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.