La fiscalidad de la inteligencia artificial y los precios de transferencia – Dr. Alfredo Collosa
La fiscalidad de la inteligencia artificial (IA) es un campo complejo y dinámico que se analiza hoy desde una doble perspectiva por un lado como objeto de imposición, vale decir cómo gravar el valor que genera y mitigar sus efectos económicos y por otra parte el tema de la IA como herramienta de control y su uso por parte de las administraciones tributarias para optimizar la recaudación.
En este articulo me referiré al tema de su tributación, vale decir como se debería gravar o como debería tributar la IA, incluyendo a la vez la vinculación con los precios de transferencia y la complejidad de su análisis.
DESAFÍOS EN LA TRIBUTACIÓN
Las características intrínsecas de la IA —alta dependencia de activos intangibles, algoritmos centralizados y deslocalización geográfica— tensionan los principios tradicionales de la fiscalidad internacional basados en la presencia física.
Al igual que ocurrió con la primera ola de la economía digital, los modelos de IA generativa y predictiva extraen valor de los datos globales de los usuarios sin necesidad de una filial física en la jurisdicción de consumo.
El debate se alinea con las soluciones multilaterales de la OCDE Pilar 1 y Pilar 2, buscando redefinir el concepto de “presencia económica significativa” y garantizar una tasa impositiva mínima global del 15% para las multinacionales tecnológicas, evitando la erosión de bases imponibles.
La fiscalidad de los intangibles con la IA ha aumentado la complejidad existente.
La valoración de los algoritmos propios y el software de IA representa un desafío crítico en materia de Precios de Transferencia, tal como veremos en otro punto del artículo.
DEBATE GLOBAL DEL “ROBOT TAX” O TASAS A LA AUTOMATIZACIÓN
Ante el riesgo latente de una sustitución acelerada de la fuerza laboral humana por sistemas autónomos, el debate sobre gravar la automatización ha cobrado fuerza.
Por un lado existen argumentos a favor del impuesto por la erosión de la base imponible del trabajo.
Propuestas como el *Automation Displacement Tax* (evaluado en jurisdicciones como California o bajo debate en la Unión Europea) sugieren gravar los ahorros de productividad derivados de la sustitución de empleo.
El objetivo es compensar la caída en la recaudación del impuesto a las ganancias de las personas físicas y las cargas de la seguridad social, financiando la reconversión laboral.
Por otro lado existen posturas contrarias a estos impuestos argumentando que frenaría la innovación y las ganancias globales de productividad.
En su lugar, sugieren reforzar la imposición sobre las rentas corporativas y revisar los subsidios excesivos a la inversión en capital que incentivan de manera artificial la automatización por encima de la contratación humana.
Asimismo no debemos perder de vista que hoy por hoy desde una perspectiva jurídica estricta, un algoritmo o robot carece de personalidad fiscal y de necesidades personales que definan su capacidad de pago; por lo tanto, cualquier gravamen de este tipo recae, en última instancia, sobre el propietario del capital o el usuario final.
Asimismo interesa destacar que muchos países establecen incentivos fiscales a la inversión en IA.
Para contrarrestar el riesgo de rezago tecnológico, los Estados utilizan la política fiscal como un instrumento de fomento, principalmente a través de súper-deducciones en I+D+i.
Esto es beneficios fiscales agresivos para empresas que invierten en el entrenamiento de modelos fundacionales, infraestructura de supercomputación y desarrollo de código local.
Asimismo implementan amortización acelerada, vale decir regímenes especiales para depreciar fiscalmente de manera acelerada las inversiones en hardware crítico (como unidades de procesamiento gráfico o GPUs) y licencias de software de IA.
IMPACTO DE LA IA EN PRECIOS DE TRANSFERENCIA
El impacto de la IA en materia de Precios de Transferencia representa uno de los desafíos más profundos para la fiscalidad internacional contemporánea.
Dado que el principio de plena competencia (*arm’s length principle*) se diseñó originalmente para una economía basada en activos físicos y funciones claramente localizables, la naturaleza intangible, descentralizada y evolutiva de la IA obliga a redefinir cómo se asignan las utilidades dentro de un grupo multinacional.
Como una primera idea del tema podemos decir que bajo los lineamientos globales, los algoritmos, la arquitectura de redes neuronales, el código fuente, y los conjuntos de datos estructurados califican como activos intangibles comerciales.
El núcleo del análisis de precios de transferencia ya no reside en quién ostenta la titularidad jurídica de la patente o del código de la IA, sino en qué entidad del grupo ejecuta y controla las funciones DEMPE (Desarrollo, Mejora, Mantenimiento, Protección y Explotación).
A modo de ejemplo y sintéticamente se puede decir que el desglose de estas funciones operativas se aplica a la IA de la siguiente manera.
-Desarrollo (diseño del modelo base y algoritmos por científicos de datos).
-Mejora (*fine-tuning* con datos locales o específicos de una industria);
-Mantenimiento (reentrenamiento continuo ante la degradación de datos)
-Protección (ciberseguridad de los pesos del modelo y defensa legal de la propiedad intelectual);
-Explotación (comercialización mediante arquitecturas SaaS o APIs distribuidas globalmente).
En definitiva determinar qué entidad del grupo multinacional efectivamente ejerce las funciones DEMPE sobre el modelo de IA es clave para la asignación legítima de utilidades.
Así si una entidad de baja tributación financia el desarrollo de la IA pero carece del personal calificado para tomar decisiones estratégicas o mitigar los riesgos tecnológicos y operativos (como el riesgo de obsolescencia del modelo), las directrices dictaminan que dicha entidad solo tiene derecho a una remuneración financiera de bajo riesgo.
Los beneficios residuales de la IA deben asignarse a las jurisdicciones donde reside el personal que efectivamente ejerce el control operativo sobre los riesgos del algoritmo.
INTANGIBLES DE DIFÍCIL VALORACIÓN (HTVI) Y ACUERDOS DE REPARTO DE COSTOS
Los modelos de IA entran frecuentemente en la categoría de Intangibles de Difícil Valoración (HTVI).
Al momento de realizar una transferencia intercompañía de un algoritmo (por ejemplo, de la casa matriz a una subsidiaria regional), la valoración ex-ante presenta una incertidumbre extrema debido al riesgo de obsolescencia tecnológica inmediata o, por el contrario, a un crecimiento exponencial no previsto en su capacidad de monetización.
Bajo el enfoque HTVI, las administraciones tributarias están facultadas para utilizar los resultados reales ex-post (los ingresos reales generados por la IA en años posteriores) como evidencia presuntiva para evaluar la razonabilidad de las proyecciones financieras utilizadas al fijar el precio inicial.
Esto incrementa significativamente el riesgo de auditorías y ajustes retrospectivos por parte de los fiscos si las desviaciones son materiales.
Un tema complejo también es la valoración de los datos como Input de la IA.
La IA requiere de macrodatos para su entrenamiento y optimización, por lo que el flujo transfronterizo de datos entre filiales plantea interrogantes críticas de precios de transferencia.
La postura generalizada indica que los datos crudos e inconexos tienen un valor marginal; sin embargo, si la filial realiza tareas de filtrado, etiquetado, estructuración y anonimización de datos, está aportando un activo estructurado de valor que debe ser remunerado mediante un cargo intercompañía adecuado.
Debido a la magnitud del gasto de capital requerido para el desarrollo de IA de frontera (costo de infraestructura de supercomputación, adquisición de GPUs y remuneración de ingenieros de élite), los grupos multinacionales adoptan con frecuencia Acuerdos de Reparto de Costos (Cost Contribution Arrangements – CCA).
En un CCA de intangibles, las entidades afiliadas acuerdan compartir los costos, riesgos y recursos del desarrollo de la IA en proporción a los beneficios individuales que esperan obtener en sus respectivos mercados territoriales.
Al operar bajo este acuerdo, cada participante se convierte en copropietario de los derechos del intangible en su territorio, lo que elimina la necesidad de pactar pagos de regalías intercompañía en el futuro, siempre que las aportaciones iniciales se mantengan alineadas con la participación real en los beneficios económicos generados por la IA.
SELECCIÓN DEL MÉTODO DE PRECIOS DE TRANSFERENCIA
La singularidad de la IA limita la aplicación de los métodos tradicionales de precios de transferencia.
El Método de Precio Libre Trasladado (CUP / Comparable No Controlado) es prácticamente impracticable debido al carácter propietario y al secreto comercial que rueda a los modelos de IA líderes, haciendo imposible encontrar un comparable en el mercado abierto con características y condiciones de riesgo idénticas.
Por su parte, los Métodos Basados en Márgenes Transaccionales (como el TNMM / Método del Margen Neto de la Transacción) solo son viables para remunerar actividades rutinarias dentro de la cadena de valor de la IA, como ocurre con las filiales que actúan exclusivamente como distribuidores locales de licencias del software de IA o centros de soporte técnico estándar, sin aportación de propiedad intelectual única.
El Método de División de Beneficios (Transactional Profit Split Method – TPSM) se perfila como el idóneo cuando la cadena de valor involucra contribuciones únicas y valiosas por múltiples partes vinculadas.
Por ejemplo, si la casa matriz aporta el modelo fundacional de IA (Intangible A) y la filial aporta una base de datos masiva, histórica y exclusiva de su mercado local regulado (Intangible B) para entrenar dicho modelo, el beneficio operativo global se divide evaluando el valor relativo de las funciones, activos y riesgos aportados por cada una, al estar las operaciones altamente integradas.
Dr. Alfredo Collosa
