A medida que han evolucionado los requisitos de informes de sostenibilidad corporativa, el etiquetado digital y la IA se presentan a veces como soluciones contrapuestas. Sin embargo, esta dicotomía es engañosa. El etiquetado digital proporciona datos estructurados, transparentes y comparables, mientras que la IA mejora el análisis y la interpretación. Al integrar estas tecnologías, las […]
Categoría: IA Inteligencia Artificial
La IA exige inversión en infraestructura de datos públicos y XBRL
La IA está cambiando la forma en que accedemos a los datos, por lo que XBRL necesita actualizarse para proporcionar una plataforma semántica. Imagina un chatbot de IA que le asegura a un inversor que los ingresos de una empresa aumentaron un 40 % el trimestre pasado, cuando en realidad disminuyeron. Los datos correctos estaban […]
La garantía de calidad que ofrece la Inteligencia Artificial
El mercado de la garantía de calidad basada en inteligencia artificial aún está en constante evolución. Según un informe reciente del Departamento de Ciencia, Innovación y Tecnología (DSIT), se estima que actualmente existen 524 empresas que suministran bienes y servicios de garantía de inteligencia artificial (IA) en el Reino Unido, de las cuales 84 son […]
Inteligencia artificial y agentes en la industria
El uso generalizado de la inteligencia artificial incrementa las necesidades energéticas de los centros de datos, y el coste real de los grandes modelos de lenguaje, en particular, solo se revelará cuando se implementen a gran escala. Por lo tanto, las empresas deberían analizar los costes de los servicios en la nube y considerar modelos […]
La inteligencia artificial y los datos hacen posible el camino hacia las cero emisiones netas
AVEVA es una empresa de software global que ofrece soluciones para la digitalización industrial, la gestión de datos y la optimización de procesos. Las soluciones de AVEVA conectan personas, procesos y datos a lo largo de toda la cadena de valor, desde el diseño hasta la producción y el mantenimiento, y ayudan a las empresas […]
Mantenerse al día con la IA
«La UE es, con mucho, la más avanzada, y Singapur y el sudeste asiático son lo contrario: por ahora, adopta un enfoque ligero, lo cual es bastante sensato ya que las cargas que la velocidad del desarrollo y las tecnologías de IA impone a los legisladores para mantenerse al día con ellas son onerosas y costosas», dice Frank Meehan, presidente de Improvability AI. que ofrece servicios de automatización de informes de sostenibilidad.
En vigor desde el 1 de agosto, la Ley de Inteligencia Artificial de la UE es ampliamente percibida como la forma de regulación más avanzada, aunque prescriptiva, en el espacio, lo que genera críticas, especialmente de sus pares estadounidenses.
«Si bien las regulaciones de la UE muestran una comprensión admirable de las tecnologías y sus implicaciones, particularmente en áreas como la defensa, también son prematuras y podrían sofocar la innovación», argumenta Meehan.
Sus pensamientos también se hicieron eco en PRI in Person, con Cameron Schuler, director de comercialización del Instituto Vector para la Inteligencia Artificial, argumentando que el Reglamento General de Protección de Datos de la UE ya iba demasiado lejos. «La pieza importante para esto es la interoperabilidad, asegurándose de que se está enfocando en las cosas que las organizaciones pueden hacer en todo el mundo», agregó.
En Asia, varios países, entre ellos Vietnam, Tailandia, Taiwán, Corea del Sur, Singapur, Malasia, Japón, Indonesia e India, han publicado proyectos de ley o tienen la intención de hacerlo. Se espera que Hong Kong publique su primera declaración de política sobre el uso de la IA a finales de mes.
China es el único país asiático que ha introducido formalmente legislación sobre IA, con un primer conjunto de leyes publicado en 2022-23, y otros proyectos de reglamentos sobre IA generativa publicados a principios de este año.
«En Asia no se han aprobado muchas leyes reales, mucho de lo que estamos viendo todavía se encuentra en la etapa de orientación», dice Marian Waldmann Agarwal, socia del bufete de abogados Morrison Foerster. «Lo que estamos viendo en todos los ámbitos son preocupaciones similares en torno a la promoción de los principios subyacentes a la tecnología, que básicamente se remontan al uso responsable, la transparencia y la inclusión».
En Australia, el Departamento de Industria, Ciencia y Recursos cerró recientemente una consulta sobre las barreras de protección obligatorias para la IA, subrayando que las consultas anteriores han demostrado que el sistema regulatorio actual del país no es adecuado para responder a los riesgos que plantea la tecnología.
«Es un verdadero desafío para nosotros en el panorama australiano, ya que aún no tenemos ninguna regulación en torno a esto», dijo Cairns de Alphinity en PRI in Person. «[Para las empresas], hay mucha preocupación en torno a moverse demasiado rápido cuando no se ha establecido una regulación. Si el entorno regulatorio va a ser muy estricto como lo que estamos viendo en la UE, es posible que tengan que rehacer las cosas más adelante. Pero también existe el riesgo de ser demasiado lento y quedarse atrás».
En Estados Unidos, la ausencia de una legislación federal general significa que los estados individuales han tomado la iniciativa.
«El entorno regulatorio en Estados Unidos es relativamente débil e incipiente», dice Narine. «Hay un campo creciente a nivel estatal con algunos proyectos de ley que han estado circulando, y se están llevando a cabo más conversaciones a nivel federal sobre lo que se necesita».
Pero como siempre ocurre con la regulación estadounidense, esos proyectos de ley se enfrentan a un fuerte cabildeo corporativo, explica Narine.
La OCDE y el FSB analizan en una mesa redonda el papel cada vez más importante de la IA en las finanzas
En mayo de 2024, la Organización para la Cooperación y el Desarrollo Económicos (OCDE) y el Consejo de Estabilidad Financiera (CEF) organizaron una mesa redonda sobre la adopción de la IA en las finanzas, en la que participaron expertos de los sectores público y privado. Los debates se centraron en las oportunidades que presenta la IA, así como en los riesgos que introduce para el sector financiero. La mesa redonda destacó casos de uso y mejores prácticas emergentes para marcos de políticas destinados a garantizar la implementación segura y efectiva de la IA.
Los bancos, las aseguradoras y los gestores de activos utilizan cada vez más la IA, en particular en áreas como la modelización de riesgos, la detección de fraudes y la prevención de delitos financieros. El consenso de la mesa redonda fue que, al menos por ahora, el papel de la IA en las finanzas no es transformador, especialmente para las instituciones altamente reguladas. En cambio, la IA se está utilizando principalmente para obtener ganancias de eficiencia operativa, siendo su contribución más notable la mejora del manejo de grandes conjuntos de datos.
Desde nuestra perspectiva, la IA tiene un valor real en su sinergia con los datos estructurados. Como hemos señalado anteriormente en este boletín, el uso de formatos de datos estandarizados como XBRL ayuda a crear modelos de IA más confiables. Los datos estructurados son esenciales para entrenar una variedad de modelos de IA, lo que conduce a mejores resultados y le da a la IA una base sólida para brindar información más precisa.
Al mismo tiempo, la mesa redonda subrayó los desafíos que conlleva la adopción de la IA, incluidos los riesgos relacionados con la precisión de los modelos, la protección de datos, la gobernanza y los posibles impactos en la estabilidad financiera. Los modelos complejos de IA pueden aumentar la opacidad de los sistemas financieros, lo que genera inquietudes sobre la transparencia, los estándares éticos y la capacidad de las instituciones financieras para monitorear los riesgos y controlar ciertos tipos de transacciones a medida que estas herramientas se integran más en el comercio y la asignación de capital.
A medida que evoluciona el papel de la IA en las finanzas, el foco debe estar en equilibrar la innovación con una gobernanza sólida para garantizar que se mantengan tanto la eficiencia como la integridad.
Macroeconomía de la Inteligencia Artificial
Los economistas tienen un pobre historial de predicción del futuro. Y Silicon Valley pasa repetidamente por la esperanza y la decepción sobre la próxima gran tecnología. Por lo tanto, se justifica un sano escepticismo hacia cualquier pronunciamiento sobre cómo la inteligencia artificial cambiará la economía. No obstante, hay buenas razones para tomar en serio el creciente potencial de la IA (sistemas que exhiben un comportamiento inteligente, como el aprendizaje, el razonamiento y la resolución de problemas) para transformar la economía, especialmente dados los asombrosos avances técnicos del año pasado.
La IA puede afectar a la sociedad en una serie de áreas además de la economía, como la seguridad nacional, la política y la cultura. Pero en este artículo, nos centramos en las implicaciones de la IA en tres grandes áreas de interés macroeconómico: el crecimiento de la productividad, el mercado laboral y la concentración industrial. La IA no tiene un futuro predeterminado. Puede desarrollarse en direcciones muy diferentes. El futuro particular que surja será consecuencia de muchas cosas, incluidas las decisiones tecnológicas y políticas que se tomen hoy. Para cada área, presentamos una bifurcación en el camino: dos caminos que conducen a futuros muy diferentes para la IA y la economía. En cada caso, el mal futuro es el camino de menor resistencia. Llegar a un futuro mejor requerirá una buena política, que incluya
• Experimentos creativos de políticas
• Un conjunto de objetivos positivos para lo que la sociedad quiere de la IA, no solo resultados negativos que deben evitarse.
• Comprender que las posibilidades tecnológicas de la IA son profundamente inciertas y evolucionan rápidamente, y que la sociedad debe ser flexible para evolucionar con ellas.
Lo qué vincula los puntos de datos, la codificación de etiquetas, XBRL y la IA
Desde nuestro punto de vista, la EBA parece no haber elegido la dirección más eficaz al pasar a la presentación de informes en formato XBRL-CSV, codificando todo y desechando la riqueza semántica contenida en las hojas de cálculo desarrolladas por las empresas. Los pocos beneficios de este enfoque benefician a la EBA, pero no a las autoridades nacionales competentes o a los bancos que recopilan o elaboran los informes.
Nuestra conclusión principal es que al adoptar el DPM-ID como el identificador clave en la estructura XBRL-CSV, el EBA no solo dificulta que los humanos comprendan la estructura y el significado de los datos, sino que también puede estar alejándose de un cambio importante en la informática hacia el análisis basado en IA de grandes conjuntos de datos. A medida que se «enseña» a las computadoras a pensar como humanos, buscan relaciones semánticas entre los datos, como nombres de conceptos semánticos significativos y estructuras basadas en jerarquías y tablas, que puedan «guiar» su comprensión.
IA y XBRL – Etiquetado automático acaso
En el artículo más reciente de una serie de investigaciones sobre XBRL e IA, UBPartner (proveedor y miembro de software XBRL desde hace mucho tiempo) ha explorado el potencial del procesamiento del lenguaje natural (PLN) para automatizar la identificación y el etiquetado de información clave en los informes anuales.
La investigación realizada por el propio Revathy Ramanan de XII mostró que los LLM, cuando se alimentaban con archivos xBRL-JSON estructurados de los informes 10K iXBRL de la SEC, obtenían buenos resultados al responder consultas financieras. Esto sugiere la importancia de utilizar etiquetas semánticas proporcionadas por las empresas para mejorar el análisis de datos. Sin embargo, el proceso inverso (usar IA para etiquetar informes financieros con XBRL) presenta un conjunto diferente de desafíos.
Kapil Verma y Martin DeVille, de UBPartner, han estado probando el potencial de utilizar la IA de procesamiento del lenguaje natural para simplificar el proceso de etiquetado XBRL. Se propusieron ver si el procesamiento del lenguaje natural puede identificar elementos relevantes (números y textos) en los documentos que necesitan ser etiquetados, y si el procesamiento del lenguaje natural puede seleccionar las etiquetas XBRL correctas para el elemento.
Los resultados iniciales muestran una calidad inconsistente, generalmente alrededor del 70-80%, pero con algunos valores atípicos. El enfoque de NLP etiquetó correctamente los elementos estándar de los estados financieros, sin embargo, tuvo dificultades con el análisis HTML de estructuras de tablas complejas y el modelo necesita mucho más desarrollo antes de que sea útil. El uso de LLM como GPT-4 podría mejorar el proceso, aprovechando la comprensión profunda del lenguaje para digerir mejor los elementos textuales.
Sin embargo, fundamentalmente, Verma y DeVille señalan un movimiento hacia los informes «digitales primero» -que comienzan con la publicación en HTML, manteniendo la estructura subyacente del informe más legible- como el mayor cambio que permitirá el análisis de IA en los próximos años.
La capacidad de “copilotar” el etiquetado XBRL con IA podría mejorar los informes financieros digitales, reduciendo el esfuerzo manual y mejorando la coherencia, al tiempo que deja las decisiones donde corresponde: en manos de la dirección.