Big data y aumento del valor público
Las tecnologías de inteligencia artificial (IA) ofrecen la capacidad de analizar grandes volúmenes de datos a una velocidad y precisión inalcanzables para el ser humano.
La IA se nutre de datos masivos que presentan características de Big Data: gran volumen, variedad (datos estructurados y no estructurados), velocidad de producción y veracidad (o la necesidad de asegurar su calidad).
Esta capacidad es crucial en entornos como las administraciones tributarias, que se han convertido en organizaciones especializadas en el manejo de grandes volúmenes de datos.
Imagine que la optimización y la eficiencia son como intentar encontrar una aguja en un pajar.
Las técnicas de análisis tradicional (como el cruce manual de datos) permiten que una persona busque en el pajar usando sus manos, lo cual es lento y susceptible de error.
El big data es el pajar que crece exponencialmente, haciendo inviable la búsqueda manual.
La inteligencia artificial actúa como un escáner hipersensible que procesa todo el pajar a la vez. No solamente identifica la aguja (el fraude o la ineficiencia) instantáneamente (eficiencia y velocidad), sino que también puede predecir qué partes del pajar tienen más probabilidades de contener agujas antes de que empiece a escanear (optimización de recursos).
Sin embargo, si el escáner no está calibrado correctamente (calidad y sesgo de datos), podría identificar erróneamente paja como aguja, o viceversa.
I. Optimización de procesos y generación de valor público
El objetivo principal de aprovechar esta capacidad de análisis es aumentar el valor público que generan las administraciones tributarias:
1.1. Aumento de la eficiencia operativa (valor público interno)
La IA permite optimizar procesos internos, reducir costos operativos, automatizar tareas repetitivas y mejorar la eficiencia en la gestión de recursos. Al automatizar tareas tediosas como el procesamiento de declaraciones y la verificación de datos, se reduce el tiempo y los errores humanos.
1.2. Mejora de la precisión y optimización de decisiones (valor público externo)
La IA, al procesar grandes volúmenes de datos, transforma la información en conocimiento valioso para la toma de decisiones. Esto se traduce en una mayor precisión en los procesos fiscales y mejores servicios a los ciudadanos.
II. Aplicaciones específicas para la optimización en el ámbito tributario
El análisis de grandes volúmenes de datos se aplica a través de diversas técnicas de analítica (analítica de datos o data analytics) para optimizar las funciones de las administraciones tributarias.
2.1. Gestión de riesgos y lucha contra el fraude (optimización de recursos)
La aplicación más destacada se da en el control y fiscalización, ya que permite a las autoridades enfocar sus esfuerzos en casos sospechosos.
• Identificación de patrones y anomalías: Los sistemas de IA pueden examinar enormes cantidades de información para reconocer patrones y anomalías que podrían indicar evasión o fraude fiscal.
• Optimización de la selección de casos: Se utilizan técnicas de aprendizaje automático (machine learning) y análisis predictivo para mejorar la eficiencia en la selección de contribuyentes a inspeccionar. Esto puede incluir la asignación de categorías de riesgo prioritarias o la detección de patrones transaccionales no detectados por métodos convencionales.
• Análisis de Redes y Relaciones: La IA puede analizar las relaciones entre contribuyentes para identificar redes de incumplimiento o vínculos ocultos.
2.2. Procesamiento de información no estructurada
Los grandes volúmenes de datos a menudo incluyen información desordenada, en diferentes formatos y sin un diseño de registro homogéneo. Las tecnologías basadas en el Procesamiento del Lenguaje Natural (PLN) y los Modelos de Lenguaje de Gran Escala (LLM) son fundamentales para estructurar esta información:
• Clasificación y resumen documental: Los LLM pueden analizar y resumir grandes volúmenes de documentos fiscales (como informes de auditoría o documentos de descargo de fiscalización). Esto permite estructurar información desordenada y liberar a los funcionarios para tareas de mayor valor.
• Extracción de conocimiento: Estas herramientas facilitan la interpretación del contenido de escritos recursivos para extraer etiquetas y comprender el sentido de los datos no estructurados.
2.3. Proyecciones y planificación
La IA utiliza la analítica predictiva y prescriptiva para ir más allá de la descripción de eventos pasados y ayudar en la planificación y asignación de recursos:
• Análisis predictivo: Implica aplicar técnicas estadísticas y machine learning para estimar resultados potenciales basados en datos pasados. Esto ayuda a las autoridades a estimar ingresos futuros y anticipar tendencias y necesidades.
• Análisis prescriptivo: Emplea técnicas de optimización y machine learning para examinar datos y construir circunstancias complejas, lo que permite examinar varias alternativas y resultados potenciales antes de tomar una decisión.
III. Requisitos críticos para un análisis de datos eficiente y optimizado
La eficacia de las tecnologías de IA y la analítica depende directamente de la calidad y volumen de los datos disponibles. Para que el análisis de grandes volúmenes de datos se traduzca en optimización, se deben abordar varios desafíos:
3.1. Calidad de los datos y arquitectura
La calidad de los datos utilizados para entrenar los sistemas de IA es un factor crítico para el éxito de su implementación.
• Revisión previa: Antes de invertir en costosos desarrollos de IA, es fundamental priorizar la mejora continua de la calidad de los datos y revisar la arquitectura de la información de la organización. Sin datos de calidad, los algoritmos de IA no pueden formular predicciones correctas.
• Interoperabilidad: Una arquitectura de información sólida y la interoperabilidad de los sistemas son requisitos previos indispensables. Los sistemas legacy (heredados y obsoletos) impiden una explotación inteligente e integrada de la información.
• Procesamiento: Los trabajos de limpieza y tratamiento de datos son esenciales, asegurando que los datos sean completos, representativos y exactos antes de ser validados por personas.
3.2. Gobernanza de datos
Para gestionar y explotar al máximo los datos como activos institucionales, la gobernanza de datos es imprescindible. Implica establecer políticas y procedimientos para proteger la integridad, confidencialidad y disponibilidad de la información.
3.3. Mitigación de sesgos y ética
Para garantizar que los resultados del análisis y la optimización sean justos, se deben mitigar activamente los sesgos algorítmicos en los datos de entrenamiento.
• Riesgo: La presencia de sesgos puede afectar negativamente a ciertos grupos de contribuyentes, generando discriminación y vulnerando principios de equidad. Si los sistemas de IA se entrenan con conjuntos de datos sesgados, pueden perpetuar o agravar sesgos preexistentes.
• Estrategia: Se requiere una supervisión humana y la explicabilidad (Explainable AI o XAI) para mitigar los sesgos y evitar clasificar erróneamente a contribuyentes honestos. Una estrategia es utilizar sistemas de big data para contrarrestar los posibles sesgos, obteniendo una mayor cantidad de datos de diversas fuentes para garantizar la imparcialidad.
3.4. Control humano y capacitación
A pesar de la automatización que ofrece el análisis masivo de datos, la IA debe ser vista como una herramienta de apoyo, no como la única fuente de criterio.
• Supervisión humana: El personal debe aplicar juicio crítico y se deben establecer procedimientos de revisión obligatoria para los resultados que afectan decisiones críticas. La IA complementa y potencia el trabajo humano, requiriendo supervisión y verificación experta.
• Capital humano: La formación adecuada y continua del personal es esencial para que puedan interpretar y auditar los resultados de las tecnologías de IA. Esto implica desarrollar una mentalidad analítica y la capacidad de formular preguntas basadas en datos.
-------------------------------------------------------------------------
Si te interesa el tema, sigamos en contacto: Rodrigo.Gonzalez@economicas.uba.ar
Te invitamos a continuar reflexionando sobre estos temas en la jornada sobre "Los desafíos de la implementación de la IA en la justicia y administración tributaria", a realizarse el lunes 1 de diciembre de 2025 de 18:30 a 20 h, por Zoom, que organiza la Comisión de Inteligencia Artificial del Centro de Estudios Derecho Financiero y Derecho Tributario de la Facultad de Derecho, Universidad de Buenos Aires #UBA.
Inscripción aquí: https://forms.gle/ke9cmyvQxRTLWnje9
Comentarios
Publicar un comentario