Revathy Ramanan, de XBRL International, profundiza esta semana en el potencial de GPT-4 para analizar revelaciones narrativas en datos de XBRL. A medida que el aprendizaje automático y la IA generativa continúan avanzando, presentan nuevas oportunidades para comprender datos complejos de desempeño empresarial. En particular, estas nuevas tecnologías pueden descifrar datos relativamente difíciles de analizar de manera convencional, lo que facilita el acceso a información sin conocimientos técnicos profundos.
En su última publicación de blog, Ramanan exploró cómo GPT-4 puede comprender datos XBRL y puede aprovecharse para realizar análisis fundamentales mediante consultas simples en inglés. En la publicación de esta semana, profundiza en lo que GPT-4 puede hacer específicamente con datos narrativos o bloques de texto. Las divulgaciones de sostenibilidad en particular son ricas en datos narrativos y se necesitan nuevos enfoques analíticos para procesar eficazmente esta información basada en texto.
A diferencia de los datos cuantitativos, que incluyen números y estadísticas, las divulgaciones narrativas ofrecen una explicación detallada y un contexto en torno al desempeño, los riesgos y las perspectivas de una empresa. Sin embargo, es más difícil comparar y detectar patrones en grandes cantidades de datos narrativos.
GPT-4 se puede utilizar para analizar textos de políticas contables de los informes ESEF durante años consecutivos. La IA identificó eficientemente cambios materiales en el texto, demostrando capacidad para manejar comparaciones narrativas. Para las divulgaciones de empresas en funcionamiento, GPT-4 calculó las puntuaciones de TF-IDF para 180 informes ESEF, destacando las variaciones y ayudando a identificar valores atípicos para una mayor investigación. Este proceso, que normalmente requiere software estadístico y habilidades de codificación, se hizo accesible mediante consultas simples en lenguaje natural.
Utilizando datos del mandato de Informes de Sostenibilidad y Responsabilidad Empresarial (BRSR) de la India, se asignó al GPT-4 la tarea de analizar la objetividad de las divulgaciones de mitigación de riesgos. La IA clasificó las entradas según criterios específicos, proporcionando una distinción clara entre declaraciones subjetivas y objetivas. Este tipo de análisis claramente podría ser útil tanto para los auditores como para los reguladores.
Estos ejemplos subrayan cómo GPT-4 puede democratizar el acceso a análisis de datos complejos, permitiendo a las partes interesadas interactuar con los datos de forma intuitiva. La integración de Large Language Models (LLM) con el análisis de datos tradicional abre nuevos horizontes para explorar datos más allá de los paneles predefinidos y las vistas estáticas. Sin embargo, los datos limpios y estructurados son cruciales para un análisis preciso, y el uso de informes con formato xBRL-JSON mejora la confiabilidad de los conocimientos generados por GPT-4.