Ética y gobernanza de datos

El cambio de paradigma hacia la IA, por lo tanto, no es solamente un desafío técnico de optimización, sino un desafío ético y de gestión para asegurar que la tecnología amplifique las capacidades humanas y se utilice bajo un enfoque centrado en el ser humano (human-centric).

1. El cambio de paradigma

El contexto actual es volátil, incierto, complejo y ambiguo, lo que obliga a las administraciones tributarias a transitar de un accionar reactivo basado en la revisión forense y el análisis de datos históricos a un modelo proactivo y centrado en datos. 

Este cambio de paradigma es un imperativo institucional.

El enfoque tradicional se limitaba a la IA estrecha, que utilizaba modelos predictivos (scoring) y sistemas expertos basados en reglas, enfocados en detectar patrones de fraude "conocidos". En contraste, la nueva gestión proactiva exige que las decisiones estratégicas se basen en la interpretación de datos en lugar de la intuición.

El verdadero valor de la tecnología de IA va más allá de la simple automatización de tareas rutinarias o el cruce de datos. Su fortaleza reside en pasar del análisis descriptivo ("qué sucedió") para enfocarse en el:

• Análisis predictivo (qué sucederá): predice el riesgo de incumplimiento o la necesidad de asistencia del contribuyente.

• Análisis prescriptivo (qué debiéramos hacer): recomienda líneas de acción informadas.

Este salto se compara con el paso de un mapa estático (análisis reactivo) a una aplicación interactiva con GPS que predice el tráfico futuro y prescribe la mejor ruta (gestión proactiva).

2. La irrupción de la IA que actúa

La IA para modernizar la gestión fiscal se clasifica en una evolución progresiva:

• 1. IA tradicional (reactiva): Modelos predictivos y sistemas expertos, limitados a tareas específicas.
• 2. IA generativa (proactiva): Modelos de lenguaje grandes (LLMs) capaces de "comprender" el lenguaje y generar contenido nuevo, como asistencia personalizada en chatbot.
• 3. IA Agéntica (Autonomía): Representa la "nueva frontera" y el salto paradigmático de la IA que actúa. Los agentes de IA utilizan LLMs como su "cerebro" para "razonar", "planificar" y "ejecutar" tareas complejas de forma autónoma con el objetivo de "alcanzar objetivos". El cambio es de "buscar" a "ejecutar".

Los agentes tributarios se construyen sobre cuatro pilares: el Núcleo (LLM para razonamiento/planificación), la Planificación Estratégica (descomponer objetivos complejos en pasos), la Memoria Contextual (para contexto a corto y largo plazo) y el uso de Herramientas (Tools), como las APIs de sistemas internos (facturación, registro) o la ejecución de código.

3. Modernización y optimización de operaciones mediante IA

Los agentes y la IA generativa permiten la optimización operativa en las dos funciones esenciales de la AT:

3.1. Revolución en la asistencia

La IA se utiliza para rediseñar la relación fisco-contribuyente. Este modelo tiene un enfoque centrado en el ciudadano (Taxpayer-Centric Design) y desplaza el foco de la fiscalización ex post a la asistencia ex ante.

• • Asistente Invisible (Capa Proactiva): Opera en el backend, utilizando la minería de datos (ej., facturación electrónica) para construir un perfil de asistencia. Este sistema puede emitir alertas suaves (nudges) en tiempo real si, durante la confección de una declaración, detecta que los valores se desvían de los promedios del sector, previniendo errores y evitando futuras observaciones. El objetivo es un cumplimiento más simple, accesible y trazable, minimizando el costo social del tributo.
• • Asistente Experto Visible (Capa Conversacional): Reemplaza chatbots básicos por interfaces avanzadas impulsadas por IA generativa Estos asistentes responden a consultas complejas sobre normativa fiscal. Utilizan la arquitectura RAG (Retrieval-Augmented Generation) para conectarse a bases de conocimiento vectorizadas (legislación) y generar respuestas basadas únicamente en esos documentos, lo cual es la solución técnica para evitar las "alucinaciones" (inventar normativa), un riesgo inaceptable en el sector fiscal.

3.2. Revolución en el control

La IA es vital para enfrentar la complejidad y el volumen del big data en las AT. La principal fortaleza de la IA en control es la identificación de patrones y la lucha contra la evasión fiscal más enfocada.

• • Auditor digital (copiloto): Los agentes actúan como "colaboradores digitales". Un agente de auditoría recibe una orden (ej., "Auditar Cía. ABC"), planifica la auditoría, consulta sistemas internos (vía APIs), cruza datos (compras vs. créditos fiscales) y redacta un preinforme de inconsistencias para el auditor humano.
• • Detección de fraudes complejos: La IA, mediante machine learning, analiza volúmenes masivos de datos para identificar patrones de riesgo de evasión o fraude, facilitando la preselección de casos para las “auditorías inteligentes”. También pueden investigar proactivamente redes de evasión (como empresas fantasma) analizando vínculos societarios, directores y flujos de dinero.

4. Gobernanza y calidad de datos

El éxito de esta modernización no es puramente tecnológico, sino que reside en la calidad de los cimientos (datos) y la estructura (arquitectura de la información).

4.1. El rol fundamental del gobierno de datos (GD)

El dato es el activo estratégico clave y el motor que permite generar valor público. El Gobierno de Datos (GD) es el marco formal que define cómo los datos deben ser gestionados, protegidos y utilizados (políticas, roles, estándares, procesos). Un gobierno sólido reduce el riesgo al exigir el cumplimiento normativo y establecer una responsabilidad clara.

El GD es esencial para transformar el potencial del Big Data (Volumen, Velocidad) en valor tangible y fiable (Veracidad). La veracidad se refiere a la exactitud y fiabilidad de los datos y es el pilar de la confianza, ya que solo los datos fiables pueden transformarse en conocimiento valioso.

4.2. Calidad de datos y su necesidad en la IA

La calidad de datos se define como la "idoneidad del dato para el uso previsto". Las dimensiones críticas incluyen:

• • Precisión (Accuracy): El grado en que los datos reflejan los valores del mundo real.
• • Completitud (Completeness): La ausencia de elementos faltantes.
• • Consistencia (Consistency): La coherencia de los datos entre diferentes fuentes o sistemas.
• • Actualidad (Timeliness): La disponibilidad del dato en el momento relevante para su uso (crucial para la fiscalización casi en tiempo real).

La IA requiere datos de alta calidad, confiables e imparciales para su entrenamiento. La implementación de la IA plantea el riesgo de que, si los datos de entrenamiento reflejan sesgos históricos (ej., focalización desproporcionada en ciertos sectores), el modelo puede amplificar la discriminación. La mitigación activa de estos sesgos es un imperativo ético.

4.3. El imperativo ético y el control humano

El marco de gobernanza debe ser holístico y garantizar la ética, la transparencia y la explicabilidad.

• • Control humano (human-in-the-loop): Este es el principio fundamental y la piedra angular del uso responsable de la IA, siendo indelegable. La IA solo hace recomendaciones; el "humano en el circuito" toma todas las decisiones finales.
• • Explicabilidad (XAI): Es fundamental para generar confianza y proteger el derecho de defensa del contribuyente. La opacidad algorítmica (caja negra) en modelos complejos socava este derecho, ya que toda decisión administrativa debe estar debidamente fundada y ser auditable.

Te invitamos a leer más sobre el tema en: https://trabajodecenteinclusionsocial.blogspot.com/