Inteligencia Artificial generativa para apoyar análisis de riesgos en las Administraciones Tributarias – Dr. Alfredo Collosa
El FMI publicó una nota técnica que ofrece una introducción a la inteligencia artificial generativa (GenAI) y su potencial para respaldar el análisis de riesgos de cumplimiento normativo en las administración tributarias y aduaneras (AATT).[1]
Comienza con una breve descripción conceptual de la tecnología GenAI. A continuación, describe cuatro casos de uso generalizados en los que GenAI puede complementar el trabajo de los analistas de riesgos. Como pruebas de concepto experimentales, se presenta una selección de ejemplos prácticos.
Tras demostrar el potencial de GenAI, la nota proporciona directrices básicas para ayudar a las administraciones que estén considerando implementar la tecnología en un entorno operativo.
Finalmente concluye con declaraciones prospectivas sobre posibles desarrollos.
- INTELIGENCIA ARTIFICIAL GENERATIVA (GenAI)
GenAI representa una nueva categoría de IA capaz de generar contenido textual, visual, auditivo o analítico a partir de patrones aprendidos en grandes volúmenes de datos.
El documento descompone su funcionamiento en cuatro componentes clave: entradas y parámetros, modelos fundacionales, capacidades y tipos de interacción.
A diferencia de sistemas expertos o modelos predictivos tradicionales, GenAI se distingue por su capacidad de comprender e interactuar en lenguaje natural, incluso con usuarios no técnicos.
- ANÁLISIS DE RIESGOS Y GenAI. CASOS DE USOS EN LAS AATT.
Para el análisis de riesgo de cumplimiento, el uso de GenAI se organiza en cuatro niveles de aplicación que combinan el grado de autonomía del modelo y su especialización temática: asistente, consultor, colaborador y agente autónomo.
Estos roles van desde el apoyo en tareas rutinarias (como redactar resúmenes o clasificar documentos) hasta la ejecución de procesos de forma completamente automatizada bajo criterios definidos.
La IA generativa (GenAI) puede transformar tres competencias del análisis de riesgo: investigación en lenguaje natural, análisis documental y analítica de datos, habilitando a analistas para trabajar “conversando” con los sistemas.
Cuatro roles de uso organizan su adopción: Asistente, Consultor, Colaborador y Agente autónomo; varían por autonomía y amplitud de experticia.
La mayoría de AATT empezará como asistente/consultor y avanzará gradualmente.
GenAI se integra por múltiples vías: servicios en la nube, on‑premises y modelos offline; accesos vía chatbots, asistentes, agentes configurables y suites BI/analíticas con NLP.
Seguidamente se presentan ejemplos del tema.
- Reforzamiento de las unidades de análisis de riesgo.
GenAI permite automatizar tareas como:
-Lectura de grandes volúmenes de información (por ejemplo, balances, informes de prensa, resoluciones judiciales).
-Identificación de patrones de evasión o conductas de riesgo (subfacturación, transferencias no justificadas, uso abusivo de estructuras offshore).
-Elaboración de dossieres previos a fiscalización con elementos probatorios estructurados.
Esto no sustituye el juicio fiscal, pero permite escalar la cobertura del universo fiscalizable y elevar la calidad del análisis.
- Fortalecimiento del proceso CRM de la OCDE.
GenAI puede integrarse a cada fase del ciclo:
-En la identificación de riesgos, permite explorar fuentes abiertas y generar listados iniciales de sujetos o sectores con señales de incumplimiento.
-En la evaluación y priorización, facilita el desarrollo de algoritmos de scoring y de modelos de propensión auditables.
-En el análisis del comportamiento, permite correlacionar múltiples fuentes: declaraciones, notas contables, redes societarias, litigios anteriores.
-En la estrategia de tratamiento, puede simular distintos enfoques correctivos y estimar el retorno.
-En la implementación y monitoreo, ofrece soporte documental, analítico y visual para dashboards, reportes y supervisión.
- Optimización del uso de datos no estructurados.
Las AATT suelen tener enormes volúmenes de datos no explotados (por ejemplo: declaraciones juradas, notas de contabilidad adjuntas, publicaciones legales, canales de asistencia).
GenAI permite: indexar y consultar mediante lenguaje natural, generar resúmenes inteligentes, detectar inconsistencias, contradicciones o vacíos de información.
Esto puede transformar la forma en que se gestiona la información tributaria y aduanera.
- Automatización de tareas de baja consecuencia.
GenAI puede asumir tareas como: clasificación de correos y requerimientos, redacción de respuestas estándar, generación de informes simples.
Esto libera tiempo de personal técnico para tareas más complejas y mejora la velocidad de respuesta al contribuyente.
- Construcción de repositorios aumentados para modelos RAG.
Los documentos sugieren crear repositorios organizados con: jurisprudencia fiscal, normativa técnica, informes previos de cumplimiento y perfiles de sectores económicos.
Este material se convierte en contexto para mejorar las respuestas y el análisis de GenAI, sin compartir datos sensibles con modelos externos.
- Impulso a capacidades de colaboración interdepartamental.
Mediante agentes especializados, GenAI puede facilitar el trabajo entre áreas técnicas, jurídicas y analíticas.
Un ejemplo claro sería una auditoría fiscal que incorpora: un agente que interpreta el contexto legal, otro que extrae métricas clave de los datos y un tercero que plantea hipótesis de incumplimiento o evasión estructurada.
Todo esto puede ocurrir en entornos supervisados, colaborativos y trazables.
- Aplicación en transfer pricing y fiscalidad internacional.
La lectura de informes corporativos, la detección de inconsistencias en la cadena de valor y la interpretación de estructuras transnacionales son tareas idóneas para GenAI.
La arquitectura agente propuesta se adapta bien a tareas de análisis de precios de transferencia, identificación de riesgos BEPS, y revisión de acuerdos APA/MAP.
- Diseño de nuevos servicios para el contribuyente.
También abre oportunidades para mejorar el acompañamiento: generadores automáticos de respuestas personalizadas, asistentes virtuales que guían sobre obligaciones y vencimientos, simuladores que proyectan impacto de decisiones tributarias.
Claro que esto requiere mecanismos sólidos de validación y responsabilidad.
- CASOS PRÁCTICOS
El documento presenta tres demostraciones prácticas de GenAI en servicios alojados.
En el primer caso, simula una crisis económica con una devaluación del 25 %, generando un análisis multianual del impacto en ingresos tributarios y cumplimiento por tipo de contribuyente y sector.
En el segundo, analiza un informe anual de una corporación minera multinacional identificando señales de planificación tributaria agresiva y construye un bow-tie[2] de riesgos con medidas preventivas, detectivas y correctivas.
En el tercero, guía un ejercicio completo de analítica predictiva en lenguaje natural, desde la preparación de datos y entrenamiento de un Random Forest hasta la interpretación de resultados y priorización de casos auditables.
En paralelo, se muestra cómo GenAI puede integrarse en soluciones on-premises.
A través de agentes que conversan en lenguaje natural y ejecutan tareas distribuidas (como generar y ejecutar código SQL, interpretar resultados, crear modelos y visualizar datos), se ilustra una arquitectura funcional basada en el sistema ASYCUDA SIDUNEA en español.
El Sistema Aduanero Automatizado (SIDUNEA) es un sistema informático de gestión aduanera que cubre la mayoría de los procedimientos de comercio exterior. Permite procesar manifiestos y declaraciones aduaneras, junto con los procedimientos de contabilidad, tránsito aduanero y regímenes suspensivos.
Esto permite la preservación de la soberanía de los datos, un tema crítico para las AATT.
- LINEAMIENTOS PARA EL USO DE GenAI
El documento propone cinco lineamientos para su uso operativo. Primero, entender cuándo GenAI ofrece ventajas reales frente a técnicas tradicionales.
Segundo, hay que asegurar que la responsabilidad por los resultados permanece en manos humanas.
Tercero, anticipar cambios organizacionales y capacitar al personal. Cuarto, construir un repositorio seguro y contextualizado de información de cumplimiento que permita aprovechar técnicas de recuperación aumentada (RAG).
Y quinto, escalar su adopción de forma gradual y controlada, empezando por casos de bajo riesgo y alto valor.
En síntesis para operación responsable, el documento propone esos cinco lineamientos: usar GenAI donde aporte ventaja; mantener responsabilidad humana; formar capacidades; construir un repositorio seguro de información de cumplimiento; y escalar con cautela mediante pilotos.
- CONCLUSIONES
La nota concluye con reflexiones sistémicas. GenAI potenciará las capacidades de las AATT, pero también habilitará nuevas formas de evasión y planificación agresiva.
En AATT de menor capacidad, podría cerrar brechas técnicas en áreas especializadas, aunque la adopción integral seguirá condicionada por infraestructura, gobernanza y personal capacitado.
El futuro más probable incluye la integración masiva de GenAI en herramientas digitales, una expansión de entornos basados en agentes, el auge de soluciones abiertas e híbridas, y un foco estratégico en repositorios especializados que aumenten el rendimiento del análisis.
El enfoque sugerido combina despliegues soberanos, una gobernanza estricta de la IA, integración con procesos analíticos existentes, y la formación de perfiles híbridos que unan el conocimiento fiscal y la competencia en datos.
GenAI no sustituye los marcos de cumplimiento; los potencia. La oportunidad es rediseñar la interfaz analista‑tecnología para elevar la calidad, cobertura y velocidad del análisis de riesgo, con responsabilidad humana como ancla y repositorios de conocimiento como motor.
La pregunta ya no es si usar GenAI, sino cómo gobernarla para que sume certidumbre tributaria y eficacia aduanera sin ceder los principios fundamentales del sistema.
Su adopción exige rediseñar la interfaz entre tecnología y análisis, habilitando eficiencia, profundidad y proactividad, pero sin perder la responsabilidad humana como núcleo del sistema.
Dr. Alfredo Collosa
[1] Joshua Aslett, Thomas Cantens, François Chastel, Emmanuel A Crown, and Stuart Hamilton. “Generative Artificial Intelligence for Compliance Risk Analysis: Applications in Tax and Customs Administration”, Technical Notes and Manuals 2025, 013 (2025), accessed August 9, 2025, https://doi.org/10.5089/9798229012430.005
[2] Se refiere al diagrama de pajarita (o bowtie), que es una herramienta visual para analizar escenarios de riesgo y sus causas.
