En las últimas décadas, la gestión financiera pública (GFP) ha integrado regularmente nuevas tecnologías, en particular mediante la adopción de sistemas de información de gestión financiera (FMIS, por sus siglas en inglés) cada vez más sofisticados. A medida que la tecnología ha avanzado y la calidad de los datos ha mejorado, las organizaciones de GFP han adoptado nuevos enfoques tecnológicos, como el análisis de datos, las herramientas de inteligencia empresarial y la automatización robótica de procesos (RPA, por sus siglas en inglés). Estos han sido los elementos básicos de la aplicación de la IA, que generalmente se ha utilizado para mejorar y profundizar en las capacidades existentes, al integrarse los sistemas y enfoques de IA en los productos y procesos existentes. En la GFP, la IA ha sido hasta ahora, en general, una continuación de la evolución tecnológica del sector, más que una revolución tecnológica.
Gobernar con la inteligencia artificial
Situación actual
Los usos actuales y previstos de la IA en la GFP están relacionados principalmente con la mejora de los procesos existentes, en lugar de con su revisión y rediseño completos (por ejemplo, eliminando cualquier intervención humana) o con la creación de procesos completamente nuevos. En la actualidad, la IA se utiliza como asistente que facilita la automatización de tareas pequeñas y a menudo rutinarias para los funcionarios, a gran velocidad y bajo costo de transacción, y como asesor que analiza datos históricos o en tiempo real para prever futuros eventos o comportamientos y que respalda los análisis propios de los funcionarios.
En este contexto, los enfoques de IA, especialmente el ML, tienen aplicaciones actuales para la GFP en las previsiones1 macroeconómicas y macrofiscales y en el apoyo a las decisiones de gasto; la planificación y el seguimiento presupuestarios; la gestión financiera, la presentación de informes y la supervisión; y la participación con partes interesadas externas.
Mejoramiento del pronóstico
La IA puede ayudar a afrontar los desafíos que plantean los métodos tradicionales de pronóstico financiera y económica, al mejorar la precisión y la puntualidad de las predicciones y permitir que los sistemas de IA superen a los modelos de pronóstico económica tradicionales (Jung, Patnam and Ter-Martirosyan, 2018[5]).
Las capacidades de predicción de la IA también se consideran una oportunidad para desarrollar el “nowcasting”, identificando cambios en tiempo casi real y extrapolando posibles futuros a corto plazo. “Nowcasting” tiene en cuenta el pasado y el presente muy reciente para pronosticar el estado futuro muy cercano de los indicadores económicos que normalmente solo se determinan después de un retraso y están sujetos a revisión, como el producto interior bruto (PIB) o la inflación. Los bancos centrales de diferentes países están explorando la adopción de sistemas de IA para ofrecer predicciones más precisas y anticipadas que los modelos de series temporales tradicionales, incluso cuando se utilizan datos no estructurados, como el caso de Nueva Zelanda (Richardson, van Florenstein Mulder and Vehbi, 2019[6]), Francia (Blanchet and Coueffe, 2020[7])y Perú (Tenorio and Perez, 2023[8]).
La Autoridad Nacional de Gestión Financiera (ESV) de Suecia ha desarrollado una innovadora aplicación de pronóstico del PIB que aprovecha el ML explicable para mejorar tanto la precisión como la transparencia de las predicciones económicas. El modelo supera las previsiones oficiales de Suecia previas a la pandemia y aborda una limitación clave de las previsiones tradicionales basadas en la IA —su opacidad— visualizando el impacto de las variables a lo largo del tiempo. Esta herramienta permite a los responsables de la formulación de políticas, a los investigadores y al público en general generar proyecciones confiables, al tiempo que mantiene la interpretabilidad y respalda la toma de decisiones basada en datos. La iniciativa muestra cómo la IA puede integrarse en las previsiones macroeconómicas y, al mismo tiempo, garantizar la rendición de cuentas y la confianza.
Facilitar las decisiones de gasto
Para facilitar la toma de decisiones en la GFP, la IA está respaldada por avances tecnológicos que se han generalizado. Entre ellos se incluyen los macrodatos para analizar grandes cantidades de información de múltiples fuentes, las herramientas de análisis de datos para desglosar en categorías financieras específicas y en función de los beneficiarios, y evaluar la efectividad de los gastos en función de tendencias y patrones, y las visualizaciones de datos para permitir una comunicación efectiva de información compleja.
La IA puede utilizarse para consolidar estos cimientos identificando tendencias y patrones y agrupando puntos de datos en función de la similitud o de características compartidas. En el caso específico de las decisiones de gasto, la IA puede analizar datos históricos de ejecución presupuestaria para identificar patrones de gasto insuficiente o excesivo, predecir necesidades de gasto futuras en función de parámetros clave (por ejemplo, cambios demográficos) y evaluar la efectividad del programa vinculando datos de gasto con métricas de resultados. Esto ofrece oportunidades para acelerar y mejorar los análisis de maneras que puedan automatizar o aumentar el trabajo de los seres humanos. Las técnicas de ML que aprovechan datos no estructurados ofrecen oportunidades para combinar conjuntos de datos que antes no se utilizaban para estos ejercicios (Recuadro 5.8).
En 2022, Corea del Sur desarrolló e implementó dBrain+, un sistema avanzado de información de gestión financiera que aprovecha la IA para analizar datos económicos, fiscales y financieros en tiempo real, optimizando la evaluación de riesgos y la toma de decisiones en las finanzas públicas. Sus módulos clave, el Sistema de Información Fiscal de Corea (KFIS, por sus siglas en inglés) y la Evaluación de Riesgos y el Escaneo Horizontal de Corea (KORAHS, por sus siglas en inglés), utilizan la analítica impulsada por la IA para detectar riesgos financieros y apoyar las decisiones de política basadas en datos. Al centralizar todas las operaciones financieras nacionales, desde la elaboración de presupuestos y la gestión de fondos hasta la supervisión de la deuda y la evaluación del rendimiento, dBrain+ mejora la eficiencia, la transparencia y las capacidades de predicción en los gobiernos centrales y locales.
Un punto fuerte de dBrain+ es su integración con 63 sistemas de 46 instituciones, entre ellas el Servicio Nacional de Impuestos, el Servicio de Contratación Pública y el Banco de Corea, lo que permite una coordinación fluida de los contratos, la recaudación de impuestos y las transferencias de fondos. El análisis de estos datos en tiempo real impulsado por la IA mejora la ejecución presupuestaria, acelera la presentación de informes financieros y apoya la identificación de riesgos, lo que permite tomar mejores decisiones sobre políticas fiscales y gasto público. Al proporcionar herramientas adaptadas a los diferentes usuarios —incluidos funcionarios públicos, investigadores y partes interesadas externas—, dBrain+ refuerza la rendición de cuentas y moderniza el enfoque de Corea del Sur para una gobernanza fiscal impulsada por la IA.
Fuente: (Korea Fiscal Information Service (KFIS), 2023[9]),https://www.adb.org/sites/default/files/publication/928976/governance-brief-052-digital-transformation-tax-administration-rok.pdf.
Apoyo a la planificación y supervisión presupuestaria
La IA tiene la capacidad de respaldar los procesos de planificación y supervisión presupuestaria proporcionando productos que respaldan la formulación de bases de referencia de gastos precisas y la estimación de costos de las nuevas políticas. Por ejemplo, el Departamento de Asuntos de Veteranos de Australia desarrolló sistemas y herramientas de predicción para ayudar a simular los futuros impactos financieros de las decisiones de política. Estos incluyen el gasto fiscal anual de cada beneficiario, así como su promedio de años en beneficios, que se utilizan para la estimación de costos, las estimaciones presupuestarias y la evaluación de políticas (Australian Government, 2020[10]).
Otro ámbito de aplicación prometedor de la IA es la identificación, el seguimiento y la mitigación de los riesgos fiscales mediante el análisis de grandes conjuntos de datos. Los riesgos fiscales para las administraciones públicas pueden deberse a diversas causas, como niveles de gasto o inversión insostenibles, que deben identificarse con antelación para poder adoptar medidas preventivas. La IA puede ayudar a identificar dichos riesgos, como se observa en el Recuadro 5.9. En otro ejemplo, Indonesia utiliza un sistema llamado Asesor Financiero AI (AIFA, por sus siglas en inglés) para procesar datos financieros y de rendimiento no estructurados con el fin de ofrecer análisis del rendimiento fiscal de los gobiernos subnacionales en tiempo real (Wisesa, 2023[11]).
Desde hace varios años, la Agencia Tributaria francesa (DGFiP) viene implementando un "sistema de alerta" basado en la IA que tiene por objeto identificar municipios con dificultades financieras, proporcionarles asesoramiento financiero y apoyar proactivamente la aplicación de medidas correctoras.
Este sistema de alerta se basaba inicialmente en un algoritmo que utilizaba datos fiscales y financieros históricos para clasificar los municipios. Más recientemente, la DGFiP desarrolló un sistema de IA predictiva diseñado para identificar con antelación las dificultades financieras de los municipios. El sistema recibió formación sobre datos que abarcan cuatro años para predecir los resultados del quinto año. El sistema predictivo también se basa en técnicas de agrupamiento no supervisadas para clasificar los municipios con características financieras similares sin ejemplos de resultados predefinidos.
En 2022, un experimento con el sistema abarcó 2.500 municipios, de los cuales se identificó que alrededor del 40 % experimentaban dificultades financieras. De estos, alrededor del 17 % no habían sido detectados por el algoritmo anterior. Además, alrededor del 35 % de los municipios se identificaron con dificultades temporales no estructurales, lo que pone de relieve la capacidad del sistema para diferenciar entre problemas financieros permanentes y transitorios.
Automatizar las actividades de gestión, presentación de informes y supervisión
La GFP y las actividades de reporte implican tareas importantes, pero a veces repetitivas, que son especialmente adecuadas para la automatización. Las técnicas de IA, como el procesamiento del lenguaje natural (NLP), pueden utilizarse para analizar imágenes digitales con el fin de extraer información de los documentos (por ejemplo, información sobre los proveedores), identificar y clasificar documentos (por ejemplo, facturas), realizar una comparación de documentos (por ejemplo, comparar la información sobre facturas y los proveedores) o identificar tendencias y patrones (por ejemplo, controles internos de las solicitudes de pago).
En Francia, por ejemplo, la Agencia Tributaria francesa (DGFiP) (2024[13]) ha desarrollado una herramienta basada en IA como parte de los procesos de control interno habituales que "automatiza la selección de las solicitudes de pago que deben controlarse [y] optimiza la carga de trabajo y la calidad de los controles realizados". El Centro de Servicios Compartidos del Gobierno de Finlandia para Finanzas y Recursos Humanos (Palkeet) estableció un Centro de Excelencia para la Automatización Robótica de Procesos (RPA). Se centra en el desarrollo y despliegue de soluciones RPA en diversas actividades financieras y de recursos humanos, como la gestión de la información de proveedores, el equilibrio de los datos contables y el procesamiento de transacciones financieras, y la integración de la IA en procesos de automatización en los que es necesario tomar decisiones complejas o procesar datos (Palkeet, 2024[14]).
La Tesorería Nacional de Brasil (STN) está utilizando IA para mejorar la transparencia fiscal al clasificar el gasto público subnacional de acuerdo con la norma internacional COFOG. La adopción de la IA, que antes era una tarea manual que requería muchos recursos y que utilizaba modelos de ML con redes neuronales convolucionales y recurrentes, ha reducido el tiempo de clasificación de 1000 horas de trabajo humano a solo 8 horas, al tiempo que ha logrado una precisión superior al 97 %. Este avance llevó a la publicación del informe Gasto por Función del Gobierno General en 2024, un hito en las estadísticas fiscales de Brasil.
Sobre la base de este éxito, STN está ampliando ahora las aplicaciones de IA a nuevas áreas, incluida la clasificación de los gastos relacionados con el clima. En colaboración con el Banco Interamericano de Desarrollo (BID), Brasil está fortaleciendo su capacidad para evaluar las implicaciones fiscales del cambio climático. Al ser pionero en la gestión de las finanzas públicas impulsada por la IA, Brasil sienta un ejemplo para otros países que buscan modernizar las estadísticas fiscales y mejorar la transparencia en un panorama económico cada vez más complejo.
Además de reforzar la presentación de informes, el desarrollo de verificaciones específicas para identificar errores (por ejemplo, pagos inadecuados) y fraude (por ejemplo, robo de identidad) se han convertido en un objetivo importante para muchos gobiernos. Esto es especialmente cierto tras la pandemia de COVID-19, que puso de manifiesto las vulnerabilidades de los sistemas de pago de varios países. La capacidad de la IA para identificar tendencias y patrones puede ayudar en este sentido. Por ejemplo, durante la pandemia, la Autoridad Empresarial Danesa desarrolló controles basados en la IA para las solicitudes de ayuda de empresas para diversos regímenes de ayuda (van Noordt and Tangi, 2023[15]).
Facilitar la interacción con las partes interesadas y usuarios
Como se analiza a lo largo de este capítulo y se sintetiza en el Capítulo 2, los chatbots impulsados por NLP y modelos de lenguaje se emplean cada vez más en el gobierno para proporcionar servicios directamente. En cuanto a la gestión de las finanzas públicas, los Emiratos Árabes Unidos (EAU) han desarrollado U-Ask, un chatbot unificado basado en IA para servicios públicos que también puede utilizarse para responder a preguntas2 sencillas sobre la declaración de datos fiscales. En México, el gobierno ha introducido una herramienta de asistencia virtual basada en la IA como parte de su Plataforma de Apoyo Inteligente, diseñada para guiar a los usuarios a través de los programas y apoyos del gobierno (2023[16]). La herramienta proporciona información sobre los beneficios, la elegibilidad y los procesos de solicitud para individuos, empresas y gobiernos locales, utilizando una simple búsqueda de palabras clave o cuestionarios personalizados para adaptar la información al perfil del usuario.
Gestión de riesgos y desafíos
Riesgos asociados
Falta de transparencia y explicabilidad.
Datos inadecuados o sesgados en los sistemas de IA.
Debido a su naturaleza de caja negra, los sistemas basados en IA con los mejores resultados de predicción representan tanto un paso adelante en precisión como un paso atrás en transparencia fiscal (Jung, Patnam and Ter-Martirosyan, 2018[5]). Esta falta de transparencia dificulta a los gobiernos la verificación de los procesos de toma de decisiones de estos modelos, lo que es crucial para la rendición de cuentas y el cumplimiento normativo. En consecuencia, esta limitación ha llevado a los gobiernos a dar prioridad al uso de sistemas de IA más simples para mejorar la modelización humana y el análisis de sensibilidad.
Si bien los gobiernos y las organizaciones de gestión de la productividad se han vuelto cada vez más expertos en la identificación de riesgos y desafíos relacionados con la IA, muchos siguen desarrollando marcos integrales y enfoques prácticos para gestionar estos riesgos. Sus esfuerzos se centran en establecer estructuras de gobernanza, desarrollar capacidad técnica y crear protocolos claros para el despliegue de la IA en los sistemas financieros públicos.
Los gobiernos también están trabajando para desarrollar métodos para "desempaquetar" los sistemas de IA y hacer que su razonamiento sea más transparente, explicable e interpretable, todas condiciones importantes para usar estos sistemas en la GFP. Por ejemplo, como se ha comentado anteriormente (Recuadro 5.7), la Autoridad Nacional de Gestión Financiera (ESV) sueca ha desarrollado una aplicación para analizar el impacto que cada variable de datos tiene en la predicción de los "modelos de caja negra", como parte de un programa de trabajo más amplio para integrar la IA en la gestión financiera del Gobierno Sueco (Boström et al., 2020[17]).
Los casos de uso de la IA muestran que riesgos éticos como datos incompletos o insuficientes y algoritmos sesgados pueden ser significativos en el campo de la GFP. La IA puede amplificar los patrones de desigualdad incorporados en los datos financieros y conducir a la exclusión financiera de las personas percibidas como de alto riesgo (Crisanto et al., 2024[18]). Este fenómeno se observa en el sector bancario, donde una distribución sesgada del crédito puede perpetuar las prácticas discriminatorias de préstamo (Bailey, 2023[19]; Klein, 2020[20]). En el ámbito de la gestión de las finanzas públicas, los algoritmos sesgados pueden afectar de manera similar a la distribución de los fondos públicos, las prestaciones sociales y el acceso a los programas gubernamentales, perpetuando las desigualdades existentes y obstaculizando un trato justo. Aunque el sistema australiano de Robodebt es más un sistema automatizado de toma de decisiones que una verdadera IA, ilustra los problemas que pueden surgir como resultado de errores algorítmicos si no son detectados y abordados por los seres humanos (Recuadro 5.11).
El esquema Robodebt de Australia, introducido en 2016, fue un programa automatizado de recuperación de deudas diseñado para identificar y recuperar los pagos excesivos de asistencia social. Sustituyó un proceso manual por un algoritmo de coincidencia de datos que comparaba los datos quincenales sobre ingresos declarados a Centrelink, el organismo responsable de los pagos de la seguridad social, con las cifras medias de ingresos anuales de la Agencia Tributaria Australiana (ATO). Las discrepancias se señalaron como pagos en exceso y las notificaciones de deuda se emitieron automáticamente sin verificación humana. Este método de "promediado de ingresos" ignoraba las fluctuaciones en las ganancias reales, generando a menudo falsas deudas. El sistema también invirtió la carga de la prueba, al exigir que los receptores proporcionaran registros de pago históricos para impugnar las deudas, una tarea exigente para muchos. A lo largo de su funcionamiento, el régimen emitió 470 000 notificaciones de deuda incorrectas por un total de 775 millones de euros, lo que causó dificultades económicas y económicas generalizadas.
Los cálculos del régimen fueron declarados ilegales en 2019. En 2022 se creó una Comisión Real para investigar el establecimiento, el diseño y la implementación del esquema Robodebt; el uso de cobradores de deudas externos en el marco del esquema Robodebt; las preocupaciones planteadas tras la implementación del esquema Robodebt; y los resultados previstos o reales del esquema Robodebt. En 2023, la Comisión Real publicó un informe en el que se analizaban los efectos del régimen sobre los beneficiarios, incluidos los relacionados con la retención y el embargo de ingresos, los efectos emocionales y psicológicos y la pérdida de fe en el gobierno. Robodebt ejemplifica los riesgos de automatizar sistemas sociales complejos sin una supervisión humana adecuada o pruebas rigurosas. Las consecuencias incluyeron acuerdos legales significativos y pedidos de regulaciones más estrictas sobre el uso de algoritmos en las políticas públicas. Si bien las conclusiones de la Comisión Real no eran necesariamente representativas de las opiniones del Gobierno Australiano, el gobierno estuvo de acuerdo, o estuvo de acuerdo en principio, con 56 de las 57 recomendaciones de la Comisión.
El esquema Robodebt, que utilizaba cotejo automatizado de datos, promedio de ingresos y cálculo de pagos en exceso, puede describirse como un sistema automatizado de toma de decisiones. Si bien el esquema no apalancó la IA, ayuda a ilustrar problemas de gobernanza, supervisión humana y diseño algorítmico.
Desafíos de implementación
Hacer coincidir problemas con soluciones de IA.
Entornos legales y regulatorios inflexibles u obsoletos.
Sistemas obsoletos de tecnología de la información.
Falta de datos de alta calidad y capacidad para compartirlos.
Brechas de habilidades.
Falta de marcos viables y directrices sobre el uso de la IA.
Uno de los desafíos es coincidir las necesidades de GFP y tecnologías de IA. La mayoría de los Ministerios de Hacienda que ya han implementado proyectos de IA en la GFP hacen hincapié en la importancia de cartografiar procesos y actividades para identificar áreas de ineficiencia y posibles aumentos de eficiencia como requisito previo para desplegar la IA3. Una vez completada esta fase inicial, el siguiente paso es evaluar la idoneidad de la tecnología de IA u otras tecnologías para la integración con el fin de ayudar a abordarlas.
A pesar de la capacidad de la IA para resumir o redactar textos utilizando modelos lingüísticos, los Ministerios de Hacienda han actuado con cautela a la hora de implantar nuevas tecnologías en los informes fiscales (por ejemplo, la elaboración automática de informes fiscales). Esto puede deberse a la preocupación por la precisión y por si la IA cumple la normativa vigente. También puede haber dudas sobre quién es el responsable del uso de la IA, y sobre lo que significa su uso para las personas que ocupan puestos de responsabilidad, como los auditores externos, y las personas que utilizan los informes, como los legisladores.
Los sistemas de tecnología de la información (TI) son cruciales para que los Ministerios de Hacienda puedan aprovechar las oportunidades que ofrece la IA. Sin embargo, muchos países de la OCDE afirman que están atrapados en tecnologías heredadas que están significativamente fragmentadas, a menudo obsoletas y carecen de la infraestructura y la compatibilidad necesarias para integrar las funcionalidades avanzadas de IA. Por ejemplo, en la mayoría de los países de la OCDE, los sistemas FMIS gestionados de forma centralizada tienen más de 10 años (OECD, 2024[21]). Estas tecnologías no son específicas de los países de la OCDE y están frenando el uso de la IA en la GFP en todo el mundo (Rivero del Paso et al., 2023[22]).
Como ocurre con cualquier sistema informático, la calidad de los resultados obtenidos con un sistema de IA depende de la calidad de las entradas. Los Ministerios de Hacienda también indican que la fragmentación de los datos, junto con las restricciones al intercambio de datos, suele impedir el inicio de proyectos de IA (véase el Capítulo 4, sección "Creación de una base de datos sólida"). Estos desafíos ponen de relieve la necesidad de mejorar las prácticas y políticas de gestión de datos que facilitan una accesibilidad e intercambio de datos más efectivos. En consecuencia, varios países de la OCDE planean importantes actualizaciones de su FMIS, reconociendo también la necesidad de fundamentos más sólidos para los datos (Gráfico 5.2).
Nota: Se refiere solo a los países que actualmente están llevando a cabo un desarrollo importante o sustituciones de su sistema central de información financiera y de gobernanza (18 países). Las calificaciones presentan el nivel promedio de importancia asignado a cada objetivo en una escala de 0 a 4 por todos los encuestados. No se dispone de datos de Chile, Colombia, Eslovenia, Estados Unidos, Israel y México.
Fuente: (OECD, 2022[23]), pregunta 24.
Dado que la GFP es un ámbito de actuación muy técnico, la implementación de sistemas de IA requiere una formación sustancial que implique la intervención y supervisión humanas (y la retroalimentación) de los expertos en GFP. Un desafío importante es que, si bien las organizaciones de gestión de las finanzas públicas pueden identificar eficazmente los riesgos relacionados con la IA, muchas carecen de las competencias del personal especializado y de las capacidades institucionales necesarias para desarrollar y aplicar los marcos de gestión de riesgos necesarios. Además, resulta tentador sobreestimar las capacidades de la IA. Los sistemas de IA producen resultados que se basan en probabilidades, lo que significa que, por naturaleza, son inciertos. Pueden producir salidas de datos que son incorrectas o textos que suenan altamente autoritarios pero que son incorrectos ("alucinaciones"). Por lo tanto, no importa cuánto puedan recibir los sistemas de capacitación, los especialistas en gestión de finanzas públicas deben ser capaces de ejercer un juicio crítico al utilizar los resultados que generan. Esta supervisión requiere especialistas que combinen habilidades técnicas en GFP y un conocimiento básico del funcionamiento de la IA.
Garantizar la transparencia y la explicabilidad en las decisiones basadas en IA requiere marcos y normas sólidas que gobiernen y supervisen los procesos de IA, incluida la trazabilidad y la accesibilidad de los conjuntos de datos de formación (por ejemplo, la procedencia de los datos y los registros de datos) y, cuando sea posible, el código fuente de los algoritmos de IA. Sin embargo, hasta hace poco, en muchos países de la OCDE dichos marcos y normas no existían. Los órganos de supervisión tradicionales, como las entidades fiscalizadoras superiores (EFS) y las instituciones fiscales independientes, están empezando a adaptar sus metodologías y a desarrollar nuevas competencias para supervisar eficazmente los procesos fiscales impulsados por la IA (Recuadro 4.8). Además, es fundamental identificar e implementar salvaguardias contra el posible uso indebido o la dependencia excesiva de la IA en la gobernanza fiscal, a medida que los sistemas de IA adquieren un mayor protagonismo en los procesos de toma de decisiones. Los especialistas en GFP deben abordar estos problemas para diseñar un nuevo marco de gobernanza fiscal que aproveche el potencial de la IA y, al mismo tiempo, mantenga la transparencia, la responsabilidad y la integridad.
Potencial sin explotar y camino a seguir
Los Ministerios de Hacienda están adoptando actualmente un enfoque prudente con respecto a la IA, dando prioridad a la automatización de tareas y a las aplicaciones predictivas frente a una IA más prescriptiva. Mientras que la IA predictiva se centra en pronosticar los resultados, la IA prescriptiva va más allá al sugerir cursos de acción para lograr los objetivos deseados o mitigar los riesgos. Sin embargo, una aplicación sistemática de la IA prescriptiva podría tener un profundo impacto en las funciones y responsabilidades de los sistemas de gestión de las finanzas públicas, lo que podría alterar las actividades de las partes interesadas en materia fiscal y los órganos de supervisión.
Cualquier cambio de los juicios humanos a los resultados basados en el sistema en las decisiones fiscales requiere una reevaluación de la rendición de cuentas basada en el riesgo, y la asignación de funciones y responsabilidades en un entorno cada vez más automatizado. Esto también requiere considerar cómo la IA podría alterar la letra y espíritu de las instituciones y procesos de GFP, y cómo podría remodelar las funciones de las partes interesadas en el ámbito fiscal, incluidos los órganos de supervisión externa como las EFS y las instituciones fiscales independientes. En este contexto, deben abordarse las cuestiones relativas al futuro de la transparencia y la rendición de cuentas.
¿Qué mecanismos serán necesarios para garantizar la transparencia de las decisiones automatizadas de GFP? Dado que la IA podría llevar a cabo cada vez más el pronóstico y la planificación y seguimiento presupuestarios, debería existir un marco sólido que garantice la transparencia y la explicabilidad en lo que respecta al uso que hacen los gobiernos de los sistemas de IA y sus datos de base. Esto implica crear e implementar estándares que gobiernen el uso y la supervisión de la IA.
¿Cómo evolucionarán las funciones de los órganos de supervisión tradicionales a medida que se adopte la IA? Las EFS y las instituciones fiscales independientes tendrán que adaptar sus metodologías para supervisar y auditar eficazmente los procesos fiscales impulsados por la IA. Esto podría incluir el desarrollo de la ciencia de datos y la formación en IA para los miembros del personal o la actualización de los procesos de auditoría para incorporar consideraciones específicas de la IA, como la integridad y la exhaustividad de los datos.
¿Qué nuevas salvaguardias serán necesarias para proteger contra el uso indebido de la IA en la gobernanza fiscal? Dado que los sistemas de IA desempeñan un papel más destacado en la toma de decisiones fiscales, resulta fundamental identificar posibles tipos de usos indebidos intencionados o no intencionados y protegerse frente a ellos.
Al abordar estas cuestiones, los especialistas en GFP pueden ayudar a dar forma a un nuevo marco de gobernanza fiscal que dé cabida al pleno potencial innovador de la IA, salvaguardando al mismo tiempo los principios clave de la GFP.
Los esfuerzos de IA de los Ministerios de Finanzas necesitan un enfoque coordinado y deben integrar las lecciones de otros proyectos gubernamentales. Esto podría minimizar en gran medida los riesgos de fracaso y los desafíos de implementación, al tiempo que mejoraría la calidad de los resultados. Por ejemplo, la comunidad de práctica en proyectos de IA puede ayudar a prevenir errores comunes y evitables y a mitigar los riesgos de los proyectos de IA intrínsecamente complejos. Estos riesgos se derivan, por ejemplo, de la participación de múltiples partes interesadas con intereses diversos o con una falta de comprensión de las tecnologías y los sistemas.
Si bien muchas agencias de gestión financiera identifican un potencial de aumento de la productividad a gran escala gracias a la IA, los estudios públicos sobre viabilidad y costos son poco frecuentes y las evaluaciones de resultados e impactos siguen siendo anecdóticas. No se recogen pruebas de los costos y los impactos o no se ponen a disposición del público debido al carácter provisional de los proyectos que todavía se encuentran en fases piloto o iniciales de desarrollo.
Idealmente, los resultados y el impacto del uso de la IA en la GFP deberían evaluarse utilizando marcos de evaluación para realizar un seguimiento de los costos de los proyectos y los indicadores clave de rendimiento de los proyectos finalizados, incluidos el ahorro de costos, el aumento de la efectividad y la eficiencia, la reducción de errores y la mejora del cumplimiento normativo. Esto implicaría, entre otras cosas, monitorear todos los costos de los proyectos, comparar las métricas del antes y el después de la implementación de la IA, realizar encuestas de satisfacción a las partes interesadas y analizar los datos para ver cómo los resultados de la IA se ajustan a los objetivos de política fiscal.
Debido a la falta de datos de impacto, órganos de supervisión externa pidieron recientemente una mayor transparencia en los proyectos de IA de todo el gobierno; dijeron que se requiere un mayor escrutinio y recopilación de pruebas, además de una inversión sustancial (véase el Capítulo 4, secciones sobre "Invertir a propósito" y "Capacitar a los órganos de supervisión y asesoramiento para orientar la IA responsable").
Es fundamental establecer marcos sólidos de selección y evaluación de proyectos en los Ministerios de Hacienda. Estos deben alinearse con los marcos de todo el gobierno. Deberían realizar un seguimiento no solo de los indicadores de costos y rendimiento, sino también de los impactos cualitativos de la IA, como la reducción de errores y la mejora del cumplimiento normativo. Esto es necesario, ya que es probable que en el futuro varios proyectos compitan por recursos de inversión limitados.
Para ampliar sus ambiciones de forma progresiva y segura, los Ministerios de Hacienda podrían adoptar un enfoque secuencial para la introducción de las tecnologías de IA. Esto queda bien ilustrado en el caso del Centro de Servicios Compartidos del Gobierno Finlandés para Finanzas y Recursos Humanos (Palkeet), como se ha comentado anteriormente, que comenzó con "pequeños" usos de RPA y ahora está avanzando hacia la hiperautomatización con ML. Según Palkeet, empezar desde pequeña con su avanzada trayectoria de digitalización también ayudó a aumentar la aceptación de las tecnologías de IA más sofisticadas por parte de los funcionarios públicos (Palkeet, 2024[14]).
← 1. El pronóstico macrofiscal es el proceso de predicción de indicadores económicos y financieros gubernamentales clave, que incluyen el crecimiento del PIB, la inflación, los ingresos tributarios, el gasto público y los niveles de deuda. Estos pronósticos ayudan a los gobiernos a planificar los presupuestos, establecer la política fiscal y administrar las finanzas públicas durante períodos de varios años.
← 3. Basado en debates de la OCDE y las reuniones de los grupos de trabajo con los funcionarios de la GFP.