Cuidados en el Uso de la IA en el Ámbito Contable y Fiscal

La Inteligencia Artificial (IA) se está consolidando como una herramienta esencial para los profesionales contables, fiscales y financieros, permitiendo ahorrar tiempo en tareas repetitivas para enfocarse en la creación de estrategias, el análisis detallado y la generación de escenarios de control.

El autor, Jorge Hazael Pérez Moysén, subraya que la IA no es un concepto ajeno a estas disciplinas, sino una consecuencia natural del análisis de datos, una práctica que ha sido fundamental desde los orígenes de la contabilidad.

¿Qué es realmente la IA?

La IA puede entenderse como un proceso de análisis de datos con un modelo bien definido que transforma datos generales en información enriquecida para la toma de decisiones, acelerando significativamente el proceso.

A diferencia del análisis de datos lineal, la IA aplica una capa de «lógica e inteligencia» que le permite establecer el peso, la importancia o la relevancia de un dato dentro de un contexto específico. Esto es lo que permite crear modelos complejos que antes tomaban horas y ahora pueden completarse en minutos.

El proceso de funcionamiento de la IA (obtención, preparación, selección del modelo, entrenamiento, validación y prueba) es exactamente el mismo que se aplica en las áreas contables, fiscales y financieras.

Riesgos y Cuidados Esenciales de la IA

Si bien la IA es una herramienta poderosa, su uso debe ser cauteloso, especialmente al manejar información sensible. Los riesgos se dividen en tres categorías principales:

1. Riesgos Inherentes a la Tecnología

• Alto Costo: La infraestructura, el software y el mantenimiento de sistemas de IA (o la subcontratación de servicios como Gemini Studio) implican un alto costo.

• Complejidad de Infraestructura: Implementar una máquina de análisis de IA in-house es prohibitivo para la mayoría de las empresas.

2. Riesgos Dependientes del Modelo y Datos

• Inclinación y Preferencia (Sesgo): Los modelos son creados por personas y pueden reflejar las inclinaciones, valores o preferencias del desarrollador, lo que puede afectar la neutralidad de los resultados y llevar a diagnósticos o medidas incorrectas.

• «Alucinaciones» (Datos Erróneos): Ocurre cuando el modelo de entrenamiento no es suficiente o confiable, resultando en respuestas ilógicas. Se requiere una gran cantidad de datos de alta calidad y verificables para asegurar la fiabilidad del modelo.

• Privacidad de Datos: La mayoría de los modelos de IA (LLM, CV) requieren ingesta continua de datos. La información privada (contraseñas, documentos confidenciales, etc.) ingresada a herramientas públicas es procesada, desmenuzada y almacenada en la base de datos general, lo que genera graves riesgos de divulgación.

3. Riesgos Directos para el Profesional Contable

Para el profesional, que maneja la mayor cantidad de información privada no divulgable, los riesgos se traducen en problemas operativos, éticos y legales. Los principales son:

• Riesgo de uso de propiedad confidencial y PII (Información de Identificación Personal).

• Riesgo de divulgación de estrategias organizacionales a terceros.

• Riesgo de toma de decisiones basadas en información sesgada o errónea (alucinaciones).

• Riesgo de dependencia total en herramientas de terceros, perdiendo el conocimiento in-house.

¿Usar o No Usar la IA?

La respuesta es: «Depende del caso» y de una estrategia de planeación detallada.

• Para escenarios hipotéticos y creatividad: Los servicios públicos de IA son útiles para generar escenarios donde se mezclan situaciones reales (leyes, procesos contables) con datos derivados o modificados (no los datos reales confidenciales).

• Para labores repetitivas y automatización: Existen otras soluciones de automatización más maduras y seguras que no conllevan el riesgo de divulgación de datos a terceros, siendo más adecuadas para el procesamiento de información real. Estas herramientas pueden, a su vez, generar los datos modificados necesarios para alimentar modelos de IA más avanzados, manteniendo la confidencialidad.

La clave está en establecer reglamentos y políticas claras sobre qué información puede ser procesada por IA y cuál no, lo que permite transformar la brecha de problemas en una ventaja operativa que ofrece flexibilidad, velocidad y una mejor respuesta en la operación diaria.