La inteligencia artificial es muy buena para generar respuestas. El problema es que, sin datos estructurados, a menudo no sabe si esas respuestas son correctas.
Nuestros colegas de XBRL US, liderados por Michelle Savage, pusieron esto a prueba de una manera que los reguladores y los participantes del mercado deberían tener en cuenta.
Le pidieron a Claude, de Anthropic, que analizara las finanzas de Johnson & Johnson para 2024. Sin XBRL, el modelo generó un resumen útil: ingresos totales, desglose por segmentos y un desglose geográfico general. Luego vino la versión estructurada. Usando XBRL, Claude produjo subsegmentos detallados, ingresos por producto y desgloses regionales. En otras palabras, un análisis real, no solo cifras principales disfrazadas de información relevante.
Sin XBRL, Claude recurría a sitios web de terceros como Yahoo, Motley Fool e incluso Wikipedia para completar la información faltante. Con XBRL, extrajo la información directamente de los documentos oficiales de la empresa. Si usted realizara el análisis, ¿en qué versión preferiría basar sus decisiones?
Este es el punto que los reguladores y los participantes del mercado deben comprender. La IA no elimina la necesidad de estándares; la pone de manifiesto. Una taxonomía no es una lista de verificación burocrática, sino la estructura que indica a las máquinas qué deben analizar y cómo encajan las piezas. Sin ella, la IA opera, en la práctica, sin rumbo fijo. Esto puede ser aceptable para comentarios informales, pero no constituye la base para un análisis financiero fiable.
Hay un aspecto más amplio. La IA, por supuesto, seguirá mejorando. Pero incluso el modelo más avanzado solo es tan bueno como la información que recibe. No confiaríamos en un coche autónomo en carreteras sin señales ni marcas viales, y no deberíamos confiar en la IA financiera sin datos estructurados.
El experimento de Michelle ilustra este punto en la práctica: si se le proporciona estructura a la IA, se obtiene precisión. Si se le deja procesar datos no estructurados, se obtiene ruido. Los organismos reguladores que buscan análisis automáticos fiables deberían llegar a la misma conclusión.
Potencia la IA con XBRL.
Por sí sola, la IA es una poderosa herramienta analítica. XBRL puede potenciar enormemente sus respuestas.
El mes pasado publicamos una entrada en nuestro blog titulada «La IA es más inteligente con datos estructurados y estandarizados», sobre un estudio académico que analizó miles de documentos presentados ante la SEC para determinar qué factores podrían mejorar la precisión de la información proporcionada por los Modelos de Lenguaje a Gran Escala (LLM). El estudio reveló una mayor precisión en la IA al utilizar datos XBRL estructurados (en comparación con texto o HTML).
Comprobamos la teoría nosotros mismos, utilizando nuestra base de datos XBRL de informes públicos de EE.UU., que contiene datos estructurados y estandarizados de empresas que informan a la Comisión de Bolsa y Valores (SEC), la Comisión Federal Reguladora de Energía (FRE) y la Unión Europea (UE). Le dimos acceso a la versión de escritorio de Claude LLM de Anthropic a la base de datos de más de 15 años de datos estructurados y legibles por máquina a través de un servidor MCP (Protocolo de Contexto Modelo).
¿Nuestra primera tarea? Analizar los datos de los segmentos de la empresa.
Los datos por segmentos suelen estar ocultos en las notas a los estados financieros, por lo que sabíamos que encontrarlos y extraerlos sería un desafío para la IA. Se le pidió a Claude que informara datos detallados de ingresos por segmento de los estados financieros de Johnson & Johnson (J&J) del año fiscal 2024, primero sin usar datos XBRL. (Consulte las respuestas finales de Claude, tanto con cómo sin datos XBRL, aquí: APÉNDICE – Resultados de la búsqueda de JJ y para ver el LLM en acción, haga clic en «ver» arriba).
La respuesta de Claude indicaba que las ventas de la compañía en su conjunto para 2024 ascendían a 88.800 millones de dólares, junto con las cifras de ventas de 2024 para los dos segmentos operativos principales de la compañía: Medicina Innovadora, con 56.964 millones de dólares, y Tecnología Médica, con 31.857 millones de dólares. Estas cifras eran precisas al compararlas con la información presentada por J&J ante la SEC en 2024.
Claude también mencionó y describió brevemente los subsegmentos dentro de cada uno de los dos segmentos principales. Se proporcionaron cifras del cuarto trimestre para algunos subsegmentos, pero no los ingresos del año completo 2024. Claude ofreció un desglose geográfico de los ingresos totales en cifras para Estados Unidos e internacionales. El LLM nos indicó las fuentes de los datos recopilados, que incluían los estados financieros del primer trimestre y del año completo 2024 de J&J, además de varios sitios web de noticias financieras y farmacéuticas como Motley Fool, fiercepharma.com, phaarmalive.com, nasdaq.com, Yahoo y Wikipedia.
A continuación, utilizamos la misma solicitud, pero esta vez le pedimos a Claude que utilizara datos XBRL a través del servidor MCP.
La respuesta generada por XBRL fue más detallada. Claude proporcionó cifras exactas no solo para los dos segmentos operativos, sino también información detallada sobre los ingresos de los subsegmentos dentro de cada segmento y de los productos dentro de los subsegmentos.
El segmento de Medicina Innovadora, por ejemplo, tiene seis subsegmentos: Oncología, Inmunología, Neurociencia, Hipertensión Pulmonar, Cardiovascular/Metabolismo/Otros y Enfermedades Infecciosas. La solicitud no solo proporcionó cifras de ingresos para 2024 para cada uno de estos subsegmentos, sino que también incluyó desgloses de ingresos por tipo de medicamento y geografía (EE. UU. frente a otros países). El subsegmento de Oncología tiene seis medicamentos distintos, además de una categoría general de «otras oncologías». Utilizando datos XBRL, se proporcionaron cifras de ingresos para 2024 para cada medicamento.
La tabla que aparece a continuación muestra los datos obtenidos al utilizar fuentes XBRL para dos de las seis áreas terapéuticas de Medicina Innovadora. Ninguno de estos detalles estaba disponible en las respuestas recibidas al no utilizar datos XBRL.
De manera similar, Med Tech cuenta con cuatro subsegmentos: Cardiovascular, Cirugía, Ortopedia y Cuidado de la Visión. La respuesta, utilizando datos XBRL, nos proporcionó los ingresos de cada subsegmento y de los productos individuales dentro de cada uno. A continuación, se muestran los cuatro subsegmentos de Med Tech con sus categorías de productos asociadas. Cabe destacar que este nivel de detalle no se proporcionó cuando Claude respondió sin utilizar datos XBRL.
Con los datos XBRL, el LLM también proporcionó una categorización regional más completa, que incluye desgloses para EE. UU., Europa, Asia Pacífico/África y el hemisferio occidental.
Esta tabla destaca las diferencias entre la IA utilizada con datos estructurados y estandarizados y sin ellos.
El uso de XBRL como fuente para la IA permitió obtener información más detallada y una mejor comprensión de los datos segmentados por línea de negocio y geografía, en comparación con realizar la misma tarea con datos no estructurados. Además, los resultados se basaron exclusivamente en la fuente más fiable: los estados financieros de la propia empresa. Los datos procedentes de sitios web de terceros, como Yahoo! Finance o The Motley Fool, pueden estar normalizados para facilitar la comparación y pueden diferir de los datos reportados directamente por la empresa.
Pero, ¿seguirá la IA mejorando cada vez más, eliminando la ventaja que tienen hoy los datos estructurados?
Los algoritmos de IA mejoran su capacidad de predicción al entrenarse con grandes volúmenes de datos. Por ejemplo, al principio, los coches autónomos tenían dificultades para predecir lo que sucedería a continuación debido a la enorme variabilidad de las carreteras y las marcas viales, la imprevisibilidad de los peatones que podían cruzar con el semáforo en rojo o los animales que simplemente no respetaban las normas de circulación. Pero con el tiempo y la experiencia, mejoraron. Un artículo de la revista Time del 26 de junio de 2025 señalaba: «Los Waymos no conducen a la perfección. Pero multitud de datos sugieren que ya son mucho más seguros que los conductores humanos, reduciendo las colisiones con heridos en torno a un 80 %».
Los coches autónomos recopilan una enorme cantidad de datos mediante sensores como cámaras y radares, que les proporcionan una imagen detallada del trazado de las carreteras, otros vehículos, peatones, señales de tráfico y obstáculos; todo ello conforma el «modelo de datos de conducción». Con este modelo, pueden predecir con bastante precisión lo que ocurrirá a continuación en la carretera.
Una taxonomía XBRL es un modelo de datos altamente estructurado, generalmente de datos de estados financieros. Este modelo define los hechos que se pueden reportar y cómo se interrelacionan entre sí; por ejemplo, el efectivo se clasifica como un activo circulante y los ingresos aparecen en un estado de resultados. Las reglas de la taxonomía proporcionan a un motor de IA información que puede utilizar para comprender los hechos preparados con ese modelo. Proporciona la información contextual que permite predecir con fiabilidad qué representa un hecho. Sin la estructura del modelo de datos, la IA opera a ciegas y debe recurrir a búsquedas de texto en información que no se presenta de forma consistente, como interpretar el título de una partida como «Propiedad, planta y equipo» en un balance general.
Por eso, tener acceso al modelo de datos estructurado y estandarizado (en una taxonomía), junto con los datos que se ajustan a ese modelo (estados financieros preparados utilizando una taxonomía), siempre proporcionará a los gestores de patrimonio la información contextual necesaria para realizar predicciones precisas y fiables.
Manténganse atentos, ya que seguiremos explorando el mundo de la inteligencia artificial y cómo XBRL puede respaldar la IA, y cómo la IA puede respaldar XBRL.