecnológica respalde un sistema financiero estable y resiliente.

El potencial de XBRL como capa semántica

¿Puede XBRL desempeñar un papel clave en las arquitecturas de datos modernas?

La era digital ha dado paso a una época sin precedentes de proliferación de datos, donde la información empresarial se genera y difunde a un ritmo exponencial. Los métodos tradicionales de elaboración de informes y análisis de datos tienen dificultades para gestionar este aumento de volumen y complejidad. Por consiguiente, las empresas están recurriendo a plataformas nativas de la nube, lagos de datos, centros de datos y redes malladas para encontrar soluciones innovadoras que aporten significado a los datos empresariales, permitiendo el procesamiento automatizado y una mejor toma de decisiones.

A medida que las organizaciones se esfuerzan por unificar diversos conjuntos de datos en estas herramientas y extraer información relevante a gran escala, el concepto de una «capa semántica» universal está ganando terreno. Estas estructuras buscan ofrecer una visión comprensible para el usuario de los datos almacenados, presentando la información en términos empresariales significativos.

Al mismo tiempo, el lenguaje XBRL (eXtensible Business Reporting Language) se ha consolidado como el estándar fundamental en el ámbito de la información digital y el cumplimiento normativo, ofreciendo un enfoque estructurado y estandarizado para la comunicación electrónica de datos empresariales y financieros.

Este artículo explora el potencial de XBRL como capa semántica para datos empresariales, analizando sus capacidades, beneficios y limitaciones, así como su posición con respecto a otras tecnologías semánticas. Al profundizar en estos aspectos, se busca ofrecer una comprensión integral de cómo XBRL puede contribuir a un ecosistema de información empresarial más rico e inteligente desde el punto de vista semántico.

Desmitificando XBRL

XBRL, acrónimo de eXtensible Business Reporting Language (Lenguaje Extensible de Informes Empresariales), fue diseñado para el intercambio de datos empresariales y financieros. Su función principal es automatizar el intercambio de información empresarial mediante la inclusión de etiquetas estandarizadas en un informe. Estas etiquetas y sus relaciones semánticas se definen en una taxonomía XBRL independiente.

La taxonomía funciona como un diccionario y modelo común (jerarquías, dimensiones, etc.). Cada etiqueta en un informe XBRL corresponde a un concepto de negocio proporcionado por el autor de la taxonomía o creado como una nueva extensión. La extensibilidad es una característica clave de XBRL, ya que permite generar taxonomías a partir de un conjunto de taxonomías estándar. Por lo tanto, se puede construir un modelo de informes complejo a partir de bloques de construcción simples.

Por ejemplo, el Formato Electrónico Único Europeo (ESEF) se basa en la taxonomía de referencia de las NIIF, además de taxonomías técnicas de XBRL International (XII). Al presentar informes, las empresas pueden añadir sus propias extensiones específicas, creando así su propia taxonomía de extensión ESEF, que adjuntan al informe. El software de procesamiento XBRL valida automáticamente el informe.

Más allá de las definiciones, una taxonomía XBRL incluye componentes (bases de enlaces) que especifican diversas relaciones, como su presentación (jerarquías), tablas (cuadrículas), la forma de realizar cálculos y comprobaciones de coherencia, etiquetas asociadas para diferentes idiomas y referencias a bibliografía autorizada. Los informes XBRL, denominados técnicamente instancias, también contienen contextos que definen la entidad, el período, la unidad y la precisión de los datos, por ejemplo, millones de dólares estadounidenses.

El formato iXBRL (XBRL en línea), que integra los datos XBRL directamente en un documento HTML, permite que estos informes sean legibles tanto para humanos como para máquinas en un único archivo. Esto resulta fundamental para informes que se publican o imprimen, así como para aquellos cuyos datos se someten a un análisis exhaustivo, como los informes financieros anuales y los informes de sostenibilidad de las empresas.

XBRL ha ampliado recientemente su presencia con la iniciativa Open Information Model (OIM), introduciendo los formatos XBRL-CSV y XBRL-JSON para una representación e intercambio de datos más eficientes y fáciles de usar para los desarrolladores, en particular para grandes conjuntos de datos y aplicaciones web.

El siguiente paso del programa OIM consiste en simplificar la definición de la taxonomía XBRL y las reglas para verificar su precisión y coherencia. Esto ofrece a la comunidad XBRL la oportunidad ideal para profundizar en el tema y desarrollar XBRL hasta convertirlo en uncomponente clave de las pilas de datos modernas, es decir, parte de una capa semántica universal.

¿Qué es una capa semántica?

Los numerosos sistemas y aplicaciones fragmentados actuales, que utilizan diferentes etiquetas y definiciones para los datos, dificultan enormemente la creación de una visión organizativa unificada y su transformación en un sistema de análisis común.

En el ámbito de la gestión de datos y la inteligencia empresarial, una capa semántica actúa como una capa de abstracción que traduce datos técnicos y diseños complejos en términos empresariales comprensibles para los usuarios. Además, la capa semántica de una herramienta moderna de inteligencia empresarial de autoservicio puede proporcionar al usuario una visión consolidada de los datos almacenados en múltiples sistemas.

Sin embargo, cada herramienta de BI tiene su propio formato y sintaxis, y cada solución de almacenamiento de datos cuenta con sus propias capas de acceso y métodos de recuperación. Si bien muchos sistemas de almacenamiento de datos generan catálogos de datos, esenciales para comprender qué datos están disponibles para su acceso y análisis, estos no contienen la información semántica de los datos que describen.

De aquí surge la idea de una capa semántica «universal». Esta capa actúa como base central donde se almacenan los conceptos de negocio y los metadatos relacionados, además de definir cálculos comunes y estandarizar las métricas de datos, garantizando que todos los departamentos, desde finanzas hasta marketing, trabajen con los datos desde una perspectiva y terminología coherentes.

La aparición de herramientas que incorporan estas ideas se muestra en el diagrama de arquitectura de Dremio que aparece a continuación. Este diagrama refleja la visión de las herramientas destinadas a facilitar la gestión de estas arquitecturas de datos modernas y a simplificar las consultas para los usuarios empresariales.

Una búsqueda rápida revela una serie de proveedores que ofrecen plataformas de capa semántica independientes, es decir, que son independientes de herramientas de BI específicas y permiten un acceso «abierto»:

  • AtScale se centra en proporcionar métricas consistentes, optimización del rendimiento y una gobernanza simplificada. AtScale admite múltiples perfiles de modelado (code-first y no-code).
  • Cube ofrece funcionalidades como modelado de datos, control de acceso, almacenamiento en caché y API para la integración con diversos puntos finales. Además, Cube se centra en mejorar la precisión de la IA generativa proporcionando contexto empresarial.
  • Capa semántica de dbt (con MetricFlow): DBT es una herramienta popular de gestión y almacenamiento de datos; su extensión de capa semántica permite la definición centralizada de términos y métricas empresariales clave mediante código.
  • Dremio se conecta a diversas fuentes de datos, proporcionando un catálogo integrado para la organización y ofreciendo una sólida gobernanza de datos. La función Reflections optimiza la capa semántica para cargas de trabajo de análisis y aprendizaje automático mediante la creación de vistas materializadas que aceleran el rendimiento de las consultas.
  • Kyvos Insights: ofrece una capa semántica impulsada por IA diseñada para gestionar conjuntos de datos grandes y complejos, centrándose en mejorar los datos, acelerar el rendimiento de las consultas y proporcionar modelos de datos enriquecidos con jerarquías y medidas calculadas.
  • Progress Semaphore: se centra en la gestión de metadatos y la IA semántica para crear una capa semántica para un ecosistema digital.
  • Veezoo: se centra en una experiencia de preguntas y respuestas potente y fácil de usar, basada en datos. Utiliza un lenguaje de modelado semántico (VKL) para que los usuarios empresariales obtengan información valiosa al instante mediante búsquedas y consultas en lenguaje natural.

Muchas plataformas de BI tradicionales, como Microsoft Power BI, Tableau, SAP BusinessObjects y Oracle Analytics Cloud (OAC), incluyen funcionalidades de capa semántica que podrían desarrollarse aún más, pero que actualmente están estrechamente integradas en sus respectivos ecosistemas. Looker de Google también cuenta con una sólida capa de modelado semántico llamada LookML, que permite definir modelos de datos y lógica de negocio, lo que abre la puerta a otra opción para una capa semántica independiente.

Así pues, una capa semántica típica incluye definiciones de modelos semánticos, gestión de metadatos, una capa de lógica de negocio para definir cálculos y reglas, una capa de acceso a datos para gestionar la interacción del usuario y la seguridad, y, a menudo, componentes de gestión de taxonomía y ontología. En conjunto, estos componentes permiten que la capa semántica proporcione una visión simplificada, coherente y segura de los datos de la organización. ¿Cómo se compara XBRL con esta lista?

Descifrando el significado semántico mediante XBRL

XBRL posee características destacables para funcionar como una capa semántica. Como se mencionó, las taxonomías XBRL establecen un marco semántico integral para la presentación de informes empresariales, sirviendo como vocabularios estandarizados, organizando estos elementos en una estructura jerárquica, facilitando la agrupación lógica y la navegación de la información, reflejando las relaciones inherentes entre diferentes conceptos y proporcionando reglas para verificar la precisión y la coherencia. Este modelo estructurado constituye la base semántica sobre la cual se pueden construir los marcos de información financiera.

El potencial de XBRL como base para sistemas de cumplimiento y marcos de presentación de informes ya se está haciendo realidad.

  • Las iniciativas nacionales, como el programa Standard Business Reporting (SBR) en los Países Bajos, coordinan numerosos requisitos de información financiera del gobierno mediante XBRL: declaraciones anuales de empresas, impuestos, recopilación de estadísticas, presupuestos de corporaciones de vivienda, sector educativo y seguimiento de préstamos comerciales.
  • La Autoridad Europea de Seguros y Pensiones de Jubilación (EIOPA) y la Autoridad Bancaria Europea (EBA) utilizan el formato de datos XBRL para definir modelos de información comunes para 27 países europeos, con el fin de recopilar diversos informes de miles de bancos y compañías de seguros. (Lamentablemente, la EBA ha comenzado a desviarse del modelo semántico al utilizar etiquetas codificadas abstractas de su base de datos interna para identificar datos, lo que anula las ventajas en cuanto a comprensión y acceso. Otros artículos abordan este tema, pero esperamos que puedan retomar el camino correcto en el futuro).
  • La taxonomía ESEF, publicada por la Autoridad Europea de Gestión de Valores (ESMA), es un buen ejemplo de cómo combinar varios componentes taxonómicos en un único modelo. Además, está traducida a todos los idiomas europeos para que las empresas europeas que cotizan en bolsa puedan presentar sus informes en su idioma local.

Sin embargo, a pesar de las numerosas ventajas del uso de XBRL, existen varias preocupaciones y limitaciones que merecen ser consideradas:

  • La complejidad asociada a XBRL suele ser citada por los críticos como una barrera. Las taxonomías pueden ser extensas e intrincadas, abarcando miles de elementos y relaciones complejas. Sin embargo, la complejidad de los modelos radica en que la naturaleza de los dominios que describen parece simple para los humanos, pero es compleja a nivel de datos.
  • Otra barrera para la adopción que se suele mencionar son los costes iniciales asociados a la implementación de XBRL, que incluyen la adquisición de software especializado, la formación adecuada del personal y la posible contratación de consultores externos. Sin embargo, si se consideran como parte del coste total de la estandarización y la presentación de informes digitales, los costes del etiquetado XBRL son relativamente bajos y se deben en parte a que la industria del software aún está en desarrollo.
  • Comprender e implementar la taxonomía adecuada para una industria o jurisdicción específica requiere conocimientos y experiencia especializados. La escasez de personal cualificado es un problema real, pero también puede considerarse parte de las dificultades propias del crecimiento de una tecnología en rápida expansión.
  • La resistencia al cambio dentro de las organizaciones también puede obstaculizar el proceso de adopción, ya que podría requerir ajustes significativos en los flujos de trabajo y procesos de informes existentes. Todo esto forma parte de los desafíos que implica la transición a un mundo digital, impulsado por el creciente uso de la IA, a los que todos nos enfrentaremos.
  • Finalmente, la extensibilidad de XBRL, si bien ofrece flexibilidad, también puede plantear desafíos. La posibilidad de que las empresas creen extensiones personalizadas puede generar dificultades en los sistemas de análisis estructurado y en garantizar la comparabilidad entre diferentes fuentes de datos. Lograr un equilibrio entre la flexibilidad necesaria y el mantenimiento de un nivel de estandarización que permita una comparación efectiva es un reto constante en la comunidad XBRL; un tema controvertido, por así decirlo.

En mi opinión, se trata de problemas tecnológicos típicos. Sin embargo, si bien XBRL mejora significativamente las capacidades de validación automatizada y análisis de datos en los ejemplos anteriores y muchos más, actualmente se limita a mecanismos de almacenamiento y análisis que pueden procesar específicamente su estructura y sintaxis únicas. Este factor, en particular, está frenando la adopción de XBRL.

XII ha demostrado que, al convertir informes XBRL a XBRL-JSON y vincularlos con herramientas como Tableau y LLM, las definiciones semánticas de XBRL pueden utilizarse de forma productiva. Además, actualmente existen bases de datos XBRL comerciales, como la base de datos XT de UBPartner, que pueden ayudar a transformar grandes volúmenes de informes XBRL en datos utilizables. Sin embargo, esto no parece ser suficiente para impulsar un mayor uso de XBRL.

¿Cómo se puede implementar OIM de manera que impulse XBRL hacia una capa semántica universal?

XBRL en el contexto de la Web Semántica más amplia

Para comprender plenamente el papel de XBRL como capa semántica, conviene compararlo con otras tecnologías semánticas consolidadas, especialmente aquellas asociadas a la Web Semántica, como RDF (Resource Description Framework) y OWL (Web Ontology Language). La Web Semántica es una extensión de la World Wide Web cuyo objetivo es hacer que los datos de internet sean legibles por máquinas, permitiendo así que los ordenadores comprendan y procesen la información con mayor eficacia.

  • RDF proporciona un modelo estándar para el intercambio de datos en la web. Permite la creación de una red de datos interconectados donde las relaciones entre las diferentes piezas de información se definen explícitamente. Por ejemplo, se podría usar RDF para indicar que la «Empresa A» tiene ingresos de 1.000.000 de dólares estadounidenses.
  • OWL se basa en RDF y ofrece un lenguaje más sofisticado para definir ontologías, que son representaciones formales del conocimiento, detallando conceptos, sus propiedades y las relaciones entre ellos. OWL permite la creación de modelos semánticos más ricos y complejos.

El uso principal de RDF y OWL es la búsqueda semántica en grandes conjuntos de datos, en su mayoría no estructurados. El lenguaje de consulta SPARQL se utiliza habitualmente para almacenes de datos RDF y permite a los usuarios especificar patrones gráficos para compararlos con los datos RDF, lo que posibilita búsquedas complejas basadas en relaciones y propiedades, permitiendo a los usuarios encontrar información en función del significado, en lugar de solo de palabras clave.

Los grafos de conocimiento construidos con RDF y OWL permiten navegar y realizar búsquedas para descubrir conexiones e información que podrían pasar desapercibidas en los almacenes de datos tradicionales. Las técnicas de recorrido y consulta de grafos permiten explorar las relaciones entre entidades, lo que mejora significativamente la búsqueda de datos. Además, herramientas como Ontopic Studio permiten diseñar capas semánticas basadas en los estándares del W3C, ofreciendo un enfoque más centrado en los grafos de conocimiento.

OWL admite un razonamiento lógico e inferencia más sofisticados que el estándar XBRL. Su semántica basada en modelos permite la verificación automatizada de la coherencia, la clasificación y otras formas de razonamiento sobre los datos. Sin embargo, en términos de adopción y ecosistema, XBRL ha logrado una amplia adopción en el ámbito de la información financiera, con un ecosistema consolidado de normativas, herramientas de software y proveedores de servicios.

La adopción de RDF y OWL está creciendo en diversos sectores, pero el ecosistema empresarial está menos desarrollado. Al parecer, también presentan muchos de los problemas mencionados anteriormente para XBRL. En resumen, se diferencian de la siguiente manera:

Existen iniciativas y enfoques en curso que buscan combinar las ventajas de las tecnologías XBRL y la Web Semántica. Charlie Hoffman (a menudo considerado el «padre» de XBRL) ha reflexionado frecuentemente sobre estas conexiones en su blog sobre informes digitales. Estos proyectos e iniciativas en curso ponen de manifiesto el creciente reconocimiento y utilización del potencial de XBRL como capa semántica, al menos para datos financieros.

Queda por determinar si XBRL y las herramientas de la web semántica pueden integrarse para definir un modelo semántico universal y si pueden utilizarse conjuntamente para definir taxonomías para las nuevas especificaciones OIM. Una mayor colaboración entre el Consejo de Estándares XBRL (XSB) y la comunidad OWL parece beneficiosa.

El futuro de los datos semánticos con XBRL

El análisis anterior subraya el gran potencial de XBRL para funcionar como una capa semántica para datos empresariales. Su estructura inherente, su sistema de etiquetado estandarizado y sus taxonomías exhaustivas proporcionan una base sólida para dotar a la información de un significado que trasciende la mera sintaxis.

La continua evolución de XBRL, con nuevos formatos y la simplificación de taxonomías, sugiere que su uso para el cumplimiento normativo se expandirá y ofrecerá aún mayores beneficios. A medida que la IA siga avanzando, cabe esperar una creciente demanda de etiquetado XBRL, ya que, contrariamente a muchas afirmaciones erróneas, XBRL proporciona la estructura sintáctica y semántica necesaria para que la IA interprete mejor los informes financieros.

Para la comunidad XBRL, las especificaciones de la taxonomía OIM supondrán un cambio radical con respecto al pasado, brindando a la comunidad la oportunidad de abordar una preocupación común: que XBRL aún no facilita, simplifica ni agiliza las tareas de forma visible. El primer paso será garantizar que OIM sea una plataforma de alta calidad que respalde las ambiciones actuales de la comunidad, incluyendo reglas de verificación de calidad de datos más sofisticadas y una mayor velocidad de procesamiento.

Si bien el camino hacia la utilización generalizada y eficaz de XBRL como capa semántica es prometedor, no estará exento de desafíos. Requerirá una gobernanza sólida y una colaboración continua de la comunidad para alcanzar su máximo potencial.

A pesar de la advertencia anterior, sigo recomendando que la comunidad XBRL mire más allá:

  • Analizando cómo XBRL podría integrarse en las pilas de datos modernas.
  • El objetivo es proporcionar una capa semántica verdaderamente universal para estas implementaciones de una manera más coherente y estandarizada.
  • Es fundamental que el futuro de XBRL incluya una gobernanza semántica transversal a las taxonomías, ya que los marcos de informes mencionados anteriormente se han desarrollado como soluciones puntuales, lo que implica que el mismo concepto se describe de forma diferente en distintas taxonomías. Nuevas iniciativas, como BIRD del BCE, buscan crear diccionarios de manera más coherente, algo que XBRL debe admitir.

El XSB debería ofrecer una visión a largo plazo como parte de la dirección que tomen en materia de OIM, para animar a los proveedores de software a invertir en nuevas herramientas y enfoques de visualización que ayuden a los usuarios a crear y revisar modelos de taxonomía.

Al abordar estos desafíos desde las primeras etapas del proceso de definición de OIM y al seguir innovando, XBRL puede consolidar su papel como piedra angular de un futuro con mayor inteligencia semántica para la información financiera.

El comité de supervisión de las NIIF reafirma la sólida gobernanza y supervisión

El Consejo de Supervisión de la Fundación IFRS reafirmó su compromiso con una sólida gobernanza y supervisión de las normas globales de contabilidad y divulgación de información sobre sostenibilidad. Los debates se centraron en la labor de los fideicomisarios de la Fundación IFRS en la supervisión tanto del Consejo de Normas Internacionales de Contabilidad (IASB) como del Consejo Internacional de Normas de Sostenibilidad (ISSB). El consejo también subrayó la importancia de mantener informes financieros y divulgaciones sobre sostenibilidad de alta calidad en todo el mundo.

Un aspecto clave fue el progreso del IASB, en particular su trabajo sobre activos intangibles e información sobre flujos de efectivo, dos áreas destacadas en su Tercera Consulta sobre la Agenda. La próxima Cuarta Consulta sobre la Agenda aportará nuevas perspectivas de las partes interesadas sobre la dirección estratégica del consejo. Mientras tanto, los esfuerzos del ISSB para implementar y adoptar las NIIF S1 y S2 siguen siendo una prioridad, con especial énfasis en garantizar la comparabilidad e interoperabilidad de la información sobre sostenibilidad en los mercados globales.

La estabilidad financiera fue otro tema central. El consejo reiteró la necesidad de un modelo de financiación sólido que respalde al IASB y al ISSB, garantizando así la continuidad de su labor de elaboración de normas de alta calidad. Asimismo, acogió con beneplácito las mejoras en la gobernanza que está llevando a cabo la Fundación IFRS, incluida una propuesta de actualización del Manual de Debido Proceso. El modelo con múltiples sedes —diseñado para mantener la relevancia en el mercado, con oficinas actualmente en Londres, Pekín, Fráncfort, Montreal, San Francisco y Tokio— se reafirmó como esencial para la adopción global.

Con la creciente aceptación mundial de las NIIF S1 y S2, el consejo está redoblando sus esfuerzos para garantizar estándares de información financiera de alta calidad que beneficien a inversores, reguladores y empresas por igual.

La Junta de Monitoreo de la Fundación IFRS reafirmó la importancia de la supervisión de las actividades de establecimiento de normas y la gobernanza por parte de los Patronos de la Fundación IFRS

Durante la reunión de la semana pasada de la Junta de Supervisión de la Fundación NIIF en Londres, la Junta de Supervisión discutió las actividades de los Fideicomisarios de la Fundación IFRS (Fideicomisarios), incluyendo las responsabilidades de supervisión de los Síndicos respecto al Consejo Internacional de Normas Contables (IASB) y al Consejo Internacional de Normas de Sostenibilidad (ISSB). A la reunión se unieron los miembros de los Patronos bajo el liderazgo de Erkki Liikanen, presidente de los Patronos, así como Andreas Barckow, presidente de la IASB, y Emmanuel Faber, presidente de la ISSB.

La Junta de Supervisión hizo hincapié en el enfoque continuo en las Normas Contables de NIIF de alta calidad para la información financiera y felicitó al IASB por los grandes avances en el cumplimiento de sus obligaciones establecidas en la Consulta de la Tercera Agenda del AIS, incluyendo el lanzamiento de nuevos proyectos sobre Activos Intangibles, y el Estado de Flujos de Caja y Asuntos Relacionados.

La Junta de Supervisión da la bienvenida a la próxima Cuarta Consulta de la Agenda del IASB, que proporciona al IASB la retroalimentación de las partes interesadas sobre la dirección estratégica y el equilibrio de sus actividades. La Junta de Seguimiento debatió el progreso del ISSB en iniciativas de implementación y adopción y la publicación de materiales educativos para ayudar a las jurisdicciones pertinentes en la aplicación de las IFRS S1 y S2. De cara al futuro, la Junta de Seguimiento reafirmó la importancia de promover la coherencia, la comparabilidad y la interoperabilidad de las divulgaciones de sostenibilidad en los mercados de capitales relevantes mediante trabajos entre jurisdicciones. La Junta de Supervisión también sigue esperando que las NIIF S1 y S2 contribuyan al desarrollo de divulgaciones relacionadas con la sostenibilidad.

La Junta de Supervisión reiteró la necesidad de una base financiera sólida para la Fundación NIIF, que permita a la IASB y la ISSB seguir realizando actividades de establecimiento de normas de alta calidad para mejorar la comunicación entre las partes interesadas. A la luz del debate en curso sobre la financiación sostenible y la revisión de costes, en particular, la Junta de Seguimiento destacó la importancia de la independencia continua y la buena gobernanza de la IASB y la ISSB como establecedores de normas. La Junta de Supervisión también señaló la necesidad continua de contar con niveles adecuados de personal de alta calidad y el equilibrio geográfico de los miembros para mantener la fijación de estándares de alta calidad. En este contexto, la Junta de Seguimiento apoya la participación continua con las partes interesadas de todo el mundo.

Con la adopción de las NIIF S1 y S2 en diversas jurisdicciones del mundo, se espera que el modelo multiubicación1 continúe facilitando y apoyando la aplicación de las normas en las jurisdicciones correspondientes. Garantizar la conectividad entre el IASB y el ISSB también promueve el modelo de «Dos Juntas bajo una Misma Fundación». En este contexto, la Junta de Seguimiento acogió con satisfacción la publicación del borrador de exposición de las enmiendas del Manual de Debido Proceso como una iniciativa para fortalecer aún más la gobernanza de la Fundación NIIF. La Junta de Supervisión continuará trabajando con los Fideicomisarios para garantizar que el trabajo de establecimiento de normas del IASB y el ISSB esté respaldado por una gobernanza sólida, un debido proceso y supervisión.

Durante la reunión, los miembros de la Junta de Supervisión discutieron el Plan de Trabajo 2025-2026 de la Junta de Supervisión de la Fundación IFRS, que se espera que se publique en la página web de la Junta de Monitoreo, una vez acordado.

BaFin amplía la presentación de informes XBRL para aseguradoras y fondos de pensión

La Autoridad Federal de Supervisión Financiera de Alemania (BaFin) ha ampliado el uso del formato XBRL, con nuevos requisitos de presentación de informes digitales que ya están en vigor para las aseguradoras y los fondos de pensiones de empleo. A partir del 1 de enero de 2025, las entidades afectadas deberán presentar sus informes en formato XBRL, en consonancia con la iniciativa de BaFin para estandarizar y simplificar la presentación de informes cuantitativos. 

El mandato se aplica a los informes elaborados en virtud de diversas normativas, entre ellas la Ordenanza de Información sobre Seguros y la Ordenanza de Supervisión de Fondos de Pensiones. BaFin ha destacado que, si bien este cambio es de índole técnica y no se centra en el contenido, su objetivo es mejorar la validación y la coherencia de los datos. Esta medida refleja una tendencia regulatoria más amplia hacia la elaboración de informes financieros estructurados y legibles por máquina para optimizar la supervisión y la eficiencia.

La adopción de XBRL ofrece claras ventajas, como una mayor transparencia, la reducción de errores en los informes y una mejora en el procesamiento de datos tanto para los reguladores como para las empresas. Al abandonar los formatos fragmentados, BaFin refuerza su compromiso con los datos financieros estructurados y de alta calidad, un enfoque cada vez más extendido en los marcos regulatorios europeos y mundiales.

Ahora que BaFin ha ampliado el alcance de XBRL, las aseguradoras y los fondos de pensiones deben garantizar el cumplimiento de estos requisitos actualizados.

Obligaciones de información

Obligaciones de información y divulgación de las compañías de seguros primarios y reaseguros, los grupos aseguradores y los planes de pensiones de empleo.

El tercer pilar de Solvencia II comprende esencialmente las obligaciones de información de las aseguradoras primarias, las reaseguradoras y los grupos aseguradores ante la autoridad supervisora, las obligaciones de divulgación de información de las empresas y los grupos al público, y las obligaciones de información para la estabilidad financiera. En particular, las obligaciones de divulgación garantizan una mayor transparencia y, por lo tanto, promueven la disciplina de mercado. Además, la información que debe presentarse para fines de supervisión permite una supervisión eficaz y basada en el riesgo de las empresas, teniendo en cuenta el principio de proporcionalidad con respecto a los requisitos de Solvencia II. La información para la estabilidad financiera tiene como objetivo la supervisión macroeconómica para salvaguardar la estabilidad financiera.

Los planes de pensiones de empleo están sujetos a obligaciones de información adicionales a los datos ya requeridos, aunque no estén cubiertos por Solvencia II. Esto se basa en una decisión de la Autoridad Europea de Seguros y Pensiones de Jubilación (EIOPA) de conformidad con el artículo 35 del Reglamento (UE) No. 1094/2010 del Parlamento Europeo y del Consejo, de 24 de noviembre de 2010, por el que se crea una Autoridad Europea de Supervisión (Reglamento EIOPA), que se adoptó el 1 de febrero de 2023. Según esta decisión de la EIOPA, los planes de pensiones de empleo están obligados a informar a BaFin, que a su vez remite estos datos a la EIOPA.

Adaptación técnica del sistema nacional de informes a XBRL

BaFin está revisando actualmente los requisitos técnicos para la presentación de informes nacionales de todas las compañías de seguros y planes de pensiones de empleo bajo su supervisión. El formato de informe futuro será XBRL (eXtensible Business Reporting Language). Esta solución técnicamente avanzada ya se ha consolidado en otros ámbitos relacionados con la presentación de informes (en el contexto de la supervisión, los informes de datos de pensiones de Solvencia II y EIOPA ya se presentan a BaFin en formato XBRL). Por lo tanto, la transición se centra en la presentación de informes cuantitativos, con el objetivo de estandarizar los formatos y la validación de los informes. Esto implicará ajustes en el formato y la maquetación de los informes. Actualmente no se prevén cambios sustanciales en el contenido. Las bases legales pertinentes para la presentación de informes nacionales incluyen el Reglamento de Información de Seguros, el Reglamento de Supervisión de Fondos de Pensiones, el Reglamento de Adecuación de Capital y diversas resoluciones/circulares colectivas que anteriormente exigían la presentación de formularios y documentación justificativa.

La IA puede mejorar la presentación de informes XBRL, pero no puede reemplazarla

La idea de que la IA no necesita XBRL es un poco como decir que un coche autónomo no necesita carreteras. Simplemente no tiene sentido. Sin embargo, con las propuestas ómnibus de la Comisión Europea generando debate sobre la simplificación de la normativa, se sugiere que las empresas no necesitan digitalizar sus informes; quizás la IA pueda extraer datos financieros y de sostenibilidad directamente de informes no estructurados. Es una ilusión: si queremos mercados que destaquen por su confianza, comparabilidad e interés de los inversores, necesitamos información digital clara, accesible y transparente.

La IA puede mejorar el análisis, facilitar el etiquetado como un «copiloto» y contribuir a la coherencia de los informes. La Coalición We Mean Business ofrece valiosas perspectivas sobre el papel de la IA en la elaboración de informes digitales. Se ha publicado un informe exhaustivo sobre la calidad de los datos de sostenibilidad.

Reflexionando, la IA supone un cambio radical para ayudar a las empresas con el etiquetado XBRL sencillo, la detección de errores y la mejora del análisis, pero no es una varita mágica. Los modelos de IA funcionan de forma probabilística, lo que significa que aprenden patrones y hacen predicciones, pero no pueden capturar de forma exhaustiva la información que una empresa desea comunicar a sus usuarios. XBRL garantiza que las divulgaciones sigan formatos estandarizados, lo que hace que los datos financieros y de sostenibilidad sean trazables, comparables y auditables, aspectos esenciales para inversores, reguladores y mercados de capitales.

La IA puede desempeñar un papel fundamental en la facilitación y mejora del proceso de elaboración de informes. Las herramientas de etiquetado XBRL basadas en IA ya están mejorando la velocidad y la precisión, reduciendo la carga administrativa para las empresas. Sin embargo, no son perfectas. Se requiere supervisión humana para prevenir errores. El verdadero potencial reside en la combinación: la IA acelera el proceso, gestionando quizás el 80 % del trabajo, pero la supervisión de la dirección garantiza que el 20 % restante capture los matices que la IA no puede.

¿El resultado? Una única versión fidedigna de la verdad, lista para el análisis tanto humano como mediante inteligencia artificial. Por eso XBRL es importante.

Las denominadas propuestas ómnibus de la Comisión Europea, un conjunto de medidas destinadas a simplificar la regulación, han generado recientemente una gran preocupación en el sector empresarial. Si bien cierta simplificación es necesaria y beneficiosa, la Comisión no debería desechar lo esencial permitiendo la desregulación y la eliminación de partes fundamentales de la legislación. Por ejemplo, hemos escuchado cada vez más peticiones para eliminar el requisito de etiquetar los informes financieros y no financieros de las empresas con XBRL (Lenguaje Extensible de Informes Empresariales) y la exigencia de certificación de estos informes basados en XBRL. Estos informes digitales son obligatorios en la UE —y en otras jurisdicciones— porque ponen a disposición los datos financieros y no financieros en un formato estructurado, adecuado para el análisis.

El argumento que se esgrime ahora es que la inteligencia artificial (IA) debería permitir a los inversores y otros proveedores de capital extraer los datos digitales que necesitan de forma independiente, algunos incluso afirman que, con mayor precisión y eficiencia, lo que permitiría a las empresas volver a publicar informes en formatos PDF sencillos.

Pero eso no es del todo cierto.

Si bien la IA es una fuerza transformadora en los negocios y las finanzas, no puede reemplazar a XBRL debido a la falta de estandarización, cumplimiento normativo e integridad de datos estructurados. Sin embargo, la IA puede mejorar significativamente la forma en que las empresas preparan, validan y analizan los informes XBRL, haciendo que el proceso sea más rápido, preciso y revelador.

Cómo la IA puede respaldar la presentación de informes XBRL

En lugar de reemplazar XBRL, la IA puede ser una herramienta poderosa para optimizar y simplificar la generación de informes XBRL mediante:

  • Automatización del etiquetado de datos: la IA puede clasificar y asignar datos financieros y no financieros a la taxonomía XBRL correcta.
  • Detección de errores e inconsistencias: la detección de anomalías basada en IA puede señalar errores en los informes antes de su envío.
  • Mejora de la extracción de datos: la IA puede extraer datos financieros y no financieros de diferentes formatos y convertirlos en informes XBRL estructurados.
  • Mejora del análisis: la IA puede analizar los informes XBRL, proporcionando información más detallada a reguladores, inversores y analistas.

Por qué XBRL sigue siendo esencial

Los organismos reguladores de todo el mundo exigen la presentación de informes basados ​​en XBRL para garantizar la uniformidad en la información financiera y no financiera. Esta estandarización asegura que los datos reportados sean útiles para el análisis por parte de las autoridades comerciales nacionales, los inversores y otras partes interesadas. Asimismo, garantiza que todas las empresas cumplan con las regulaciones de presentación de informes de manera consistente, lo que facilita la comparación del desempeño y las perspectivas.

Por otro lado, la IA opera de forma probabilística: aprende patrones y realiza predicciones, pero no garantiza el cumplimiento de las estrictas normas de información financiera y no financiera. Si las autoridades empresariales nacionales, los inversores y otras partes interesadas se basan exclusivamente en datos extraídos mediante IA, existe un riesgo significativo de imprecisiones, como la asignación incorrecta de indicadores clave de rendimiento (KPI), unidades erróneas y cifras equivocadas. Estos errores pueden, por ejemplo, distorsionar los análisis de los inversores sobre una empresa determinada, con posibles consecuencias para el precio de las acciones y la confianza del mercado.

El papel de la garantía en la presentación de informes XBRL

Actualmente, los informes XBRL son aprobados por la alta dirección de la empresa y auditados, lo que garantiza la fiabilidad de los datos digitales proporcionados. La IA puede ayudar a asignar los datos financieros y no financieros a las etiquetas XBRL correctas, pero no puede sustituir el proceso de verificación que garantiza la integridad y la usabilidad de los datos digitales.

Ya existen en el mercado varias herramientas de etiquetado XBRL basadas en IA, y funcionan razonablemente bien. Sin embargo, aún cometen errores, especialmente al tratar con necesidades de informes complejas y únicas o con regulaciones recientemente introducidas. Dado que la IA solo puede aprender de datos históricos, puede tener dificultades para aplicar nuevos estándares de información financiera o no financiera. Algunos de los errores que cometen estas herramientas son significativos, lo que obliga a las empresas y a los auditores a validar y corregir el etiquetado automatizado.

Sin embargo, las empresas pueden completar el proceso de etiquetado mucho más rápido y con mayor precisión utilizando herramientas de etiquetado XBRL basadas en IA. Si una empresa todavía etiqueta manualmente los informes XBRL, es comprensible que les resulte engorroso y soliciten una simplificación; pero quizás sea hora de modernizar su enfoque.

XBRL combinado con IA es el futuro.

Otro aspecto clave es que los reguladores, auditores, inversores y otros proveedores de capital exigen informes trazables y explicables. Los modelos de IA, en particular los complejos algoritmos de aprendizaje profundo, suelen funcionar como una «caja negra», lo que dificulta explicar cómo llegan a ciertas conclusiones. 

Además, la IA puede ayudar a detectar errores y anomalías para empresas, auditores y reguladores, pero no puede sustituir el enfoque estructurado y basado en reglas de XBRL. Conclusión: Mantener el requisito XBRL: la IA puede brindar soporte, no reemplazarlo.

La coalición We Mean Business aboga firmemente por mantener el requisito de presentar informes en formato XBRL, tanto para la información financiera como para la no financiera, a fin de garantizar el acceso a datos estructurados de alta calidad, aptos para el análisis y disponibles gratuitamente para todas las partes interesadas: inversores minoristas e institucionales, otros proveedores de capital, autoridades y reguladores empresariales, académicos, periodistas y otros investigadores.

Hay que leer el informe sobre Calidad de datos para conocer las causas fundamentales de los desafíos que enfrentan los usuarios de datos ESG y descubra soluciones practices de empresas, proveedores de datos, usuarios y legisladores para mejorar la fiabilidad y la usabilidad.

Los datos ambientales, sociales y de gobernanza (ESG) son esenciales para la toma de decisiones estratégicas, pero los desafíos persistentes en la calidad, la consistencia y la accesibilidad de los datos dificultan su eficacia.

Nuestras últimas directrices analizan estos problemas sistémicos, identificando los obstáculos clave para los usuarios de datos ESG. Analizamos las causas fundamentales de los desafíos de datos ESG y ofrecemos soluciones procesables para mejorar la confiabilidad y la usabilidad.

El análisis identifica cuestiones clave derivadas de tres fuentes principales: empresas, proveedores de datos y factores estructurales. Para cada categoría, describimos el problema, destacamos los próximos esfuerzos de remediación y proponemos nuevas acciones para abordar los desafíos.

Nuestro objetivo es crear conciencia sobre estos temas y abogar por el establecimiento de acciones de remediación que garanticen que los datos ESG se vuelvan confiables para el análisis y válidos para la toma de decisiones. Al abordar los problemas en la calidad y usabilidad de los datos ESG, y proporcionar soluciones prácticas, nuestro objetivo es cerrar las brechas en la presentación de informes, mejorar la calidad y la granularidad de los datos y garantizar la integridad del ecosistema de datos ESG.

Proporcionamos orientación práctica para que los inversores, bancos, periodistas y auditores naveguen por los desafíos de datos ESG. Al fomentar la colaboración y la rendición de cuentas, nuestro objetivo es cerrar las brechas en los informes, mejorar la integridad de los datos y potenciar la toma de decisiones informadas.

Las inversiones en eficiencia energética generan ahorros

Mejorar la eficiencia energética aporta beneficios económicos, reduce las emisiones y, en el mejor de los casos, también hace que los procesos de producción sean más eficientes.

Los acuerdos de rendimiento energético son un instrumento clave en los esfuerzos de las empresas por mejorar su eficiencia energética. Se trata de acuerdos voluntarios mediante los cuales la industria, el sector público y los sectores energético, de servicios e inmobiliario se comprometen a mejorar su eficiencia energética. Estos acuerdos buscan cumplir con las obligaciones nacionales y de la UE en materia de eficiencia energética sin necesidad de nueva legislación.

El Acuerdo de Eficiencia Energética ha atraído a miles de empresas que se han sumado voluntariamente desde 1992. Entre 2017 y 2023, se llevaron a cabo más de 27 000 proyectos de eficiencia energética en el marco de este acuerdo, con una inversión de casi 1500 millones de euros. Esto se tradujo en un ahorro anual de 15 teravatios hora, 800 millones de euros y más de 3 millones de toneladas de dióxido de carbono.

La mejora continua no requiere grandes inversiones.

El periodo actual del acuerdo de eficiencia energética comenzó en 2017 y finalizará a finales de este año. El próximo periodo del acuerdo, que se extenderá hasta 2035, ya se encuentra en preparación.

La actividad de las empresas es gratificante.

Aunque el contrato actual ya va por su tercer año, se firman continuamente nuevos contratos de eficiencia energética. Estos están relacionados tanto con cambios en los métodos operativos como con inversiones.

Los cambios en los métodos operativos no siempre requieren inversiones, ya que pueden incluir, por ejemplo, la optimización de los parámetros de un sistema de automatización de la propiedad y la producción para que se consuma menos energía.

Los tiempos de funcionamiento de los equipos se pueden ajustar en muchos aspectos para lograr un ahorro general significativo.

Dinero del tesoro estatal

El objetivo de la Asociación de Industrias Tecnológicas ha sido que más de la mitad de la energía utilizada por sus empresas miembro esté cubierta por un acuerdo de eficiencia energética, hemos por lo tanto alcanzado nuestros objetivos durante el período contractual 2017-2025. Los acuerdos de eficiencia energética han demostrado ser la mejor manera en Finlandia de cumplir con los requisitos de la Directiva de Eficiencia Energética de la UE.

Cuando una empresa se compromete con un acuerdo de eficiencia energética, tiene la oportunidad de recibir apoyo para proyectos que mejoren dicha eficiencia. La fuente de apoyo es Business Finland, que puede otorgar una subvención energética del 25 % para los proyectos. El acuerdo exige que la empresa informe anualmente a Motiva sobre los proyectos realizados.

El presupuesto estatal se ha ajustado, por lo que Business Finland dispone de menos fondos para proyectos de eficiencia energética que en años anteriores.

El apoyo puede cubrir inversiones en energías renovables, como la construcción de una planta de energía solar en el tejado de una fábrica. La producción de electricidad renovable y la eficiencia energética se complementan muy bien.

La información se comparte abiertamente.

Las empresas industriales están deseosas de compartir sus mejores prácticas en materia de eficiencia energética. Motiva fomenta este intercambio, por ejemplo, mediante seminarios web donde las empresas exponen sus medidas concretas de eficiencia energética. También se puede encontrar información sobre soluciones excelentes en el sitio web del Acuerdo de Eficiencia Energética.

La eficiencia energética está estrechamente ligada a la responsabilidad corporativa y a un sistema de gestión energética certificado. Esto requiere comunicar las medidas de eficiencia energética tanto interna como externamente.

Dado que informar sobre las medidas de ahorro energético no pone en peligro la competitividad de una empresa, las compañías se muestran sorprendentemente dispuestas a informar sobre los éxitos en este ámbito.

Acciones versátiles

Entre los sectores industriales, aquellos con alto consumo energético han logrado importantes ahorros. La industria forestal y la química, entre otras, han obtenido grandes ahorros. Por otro lado, empresas de todos los sectores se han sumado al acuerdo de ahorro energético, con resultados integrales que han superado ampliamente los objetivos establecidos.

Todos los sectores están adoptando medidas importantes y los resultados son encomiables. Las empresas se guían tanto por el ahorro de costes como por la mejora de la responsabilidad. El tercer factor es el aumento de la competitividad.

En la industria, la eficiencia energética se mejora de diversas maneras, tanto en lo que respecta a las instalaciones como a los procesos. En las propiedades, la mejora de la calefacción, las bombas de calor aire-aire y la sustitución de la iluminación por LED son métodos habituales. Los procesos se optimizan, por ejemplo, ajustándolos mediante datos en tiempo real como temperaturas, presiones y otros parámetros; identificando cuellos de botella en la producción y derrochadores de energía con los datos recopilados; o aprovechando el calor liberado en los procesos para otros procesos y para calentar las instalaciones.

De la revisión a la acción práctica

Una auditoría energética es el primer paso cuando una empresa comienza a considerar las mejores maneras de mejorar su eficiencia energética. La auditoría analiza el consumo energético de las instalaciones, el potencial de ahorro energético, la posibilidad de utilizar energías renovables y las medidas de ahorro energético. Las auditorías también incluyen cálculos de rentabilidad de las medidas y su impacto en las emisiones de dióxido de carbono.

Llevar a cabo una inspección requiere tanto una profunda experiencia por parte de la persona que la realiza como que el trabajo se lleve a cabo en estrecha colaboración con el cliente, de modo que la persona que realiza la inspección llegue a conocer a fondo el equipo de producción.

Por mucho que las empresas deseen mejorar su eficiencia energética, se ven limitadas por la falta de fondos y recursos humanos. Ni siquiera los euros alcanzan para realizar inversiones rentables en ahorro energético cuando la prioridad de quienes toman las decisiones en las empresas es aumentar la eficiencia de la producción.

Los cambios en los métodos operativos y las pequeñas inversiones son la forma más eficaz de lograr ahorros de costes. Además, pueden generar grandes ahorros. Es fundamental recuperar la inversión rápidamente.

Las empresas que hayan firmado un acuerdo de ahorro energético pueden solicitar una subvención para sus inversiones a Business Finland. La subvención energética es del 25 %. No se ofrece apoyo para inversiones en servicios de edificios. Las grandes empresas pueden recibir una subvención del 40 % para estudios exhaustivos, como auditorías energéticas y estudios tecnológicos que analizan las opciones de eficiencia energética.

Cero emisiones de carbono sin coste alguno

La creciente producción de electricidad eólica y solar, junto con el mercado de reservas eléctricas gestionado por Fingrid, han creado una situación ideal para la modernización de los sistemas energéticos industriales mediante soluciones de electrificación y almacenamiento de electricidad.

La descarbonización prácticamente no supone ningún coste adicional para los usuarios industriales en comparación con las soluciones tradicionales basadas en combustibles fósiles, esto lo afirma Elstor, fabricante de sistemas de almacenamiento térmico de energía eléctrica a calor.

Elstor produce energía principalmente a través de un modelo de servicio, en el que Elstor es propietaria del sistema energético y el cliente paga por el vapor en función de la cantidad que consume.

La solución de Elstor para la conversión de energía eléctrica en calor, que reduce las emisiones, y la moderna red eléctrica de Finlandia habían sido factores determinantes para que la empresa alimentaria de Herkkumaa estuviera dispuesta a modernizar su sistema de producción de vapor, pasando de uno basado en combustibles fósiles a uno eléctrico. La guerra de agresión rusa y el rápido aumento de los precios de la energía fueron el golpe de gracia para la reforma energética.

La electrificación ha supuesto una reducción significativa de las emisiones de Herkkumaa. Anteriormente, la empresa quemaba 270 000 litros de fueloil ligero al año para la producción de vapor. Gracias a la solución de Elstor, se eliminó la quema de fueloil y las emisiones de dióxido de carbono de 790 toneladas procedentes de la producción de vapor de Herkkumaa se redujeron a cero.

Implementación semestral

Herkkumaa buscaba sustituir el fuelóleo ligero por electricidad en su producción de vapor de forma rentable. El proyecto comenzó a finales de 2021 y finalizó a principios de junio de 2022. El sistema de Elstor resultó convincente por su mayor eficiencia en comparación con el sistema de combustibles fósiles, su tecnología moderna y su fácil instalación y mantenimiento.

Una de las ventajas del nuevo sistema es que el vapor se genera inmediatamente al encender la caldera. El sistema anterior requería menos de una hora de calentamiento antes del turno de la mañana. La nueva tecnología también permite la monitorización remota.

El sistema de baterías consta de dos baterías de cinco megavatios, una de las cuales puede utilizarse mientras la otra se carga. Esta solución permite programar la carga para los periodos de precios bajos de la electricidad. Los 440 paneles solares propios de Herkkumaa, con una potencia máxima de 170 kilovatios, complementan la solución de eficiencia energética. Estos paneles generan aproximadamente el 10 % de la electricidad que consume la empresa.

Los datos se utilizan para optimizar el funcionamiento de la batería.

El sistema cuenta con numerosos puntos de recolección de datos que miden, entre otras cosas, la capacidad de carga y descarga, la cantidad de energía, la temperatura, la presión y el caudal en las diferentes etapas del proceso. Todos estos datos están disponibles tanto para Elstor como para el cliente.

El sistema de baterías de Elstor cuenta con un algoritmo de optimización que permite una carga rentable del almacenamiento de energía. Obtiene datos sobre el precio de la electricidad para las próximas 24 horas del sistema de Fingrid y, en función de estos datos, decide cuándo cargar las baterías.

Este sistema tiene en cuenta el nivel de carga de la batería, la demanda de vapor de nuestro cliente para las próximas 24 horas y el precio de la electricidad. En función de estos datos, se calcula cuándo y cuánto se carga la batería. La carga y descarga de la batería se puede ajustar a una velocidad de milisegundos.

Herkkumaa utiliza datos diversos para desarrollar su negocio.

Contamos con varios indicadores clave de rendimiento (KPI) que utilizan los datos generados por el sistema de Elstor. El cálculo de nuestra huella de carbono, responsabilidad y costes energéticos es ahora mucho más preciso. El sistema facilita la elaboración de informes sobre nuestra responsabilidad.

Dado que los costos energéticos representan una parte importante de los gastos de una empresa, contar con datos más precisos ha facilitado, entre otras cosas, la fijación de precios de los productos fabricados por contrato. Un sistema más eficiente energéticamente mejora la competitividad de Herkkumaa, ya que la proporción del costo energético en los costos de producción ha disminuido.

La automatización avanzada permite la monitorización en tiempo real y el desarrollo continuo de las operaciones. Al monitorizar los datos, obtenemos una visión más profunda de nuestros propios procesos.

Beneficios climáticos y euros procedentes del mercado de reservas.

El modelo contractual de Herkkumaa con Elstor se puede describir como «vapor como servicio», lo que significa que Elstor es propietaria del equipo utilizado para producir el vapor de Herkkumaa. Herkkumaa paga una cantidad acordada cada mes por el vapor producido.

La automatización versátil del sistema de Elstor no es visible para Herkkumaa.

El sistema Herkkumaa ha cumplido las expectativas en tres años. Si bien este es uno de los primeros sitios de demostración de la nueva tecnología, su funcionamiento ha sido prácticamente impecable.

Nos interesan las soluciones de Elstor, que están en constante evolución. Nos ayudan a ser pioneros en cuestiones climáticas en Finlandia.

Elstorin participa en los cuatro mercados de reserva de Fingrid con gestión de la demanda. Esto forma parte de la optimización del sistema de baterías, ya que la participación en el mercado de reserva proporciona una compensación por la energía de reserva suministrada. Los beneficios del mercado de reserva reducen los costes de adquisición de electricidad, lo que mejora aún más la competitividad del dispositivo.

Hemos tenido la experiencia esperada al participar en el mercado de reservas. El mercado está en constante desarrollo y en el futuro habrá más compensación disponible.

Mediante la simulación de la mejor solución de eficiencia energética

Tradicionalmente, los consultores han analizado el consumo energético de edificios e instalaciones industriales mediante auditorías energéticas. A partir de los resultados de la auditoría, se ha elaborado un plan para mejorar la eficiencia energética.

Como la energía es invisible, ni siquiera Dios puede determinar la mejor combinación de medidas de eficiencia energética para un edificio o instalación con solo mirarlo. Esto requiere varias simulaciones energéticas.

Las simulaciones tienen en cuenta diferentes escenarios, en los que los numerosos parámetros de un edificio o planta de producción interactúan entre sí de muchas maneras diferentes.

En promedio, los edificios cuentan con alrededor de mil medidas de eficiencia energética. Cada una de ellas tiene un costo y un impacto en el edificio. Cuando se implementan varias medidas, estas se influyen mutuamente.

Casi todos los edificios tienen alrededor de cien mil combinaciones de medidas de eficiencia energética, de las cuales solo una es la más rentable. Nadie puede calcularlo mentalmente. Por eso hemos desarrollado un software que permite al ordenador calcular la mejor combinación de medidas de eficiencia energética.

El software recibe parámetros importantes para la eficiencia energética del edificio. En la práctica, esto se traduce en una imagen 3D del edificio, que constituye un gemelo digital completo. Incluye no solo las paredes, puertas, ventanas, techo y demás elementos constructivos, sino también todos los componentes del sistema de instalaciones del edificio.

El software simula la situación inicial utilizando los parámetros proporcionados, tras lo cual comienza la fase de optimización. En esta fase, el software busca las medidas de eficiencia energética más óptimas para el edificio en cuestión entre un conjunto de aproximadamente cien mil opciones.

Detrás del software de simulación se encuentra una base de datos que recoge las características y los precios de las obras, productos y servicios relacionados con diversas medidas de ahorro energético.

Este software está en constante evolución, incluyendo la incorporación de nuevos servicios y productos que pueden utilizarse en proyectos. Cuando se incorporan nuevos productos al software, estos se simulan según las especificaciones del fabricante.

El consumo no es constante

Los proyectos de eficiencia energética a menudo plantean la pregunta equivocada: el consumo de energía es constante y la gente se pregunta qué forma de producción de energía podría generar ahorros al cambiar a ella.

La electrificación es una solución simple que no conduce al resultado deseado. El resultado deseado debería ser que, al invertir dinero en el proyecto, se obtenga un retorno multiplicado. Esto no sucederá si asumimos que el consumo se mantiene constante y que solo se intercambia la energía consumida.

Las empresas deben evaluar críticamente si su consumo energético es correcto, ya que reducirlo puede generar ahorros reales y a largo plazo. Las simulaciones pueden demostrar que hasta la mitad de la energía consumida por un edificio o fábrica se desperdicia.

Cuando el consumo se reduce a la mitad, las opciones de producción de energía aumentan significativamente. Por ejemplo, de las dos opciones menos rentables anteriores, podemos pasar a 47 opciones, diez de las cuales son muy buenas. Esto nos permite analizar con el cliente la mejor opción de retorno de inversión.

Veamos un ejemplo: cuando el consumo de energía es ineficiente desde el principio, no vale la pena aprovechar el calor residual de los procesos, ya que la inversión no resulta rentable. Sin embargo, cuando el consumo de energía se reduce a la mitad, el software de optimización calcula que aprovechar el calor residual sí es rentable dentro del espectro energético.

El software combina diversas medidas de ahorro energético en un paquete que ofrece la mayor rentabilidad y eficiencia energética. Una o dos medidas nunca son suficientes.

Aquí un ejemplo:

El resultado son 40 medidas, de las cuales 27 son de eficiencia energética y 13 de reciclaje energético. El coste total es de 200.000 euros y supone un ahorro de 130.000 euros anuales.

Comenzó con .xls

El software de nollaE también ha tenido una buena acogida fuera de Finlandia. La empresa cuenta con clientes en Suecia, Alemania, Malta, Estonia, Maldivas y Qatar. Justo antes de la conversación, se había visitado Italia, donde se presentó el sistema a una ciudad que aspiraba a ser completamente neutra en carbono. El software de nollaE permite realizar el trabajo edificio por edificio. Ha realizado viajes similares a Japón, entre otros lugares.

Existen muchos programas informáticos de simulación energética en el mundo, pero solo te dicen la situación actual y no qué se debería hacer, cuánto costará ni qué producirá, comparando este sistema con otros del mercado.

El software de simulación se remonta a un sistema basado en Excel desarrollado en 2013. A medida que el software se expandió con el paso de los años, se transformó en un sistema basado en inteligencia artificial.

El software de optimización realiza el mismo trabajo en pocos segundos, lo que equivale a 23 años de trabajo de ingeniería.