La mayoría de las empresas está compitiendo por aplicar la IA en su operativa diaria y en sus procesos de reporting, pero pocas se están preguntando qué sucede cuando la IA lee la información que hacen pública. ¿Cómo evalúa la IA la información corporativa? ¿Qué datos prioriza en sus análisis? ¿Cómo influye todo ello en la percepción de la empresa?
La principal conclusión es que la información que reportan las compañías ya no se interpreta de forma aislada, sino en combinación con múltiples fuentes internas y externas. Según la ‘Global Investor Survey 2025‘ de PwC, los inversores evalúan a las compañías a partir de estados financieros, informaciones sobre sostenibilidad y comunicaciones con inversores, junto con otras aportaciones externas como informes de analistas, calificaciones crediticias y de ESG, y otros datos de terceros. Y la IA está totalmente involucrada en ese proceso:
- El 62% de los inversores utiliza la IA para analizar documentos y las transcripciones de las llamadas en las que se informe de los resultados.
- El 56% asegura que usa esa tecnología para redactar recomendaciones de inversión.
- Sólo el 4% no la utiliza en absoluto.
IOSCO, el organismo que establece los estándares para las comisiones de valores en más de 130 jurisdicciones confirma el alcance de este cambio. Su informe de 2025 sobre la IA en los mercados de capitales concluye que la inteligencia artificial ya está integrada en todos los mercados, desde la búsqueda de inversiones y la construcción de carteras hasta la supervisión regulatoria.
Esta capacidad se extiende a todo el ecosistema de grupos de interés: reguladores, autoridades fiscales, agencias de calificación, equipos de compras y sociedad civil. Y el objetivo no es solo leer el informe, sino fundamentar una decisión. En los procesos de inversión, regulación y compras, los agentes de IA operan cada vez más de extremo a extremo: desde el análisis de la información y la extracción de datos hasta su incorporación directa de conclusiones en la toma de decisiones. Si la información corporativa de la empresa no figura con claridad en estos resultados de búsqueda, la compañía puede salir dibujada de formas que no pretendía.
Para el reporting corporativo esto significa que, además de centrarse en la calidad de los datos, es necesario considerar cómo serán interpretadas sus comunicaciones a gran escala y en combinación con toda la demás información disponible sobre la compañía.
La IA es un lector totalmente distinto
Entender cómo lee la IA es la primera parte de la ecuación.
La IA no lee de forma lineal. Procesa el texto como datos e identifica conexiones a través de grandes volúmenes de información. A diferencia de un analista, la IA no construye a partir del conocimiento, la experiencia y el criterio. En su lugar, examina, extrae y puntúa a través de un enfoque determinado por los datos con los que ha sido entrenada.
La IA puede conectar, comparar y analizar información a lo largo de todo el entorno de reporting de formas que antes no eran posibles. Al mismo tiempo, depende de aquello que aparece codificado de manera explícita. Puede interpretar de forma incorrecta u omitir información que se transmite mediante elementos visuales, diseños complejos, notas al pie o documentos enlazados.
La estructura, la repetición y el uso de una terminología coherente son los elementos que le permiten darle significado. Si la información presenta una organización deficiente, una expresión inconsistente o carece de vínculos explícitos, los sistemas de IA pueden no tenerla ni conectarla. La IA resulta muy eficaz en la extracción de señales, pero no distingue entre señal y ruido salvo que el informe lo deje claro.
¿Qué entendemos por señales y ruido?
Las señales es la información que la IA puede identificar y extraer, como objetivos definidos, métricas, desempeño cuantificado o vínculos explícitos entre estrategia, riesgos y resultados.
El ruido es la información que resulta más difícil de interpretar para la IA, como declaraciones generales, términos inconsistentes o narrativas sin una conexión clara con datos o resultados. Su comprensión exige contexto, criterio o inferencia.
Esta distinción resulta importante porque la IA no las utiliza de la misma forma que lo haría un analista. Por ejemplo, los matices del lenguaje o ciertas afirmaciones pueden interpretarse de forma literal.
La IA refleja las expectativas de los grupos de interés, no es un análisis objetivo
Las expectativas de los grupos de interés siempre han influido en el reporting corporativo. La forma en que la inteligencia artificial interpreta las comunicaciones de las empresas depende de aquello que se le pide evaluar y de los sesgos incorporados en los propios modelos.
La inteligencia artificial modifica la velocidad y la escala con las que se aplican estas perspectivas, lo que permite utilizar los mismos criterios de forma consistente sobre volúmenes de información mucho mayores.
Los distintos grupos de interés utilizan la IA con objetivos diferentes:
| Grupos de interés | Enfoque de interpretación | Cómo aplica la IA esta perspectiva |
| Inversores | Retorno de la inversión, señales/datps de riesgo y desempeño, crecimiento sostenible y comparabilidad con empresas similares | Comparación rápida entre compañías, periodos y referencias externas; identificación de señales relevantes en fuentes corporativas y de terceros |
| Reguladores | Cumplimiento, exhaustividad y coherencia entre la información divulgada | Revisión sistemática de carencias, incoherencias y anomalías en la información presentada por las compañías y frente a los requisitos regulatorios |
| Agencias de calificación | Estandarización, clasificación y comparación | Normalización de la información corporativa junto con fuentes de datos externas en conjuntos de datos comparables y marcos de puntuación |
| Sociedad civil | Credibilidad y alineación entre compromisos y acciones | Identificación sistemática de incoherencias entre las afirmaciones narrativas y las señales observables, incluida la información externa, las fuentes de terceros y los medios |
Las empresas siempre han ajustado la comunicación de su propia narrativa a la necesidad de permitir una comparación significativa. La IA intensifica esa tensión.
Las comunicaciones en materia de sostenibilidad están especialmente expuestas a interpretaciones inconsistentes, ya que se encuentran sujetas a una amplia variedad de perspectivas de los grupos de interés y suelen tener un carácter más narrativo y menos estandarizado que la información financiera. Cuando la interpretación de la IA no logra vincular con claridad los compromisos narrativos con los datos observables, la brecha se hace visible, lo que aumenta la exposición a un posible riesgo percibido de greenwashing.
Qué significa realmente un reporting preparado para la IA
No existe un manual o una guía para tener un reporting corporativo a prueba de IA. Esto está todavía definiéndose. ¿Un único informe con etiquetas específicas para la IA? ¿Informes paralelos para audiencias humanas y para la IA? ¿Incluir una capa de datos estructurados bajo cada narrativa? Lo que sí resulta evidente es que las comunicaciones deben funcionar como una red de señales distribuida a lo largo de los documentos, y no solo como una narrativa coherente.
Los entornos de etiquetado estructurado como XBRL e iXBRL forman parte de la solución, ya que proporcionan a la inteligencia artificial referencias claras para identificar y extraer puntos de datos clave. Sin embargo, esto no elimina la ambigüedad en la interpretación de notas al pie, matices y comentarios más amplios. En el ámbito del reporting de sostenibilidad, donde las comunicaciones tienen un carácter más narrativo y las formas de etiquetado aún están evolucionando, la confusión puede ser todavía mayor. El reto consiste en saber conectar con suficiente claridad la estrategia, los riesgos y el desempeño para evitar interpretaciones erróneas.
Las pruebas de estrés semánticas y la revisión de perfiles de grupos de interés son herramientas que permiten simular cómo se perciben las comunicaciones corporativas desde distintas perspectivas, ya sea la de un inversor que compara el rendimiento de una compañía, la de un regulador que verifica una situación determinada o la de un analista ESG, que busca señales de greenwashing.
Un informe verdaderamente preparado para la IA puede dejar de ser un documento y convertirse en un mapa estructurado de informaciones interconectadas, lo que impulsa la información corporativa hacia mayores niveles de transparencia y confianza.
Convierta la legibilidad para la IA en una capacidad de gestión
Diseñar la información para la inteligencia artificial en la actualidad supone construir con la vista puesta en algo que evoluciona de forma continua. Las prácticas descritas ofrecen un punto de partida para mejorar la legibilidad para la IA dentro del proceso de reporting.
El próximo paso adelante será convertirlo en una capacidad de gestión. Asigne responsabilidades, establezca expectativas para un diseño de comunicaciones coherente y trazable, páginas web y comunicaciones con inversores, e incorpore pruebas de interpretación basadas en inteligencia artificial en los procesos de revisión y aprobación.
No puede prever todas las conclusiones que la inteligencia artificial extraerá de sus comunicaciones. Pero sí puede actuar para reducir la brecha entre la intención y la interpretación.