«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.
Categoría: IA Inteligencia Artificial
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.
Los datos estructurados podrían desbloquear el potencial de la IA en las finanzas
Un elemento en particular durante las vacaciones nos llamó la atención. La investigación de Patronus AI destacó los aparentes desafíos que enfrentan los grandes modelos de lenguaje (LLM), como el GPT-4 de OpenAI, al analizar los datos financieros contenidos en las presentaciones de la Comisión de Bolsa y Valores de EE. UU. (SEC).
El estudio, centrado en consultas financieras, encontró que incluso con acceso a archivos extensos, el modelo de mejor rendimiento, GPT-4-Turbo, logró solo una tasa de precisión del 79%. Pero espera… ¡esta es una de las informaciones mejor estructuradas del planeta! ¡Todo ha sido etiquetado con Inline XBRL! ¿Qué salió mal en su investigación? Oh. Lo adivinaste. Los investigadores pasaron por alto la información estructurada y utilizaron {Ed: ¡Whimpers!} versiones en PDF de estos archivos de estados financieros contenidos en sitios web corporativos.
Así que ayer hicimos nuestro pequeño experimento para comprender si el rendimiento de la IA mejoraría cuando se alimentaran con datos estructurados en Inline XBRL mantenidos en la SEC en lugar de archivos PDF. Cuando el equipo de XII profundizó en los datos, descubrimos que los sistemas de inteligencia artificial como el GPT-4 de OpenAI demuestran un rendimiento enormemente mejorado al responder consultas financieras cuando se alimentan con xBRL-JSON convertido a partir de los informes 10K Inline XBRL de la SEC. Aprovechar el análisis de datos estructurados con IA ofreció resultados de consultas en lenguaje natural mucho más precisos en todas las áreas que analizamos, incluidas:
• Estimación del porcentaje del costo de bienes vendidos (COGS)
• Determinación de los dividendos pagados a los accionistas comunes.
• Analizando la concentración de clientes
• Evaluación del crecimiento de las ganancias
• Evaluación de gastos de capital
Los investigadores sugieren (como era de esperar) que los modelos de lenguaje grandes puedan tener problemas con datos no estructurados, a menudo proporcionando respuestas incorrectas o incluso negándose a responder. Aprovechar los datos estructurados existentes, como en el caso de las presentaciones ante la SEC, es clave para un análisis más confiable mediante modelos de IA.
Las presentaciones presentadas a la SEC ya están meticulosamente estructuradas por empresas, con datos XBRL incorporados obligatoriamente por la dirección corporativa en sus divulgaciones. Como extraer información financiera relevante con IA es más eficaz cuando esa información está estructurada, sería prudente utilizar estos datos pre-estructurados.
{Ed: Respetuosamente, comenzar el análisis con versiones PDF de archivos de 10K es ridículo. Es como imprimir fotografías digitales de algunos fuegos artificiales y luego recortar letras individuales con unas tijeras sin punta y pegarlas en la página para deletrear las palabras «Feliz Año Nuevo» en el papel. ¡Es 2024! ¡Despierta y huele los datos estructurados!}
A pesar de las limitaciones actuales, los investigadores creen en el potencial a largo plazo de modelos de lenguaje como Chat-GPT para ayudar a los profesionales de la industria financiera. Sin embargo, subrayan la necesidad de una mejora continua en los modelos de IA.
Desde nuestra perspectiva, agregaríamos algo extremadamente obvio: las mejoras se acelerarán significativamente al aprovechar XBRL para mejorar la precisión y confiabilidad en el análisis financiero basado en IA. Apenas arañamos la superficie, más de una hora o dos… y estamos seguros de que nuestros lectores podrían hacerlo mejor. Comience por convertir Inline XBRL en xBRL-JSON (la mayoría de los procesadores XBRL ahora le permiten hacer esto extremadamente rápido), brinde a la IA algunas sugerencias sobre la estructura y continúe desde allí. Si tenemos tiempo, profundizaremos un poco más e informaremos la próxima semana.
En el ojo de la tormenta de la IA
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.
¿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.
El diseño responsable puede garantizar que la IA sirva a la sociedad
Teniendo en cuenta el potencial de daño generalizado, a medida que BigTech despliega sistemas de inteligencia artificial (IA), los responsables políticos se enfrentan a la desalentadora tarea de determinar cómo regular eficazmente la tecnología emergente. La IA puede ser una herramienta eficaz para el progreso cuando su diseño responsable está regulado en aras del interés público.
En conversaciones con inversores y empresarios, las preguntas sobre cómo la regulación de la IA podría obstaculizar la innovación y el crecimiento económico están a la vanguardia. Existe la narrativa de que la aplicación de la regulación sofocará la innovación; pero existe una relación matizada entre la regulación y la innovación de la IA. La regulación a veces puede sofocar la innovación, pero su necesidad permanece. El uso de enfoques como la estrategia de sandbox del Reino Unido puede lograr un equilibrio. Se podría argumentar que la regulación en realidad ayuda a la innovación y dirige el desarrollo de productos para servir a la sociedad. Sin embargo, el factor crucial es la aplicación oportuna de dicha regulación.
La integración de enfoques de diseño responsable y ética en el desarrollo de productos de IA evitará la suspensión de proyectos debido a la incertidumbre legislativa y retrasará la realización de valor de posibles oportunidades comerciales. La regulación impondrá estándares éticos a la IA, influyendo en las elecciones de los diseñadores y proporcionando diferentes direcciones para la innovación. En última instancia, una buena regulación permite un entorno de incentivos para la innovación y el diseño que conduce a la creación de productos de IA que sirven a la sociedad, en lugar de explotarla.
El valor de los datos estructurados y legibles por máquina en el entrenamiento de la IA generativa
A medida que los datos y análisis textuales se vuelven cada vez más importantes para la investigación contable (Bochkay et al. 2023), las innovaciones recientes en modelos de lenguaje grandes y el aprendizaje supervisado pueden proporcionar una identificación más sólida y validez interna para diversas tareas de clasificación de textos. Estos métodos de aprendizaje automático se han utilizado hasta ahora para reconocer el sentimiento en grandes volúmenes de divulgaciones financieras no etiquetadas (Frankel et al. 2022; Huang et al. 2023; Siano y Wysocki 2021). En este estudio, ajustamos FinBERT para reconocer temas contables dentro de las divulgaciones.
Una gran cantidad de literatura encuentra que los temas específicos de contabilidad están significativamente asociados con determinantes y / o resultados en las mismas áreas temáticas. Estos estudios utilizan datos clasificados por agregadores de datos, datos clasificados manualmente o un método de aprendizaje automático no supervisado (LDA) para clasificar los temas. Demostramos que nuestro modelo puede clasificar de manera más eficiente, completa y precisa los temas contables en grandes volúmenes de divulgaciones y, lo que es más importante, supera a la LDA comúnmente utilizada. Después de demostrar este desempeño, proporcionamos tres ejemplos de divulgaciones que se pueden clasificar en temas contables con nuestro modelo. Específicamente, encontramos que las notas etiquetadas a medida para los estados financieros, la sección MD&A del 10-K y la sección de factores de riesgo del 10-K contienen información significativa específica del tema que es predictiva de resultados contables específicos. Cada configuración es muy importante, ya que el 62 por ciento de las observaciones del año de la empresa utilizan al menos una etiqueta XBRL personalizada, y todas las empresas divulgan la sección MD&A y factor de riesgo.
Al igual que otros estudios que proponen un nuevo modelo, nuestro estudio está sujeto a varias limitaciones. Para ajustar un modelo de lenguaje grande para realizar una nueva tarea posterior, los investigadores necesitan algunos conocimientos de programación, así como recursos informáticos significativos. Sin embargo, una vez que el modelo se ajusta como el modelo de Huang et al. (2023) es para el sentimiento y nuestro modelo es para temas de contabilidad, estos recursos son menos limitantes. Además, inherente a un enfoque de aprendizaje automático supervisado es el uso de datos etiquetados para reconocer las mismas etiquetas en nuevos datos textuales. Por lo tanto, nuestro enfoque no identificará temas nuevos u ocultos a menos que esté capacitado para hacerlo. A pesar de estas limitaciones, creemos que nuestro modelo puede ayudar a los investigadores y profesionales interesados en identificar información relevante y consistente sobre temas contables a partir de grandes volúmenes de datos textuales.