La prevalencia de la inteligencia artificial (IA) aumentó en 2023, una tendencia que seguramente continuará este año, pero el crecimiento de la tecnología se ve afectado por los riesgos derivados de la mala gobernanza.
El uso de la IA ya está muy extendido, como lo ilustra una encuesta de la consultora de gestión McKinsey, que encontró que el 79% de los encuestados ha tenido alguna exposición a la IA generativa y el 22% ya la usa regularmente en su trabajo.
El sistema de IA más conocido, ChatGPT, superó los 100 millones de usuarios únicos dos meses después de su lanzamiento en noviembre de 2022, y se estima que fue utilizado por 1.700 millones de personas en un año. Según una investigación de la empresa de TI Infosys, la IA añadirá 14 billones de dólares en valor bruto a las empresas para 2035, mientras que Goldman Sachs estimó que la IA generativa podría aumentar el PIB mundial en un 7% para 2033.
Los gobiernos ya están desplegando sistemas de IA en ámbitos como la vivienda, el empleo, el transporte, la educación, la salud, la accesibilidad y la justicia, y es probable que el uso de la tecnología aumente aún más en 2024.
En los sectores público y privado, podría ser transformador, mejorando la eficiencia, reduciendo los costos para las corporaciones y acelerando la automatización. Esto también significa pérdidas de empleo: un análisis de marzo de 2023 de Goldman Sachs proyectó que la IA podría reemplazar el equivalente a 300 millones de puestos de trabajo a tiempo completo.
Sin embargo, la IA plantea graves riesgos, como facilitar las violaciones de los derechos humanos, exacerbar los desequilibrios de poder de la sociedad, perpetuar la desigualdad racial y perturbar los procesos democráticos.
Estos riesgos son en gran medida evitables y pueden deberse a la mala gobernanza de la tecnología.
Autor: Diana Alejandra Loyola Sanchez
¿Es importante la concienciación sobre el medio ambiente y la salud para la elección del combustible en el hogar? Evidencia empírica de Asia Central
Utilizando la encuesta de energía de los hogares que se llevó a cabo en persona en el territorio del valle de Ferganá, que se encuentra en tres países de Asia Central, a saber, el este de Uzbekistán, el sur de la República Kirguisa y el norte de Tayikistán, durante julio y agosto de 2023, este estudio proporciona los siguientes resultados clave y recomendaciones de políticas basadas en evidencia para promover la calefacción limpia entre los hogares.
En primer lugar, los pobres en energía (que comprenden el 66% de la población) son más propensos a utilizar combustible sucio para la calefacción, por lo que los hogares pobres en energía son más propensos a la «acumulación de combustible». Por lo tanto, la transición energética de la calefacción sucia a la limpia requerirá más incentivos y apoyo para los hogares en situación de pobreza energética.
En segundo lugar, los hogares que se preocupan por el daño ambiental son menos propensos a elegir combustible sucio para la calefacción, pero solo entre aquellos que no son pobres energéticamente. La concienciación sobre el daño al medio ambiente no es significativa para la elección del combustible de calefacción entre las personas pobres en energía, por lo que el aumento de la conciencia medioambiental tendrá un impacto limitado en el cambio a una calefacción limpia. Por otro lado, la concienciación sobre los efectos en la salud tiene un efecto significativo en la elección del combustible para calefacción en todos los grupos (pobres y no pobres en energía). Por lo tanto, la sensibilización sobre el medio ambiente para promover el cambio a una calefacción limpia tendrá un impacto limitado (afectará principalmente a las personas que no son pobres en energía y no tendrá ningún impacto en las personas pobres en energía), mientras que la sensibilización sobre los impactos en la salud tendrá un mayor efecto en todos los grupos (pobres y no pobres en energía). Es más probable que las políticas de concienciación sobre los efectos del combustible sucio en la salud tengan un mayor efecto en el cambio de combustible que la concienciación sobre el daño medioambiental.
En tercer lugar, la conciencia ambiental es la principal razón por la que los hogares cambian la calefacción sucia por la limpia; Sin embargo, el uso real de la calefacción limpia se ve afectado por la conciencia ambiental solo para las personas que no son pobres en energía, lo que indica que las personas pobres en energía, aunque podrían ser conscientes de los impactos ambientales, tienen una capacidad limitada para cambiar de calefacción sucia a limpia, lo que podría deberse a otros factores, como el acceso limitado a la financiación para cambiar el sistema de calefacción (o mudarse de casa). o el acceso a la calefacción limpia o su asequibilidad.
En general, nuestros resultados sugieren que aumentar la conciencia ambiental no es suficiente para que los hogares en situación de pobreza energética adopten combustibles modernos. También necesitarán más apoyo político, además de crear conciencia, como mejorar el acceso a la financiación, el acceso a la calefacción limpia y su asequibilidad.
Probando los límites cognitivos de grandes modelos lingüísticos
Las actividades de los bancos centrales son adecuadas para la aplicación del aprendizaje automático y la inteligencia artificial (IA), lo que refleja la amplia disponibilidad de datos estructurados y no estructurados, junto con la necesidad de análisis sofisticados para respaldar las políticas. Incluso antes de que la IA se convirtiera en el centro de atención de los comentarios populares y de la fascinación generalizada, los bancos centrales habían sido los primeros en adoptar métodos de aprendizaje automático en estadística, análisis macroeconómico y regulación/supervisión (véase Araujo et al (2022, 2023)). Los hallazgos de este boletín no restan valor a los avances tangibles y rápidos que se están logrando en estas áreas, así como en las aplicaciones científicas de la IA que han experimentado un rápido progreso.
Sin embargo, nuestros hallazgos sugieren que se debe tener precaución al implementar grandes modelos de lenguaje en contextos que requieren un razonamiento económico cuidadoso y riguroso. La evidencia hasta ahora es que la generación actual de LLM no alcanza el rigor y la claridad en el razonamiento requeridos para los análisis de alto riesgo necesarios para las aplicaciones de banca central. Como se explica en el anexo, la ingeniería rápida y otros métodos para persuadir al LLM para que dé la respuesta correcta no vienen al caso en nuestro experimento.
En términos más generales, nuestros hallazgos se suman al debate sobre si las limitaciones de la generación actual de grandes modelos lingüísticos simplemente reflejan los límites contingentes planteados por el tamaño del texto de entrenamiento y el número de parámetros del modelo, o si los límites reflejan límites más fundamentales del conocimiento adquirido solo a través del lenguaje. Por un lado, Wei et al (2022) muestran que los LLM muestran «capacidades emergentes» (nuevas capacidades que no están presentes en modelos más pequeños) a medida que el tamaño de la red neuronal se eleva por encima de un umbral crítico. Los LLM suficientemente grandes son capaces de realizar tareas como la suma de tres dígitos, responder a preguntas intrincadas y exhibir capacidades generalizadas de lenguaje natural, una hazaña inalcanzable por modelos más pequeños con datos limitados. Del mismo modo, en su trabajo seminal, Bubeck et al (2023) exploran las competencias multifacéticas de los LLM. Si bien reconocen las limitaciones, los autores siguen siendo optimistas sobre el potencial del modelo para superar el rendimiento humano en ciertos dominios y argumentan que términos como «razón», «conocimiento», «habilidades», «planificación» y «aprendizaje» se aplican correctamente a dichos modelos.
¿Qué tan bien entienden los modelos de IA como GPT-4 los datos XBRL?
Hace un par de semanas comentamos desfavorablemente sobre el uso de versiones PDF de presentaciones de la SEC como entradas para modelos de lenguaje grande (LLM). Estamos mucho más interesados en cómo se pueden aprovechar estas herramientas para examinar datos estructurados.
Los ejemplos incluyen las presentaciones estructuradas con formato Inline XBRL proporcionadas a la SEC por todas las empresas que cotizan en bolsa en los Estados Unidos.
Así que pensamos que deberíamos hacer algunos experimentos por nuestra cuenta. En un nuevo blog, nuestro director de orientación, Revathy Ramanan, profundiza en lo que es posible con algunos enfoques muy simples para el análisis basado en LLM que se basa en estados financieros XBRL estructurados en lugar de archivos PDF no estructurados.
Este blog explica nuestro proceso y establece algunos hallazgos iniciales tentativos. Usamos Chat GPT 4 para este trabajo (incluso XBRL International puede permitírselo). Para ser honesto, estamos mucho más interesados en lo que se puede hacer con estas herramientas. Parece que se está abriendo un capítulo completamente nuevo, pero será necesaria una amplia gama de experimentación, utilizando LLM personalizados.
En pocas palabras, cuanto más hacemos en este espacio, más nos convencemos de que la divulgación de datos estructurados y confiables en XBRL (de los cuales la administración es responsable) produce una única fuente de verdad y una mina de oro analítica para la inteligencia artificial. Los datos están en todas partes. Los datos confiables no tienen precio. Por supuesto, el hecho de que la IA pueda consumirlo fácilmente es muy positivo, pero todavía estamos en el punto más temprano de este viaje.
Aprender de las crisis – nuestro nuevo marco para las líneas de liquidez en euros
El BCE puede prestar euros a los bancos centrales no pertenecientes a la zona del euro para reducir el riesgo de que las tensiones financieras se extiendan a la zona del euro. Piero Cipollone, Philip Lane e Isabel Schnabel explican cómo hemos hecho que estas líneas de liquidez sean más efectivas y ágiles.
Las perturbaciones financieras durante la pandemia de coronavirus y la invasión rusa de Ucrania han vuelto a poner de relieve la importancia de las líneas de liquidez en euros. Las tensiones en los mercados provocadas por estas crisis redujeron la liquidez en euros en un número significativo de países no pertenecientes a la zona del euro. En respuesta, el BCE amplió las líneas de liquidez en euros a los bancos centrales pertinentes, lo que les permitió aliviar las tensiones de financiación de sus instituciones financieras nacionales. Proporcionar liquidez en euros a los países no pertenecientes a la zona del euro protege la transmisión de la política monetaria en la zona del euro y minimiza los riesgos de bucles de retroalimentación adversos, lo que hace que la zona del euro sea más resiliente.
Recientemente ajustamos nuestro Marco de referencia para la provisión de liquidez en euros a través de los fondos del BCE Operaciones de swap y repo para que estos instrumentos sean lo más eficaces y ágiles posible.[1] El marco conserva los elementos fundamentales ya existentes e integra los mecanismos de repo existentes en un marco permanente unificado denominado mecanismo de repo del Eurosistema para bancos centrales (EUREP). Estos cambios entraron en vigor el 16 de enero de 2024.
Los cambios introducidos en el marco reflejan tres lecciones clave de las experiencias recientes. En primer lugar, que los riesgos de efectos negativos sobre la transmisión de la política monetaria aumenten en caso de condiciones de mercado desordenadas fuera de la zona del euro. En segundo lugar, que el BCE debe ser capaz de reaccionar rápidamente a los acontecimientos que se desarrollan rápidamente. Y tercero, que la mera existencia de una línea de liquidez impide que se materialicen las tensiones financieras. El marco revisado ofrece a los países con estrechos vínculos económicos y financieros con la zona del euro, ya sea permanente o a plazo fijo, acceso a nuestras líneas de liquidez en tiempos normales. También amplía el acceso a un conjunto más amplio de países en tiempos de crisis o de mayor riesgo de crisis. Al mismo tiempo, se refuerza el papel de las líneas de liquidez como «mecanismo de protección» con recargos apropiados sobre los tipos de interés. Estos recargos ayudan a preservar los incentivos para que las entidades de crédito no pertenecientes a la zona del euro intenten primero obtener préstamos en el mercado privado antes de recurrir a las líneas de liquidez. También limitan el margen de efectos secundarios adversos no deseados, como el endeudamiento externo excesivo en euros.
Inflación, política fiscal y desigualdad
En este documento se evalúa el impacto distributivo del repunte de la inflación en la zona del euro desde 2021 y las MCI adoptadas por las administraciones de la zona del euro. Aplica el modelo de micro simulación de la UE EUROMOD y su extensión ITT para evaluar cómo la inflación y las medidas gubernamentales de apoyo a los hogares han afectado al poder adquisitivo y al bienestar en toda la distribución de la renta. Los resultados se presentan para un indicador aproximativo del agregado de la zona del euro y por separado para Alemania, Grecia, España, Francia, Italia y Portugal. El documento muestra que el shock inflacionario tuvo un impacto más perjudicial en los hogares de menores ingresos que en los de mayores ingresos. Al mismo tiempo, y a pesar de que las medidas no estaban fuertemente dirigidas a los hogares de menores ingresos, las medidas gubernamentales contribuyeron significativamente a reducir la pérdida de bienestar debido al aumento de la inflación.
Nuestro análisis pone de relieve una serie de mensajes políticos importantes. En primer lugar, las diferencias en los patrones de consumo entre los hogares más ricos y los más pobres a menudo significaron que estos últimos sufrieron tasas efectivas de inflación más altas en 2022. Sin embargo, el impacto desproporcionado de la inflación en los hogares más pobres se atribuyó principalmente a su mayor participación en los ingresos de consumo. La elevada proporción de los ingresos de consumo significaba que el ingreso nominal total que los hogares más pobres habrían necesitado para sostener el consumo anterior a la inflación a menudo superaba sus ingresos reales, lo que daba lugar a grandes pérdidas de bienestar. Por lo tanto, nuestro análisis subraya la importancia de tener en cuenta los patrones de ahorro a la hora de evaluar el impacto de la inflación en los hogares. En segundo lugar, el uso de medidas no selectivas no era en gran medida eficaz en función de los costos. En el conjunto de la zona del euro, estimamos que el efecto compensatorio sobre nuestra medida de la desigualdad, es decir, la reducción de la brecha de desigualdad, lograda por las medidas de renta fue tres veces mayor que la lograda mediante las medidas de precios. En tercer lugar, si bien las medidas de precios eran igualmente ineficientes en los distintos países, la eficacia en función de los costos de las medidas del lado de los ingresos variaba drásticamente. Esto sugiere que el debate político debería ir más allá del debate sobre las medidas selectivas frente a las no selectivas y centrarse más en la mejor manera de diseñar medidas específicas.
Las limitaciones de nuestro análisis se relacionan principalmente con la naturaleza ceteris paribus del ejercicio, el enfoque en el sector de los hogares y la disponibilidad de datos. En primer lugar, dado que EUROMOD es un simulador estático de beneficios fiscales, no tiene en cuenta las reacciones de los hogares a las variaciones de los precios, ni las respuestas de las empresas a cualquier aumento de los costes de producción o de las subvenciones gubernamentales, salvo una transferencia total. Para comprender todas las implicaciones macroeconómicas de las medidas gubernamentales para compensar la alta inflación, es necesario emplear un modelo de equilibrio general. En segundo lugar, el análisis se limita a la ayuda que se pone directamente a disposición de los hogares. Sin embargo, muchas de las medidas adoptadas por los gobiernos estaban dirigidas a las empresas. Estas medidas también afectaron a los hogares, aunque de forma indirecta, pero no forman parte de este análisis. En tercer lugar, el documento se enfrenta a algunas limitaciones de datos.
El grupo de trabajo XBRL US proporciona comentarios sobre la propuesta EDGAR Next de la SEC
La semana pasada, el Grupo de Trabajo de Modernización Regulatoria de EE. UU. (RMWG) de XBRL presentó una carta de comentarios en respuesta a la regla propuesta por la Comisión de Bolsa y Valores (SEC), EDGAR Filer Access and Account Management, también conocida como ‘EDGAR Next’.
La carta de comentarios profundiza en aspectos cruciales, incluida la necesidad de funcionalidad API adicional, preocupaciones sobre protocolos complejos que podrían obstaculizar las presentaciones oportunas y la necesidad de una capacitación adecuada y un tiempo de transición para los registrantes y desarrolladores de aplicaciones.
Las modificaciones propuestas tienen como objetivo mejorar el acceso y la gestión de las cuentas en EDGAR, denominadas colectivamente «EDGAR Next». Esto incluye requisitos para que los declarantes autoricen y mantengan a personas designadas como administradores de cuentas y la introducción de API opcionales para la comunicación de máquina a máquina con EDGAR.
La carta de comentarios proporciona algunas ideas sobre estos cambios propuestos, enfatizando consideraciones prácticas y desafíos potenciales.
Prohibir el comercio vinculado a la deforestación mediante financiación – Parlamentarios del Reino Unido
Los bosques albergan el 80% de la biodiversidad terrestre del mundo, sustentan los medios de vida de 1.600 millones de personas y proporcionan servicios ecosistémicos vitales para apoyar las economías locales y globales. La deforestación amenaza hábitats biodiversos irremplazables y contribuye con el 11% de las emisiones globales de carbono.
La intensidad del consumo del Reino Unido en los bosques del mundo -su huella por tonelada de producto consumido- es mayor que la de China. La CAO pide a los ministros que desarrollen un indicador de huella global para demostrar este impacto al público, y un objetivo para reducir el impacto del Reino Unido en la deforestación mundial. Una medida de este tipo solo tendrá sentido si se incorpora un seguimiento y una presentación de informes suficientes para los riesgos forestales, incluida la minería, por lo que la CAO recomienda que el Gobierno trabaje con socios internacionales para mejorar la supervisión en el Reino Unido y en todo el mundo.
A través de una disposición legislativa de la Ley de Medio Ambiente, el Gobierno se ha comprometido a establecer un régimen para exigir que los productos básicos de origen forestal se certifiquen como «sostenibles» si se van a vender en los mercados del Reino Unido. En la COP28, el Gobierno anunció que los primeros cuatro de estos productos básicos serían los productos ganaderos (distintos de los lácteos), el cacao, el aceite de palma y la soja, lo que la CAO se congratuló de ver.
Si bien la intención del Gobierno de abordar los problemas de sostenibilidad de los productos es bienvenida, la CAO está preocupada por la aparente falta de urgencia en la implementación de este régimen, dados los compromisos mundiales de detener y revertir las tendencias actuales de deforestación para 2030. Por ejemplo, no se ha ofrecido un cronograma sobre cuándo se introducirá esta importante legislación, y su enfoque gradual de incorporar productos gradualmente al régimen no refleja la necesidad de abordar la deforestación con urgencia.
El Gobierno también debería incluir en el régimen de certificación otros productos básicos que ponen en riesgo los bosques, como el maíz, el caucho y el café, lo antes posible para que sean «sostenibles».
La Comisión recomienda que el Gobierno refuerce el marco legislativo vigente para prohibir a las empresas del sector financiero comerciar o utilizar productos básicos relacionados con la deforestación.
En las cumbres mundiales de la COP, el Reino Unido ha desempeñado un papel decisivo en la consecución de acuerdos ambiciosos para hacer frente a la deforestación mundial. Sin embargo, a pesar de ello, el mundo no parece estar en camino de detener la deforestación para 2030: un compromiso clave asumido durante la COP26 y en la cumbre COP15 de Kunming-Montreal en diciembre de 2022.
Encendido – Revisión del sistema uniforme de cuentas por parte de la FERC
La Comisión Federal Reguladora de Energía de EE. UU. (FERC) aprobó una actualización del Sistema Uniforme de Cuentas para reflejar mejor el panorama cambiante de la industria energética. Dado que la energía renovable representa una proporción cada vez mayor de la red, las modificaciones de informes y contabilidad son esenciales para garantizar la uniformidad, coherencia y transparencia en los informes sobre fuentes y almacenes de energía eólica, solar y otras energías renovables relacionadas.
Tras la adopción de XBRL por parte de la FERC para los informes de servicios públicos en 2019, estos cambios de adaptación a los informes de energías renovables irán acompañados (a su debido tiempo) por el etiquetado XBRL y una taxonomía asociada. Esto proporcionará claridad adicional, fomentando una mayor transparencia en los informes financieros dentro de la industria energética.
Estos cambios no solo brindarán claridad regulatoria, sino que también ayudarán a evaluar el desempeño y la inversión en estas tecnologías. El sistema de cuentas revisado tiene como objetivo acomodar estos cambios sin dictar resultados específicos en la fijación de tarifas, fomentando así una mayor transparencia en la información financiera dentro de la industria energética.
Los cambios se implementarán antes del 1 de enero de 2024, y se espera que las empresas de servicios públicos cumplan con los requisitos de prácticas contables revisadas de la FERC para esa fecha límite.
Cálculos 1.1 – Deshacerse del ruido
Los cálculos XBRL pueden desempeñar un papel importante a la hora de garantizar la calidad y precisión de un informe financiero y pueden detectar errores tanto en el etiquetado XBRL como en los números subyacentes. Lamentablemente, hasta ahora, los informes de validación de cálculos se han visto obstaculizados por falsos positivos: mensajes de validación que no reflejan problemas reales en el informe.
La actualización de la especificación Calculations 1.1 de febrero de 2023 ofrece una mejora incremental a las funciones de cálculo XBRL existentes y tiene como objetivo reducir estos falsos positivos. En esta publicación de blog, veremos una muestra de informes europeos en formato electrónico único (ESEF) para ver qué tan efectivo ha sido Cálculos 1.1 para limpiar los informes de validación.
El árbol de cálculo en una taxonomía XBRL describe relaciones totales y subtotales simples entre conceptos, como “Activos = Activos corrientes + Activos no corrientes”. Si los valores de hecho en un informe XBRL no cuadran según las relaciones de cálculo en la taxonomía, el software de validación XBRL marcará esta discrepancia como una inconsistencia de cálculo.
Las cifras numéricas en los informes legibles por humanos suelen estar escaladas y redondeadas para una mejor legibilidad. Este redondeo crea un problema para la validación de la coherencia del cálculo.