1
Métodos de inteligencia articial aplicados al desarrollo de sistemas económicos y
nancieros centrados en técnicas numéricas
Norberto Ulises Roman Concha, Adegundo Mario Cámara Figueroa, Hernán Noé
Espinoza Acero, Rusvelth Paima Paredes, Jesús Alejandro Cortéz Espinoza, Luis Soto
Soto, Adolfo Carlos Jimenez Chura
© Norberto Ulises Roman Concha, Adegundo Mario Cámara Figueroa, Hernán Noé
Espinoza Acero, Rusvelth Paima Paredes, Jesús Alejandro Cortéz Espinoza, Luis Soto
Soto, Adolfo Carlos Jimenez Chura, 2024
Primera edición: Diciembre, 2024
Editado por:
Editorial Mar Caribe
www.editorialmarcaribe.es
Av. General Flores 547, Colonia, Colonia-Uruguay.
Diseño de portada: Yelia Sánchez Cáceres
Libro electrónico disponible en:
hps://editorialmarcaribe.es/ark:/10951/isbn.9789915975207
Formato: electrónico
ISBN: 978-9915-9752-0-7
ARK: ark:/10951/isbn.9789915975207
Aviso de derechos de atribución no comercial: Los autores pueden autorizar al público
en general a reutilizar sus obras únicamente con nes no lucrativos, los lectores pueden
usar una obra para generar otra obra, siempre y cuando se dé el crédito de investigación
y, otorgan a la editorial el derecho de publicar primero su ensayo bajo los términos de la
licencia CC BY-NC 4.0.
Editorial Mar Caribe rmante N° 795 del 12.08.2024 de la Declaración de Berlín: “Nos
sentimos obligados a abordar los desafíos de internet como un medio funcional emergente para la
distribución de conocimiento. Obviamente, estos avances podrán modicar signicativamente la
naturaleza de la publicación cientíca, así como el sistema existente de aseguramiento de la
calidad” (Sociedad Max Planck, ed.. 2003., pp. 152-153).
2
Editorial Mar Caribe
Métodos de inteligencia articial aplicados al desarrollo
de sistemas económicos y nancieros centrados en
técnicas numéricas
Colonia del Sacramento, Uruguay
2024
3
Sobre los autores y la investigación
Norberto Ulises Roman Concha
uromanc@unmsm.edu.pe
https://orcid.org/0000-0002-3302-7539
Universidad Nacional Mayor de San Marcos, Perú
Adegundo Mario Cámara Figueroa
adegundo.camara@unmsm.edu.pe
https://orcid.org/0000-0001-5635-7277
Universidad Nacional Mayor de San Marcos, Perú
Hernán Noé Espinoza Acero
https://orcid.org/0000-0002-1054-6299
Universidad Nacional de San Agustín, Perú
Rusvelth Paima Paredes
https://orcid.org/0000-0001-7261-5854
Universidad Nacional de Ucayali, Perú
Jesús Alejandro Cortéz Espinoza
https://orcid.org/0009-0007-3749-9756
Universidad Nacional Agraria de la Selva, Perú
Luis Soto Soto
https://orcid.org/0000-0002-3799-645X
Universidad Nacional Mayor de San Marcos, Perú
Adolfo Carlos Jimenez Chura
https://orcid.org/0000-0003-3125-8197
Universidad Nacional del Altiplano de Puno, Perú
Libro resultado de investigación:
Publicación original e inédita, cuyo contenido es resultado de un proceso de investigación
realizado antes de su publicación, ha sido revisada por pares externos a doble ciego, el libro ha
sido seleccionado por su calidad cientíca y porque contribuye signicativamente en el área del
saber e ilustra una investigación completamente desarrollada y completada. Además, la
publicación ha pasado por un proceso editorial que garantiza su estandarización bibliográca y
usabilidad.
4
Índice
Introducción ................................................................................................... 6
Capítulo I ....................................................................................................... 8
Inteligencia articial en el ujo circular de la economía ................................. 8
1.1 Componentes del ujo circular .............................................................. 9
1.1.1 Importancia en la economía moderna ............................................ 10
1.2 Integración de la inteligencia articial en la economía ........................ 11
1.2.1 Áreas de inuencia ........................................................................ 11
1.2.2 Impacto en la productividad .......................................................... 12
1.2.3 Sectores industriales y las startups ................................................ 14
1.3 Regulaciones, ética y educación ........................................................... 17
1.4 Mejora en la Productividad ................................................................. 18
1.5 El sistema de contabilidad macroeconómica ........................................ 20
1.5.1 Simbiosis de la Inteligencia Articial en la contabilidad
macroeconómica .................................................................................... 22
Capítulo II .................................................................................................... 29
Vinculo de la inteligencia articial con las políticas monetaria y scal ........ 29
2.1 Políticas Monetarias y Fiscales ............................................................ 30
2.1.1 Interacción de la IA con la Política Monetaria ............................... 32
2.1.2 Impacto de la IA en la Política Fiscal ............................................. 33
2.2 Inteligencia articial aplicada al sector productivo país ...................... 38
2.2.1 Aplicaciones de la Inteligencia Articial en el Sector Productivo .. 39
2.2.2 Innovación, desarrollo continuo y sostenibilidad .......................... 43
Capítulo III .................................................................................................. 46
Inteligencia articial aplicada en la oferta y demanda global: Producto Bruto
Interno e importaciones de bienes y servicios .............................................. 46
3.1 Oferta y demanda globales: dinámicas ................................................ 47
3.1.1 Producto Bruto Interno (PBI) e Inteligencia Articial .................... 48
3.1.2 Importancia de las importaciones en la economía .......................... 50
3.2 Macroeconomía del Estado y los métodos de inteligencia articial ...... 53
5
3.2.1 Fundamentos de la Macroeconomía del Estado ............................. 54
3.2.2 Inteligencia Articial en el Análisis Económico ............................. 56
3.2.3 Impacto de la IA en la Toma de Decisiones del Estado .................. 57
3.3 Política cambiaria y el uso de redes neuronales articiales en su
medición ................................................................................................... 58
Capítulo IV .................................................................................................. 63
Métodos numéricos aplicados con software en economía y nanzas ............ 63
4.1 Importancia de los métodos numéricos en economía y nanzas .......... 64
4.1.1 Principios matemáticos básicos y uso de software en economía .... 65
4.1.2 Aplicaciones en políticas económicas ............................................ 71
4.2 Matemática nanciera: Métodos basados en redes neuronales articiales
.................................................................................................................. 74
4.2.1 Comparativa entre Métodos Tradicionales y Neuronales .............. 76
Conclusiones ................................................................................................ 79
Bibliografía .................................................................................................. 80
6
Introducción
La llegada de la inteligencia articial (IA) en el ciclo económico ha
generado una transformación importante en distintos sectores industriales. Al
analizar los casos de estudio, es posible reconocer patrones de uso, el efecto en
las empresas emergentes y una diversidad de aciertos y errores; sin embargo, se
necesita examinar el sesgo de la IA en relación con los principios reales de la
economía keynesiana y las variaciones a lo largo del tiempo.
La implementación de la inteligencia articial varía considerablemente
entre los distintos sectores de la industria, hacia una transformación signicativa
gracias al rápido avance de la inteligencia articial (IA). Las startups que forman
parte de esta revolución aplican tecnologías de IA como el aprendizaje
automático (ML), el análisis predictivo y los algoritmos de optimización para
aumentar la eciencia energética, gestión de la red e integrar fuentes de
desarrollo sostenible.
Es crucial que todos los profesionales desde la transdisciplinariedad
colaboren para crear políticas que fomenten el uso responsable de la inteligencia
articial en economía y nanzas. Asimismo, la formación y educación en nuevas
tecnologías deben ser prioritarias, garantizando que la próxima generación de
profesionales esté adecuadamente preparada para aprovechar al máximo las
capacidades de la IA. Por lo tanto, el futuro de la inteligencia articial en el
sistema de contabilidad macroeconómica es alentador, pero demanda un
enfoque cuidadoso y coordinado. La cooperación entre el sector público y
privado será fundamental para maximizar los benecios y minimizar los riesgos,
dando lugar a una nueva era de innovación y eciencia en la contabilidad
macroeconómica.
Ahora bien, la implantación de simuladores basados en inteligencia
articial para la econometría ofrece profundas oportunidades de mejorar la
eciencia y la precisión, pero también plantea una serie de propuestas que deben
ser abordadas con cuidado. La clave para una implementación exitosa reside en
encontrar un equilibrio entre la innovación tecnológica y el manejo adecuado de
los posibles riesgos asociados.
Estas técnicas numéricas han progresado y se han ajustado a las realidades
económicas uctuantes, pero continúan siendo signicativos para comprender la
7
estructura fundamental del ujo circular en la economía. Sin embargo, el que más
destaca es el modelo keynesiano, que según Ros (2011), es la forma común en que
los mercados suelen abordar una demanda insuciente de un bien o servicio,
como sucede con el trabajo, a través de una disminución en el precio de ese bien
o servicio. En este sentido, el libro difunde teorías, métodos, aplicaciones y
análisis de la inteligencia articial (IA) como agente transformador en el ámbito
de la economía y nanzas. Por ende, la incorporación de herramientas avanzadas
basadas en IA puede optimizar la manera en que se recogen, procesan y analizan
los datos económicos.
La macroeconomía clásica pone un fuerte énfasis en los mercados libres y
en la importancia de limitar la intervención gubernamental. En cierta medida, la
Gran Depresión de 1929 desaó esta perspectiva, lo que llevó al desarrollo de
enfoques alternativos, incluyendo el keynesianismo. La política scal y la política
monetaria son las principales herramientas que utilizan los gobiernos para
regular la economía. Con base en estos postulados, los autores se enfocan en un
análisis descriptivo multidisciplinar de la aplicación de métodos de inteligencia
articial y redes neuronales articiales que coadyuven en la toma de decisiones
basadas en datos y evidencias, a partir de representaciones matemáticas de
relaciones económicas que facilitan la estimación y prueba de hipótesis sobre
variables económicas, estimando parámetros que describen estas relaciones.
Para los autores, uno de los retos más representativos vinculados a la
inteligencia articial es la carencia de un marco regulatorio denido y
consistente, pues, la acelerada evolución de la tecnología frecuentemente supera
la habilidad de los legisladores para ajustarse y desarrollar políticas ecaces. Por
ello, se propone través del uso de software especializado, abordar situaciones que
involucran variables interdependientes, ruido en los datos y condiciones de
frontera difíciles de caracterizar analíticamente. Un aspecto crucial de este
enfoque es su capacidad para procesar grandes cantidades de datos y extraer
información útil que puede guiar la toma de decisiones.
Por ende, el uso de redes neuronales articiales en la matemática
nanciera ha crecido exponencialmente en las últimas décadas, impulsado por la
capacidad de estas tecnologías para manejar grandes volúmenes de datos y
encontrar patrones complejos. En cierto modo, a pesar de sus ventajas, existen
importantes retos y limitaciones que deben ser considerados. Este libro hace
énfasis en dos aspectos cruciales: los aspectos técnicos y los factores económicos
que aquejan la implementación de redes neuronales en el ámbito nanciero.
8
Capítulo I
Inteligencia articial en el ujo circular de la economía
El ujo circular de la economía es un modelo económico que ilustra cómo
se interrelacionan los distintos agentes económicos, incluyendo las familias y las
empresas, en un sistema de intercambio continuo de bienes, servicios y recursos.
Este modelo es fundamental para comprender la dinámica de una economía y
sirve como base para los análisis económicos que pueden incluir la inuencia de
factores emergentes, como la inteligencia articial. Para Platon et al. (2024) la
economía circular se ve como un elemento esencial del desarrollo económico
sostenible. La implementación de procesos circulares puede ayudar a avanzar en
el cumplimiento de varios objetivos de desarrollo sostenible (ODS), los cuales
fueron establecidos en la Agenda 2015 de las Naciones Unidas y se detallaron de
manera sistemática en la Agenda 2030 para el Desarrollo Sostenible.
En este contexto, los modelos económicos tradicionales han sido la base
teórica que fundamenta el ujo circular de la economía. Normalmente, se
considera que hay dos actores principales en este modelo: las familias y las
empresas. Las familias, que actúan como consumidores, proporcionan factores
de producción como trabajo, tierra y capital a las empresas a cambio de ingresos
en forma de salarios, rentas e intereses. Por otro lado, las empresas producen
bienes y servicios que se ofrecen a las familias y otros mercados, generando una
circulación constante de recursos.
Los modelos económicos más conocidos incluyen:
• Modelo de Adam Smith: Considerado el padre de la economía moderna,
Smith introdujo la idea de la “mano invisible”, donde los mercados se
autorregulan y los intereses individuales conducen al bienestar colectivo.
• Modelo de Friedman: La macroeconomía se interpreta como la suma de
comportamientos microeconómicos dentro de un entorno que busca la
optimización, rechazando la idea del equilibrio keynesiano con desempleo
como una situación habitual. En el ámbito normativo, la escuela de
Chicago se basa en la utilización generalizada del sistema de precios, la
propiedad privada y la libertad individual, así como en la búsqueda de
soluciones que eviten la intervención del estado, siguiendo la tradición del
programa clásico (Argandoña, 1990).
9
• Modelo Keynesiano: John Maynard Keynes argumentó que la economía
puede no autoajustarse en períodos de recesión y que la intervención del
gobierno es necesaria para fomentar la demanda agregada.
• Modelo Clásico: Este modelo se centra en la idea de que los mercados son
ecaces en la asignación de recursos y que la economía siempre tiende
hacia el pleno empleo a largo plazo.
Estos modelos han evolucionado y se han adaptado a las realidades
económicas cambiantes, pero siguen siendo relevantes para entender la
estructura básica del ujo circular en la economía. Pero, el que más resalta es el
modelo keynesiano, que según Ros (2011), es la manera habitual en que los
mercados suelen resolver una demanda insuciente de un bien o servicio, como
es el caso del trabajo, es mediante una reducción en el precio de dicho bien o
servicio. Una disminución en el precio fomenta la demanda y disminuye la oferta
hasta que ambas se equilibran más o menos entre sí. La rigidez a la baja de los
salarios obstaculiza que esto suceda rápidamente cuando hay una demanda
insuciente de trabajadores.
1.1 Componentes del ujo circular
El ujo circular de la economía se compone de varios elementos clave que
ilustran cómo interactúan los diferentes actores económicos. “Una economía
circular es reconstituyente y regenerativa por diseño, y se propone mantener siempre los
productos, componentes y materiales en sus niveles de uso más altos. El concepto
distingue entre ciclos biológicos y ciclos técnicos” (Cerdá y Khalilova, s/f, p. 12). Los
principales componentes son:
• Familias: Actúan como consumidores de bienes y servicios y proveedores
de los factores de producción. Su gasto es crucial para mantener la economía en
movimiento.
• Empresas: Producen bienes y servicios utilizando los factores de
producción proporcionados por las familias. Las empresas generan ingresos que
permiten la distribución de salarios, dividendos a las familias.
• Mercados de bienes y servicios: Donde se lleva a cabo la compra y venta de
productos. Este es el lugar donde las empresas y familias interactúan
directamente.
• Mercados de factores de producción: Donde las familias ofrecen factores como
el trabajo y el capital, y las empresas los adquieren para la producción.
10
• Gobierno: Juega un papel central en el ujo circular mediante ingresos
scales y gastos a través de políticas económicas. Las intervenciones del gobierno
pueden corregir ineciencias del mercado y promover el bienestar social.
A través de estos componentes, el ujo circular de la economía asegura
que cada sector esté conectado y que el intercambio de bienes, servicios y dinero
uya sin interrupciones. Este modelo simplica la complejidad de la economía y
permite a los economistas analizar y predecir comportamientos económicos.
Como lo exponen Solis y Cruz (2021), en el ujo circular no existen decisiones
intertemporales por parte de los agentes que garanticen la acumulación de ahorro
para respaldar la inversión; de hecho, en este ujo, la inversión representa la
porción de la producción del periodo que se destina a cubrir el desgaste de los
bienes de capital empleados, de manera que el nivel de producción se mantenga
constante de un periodo a otro.
1.1.1 Importancia en la economía moderna
En la economía moderna, el ujo circular adquiere un signicado aún más
profundo. A medida que la economía global se hace más compleja y se introduce
tecnología innovadora, como la inteligencia articial, el ujo circular se vuelve
dinámico y multifacético. La interconexión entre los diferentes actores y
mercados se ve acelerada por:
• Globalización: La economía mundial está interrelacionada, lo que signica
que un cambio en el consumo en un país puede afectar a otros en distintas partes
del mundo.
• Avances tecnológicos: La innovación afecta tanto a la producción como al
consumo. La IA y la automatización permiten a las empresas optimizar sus
procesos y a las familias acceder a productos y servicios de manera más eciente.
• Sostenibilidad y producción: Crece la conciencia sobre la sostenibilidad, lo
que genera cambios en el consumo y en los métodos de producción, inuyendo
en el ujo circular.
La importancia del ujo circular en la economía moderna radica en su
capacidad para ilustrar la relación interdependiente entre los diferentes actores
económicos y sus roles dentro del sistema. Entender esta interconexión puede
ayudar a los responsables de políticas a formular estrategias que promuevan un
crecimiento económico sostenible y una distribución más justa de los recursos.
En general, el ujo circular de la economía es un concepto esencial para
11
comprender cómo funcionan las economías modernas. A través del análisis de
los modelos económicos tradicionales, sus componentes y su importancia
contemporánea, se puede apreciar la relevancia de este modelo en un mundo que
sigue evolucionando.
1.2 Integración de la inteligencia articial en la economía
La inteligencia articial (IA) se ha convertido en un componente crucial en
el desarrollo y la transformación de las economías modernas. Su integración en
diversos sectores económicos ha transformado la forma en que las empresas
operan, a su vez ha generado nuevos modelos de negocio y oportunidades para
el crecimiento económico.
Para Cornejo (2023), aunque la inteligencia articial ha mostrado ser
ventajosa para ciertas compañías, todavía no ha ocasionado un cambio
signicativo en el empleo. No obstante, numerosos especialistas anticipan que,
en un futuro próximo, la IA transformará de manera radical el funcionamiento
de las empresas, lo que de igual forma inuirá en el entorno laboral.
1.2.1 Áreas de inuencia
La mejora de procesos mediante la inteligencia articial también abarca la
administración de recursos humanos, donde los algoritmos asisten en la elección
y reclutamiento de talento. La IA puede examinar currículos y entrevistas,
detectando las habilidades y competencias más importantes para el éxito en un
cargo, lo que no solo reduce el tiempo para los departamentos de recursos
humanos, sino que también facilita la identicación del candidato más idóneo
para cada puesto (Castro, s/f). La IA ha encontrado aplicaciones en múltiples
sectores, inuyendo en diversas áreas como:
• Sector nanciero: Los algoritmos de IA se utilizan para la detección de
fraudes, la evaluación de riesgos y el desarrollo de modelos predictivos que
ayudan a las instituciones nancieras a ofrecer productos más ecientes y
personalizados.
• Gestión de la salud: En el ámbito de la salud, la IA permite el análisis de
grandes volúmenes de datos, ayudando en diagnósticos tempranos y en el
descubrimiento de nuevos medicamentos. Los sistemas de IA también se utilizan
en la telemedicina y en la gestión de hospitales.
12
• Comercio y marketing: Las empresas han adoptado la IA para personalizar
la experiencia del cliente, optimizar el manejo de inventarios y predecir
tendencias de consumo.
• Manufactura inteligente: La automatización industrial ha avanzado
signicativamente gracias a la IA, lo que ha permitido una producción más
eciente. La robótica avanzada, junto con la IA, está transformando la
manufactura tradicional, haciendo que sea más exible y adaptable a las
necesidades del mercado.
• Transporte y logística: En la industria del transporte, la IA está detrás del
desarrollo de vehículos autónomos y sistemas de gestión de tráco. En la
logística, permite optimizar rutas y gestionar cadenas de suministro de manera
más efectiva.
1.2.2 Impacto en la productividad
La incorporación de la IA en el ujo de trabajo ha demostrado tener un
impacto signicativo en la productividad de las empresas. Gracias a su capacidad
para procesar y analizar grandes cantidades de datos en tiempo real, la IA
permite a las organizaciones tomar decisiones más rápidas y precisas. Esto se
traduce en:
• Reducción de costos: La automatización de tareas repetitivas y la
optimización de procesos ayuda a reducir costos operativos.
• Eciencia mejorada: Los sistemas de IA pueden realizar tareas que antes
requerían la intervención humana, permitiendo que los empleados se concentren
en tareas más estratégicas.
• Aumento de la rapidez de respuesta: Las empresas pueden responder más
velozmente a las demandas del mercado, adaptándose a cambios inesperados y
aprovechando nuevas oportunidades.
Empero, este aumento de la productividad también plantea interrogantes
sobre el futuro del empleo y la necesidad de reentrenamiento de la fuerza laboral.
La IA no se limita solo a automatizar tareas, es decir, impulsa la innovación en
modelos de negocio y productos. Su capacidad para analizar datos y encontrar
patrones permite a las empresas identicar oportunidades de innovación que
antes no eran evidentes. Entre las áreas donde la innovación se ha visto acelerada
se incluyen:
13
• Desarrollo de nuevos productos: La IA ayuda a las empresas a innovar en
productos y servicios, basándose en la información derivada del análisis de
hábitos de consumo y preferencias del mercado.
• Nuevas soluciones tecnológicas: La colaboración entre empresas tecnológicas
y tradicionales ha llevado al surgimiento de soluciones innovadoras, como la
inteligencia articial aplicada a la sostenibilidad y a la conservación del medio
ambiente.
• Transformación de modelos de negocio: Muchas empresas han tenido que
adaptarse a un entorno cambiante, y la IA les ha permitido explorar nuevos
modelos de negocio, como el modelo de suscripción o la economía colaborativa.
“Muchas luces, pero también algunas sombras”, aunque parece evidente
que la inteligencia articial jugará un papel crucial en el futuro y que la toma de
decisiones fundamentada en datos será fundamental, hay ciertos inconvenientes
que debemos abordar (El País, 2024).
• Desempleo tecnológico: La automatización puede llevar a la pérdida de
empleos en ciertas áreas. Es fundamental abordar la necesidad de
reentrenamiento y educación en la fuerza laboral para prepararlos para las
nuevas competencias requeridas.
• Ética y sesgo: La IA puede perpetuar sesgos existentes si los datos
utilizados para entrenarla son sesgados. Esto plantea preguntas sobre la ética en
la toma de decisiones automatizadas y la necesidad de regulaciones más estrictas.
• Privacidad de datos sensibles: La recolección de datos para alimentar
sistemas de IA suscita preocupaciones sobre la privacidad de los consumidores.
Es vital establecer marcos legales que protejan esta información.
• Desigualdad en la ejecución: La adopción desigual de tecnologías de IA
puede aumentar la brecha entre empresas y naciones que pueden acceder a estas
tecnologías y aquellas que no.
Por lo tanto, la unicación de la inteligencia articial en la economía
representa un cambio transformador que conlleva tanto grandes oportunidades
como debilidades. Las empresas deben navegar por esta nueva realidad con
cuidado, asegurando que las ventajas de la IA se distribuyan de manera
equitativa y ética. A medida que avanzamos hacia un futuro en el que la IA se
convierte en un elemento central de nuestras economías, la adaptación y la
educación serán claves para maximizar su potencial y minimizar sus riesgos.
14
La irrupción de la inteligencia articial (IA) en el ujo circular de la
economía ha propiciado un cambio signicativo en diversos sectores
industriales. Al explorar los casos de estudio, se pueden identicar patrones de
aplicación, el impacto en las empresas emergentes y una variedad de éxitos y
fracasos, no obstante, debe hacerse una revisión del sesgo de la IA con los
postulados reales de la economía keynesiana y las uctuaciones en el tiempo.
Ahora bien, desde la economía clásica De Carvalho (1992), las nanzas son
una operación mucho más complicada que simplemente actuar como
intermediario del ahorro o del capital. Las nanzas generan y reparten liquidez.
Es fundamental destacar la relevancia de una armación clara respecto al
concepto de tiempo. Hasta que no se aborde de manera explícita este concepto,
no será posible examinar el tema de los cambios en el sistema económico.
1.2.3 Sectores industriales y las startups
La implementación de la inteligencia articial varía considerablemente
entre los distintos sectores de la industria, hacia una transformación signicativa
gracias al rápido avance de la inteligencia articial (IA). Las startups que forman
parte de esta revolución aplican tecnologías de IA como el aprendizaje
automático (ML), el análisis predictivo y los algoritmos de optimización para
aumentar la eciencia energética, mejorar la gestión de la red e integrar fuentes
de energía renovables (Mohammadi et al., 2024).
Las soluciones basadas en IA posibilitan una predicción más exacta de la
demanda, un monitoreo en tiempo real y procesos de toma de decisiones
automatizados, lo que mejora notablemente la eciencia operativa y la
sostenibilidad. Entre los sectores industriales más impactados:
• Manufactura y automatización: La IA se utiliza principalmente para
optimizar procesos, mejorar la calidad del producto y reducir costos. Las fábricas
inteligentes, equipadas con robots y sistemas de aprendizaje automático, han
demostrado mejorar signicativamente la eciencia operativa mediante el
mantenimiento predictivo y la automatización de tareas repetitivas.
• Salud pública: En el ámbito sanitario, la IA se aplica en diagnósticos
médicos, desarrollo de tratamientos personalizados y gestión de datos.
Algoritmos que analizan grandes volúmenes de datos médicos permiten
identicar patrones que bajan la tasa de errores en diagnósticos y, en
consecuencia, mejoran el servicio al paciente.
15
• Finanza y toma de decisiones: La industria nanciera se benecia de la IA a
través del análisis de riesgos, la detección de fraudes y el asesoramiento
nanciero automatizado. Los algoritmos de aprendizaje automático pueden
analizar patrones de comportamiento y predecir tendencias de mercado,
permitiendo a los inversores tomar decisiones más informadas.
• Comercio minorista: La inteligencia articial transformó la experiencia de
compra mediante el análisis de preferencias de los consumidores y la
optimización de inventarios.
Las startups juegan un papel crucial en la gestión con IA generativa del
ujo circular de la economía. Este ecosistema de innovación acelera el desarrollo
de nuevas tecnologías y promueve la adaptabilidad en sectores existentes.
• Innovación continua: Las startups están constantemente buscando formas
innovadoras de aplicar la IA a problemas especícos de la industria. Estas
empresas suelen ser más ágiles y pueden adoptar tecnologías emergentes más
rápidamente que las grandes corporaciones.
• Colaboraciones y alianzas: Muchas startups forman alianzas estratégicas con
empresas establecidas. A través de estas colaboraciones, las startups pueden
acceder a recursos y conocimientos, mientras que las empresas más grandes se
benecian de la innovación rápida y fresca.
• Atracción de inversión: El auge de la IA ha llevado a un aumento en la
inversión en startups tech. Los inversores están cada vez más interesados en
empresas que utilizan IA para ofrecer soluciones escalables, lo que ha generado
un entorno competitivo y dinámico.
El papel de las startups en el incremento del uso de la IA es fundamental,
ya que inyectan creatividad y visión a la economía, a veces incluso transformando
industrias enteras en el proceso. A medida que la inteligencia articial se integra
en el ujo circular de la economía, han surgido tanto éxitos como fracasos en la
aplicación de esta tecnología. La inteligencia articial (IA) ha comenzado a
redenir los contornos de la economía a través del ujo circular, creando nuevas
oportunidades (Peñalver e Isea, 2024). Al mirar hacia el futuro, tres aspectos
importantes emergen: la evolución tecnológica, las regulaciones y la ética, y el
papel de la educación. Comprender estas dimensiones es esencial para la
adaptación de las empresas y los trabajadores, también para optimizar el impacto
positivo de la IA en la economía.
16
La evolución tecnológica es un fenómeno en constante cambio que está
modelando el futuro de la inteligencia articial y su integración en el ujo
circular de la economía:
• Aprendizaje automático avanzado: Las técnicas de aprendizaje profundo
continuarán evolucionando, permitiendo que las máquinas realicen tareas cada
vez más complejas. Esto mejorará la eciencia y abrirá nuevas posibilidades de
innovación en sectores como la salud, la agricultura y la manufactura.
• IA explicativa: A medida que la IA se convierte en una parte integral de la
economía, la necesidad de sistemas que produzcan resultados automatizados,
que puedan explicar sus procesos, se hace vital. La IA explicativa ayudará a
aumentar la conanza en las decisiones automatizadas.
• Interacción humano-computadora: Las interfaces de usuario seguirán
transformándose, combinando la realidad aumentada y virtual con la IA para
facilitar una interacción más intuitiva. En términos generales, las interfaces
adaptativas pueden considerarse aplicaciones interactivas que cuentan con un
sistema de restricciones, donde los componentes visibles para el usuario y su
contenido dependen del modelo de usuario, del dispositivo, entre otros factores.
Para Abascal y Moriyón (2022), la estructura misma de la interfaz puede
modicarse en función de las dependencias existentes y no solo se limita al
contenido de sus componentes. Al igual que en el caso anterior, se puede
interpretar como un conjunto de reglas que establecen los criterios a tener en
cuenta para generar la información que se debe mostrar al usuario y las
interacciones posibles en cada momento.
• Sostenibilidad: La IA tiene el potencial de transformar la economía hacia un
modelo más sostenible. Las aplicaciones en eciencia energética y la gestión de
recursos pueden contribuir signicativamente a lograr los objetivos globales de
sostenibilidad.
La sinergia entre la evolución tecnológica y el ujo circular de la economía
puede resultar en un aumento de la productividad y una mejora en la calidad de
vida. En cierto modo, también se deben tener en cuenta las consecuencias de esta
evolución, como la posibilidad de desplazamiento laboral y la polarización
económica.
17
1.3 Regulaciones, ética y educación
La implementación de tecnologías de IA plantea preguntas cruciales sobre
las regulaciones y la ética, en la medida que la IA sea más predominante en la
economía, por ende, será necesario establecer un marco regulatorio que garantice
su uso responsable. Los aspectos a considerar incluyen:
• Privacidad de datos: Con la creciente cantidad de datos que alimentan los
sistemas de IA, la protección de la privacidad se convierte en una prioridad. Las
regulaciones deberán asegurar que se manejen datos sensibles de manera ética y
responsable.
• Responsabilidad y sesgo: Las decisiones tomadas por sistemas de IA pueden
estar sujetas a sesgos inherentes, lo que podría perpetuar desigualdades
existentes. Se necesitan normas claras para garantizar que los sistemas sean justos
y transparentes.
• Impacto en el empleo: La automatización impulsada por la IA podría resultar
en la disminución de ciertos tipos de empleos. Las políticas deberán abordar la
transición laboral, incluyendo la reeducación de los trabajadores desplazados y
la creación de nuevas oportunidades.
• Liderazgo global en regulaciones: A medida que diferentes países adoptan
diversas regulaciones, será esencial desarrollar un marco global coherente para
la IA. Esto ayudará a las empresas a operar a nivel internacional sin enfrentar
barreras debido a la falta de estandarización.
Abordar estas cuestiones éticas y de regulación fomentará un desarrollo
más responsable y sostenible de la IA, también ayudará a construir la conanza
del público en estas tecnologías. La educación será un pilar fundamental en la
preparación para un futuro en el que la inteligencia articial desempeñará un
papel clave en el ujo circular de la economía.
Por lo que Terrones (2022) expone que el sector manufacturero ha
experimentado el avance de fábricas inteligentes y sumamente automatizadas
que emplean sensores inteligentes, conexión de dispositivos, análisis de datos y
automatización de procesos para mejorar la producción. La inteligencia articial
también se aplica para perfeccionar los productos, prevenir defectos y disminuir
el tiempo de inactividad no programada. Se anticipa que la industria
manufacturera incorpore más inteligencia articial a medida que la Industria 4.0
progresa, con el n de ayudar a aumentar la eciencia y la rentabilidad de las
18
operaciones de fabricación. Para culminar esta transición de manera efectiva, es
necesario reimaginar nuestros sistemas educativos en diversos niveles:
• Educación STEM (Ciencia, Tecnología, Ingeniería y Matemáticas): Fomentar
estas disciplinas en la educación primaria y secundaria puede equipar a las
nuevas generaciones con las habilidades técnicas necesarias para comprender y
trabajar con la IA.
• Educación continua y formación profesional: A medida que la IA evoluciona,
también lo hará la naturaleza de muchos trabajos. La educación continua y la
capacitación en el lugar de trabajo serán cruciales para que los empleados se
adapten a las nuevas tecnologías y continúen siendo aptos en un mercado laboral
en transformación.
• Ética en tecnología: Incluir temas de ética en la educación tecnológica
permitirá a los futuros desarrolladores y empresarios abordar las implicaciones
sociales de sus creaciones desde una fase temprana.
• Colaboraciones entre sectores: Fomentar colaboraciones entre el ámbito
educativo, el sector privado y los gobiernos puede contribuir a crear programas
y currículos pertinentes que respondan a las necesidades emergentes del
mercado laboral.
Por ende, las perspectivas futuras en la intersección de la inteligencia
articial y la economía se congurarán por la evolución tecnológica, la regulación
ética y la educación. Adaptarse y anticiparse a estos cambios será crucial para el
crecimiento económico, y garantizar que la IA sirva como una herramienta de
progreso y mejora para toda la sociedad. La realidad actual es que la IA no solo
mejora la eciencia económica, redene las dinámicas entre los diferentes agentes
económicos como empresas, consumidores y gobiernos.
1.4 Mejora en la Productividad
La inteligencia articial ha demostrado ser una herramienta potente para
aumentar la productividad en varios sectores. Las empresas pueden optimizar
sus procesos productivos mediante el uso de algoritmos que analizan grandes
volúmenes de datos. Esto reduce el tiempo de producción, minimiza
desperdicios y maximiza la utilización de recursos. La IA abre la puerta a la
innovación y a través de su empleo en el sector nanciero, son capaces de
desarrollar nuevos productos y servicios que antes no eran viables. La
personalización es un claro ejemplo de esta innovación:
19
• Personalización en masa: Con el uso de la IA, las empresas pueden ofrecer
productos personalizados a gran escala, adaptándose a las preferencias
individuales de cada consumidor.
• Nuevos modelos de negocio: La IA ha impulsado la creación de modelos de
negocio innovadores, como el alquiler de productos en lugar de su compra,
permitiendo una economía más circular y sostenible.
La IA está cambiando la naturaleza de la relación entre consumidores y
empresas. A través de tecnologías como el análisis de datos y el machine learning,
las empresas pueden comprender mejor las expectativas y necesidades de los
consumidores. Este conocimiento permite a las empresas:
• Segmentación avanzada: Las empresas pueden segmentar a sus
consumidores de manera más granular, creando campañas de marketing mucho
más efectivas y dirigidas.
Tener acceso a estas herramientas se ha vuelto casi indispensable para
numerosas empresas. Algunas lo hacen por presión de la competencia y otras por
decisión propia (El País, 2024). Por otra parte, lo que es evidente es que utilizar la
inteligencia articial para asistir a los empresarios en la toma de decisiones tiene
un impacto no tan positivo:
• Desigualdad: La implementación de la IA podría exacerbar las
desigualdades económicas, ya que las empresas más grandes tienen más recursos
para invertir en tecnología. Esto puede llevar a que las pequeñas y medianas
empresas se queden rezagadas.
• Desempleo: La automatización impulsada por la IA puede resultar en la
pérdida de empleos, especialmente en sectores donde las tareas son repetitivas y
fácilmente automatizables. La transición hacia nuevas oportunidades laborales
es fundamental para mitigar este impacto.
El crecimiento de la IA también plantea la necesidad de regulación y un
marco ético claro. La transparencia en cómo se utilizan los algoritmos y el acceso
equitativo a la tecnología son aspectos cruciales que deben ser considerados. Las
empresas deben ser responsables de sus decisiones comerciales y de las
implicaciones sociales de las tecnologías que implementan.
• Políticas gubernamentales: Los gobiernos deben establecer regulaciones
adecuadas que promuevan la innovación mientras protegen los derechos de los
consumidores y las entidades más vulnerables.
20
• Responsabilidad social corporativa: Las empresas deben adoptar prácticas de
responsabilidad social que consideren el bienestar de la sociedad en consecuencia
de sus operaciones con inteligencia articial.
Entonces entra a tallar la educación como factor decisivo en la adaptación
a esta nueva realidad transformada por la IA. La preparación de la fuerza laboral
en el presente debe enfocarse en habilidades técnicas relacionadas con la IA,
competencias interpersonales y habilidades de pensamiento crítico.
• Capacitación continua: Las instituciones educativas y las empresas deben
colaborar para ofrecer programas de capacitación continua, permitiendo que los
trabajadores adquieran las habilidades necesarias para prosperar en el mercado
laboral del futuro.
• Fomentar la curiosidad intelectual: La educación debe centrarse en la
enseñanza de habilidades técnicas, fomentar la curiosidad y la creatividad, que
son esenciales para el desarrollo de soluciones innovadoras. La adaptabilidad de
las organizaciones, la responsabilidad ética y la inversión en educación serán
elementos clave para garantizar que esta transformación se traduzca en un
crecimiento económico inclusivo y sostenible.
En síntesis, la tendencia futura más importante relacionada con la IA
generativa en sistemas de producción se reere a los grandes modelos de
lenguaje, los cuales, en un escenario optimista, se prevé que en el futuro se
desarrollen modelos con habilidades y nivel cognitivo semejante al del ser
humano, a lo que se le denomina IA general (Cenia, 2023).
1.5 El sistema de contabilidad macroeconómica
El sistema de contabilidad macroeconómica es una herramienta
fundamental para el análisis y la comprensión de la economía a nivel nacional e
internacional. Este sistema proporciona un marco en el que se puede medir la
actividad económica, establecer relaciones entre diferentes sectores y evaluar el
impacto de políticas económicas. A su vez, es necesario promover la creación de
un nuevo régimen regulatorio que considere la interdependencia entre las
empresas y los mercados, así como las conexiones entre los mercados de
nanciamiento a corto plazo y otros instrumentos derivados, junto con los de
largo plazo (Abeles et al., 2018).
21
El sistema de contabilidad macroeconómica se basa en una serie de
conceptos y cuentas que reejan el ujo de bienes y servicios dentro de una
economía. Entre los elementos más destacados son:
• Producto Interno Bruto (PIB): Es la medida más común de la
actividad económica de un país. Representa el valor total de todos los bienes y
servicios producidos en un país durante un período determinado. El PIB se
utiliza para comparar el rendimiento económico entre diferentes naciones y a lo
largo del tiempo.
• Cuentas nacionales: Estas incluyen una serie de cuentas que registran
las transacciones económicas entre diferentes sectores de la economía, como
hogares, empresas y el gobierno. Las cuentas nacionales permiten a los
economistas analizar el ahorro, la inversión y el consumo.
• Balance de pagos: Es un registro que reeja todas las transacciones
económicas que un país realiza con el resto del mundo. Incluye exportaciones,
importaciones, inversión extranjera y transferencias unilaterales. Este balance es
crucial para comprender la posición económica de un país en el contexto
internacional.
• Cuentas del sector público: Estas cuentas muestran cómo se nancian
y gastan las actividades del gobierno. Incluyen ingresos scales, gastos en
prestaciones sociales, inversiones en infraestructura y otros indicadores que
permiten evaluar la salud nanciera de un país.
• Cuentas exteriores: Permiten analizar las relaciones económicas de
un país con el resto del mundo. Incluyen la balanza comercial, la balanza de
capital y la balanza de cuentas corrientes. Esto es esencial para entender el
impacto de la globalización y el comercio internacional en la economía interna.
Estos elementos contribuye a la construcción de una imagen detallada de
la economía, permitiendo a los responsables de la política económica formular
decisiones informadas. El sistema de contabilidad macroeconómica es crítico las
cuentas nacionales, oferta y demanda global, estadística sectorial y para la
economía global en su conjunto:
• Toma de decisiones informadas: A través del análisis de datos
macroeconómicos, los gobiernos y las instituciones internacionales pueden tomar
decisiones fundamentadas respecto a políticas económicas. Esto incluye medidas
scales, políticas monetarias y estrategias de desarrollo.
22
• Análisis de tendencias: Permite identicar patrones y tendencias a
largo plazo en el crecimiento económico, la inación, el desempleo y otros
indicadores clave. El seguimiento continuo de estos datos es esencial para
anticipar posibles crisis económicas y tomar medidas proactivas.
• Evaluación de políticas: El sistema de contabilidad macroeconómica
proporciona una herramienta para evaluar la efectividad de políticas
económicas. Mediante la comparación de datos antes y después de la
implementación de una nueva política, los responsables pueden determinar su
impacto y realizar ajustes si es necesario.
• Interdependencia económica: En un mundo cada vez más globalizado,
las economías nacionales están interconectadas. La contabilidad
macroeconómica permite a los países entender cómo sus decisiones económicas
afectan a otras naciones, lo que es crucial para la cooperación internacional y la
formulación de acuerdos comerciales.
• Transparencia y conanza: Un sistema de contabilidad sólido
promueve la transparencia en la gestión económica. Esto fomenta la conanza de
los inversores nacionales y extranjeros, lo cual es esencial para el crecimiento
económico. Las economías que presentan datos precisos y accesibles tienden a
atraer más inversión extranjera.
Entonces, el sistema de contabilidad macroeconómica es un pilar esencial
del análisis y la gestión económica. Sus elementos básicos y su importancia en la
economía global permiten a los responsables políticos, economistas y ciudadanos
en general comprender mejor la complejidad de las dinámicas económicas en
juego, favoreciendo así la creación de un entorno más estable y próspero.
1.5.1 Simbiosis de la Inteligencia Articial en la contabilidad
macroeconómica
La inteligencia articial (IA) está transformando múltiples sectores, y el
ámbito de la contabilidad macroeconómica no es la excepción. La incorporación
de herramientas avanzadas basadas en IA puede optimizar la manera en que se
recogen, procesan y analizan los datos económicos. Sin embargo, también trae
consigo riesgos que deben ser considerados cuidadosamente. Para Corvalán
(2018), el objetivo fundamental es garantizar que los sistemas de procesamiento
de información y datos utilizados por los sistemas de IA sigan ciertos procesos
de calidad para que los resultados sean los deseados, evitando que se obtengan
a cualquier precio y asegurando su relación con la arquitectura de la IA. Se busca
23
mantener ciertos estándares o principios como la consistencia, completitud,
corrección y ausencia de redundancia.
Los ventajas de implementar inteligencia articial y redes neuronales
articiales en la contabilidad macroeconómica son múltiples y signicativas.
Entre las más relevantes se pueden mencionar las siguientes:
• Eciencia en el procesamiento de datos: La IA puede analizar grandes
volúmenes de datos en cuestión de segundos. Esto permite a las organizaciones
procesar información de fuentes diversas, como datos scales, informes
económicos y estadísticas en tiempo real, lo que resulta en una toma de
decisiones más rápida y fundamentada.
• Mejora en la precisión y la reducción de errores: Los sistemas basados
en IA pueden minimizar los errores humanos, que son una fuente común de
inexactitudes en la contabilidad. Los algoritmos avanzados de aprendizaje
automático pueden identicar y corregir discrepancias en los datos con mayor
facilidad, asegurando que la información presentada sea más acertada y able.
• Predicción de tendencias económicas: Gracias al análisis predictivo, la
IA puede ayudar a las instituciones nancieras y a los gobiernos a anticipar
uctuaciones en la economía. Al identicar patrones en datos históricos y
actuales, es posible proyectar tendencias futuras, lo cual permite una
planicación y políticas económicas más acertadas.
• Automatización de tareas rutinarias: La implementación de IA puede
liberar a los profesionales de la contabilidad de tareas repetitivas y
administrativas, como la entrada de datos y la reconciliación de cuentas. Esto
permite a estos profesionales enfocarse en el análisis y en la estrategia, generando
un mayor valor añadido.
• Personalización en la información económica: La IA puede crear
informes y análisis más personalizados para las distintas partes interesadas. Estas
herramientas pueden obtener datos especícos que se adaptan a las necesidades
de empresas, gobiernos y otras organizaciones, mejorando la relevancia de la
información presentada.
A pesar de las ventajas señaladas previamente, la implementación de la
inteligencia articial en la contabilidad macroeconómica también tiene conictos
que deben ser tomados en cuenta:
24
• Dependencia tecnológica: Con un alto nivel de automatización y el uso
de algoritmos, hay un riesgo de dependencia excesiva de la tecnología. Esto
podría llevar a situaciones donde los profesionales se sientan incapaces de
manejar problemas no previstos sin la asistencia de sistemas automáticos, lo que
limita su capacidad de juicio crítico.
• Cuestiones de privacidad y seguridad: La utilización de grandes
volúmenes de datos plantea preocupaciones signicativas en términos de
privacidad y seguridad de la información. Las instituciones que implementan IA
deben asegurarse de que los datos sean protegidos adecuadamente y que se
cumplan las normativas correspondientes en relación con el manejo de
información sensible.
• Sesgo algorítmico: Los algoritmos que alimentan los sistemas de IA
pueden estar inuenciados por sesgos inherentes en los datos utilizados para su
entrenamiento. Esto puede dar lugar a decisiones erróneas o a la solidicación de
desigualdades económicas preexistentes. Por lo tanto, es crucial realizar
auditorías periódicas de los algoritmos para mitigar este riesgo.
• Resistencia al cambio: La implementación de la IA puede generar
resistencia por parte de los profesionales de la contabilidad que se sienten
amenazados por el cambio tecnológico. Es fundamental proporcionar la
capacitación adecuada y fomentar una mentalidad abierta hacia la adopción de
nuevas herramientas.
• Costos de implementación: La implementación de soluciones de IA
puede requerir inversiones signicativas en software, hardware y capacitación.
Para algunas organizaciones, esto puede ser una barrera que limite su adopción,
especialmente en contextos donde los recursos son escasos.
Ahora bien, la implantación de simuladores basados en inteligencia
articial para la contabilidad macroeconómica ofrece profundas oportunidades
para mejorar la eciencia y la precisión, pero también plantea una serie de
propuestas que deben ser abordadas con cuidado. La clave para una
implementación exitosa reside en encontrar un equilibrio entre la innovación
tecnológica y el manejo adecuado de los posibles riesgos asociados.
La implementación de la inteligencia articial (IA) en la contabilidad
macroeconómica ha generado una serie de estudios de caso que destacan
ejemplos de éxito, así como las lecciones aprendidas de estas experiencias. La
asunción de la inteligencia articial (IA) en el sistema de contabilidad
25
macroeconómica trae consigo una serie de paradigmas éticos y preocupaciones
sobre la privacidad que deben ser abordados de manera cuidadosa y responsable.
A medida que las organizaciones y los gobiernos adoptan estas tecnologías
avanzadas, la forma en que se gestionan los datos y se toman las decisiones se
convierte en un tema crítico. Este apartado explora las principales
consideraciones éticas y de privacidad asociadas con la utilización de IA en la
contabilidad.
Por ello, los aspectos más relevantes al implementar IA en sistemas
contables es la necesidad de manejar grandes volúmenes de datos. La
recopilación de datos relevantes es fundamental para el análisis de la
información, pero plantea interrogantes sobre la fuente y el tipo de datos que se
utilizan. La transparencia en la obtención de datos es esencial, y esto incluye:
• Informar a los individuos sobre qué información se está
recopilando.
• Garantizar que se obtenga el consentimiento adecuado para el uso
de datos personales.
• Implementar políticas claras sobre la retención y eliminación de
datos.
El uso indebido o la explotación de datos pueden dar lugar a violaciones
de la privacidad y afectar la conanza del público hacia las entidades que
gestionan la información. Esto es especialmente crítico en un contexto
macroeconómico, donde las decisiones tomadas en base a datos pueden impactar
a grandes sectores de la población. Para Sánchez (2022), la IA tiene la capacidad
de automatizar la toma de decisiones en el ámbito contable, lo que puede acelerar
los procesos y mejorar la eciencia. Pero, esta automatización también puede
llevar a decisiones sesgadas o injustas si los algoritmos no se diseñan o
supervisan adecuadamente.
En otro orden de ideas, el marco regulatorio en torno a la IA y la protección
de datos es todavía un terreno en evolución. Las leyes, como el Reglamento
General de Protección de Datos (GDPR) en Europa, establecen pautas especícas
sobre el manejo de datos personales, pero su aplicación en el contexto de la
inteligencia articial aún está desarrollándose. Las organizaciones deben:
• Mantenerse informadas sobre la legislación vigente y futura que
afecte el uso de IA en contabilidad.
26
• Crear políticas internas que estén alineadas con las regulaciones
para asegurar el cumplimiento.
• Participar en la formulación de políticas públicas para favorecer un
entorno regulador que equilibre la innovación y la protección de derechos.
La implementación de inteligencia articial en la contabilidad
macroeconómica debe ir acompañada de un fuerte compromiso con principios
éticos y normas de privacidad. Abordar estas consideraciones es esencial para
proteger a los individuos y las organizaciones y, contribuirá a fomentar un
entorno más justo y equitativo en el que la tecnología pueda ser una herramienta
de mejora social y económica. El desarrollo responsable de la IA, basado en la
ética y el respeto por la privacidad, será fundamental para construir un futuro en
el que la tecnología y la contabilidad se complementen de manera armónica para
la sociedad en su conjunto.
A medida que la tecnología avanza, se espera que su inuencia en el
ámbito contable se expanda signicativamente. Por ende, varias tendencias han
comenzado a tomar forma en la intersección de la inteligencia articial y la
contabilidad. Estas tendencias están congurando el futuro de la profesión
contable y redeniendo la manera en que las empresas manejan sus nanzas..
A medida que la tecnología avanza, se anticipa que su impacto en el campo
de la contabilidad se amplíe de manera considerable. Este segmento se enfoca en
las tendencias emergentes y las proyecciones a largo plazo de la inteligencia
articial en el ámbito contable. En el siglo 21, han surgido diversas tendencias en
la intersección entre la inteligencia articial y la contabilidad (Muñoz, 2014).
Estas tendencias están moldeando el futuro de la profesión contable y
transformando la forma en que las empresas gestionan sus nanzas.
• Automatización de tareas repetitivas: La automatización es una de las
aplicaciones más inmediatas de la inteligencia articial en contabilidad. Las
tareas que requieren mucho tiempo, como la entrada de datos, la conciliación
bancaria y la preparación de informes nancieros, pueden ser realizadas por
sistemas de IA, lo que permite a los contadores centrarse en actividades más
estratégicas. Los algoritmos de aprendizaje automático pueden mejorar la
eciencia y reducir errores humanos.
• Análisis predictivo: La capacidad de la IA para analizar grandes
volúmenes de datos en tiempo real está redimensionando la manera en que se
toman decisiones. Las herramientas de análisis predictivo pueden prever
27
tendencias nancieras, evaluar riesgos sobre el comportamiento del mercado.
Esto permite a las empresas ajustar sus estrategias según la evolución del entorno
económico.
• Asesoramiento personalizado: Con la acumulación de datos sobre los
hábitos y preferencias de los clientes, las plataformas de IA pueden ofrecer
asesoramiento nanciero más personalizado. Las pequeñas y medianas
empresas, a menudo carentes de recursos para contratar consultores externos,
pueden beneciarse de soluciones basadas en IA que les ayuden a optimizar su
gestión nanciera y contable.
• Regulación y cumplimiento automatizados: La inteligencia articial
también está facilitando el cumplimiento normativo. Las herramientas basadas
en IA pueden rastrear y analizar cambios en las regulaciones y ayudar a las
empresas a asegurarse de que cumplen con las normativas scales y contables de
manera eciente. Esta automatización reduce el riesgo de sanciones y mejora la
capacidad de respuesta frente a auditorías.
• Inteligencia de negocio en tiempo real: La capacidad de realizar análisis
y reportes en tiempo real se está convirtiendo en una expectativa básica. Los
sistemas de contabilidad impulsados por IA pueden generar informes nancieros
instantáneamente, permitiendo a los gerentes y directivos tomar decisiones
informadas sin demora.
Mirando hacia el futuro, las proyecciones sobre el papel de la inteligencia
articial en la contabilidad son optimistas y desaantes. Se anticipa que la IA
transformará radicalmente el panorama contable en varias dimensiones.
• Evolución de roles profesionales: A medida que las tareas rutinarias
sean asumidas por la IA, el rol de los contadores evolucionará de ser meramente
técnico a uno más estratégico. Los contadores del futuro actuarán como asesores
de negocio, utilizando la inteligencia articial para ofrecer información
estratégica y análisis de datos que contribuyan al crecimiento y sostenibilidad de
la empresa.
• Mayor colaboración entre humanos y máquinas: La simbiosis entre
humanos y máquinas se convertirá en la norma. En lugar de competir entre sí,
los contadores y la inteligencia articial trabajarán juntos para mejorar la toma
de decisiones. La experiencia humana en la interpretación de datos y el contexto
empresarial será complementada por la capacidad de la IA para procesar y
analizar grandes cantidades de información.
28
• Mejora en la capacitación y educación: Para preparar a los futuros
profesionales de la contabilidad, las instituciones académicas deberán actualizar
sus programas de estudio para incluir habilidades en análisis de datos y manejo
de inteligencia articial. Esto garantizará que los nuevos contadores estén
equipados con las herramientas necesarias para prosperar en un entorno laboral
en constante evolución.
• Desarrollo de regulaciones de ética y privacidad: A medida que la
inteligencia articial se convierta en una parte integral del sistema contable,
surgirán preguntas éticas y de privacidad. Se espera que surjan nuevos marcos
regulatorios para garantizar la transparencia y la seguridad en el manejo de datos
nancieros.
• Innovaciones en la gestión nanciera: Se prevé que la IA impulse
innovaciones que redenirán la gestión nanciera. Desde el uso de blockchain
para asegurar transacciones hasta el análisis de big data para identicar
oportunidades de inversión, la inteligencia articial seguirá desempeñando un
papel fundamental en la transformación de la contabilidad.
La sinergia entre contadores y tecnología abrirá nuevas oportunidades y
cambiará la manera en que entendemos el negocio de las nanzas. La
implementación de la inteligencia articial (IA) en el sistema de contabilidad
macroeconómica representa un avance signicativo en la forma en que se
recopila, analiza e interpreta la información económica. A medida que el mundo
avanza hacia una era digital, las herramientas de IA están transformando la
contabilidad macroeconómica, ofreciendo soluciones más rápidas, precisas y
ecientes.
Es imperativo que tanto los economistas como los legisladores trabajen en
conjunto para desarrollar políticas que promuevan el uso responsable de la IA en
este ámbito. Además, la educación y la capacitación en nuevas tecnologías deben
ser una prioridad, para asegurar que la próxima generación de profesionales esté
debidamente preparada para aprovechar al máximo las capacidades de la IA
(Arenas de Mesa, 2016). Así, el futuro de la inteligencia articial en el sistema de
contabilidad macroeconómica es prometedor, pero requiere un enfoque
cuidadoso y coordinado. La colaboración entre el sector público y privado será
esencial para maximizar la utilidad mientras se minimizan los riesgos, creando
así una nueva era de innovación y eciencia en la contabilidad macroeconómica.
29
Capítulo II
Vinculo de la inteligencia articial con las políticas
monetaria y scal
La inteligencia articial (IA) ha emergido como una de las tecnologías más
disruptivas del siglo 21, transformando prácticamente todos los ámbitos de la
vida humana, desde la salud hasta la educación y, por supuesto, la economía. En
un contexto donde la toma de decisiones económicas es cada vez más compleja y
veloz, las políticas monetarias y scales no son ajenas a la inuencia de la IA. Las
economías modernas, interconectadas y globalizadas, demandan herramientas
que permitan a los gobiernos y bancos centrales adaptarse rápidamente a las
dinámicas cambiantes del mercado, y la inteligencia articial se presenta como
una solución prometedora para enfrentar estos aspectos éticos de la IA.
Las políticas monetarias, que se ocupan de la regulación de la oferta de
dinero y las tasas de interés por parte de los bancos centrales, y las políticas
scales, que se reeren a la gestión de los ingresos y gastos del gobierno, son
esenciales para el manejo de la economía de un país (León y de la Rosa, 2005). La
utilización de IA en estos ámbitos puede resultar pivotal en varios aspectos. Por
un lado, ofrece la posibilidad de analizar grandes volúmenes de datos en tiempo
real, lo que permite a los tomadores de decisiones obtener información precisa y
detallada acerca de las condiciones económicas. Por otro lado, la IA puede
contribuir a la predicción de tendencias económicas y a la identicación de
riesgos potenciales, permitiendo una mayor agilidad en la implementación de
políticas y en la reacción ante crisis inminentes.
El impacto de la IA en la formulación de políticas monetarias puede
observarse, por ejemplo, en el desarrollo de modelos predictivos que permiten
anticipar la inación o el crecimiento económico. Estos modelos, alimentados por
datos históricos y actuales, son capaces de ayudar a los bancos centrales a ajustar
las tasas de interés de manera más efectiva y a modicar la oferta monetaria en
virtud de las proyecciones obtenidas. A su vez, la IA facilita el análisis de
tendencias, asegurando que las decisiones tomadas no sean meramente reactivas,
sino que estén basadas en una comprensión más profunda de la dinámica
continua del entorno económico.
30
En el ámbito de la política scal, la implementación de sistemas basados
en inteligencia articial puede optimizar la manera en que los gobiernos
administran sus recursos. La automatización de procesos scales, como la
recaudación de impuestos o la distribución de ayudas sociales, incrementa la
eciencia de estas operaciones y reduce los costos asociados. Es decir, el uso
asistentes virtuales para la atención al contribuyente puede aliviar la carga en los
servicios públicos, mejorando la experiencia del usuario y potenciando la
recaudación efectiva.
Las preocupaciones en torno a la privacidad y la seguridad de los datos
son fundamentales; es vital que los sistemas que manejan información sensible
tengan protocolos robustos para protegerla. Además, la transparencia en el uso
de IA se convierte en un requisito esencial. Los ciudadanos deben conar en que
las decisiones políticas basadas en IA son justas y están fundamentadas en
criterios éticos.
Resulta evidente que el vínculo entre la inteligencia articial y las políticas
económicas debe ser abordado de manera cuidadosa y reexiva. A medida que
la IA sigue evolucionando, su inuencia sobre las decisiones scales y monetarias
se intensicará, convirtiéndose en una herramienta esencial para lograr una
gestión más ecaz y reactiva de las economías contemporáneas.
La inteligencia articial (IA) se ha convertido en una de las áreas más
relevantes y transformadoras en el ámbito tecnológico, cientíco y
socioeconómico en las últimas décadas. Para comprender mejor su vinculación
con las políticas monetarias y scales, es crucial entender sus deniciones, su
alcance y su evolución a lo largo del tiempo.
2.1 Políticas Monetarias y Fiscales
Las políticas monetarias y scales son dos herramientas clave que los
gobiernos y bancos centrales utilizan para gestionar la economía de un país.
Aunque ambas buscan el mismo objetivo nal: fomentar el crecimiento
económico, la estabilidad y el bienestar general de la población, su
funcionamiento y aplicación son distintos (Aragón y Ruiz, 2023).
La política monetaria se reere a las decisiones tomadas por el banco
central de un país relacionadas con la cantidad de dinero en circulación y las tasas
de interés. Sus objetivos principales son el control de la inación, la estabilidad
del sistema nanciero y el fomento del empleo. Las herramientas utilizadas en
esta política incluyen:
31
• Las tasas de interés: Al modicar las tasas de interés, el banco central puede
inuir en el costo del crédito. Un aumento en las tasas hace que pedir prestado
sea más caro, lo cual puede reducir el gasto y la inversión, enfriando así la
economía. Por el contrario, una disminución facilita el acceso al crédito y puede
estimular el crecimiento económico.
• Operaciones de mercado abierto: Estas son transacciones en las que el banco
central compra o vende bonos del gobierno en el mercado. Al comprar bonos, el
banco inyecta dinero en la economía; al venderlos, lo retira.
• Requerimientos de reserva: El banco central establece la cantidad mínima de
reservas que los bancos comerciales deben mantener, lo cual afecta su capacidad
para prestar dinero.
En contraste, la política scal se reere a las decisiones del gobierno sobre
el gasto público y la recaudación de impuestos. Sus objetivos son promover el
crecimiento económico, redistribuir la riqueza y estabilizar la economía durante
ciclos económicos volátiles. Las herramientas de la política scal incluyen:
• Gasto público: Las inversiones en infraestructura, educación y salud son
ejemplos de cómo el gobierno puede estimular a la economía y mejorar la calidad
de vida de los ciudadanos.
• Política impositiva: Los cambios en las tasas de impuestos afectan el ingreso
disponible de los consumidores, así como los recursos disponibles para el
gobierno. Una reducción de impuestos puede estimular el consumo, mientras
que un aumento puede ser necesario para equilibrar el presupuesto.
• Transferencias y subsidios: Estas son ayudas directas a ciertos sectores de la
población o a la economía en general, como subsidios a la vivienda o prestaciones
sociales, que buscan mitigar desigualdades y apoyar a los más vulnerables.
Una de las diferencias más signicativas radica en sus enfoques: mientras
que la política monetaria tiende a ser más reactiva y se concentra en el control del
dinero y las tasas, la política scal es más proactiva en términos de gasto y
subsidios directos a la economía. Esto signica que, en tiempos de crisis
económica, el banco central puede ajustar rápidamente las tasas de interés o
realizar operaciones de mercado abierto, mientras que el gobierno puede tardar
más en implementar cambios scales debido a la necesidad de consensuar en el
ámbito político.
32
No obstante, en situaciones complejas, como la pandemia del COVID-19,
el uso coordinado de ambas políticas se vuelve esencial. Por ejemplo, una baja en
las tasas de interés puede ser más efectiva cuando el gobierno también aumenta
el gasto público para impulsar la economía. Esta interacción entre políticas
monetarias y scales puede fomentar un ambiente económico más estable y
resiliente.
En tanto, para Elizalde (2003) la política monetaria como la scal son
herramientas cruciales que, aunque distintas en su naturaleza y aplicación, deben
trabajar juntas para alcanzar un desarrollo económico sostenible y equilibrado.
Su sinergia es fundamental para enfrentar las políticas económicas
contemporáneas, permitiendo a los países adaptarse a escenarios cambiantes y
buscar el bienestar general de su población.
2.1.1 Interacción de la IA con la Política Monetaria
La inteligencia articial (IA) está transformando diversos ámbitos de la
economía y la administración pública, y el sector que más se benecia de esta
innovación es la política monetaria. La capacidad de la IA para procesar grandes
volúmenes de datos y extraer patrones útiles está revolucionando la manera en
que los bancos centrales y otras instituciones nancieras realizan sus operaciones.
Los modelos predictivos son herramientas esenciales en el ámbito de la política
monetaria, ya que permiten a los economistas y analistas anticipar cambios en
variables macroeconómicas como la inación, el crecimiento del producto
interno bruto (PIB) y las tasas de interés. La IA, mediante el uso de algoritmos
avanzados y machine learning, ofrece la capacidad de incorporar un array mucho
más amplio de datos en estas proyecciones.
• Los modelos tradicionales suelen apoyarse en datos históricos y
suposiciones jas, lo que limita su exibilidad. Por el contrario, los modelos
alimentados por IA pueden ajustar sus predicciones de forma dinámica,
integrando información en tiempo real y detectando automáticamente nuevos
patrones.
• Las técnicas de aprendizaje automático permiten identicar relaciones
complejas entre variables que pueden no ser evidentes en análisis
convencionales, lo que mejora la precisión de las predicciones. Esto coadyuva a
una mejor planicación de las políticas monetarias y permite una respuesta más
ágil ante posibles crisis económicas o cambios bruscos en el entorno nanciero.
33
El análisis de tendencias es otra área donde la IA ha demostrado ser
particularmente efectiva. Al analizar grandes conjuntos de datos económicos, la
IA puede identicar y seguir tendencias emergentes que podrían señalar cambios
inminentes en la economía. Este tipo de análisis es vital para la formulación de
políticas monetarias que respondan adecuadamente a la evolución del entorno
macroeconómico.
• Mediante algoritmos de análisis de datos, se pueden identicar cambios
en el comportamiento del consumidor, patrones de gasto y otros indicadores
económicos antes de que se conviertan en tendencias generalizadas.
• El análisis de tendencias permite a los responsables de las políticas
monetarias ajustar sus estrategias antes de que ciertos riesgos se materialicen,
ofreciendo una ventaja competitiva sobre aquellas instituciones que dependen de
métodos de análisis más convencionales.
En general, la optimización de decisiones es un aspecto crucial en la
interacción entre la IA y la política monetaria. La IA puede mejorar el proceso de
toma de decisiones en los bancos centrales mediante la creación de modelos que
consideren múltiples variables y escenarios simultáneamente.
• Los sistemas de IA pueden simular diferentes escenarios económicos: por
ejemplo, cómo una subida o baja de las tasas de interés impactaría en la inación
y el crecimiento económico. Esto permite a los responsables de la política
monetaria evaluar ampliamente las posibles consecuencias de sus decisiones.
• La toma de decisiones basada en datos permite una estrategia más
informada y fundamentada, minimizando así los riesgos asociados a la
incertidumbre inherente en la economía.
Por ende, la interacción de la inteligencia articial con la política monetaria
ofrece un potencial signicativo para mejorar la ecacia de las políticas
económicas. A través de modelos predictivos, análisis de tendencias y
optimización de decisiones, los bancos centrales pueden navegar entornos
económicos complejos con mayor agilidad y precisión, contribuyendo así a la
estabilidad nanciera a largo plazo.
2.1.2 Impacto de la IA en la Política Fiscal
La inteligencia articial (IA) ha emergido como una herramienta
transformadora en diversas áreas de la economía, y su inuencia en la política
scal no es una excepción. Al integrar sistemas de IA en la gestión scal, los
34
gobiernos pueden mejorar signicativamente la eciencia, automatizar procesos
y reducir costos.
La eciencia en el ámbito scal se reere a la capacidad de los gobiernos
para recaudar ingresos y gestionar gastos de manera efectiva. La implementación
de IA en los procesos scales permite un análisis de datos más sosticado y
preciso (Comisión Económica para América Latina y el Caribe, 2024). Gracias a
algoritmos avanzados, las entidades gubernamentales pueden analizar grandes
volúmenes de información de forma rápida, lo que facilita la identicación de
patrones y tendencias en los ingresos y gastos públicos.
• Análisis Predictivo: La IA puede predecir uctuaciones en la recaudación
scal, lo que permite a las autoridades scales ajustar sus expectativas e
implementar políticas proactivas. Por ejemplo, modelos predictivos pueden
ayudar a prever cambios en los ingresos por impuesto sobre la renta en función
de la actividad económica.
• Detección de Fraude: Los sistemas de IA también son capaces de analizar
transacciones en tiempo real, lo que contribuye a la detección temprana de
posibles fraudes scales. Al identicar anomalías, los gobiernos pueden actuar
rápidamente, protegiendo así los ingresos estatales.
La automatización es una de las contribuciones más signicativas de la IA
a la política scal. Mediante la implementación de sistemas automatizados, se
pueden racionalizar numerosas tareas administrativas que requieren tiempo y
recursos humanos. Para Benhamou (2022), es esencial determinar y entender en
qué formas la IA podría complementar la inteligencia humana, sin reemplazarla.
Además, la IA incorpora un elemento fundamental: su naturaleza como
tecnología de autoaprendizaje diculta prácticamente prever hacia dónde se
desarrollará, en términos tecnológicos. Su capacidad de innovación y
transformación es innita. Si se permite que la IA actúe de manera autónoma,
simplemente no podemos anticipar qué rumbo podría seguir.
• Declaraciones de Impuestos: Los contribuyentes ahora pueden presentar sus
declaraciones de impuestos a través de plataformas en línea que utilizan IA para
guiar a los usuarios, proporcionando información y respuestas automáticas a
preguntas comunes. Esto simplica el proceso para los contribuyentes y reduce
la carga administrativa para las autoridades scales.
• Auditorías Automatizadas: La IA puede llevar a cabo auditorías automáticas
de las declaraciones scales, identicando rápidamente errores o inconsistencias.
35
Esto permite a los auditores concentrarse en casos más complejos y de alto riesgo,
optimizando el uso de recursos humanos.
• Gestión de Recursos: La automatización optimiza la utilización de los
recursos en las administraciones scales, permitiendo que el personal se enfoque
en funciones estratégicas y en la toma de decisiones informadas.
La implantación en las instituciones del Estado de la IA en la política scal
mejora la eciencia y automatiza procesos, así como contribuye a la reducción de
costos operativos. Menos tiempo y recursos dedicados a tareas manuales
signica que se pueden asignar más fondos a áreas críticas como educación y
salud.
• Disminución de Errores: La automatización y los análisis precisos reducen
la probabilidad de errores humanos, que pueden ser costosos y complejos de
corregir, lo que a su vez disminuye los costos de auditoría y recticación.
• Ahorro en Personal: Con la automatización de procesos, las
administraciones scales pueden reducir la necesidad de personal en ciertas
áreas, lo que puede llevar a un ahorro signicativo en salarios y costos de
formación.
• Eciencia en la Recaudación: Una recaudación más eciente y precisa se
traduce en un aumento de los ingresos scales, permitiendo que los gobiernos
nancien sus programas sin necesidad de aumentar la carga tributaria.
Por lo que el impacto de la inteligencia articial en la política scal es
innegable. A medida que los gobiernos continúan explorando y adoptando estas
tecnologías, se espera que se produzcan mejoras signicativas en la eciencia, la
automatización y la reducción de costos, lo que permitirá una gestión scal más
efectiva y responsable.
La automatización de datos, producto de las políticas monetarias y scales
trae consigo un conjunto de consideraciones éticas que son fundamentales para
garantizar su implementación responsable y efectiva. Estos aspectos abarcan
criterios críticos como la privacidad y seguridad, la transparencia y conanza, así
como el impacto social que estas tecnologías pueden tener en la vida de las
personas.
La IA se basa en grandes volúmenes de datos para aprender y mejorar sus
algoritmos, lo que implica la recolección y análisis de información sensible de
individuos y empresas. Esto plantea interrogantes críticos:
36
• Recolección de Datos: La necesidad de recopilar datos masivos para entrenar
modelos de IA puede entrar en conicto con las normativas de protección de
datos, como el Reglamento General de Protección de Datos (GDPR) en Europa.
Es crucial establecer protocolos que protejan la identidad y la información
personal de los ciudadanos.
• Seguridad de la Información: A medida que más datos nancieros se
procesan mediante sistemas de IA, la vulnerabilidad a ciberataques se
incrementa. Instituciones nancieras y gubernamentales deben implementar
medidas rigurosas de ciberseguridad para mitigar riesgos y proteger los datos.
La conanza pública en el uso de la IA se ve signicativamente afectada si
se percibe que los sistemas no son seguros o que la privacidad de los datos no
está garantizada. La transparencia en el desarrollo y la implementación de
sistemas de IA es esencial para generar conanza tanto a nivel gubernamental
como entre los ciudadanos. La complejidad intrínseca de los modelos de IA
puede hacer que sus decisiones sean difíciles de entender para usuarios no
expertos.
• Explicabilidad de Algoritmos: Cuando un modelo de IA toma decisiones que
afectan directamente la vida económica de un ciudadano, como la aprobación de
un crédito o la determinación de impuestos, es vital que los ciudadanos
comprendan cómo se llegó a esas decisiones. La falta de explicaciones puede
llevar a malentendidos y desconanza.
• Responsabilidad y Rendición de Cuentas: El uso de IA también plantea
cuestiones sobre quién es responsable cuando surgen errores o sesgos en las
decisiones automatizadas. Es fundamental establecer lineamientos claros sobre
la responsabilidad civil y administrativa, garantizando que las instituciones
rendirán cuentas por los impactos de las decisiones impulsadas por IA.
El impacto social del uso de la IA en políticas monetarias y scales es otro
aspecto crítico que debe ser considerado. La automatización y los procesos
basados en IA pueden transformar signicativamente la forma en que funcionan
las políticas públicas.
• Desigualdad y Acceso: La implementación de soluciones de IA puede
acentuar las desigualdades existentes si los benecios no se distribuyen
equitativamente. Es susceptible que las plataformas que utilizan IA benecien
desproporcionadamente a las grandes empresas y a los sectores más accesibles,
dejando a los más vulnerables en desventaja.
37
• Desempleo y Transformación Laboral: La introducción de IA en procesos
económicos puede llevar a la automatización de trabajos, lo que podría resultar
en desempleo en sectores especícos. Es crucial que las políticas públicas
acompañen estos cambios con iniciativas de reentrenamiento y educación para
preparar a la fuerza laboral para nuevas oportunidades en un entorno cada vez
más automatizado.
La inteligencia articial, aunque puede potenciar la efectividad de las
políticas scales y monetarias, presenta también varios retos éticos que deben ser
considerados con atención. Es fundamental priorizar la protección de la
privacidad, fomentar la transparencia y tener en cuenta el impacto social durante
su implementación.
A medida que gobiernos e instituciones nancieras enfrentan problemas
complejos en un entorno global en constante cambio, la IA proporciona
herramientas innovadoras para mejorar la toma de decisiones y las respuestas (El
País, 2021). Empero, es esencial pensar en los dilemas éticos y sociales que surgen
en este ámbito, garantizando que la adopción de la tecnología benecie a todos
los sectores de la población.
En el sector banca y nanzas, la IA genera predicciones más acertadas
sobre el comportamiento de la economía, las técnicas de machine learning, por
ejemplo, pueden utilizarse para identicar patrones en la inación y el
crecimiento económico, lo que ayuda a los responsables de la política monetaria
a ajustar sus estrategias proactivamente. Además, la IA puede facilitar la
simulación de diferentes escenarios económicos, permitiendo a los bancos
centrales evaluar los posibles impactos de sus decisiones antes de
implementarlas.
En el ámbito de la política scal, la IA también puede revolucionar la
forma en que se recaudan impuestos y se distribuyen recursos. Las herramientas
de análisis de datos pueden identicar áreas de evasión scal y optimizar la
supervisión del cumplimiento tributario. Para maximizar los benecios de la
inteligencia articial en el sistema macroeconómico y reducir sus riesgos, es
fundamental que la implementación de dicha tecnología esté guiada por un
marco regulatorio y ético. Este marco debe incluir las normas y protocolos
necesarios para identicar, prevenir, minimizar y eliminar los sesgos que pueden
estar presentes en los algoritmos, así como sus consecuencias negativas
(Arguelles, 2024). Esto ayuda a mitigar la pérdida de empleos y los despidos
derivados de la automatización, favoreciendo al mismo tiempo la transparencia
38
al informar sobre el uso de esta tecnología y los códigos fuente empleados.
También es esencial garantizar la rendición de cuentas en relación a los resultados
y decisiones que surjan del uso de la IA.
La automatización de procesos scales, guiada por IA, podría reducir
costos operativos y permitir un enfoque más centrado en el contribuyente. La
privacidad de los datos se convierte en un tema crítico, ya que la recopilación y
el análisis de información sensible deben realizarse con un enfoque que respete
los derechos de los individuos. Las políticas deben garantizar que la
transparencia y la seguridad de los datos sean prioritarias, construyendo una
conanza necesaria entre los ciudadanos y las instituciones. Esto es fundamental
para evitar la percepción de un estado de vigilancia que podría socavar la
legitimidad de esfuerzos gubernamentales.
Adicionalmente, la implementación de IA debe tener en cuenta las
disparidades sociales. La digitalización y las nuevas tecnologías pueden
aumentar la brecha entre quienes tienen acceso a la tecnología y quienes no. Por
lo tanto, es imperativo que los gobiernos adopten enfoques inclusivos en la
implementación de inteligencia articial en la economía, asegurándose de que no
se perpetúen desigualdades existentes (CEPAL, 2024a). Esto puede incluir la
formación de habilidades digitales entre la población, garantizando que todos
puedan beneciarse de las innovaciones.
En este sentido, la intersección de la inteligencia articial con las políticas
monetaria y scal abre un panorama de oportunidades sin precedentes para la
optimización de la gestión económica. En cierta medida, este avance debe ser
acompañado de un marco ético y legal robusto que garantice la protección de los
derechos individuales y busque un impacto social positivo. Los gobiernos y las
instituciones deben ser proactivos en abordar estos aspectos para que la
inteligencia articial se convierta en una herramienta para el bienestar colectivo
y el desarrollo sostenible. La próxima década será crucial en este sentido, y el
enfoque que adopten los líderes económicos y políticos determinará el futuro de
nuestras sociedades.
2.2 Inteligencia articial aplicada al sector productivo país
La inteligencia articial (IA) ha emergido como una de las tecnologías más
transformadoras del siglo XXI, tocando cada aspecto de la vida cotidiana y, en
particular, revolucionando el sector productivo de los países (Cornejo, 2023). En
un mundo globalizado y competitivo, la adopción de soluciones basadas en IA
39
se ha vuelto esencial para que las industrias mantengan su relevancia, eciencia
y capacidad de respuesta ante las cambiantes condiciones del mercado. Desde la
manufactura hasta la agricultura, la IA está contribuyendo a optimizar procesos,
reducir costos y mejorar la calidad de los productos.
A medida que las tecnologías avanzan, la relevancia de la IA se torna
imperativa, impulsando la automatización y la digitalización, así como el análisis
de grandes volúmenes de datos, lo que ayuda a tomar decisiones más informadas
y oportunas. En los países en vía de desarrollo, donde la carga de la manualidad
aún es signicativa, la aplicabilidad de la IA promete un cambio trascendental
que puede conducir a un crecimiento económico sostenible y al mejoramiento de
la calidad de vida de la población. En este contexto, se vuelve fundamental
evaluar las implicaciones de la IA en el sector productivo. La relevancia de estas
temáticas radica en su capacidad para inuir en las políticas públicas y en las
estrategias empresariales, promoviendo un enfoque responsable y ético hacia el
uso de la IA.
2.2.1 Aplicaciones de la Inteligencia Articial en el Sector Productivo
La inteligencia articial (IA) está transformando de manera signicativa el
sector productivo, proporcionando herramientas innovadoras que optimizan
procesos, aumentan la eciencia y mejoran la calidad de los productos y
servicios. En este contexto, se destacan tres áreas clave donde la IA está siendo
implementada de manera efectiva: la manufactura, la agricultura, y la logística y
transporte.
En la industria manufacturera, la IA ha revolucionado las cadenas de
producción. Las tecnologías de aprendizaje automático y análisis de datos
permiten a las empresas optimizar la eciencia operativa y reducir los costos.
Entre las aplicaciones más destacadas se incluyen:
• Mantenimiento predictivo: A través del análisis de datos generados por
maquinaria y equipos, la IA puede predecir fallos y períodos de inactividad, lo
que permite programar el mantenimiento antes de que surjan problemas
costosos.
• Automatización de procesos: Robots inteligentes, equipados con IA, son
capaces de adaptarse a diferentes condiciones de trabajo y realizar tareas que
anteriormente requerían intervención humana, lo cual no solo incrementa la
productividad, sino que también reduce el riesgo de accidentes laborales.
40
• Control de calidad: Sistemas de visión articial, impulsados por IA, pueden
detectar defectos en productos a velocidades mucho mayores que un humano,
garantizando un estándar de calidad más alto y reduciendo desperdicios.
La agricultura también se benecia enormemente de la IA, permitiendo
una producción más sostenible y eciente. Los ecosistemas agrícolas con alta
biodiversidad proporcionan una amplia gama de alimentos que pueden
contribuir a incrementar la seguridad alimentaria y mejorar la nutrición, al
expandir la oferta alimenticia y diversicar las dietas. Aun dentro de un mismo
cultivo, la cantidad de nutrientes varía considerablemente entre las distintas
variedades (Secretaría del Convenio sobre la Diversidad Biológica, 2008). Entre
las principales aplicaciones se encuentran:
• Monitoreo de cultivos: Mediante drones y sensores IoT (Internet de las
Cosas), los agricultores pueden recoger datos sobre la salud de los cultivos, el
nivel de humedad del suelo y otros factores críticos, optimizando así la toma de
decisiones sobre riego y fertilización.
• Agricultura de precisión: Las tecnologías de IA (incluido el aprendizaje
automático, el análisis de big data y la Internet de las cosas, IoT) permite el
análisis de grandes volúmenes de datos para proporcionar recomendaciones
personalizadas sobre el uso de pesticidas y fertilizantes, ofrecen soluciones
fundamentales para mejorar la productividad agrícola, la sostenibilidad y la
eciencia de los recursos (Assimakopoulos et al., 2024).
• Robótica agrícola: Los robots, equipados con algoritmos de IA, son capaces
de realizar tareas como la siembra, cosecha y control de plagas, facilitando el
trabajo de los agricultores y permitiéndoles enfocarse en la gestión del cultivo.
El sector de logística y transporte experimenta una transformación radical
gracias a la inteligencia articial. Las aplicaciones más relevantes incluyen:
• Optimización de rutas: Algoritmos de IA analizan datos en tiempo real sobre
tráco, condiciones meteorológicas y demanda para planicar las rutas más
ecaces, ahorrando tiempo y combustible.
• Gestión de inventarios: La IA anticipa la demanda de productos,
permitiendo a las empresas mantener niveles óptimos de inventario y reducir
costos de almacenamiento.
41
• Sistemas de entrega autónoma: Vehículos autónomos y drones están
comenzando a desempeñar un papel importante en la entrega de mercancías, lo
que promete ecientizar el proceso de distribución y reducir costos operativos.
En conjunto, estas aplicaciones de la inteligencia articial impulsan la
competitividad en el sector productivo, a su vez ofrecen oportunidades para una
mayor sostenibilidad y responsabilidad social en el uso de recursos. Este avance
tecnológico está moldeando el futuro de cómo producimos y distribuimos bienes
y servicios, revolucionando la forma en que interactuamos con el entorno
industrial. Este fenómeno se traduce en una modicación en la eciencia de los
procesos y plantea disputas en el ámbito del empleo y genera una serie de
consideraciones éticas y de desigualdad.
Ahora bien, los aspectos más destacados de la implementación de la IA en
la producción es el aumento signicativo en la eciencia y productividad de las
empresas. La automatización de tareas repetitivas y la capacidad de procesar
grandes volúmenes de datos en tiempo real permiten a las empresas optimizar
sus operaciones.
• Reducción de errores: Los sistemas de IA son menos propensos a cometer
errores que los humanos en tareas especícas, lo que se traduce en productos de
mayor calidad y menor desperdicio.
• Aumento de la velocidad de producción: La IA permite una producción casi
continua y a mayor velocidad, lo que ayuda a satisfacer la demanda del mercado
de manera más efectiva.
• Mejora en la toma de decisiones: La capacidad analítica de la IA proporciona
a los gerentes datos precisos y relevantes para tomar decisiones informadas, lo
que puede hacer que las empresas sean más competitivas en un entorno global.
Por ello, las empresas que implementan tecnología de IA tienden a
experimentar un retorno de inversión más alto en comparación con aquellas que
no lo hacen, contribuyendo así a un crecimiento económico más robusto en el
país.
Aunque la IA puede mejorar la eciencia y productividad, su introducción
también genera preocupaciones relacionadas con el empleo. Si bien se prevé que
algunas posiciones laborales se transformen y avancen a roles más tecnicados,
muchas otras están en riesgo de ser reemplazadas por máquinas.
42
• Desaparición de trabajos tradicionales: Industrias que históricamente han
empleado a grandes cantidades de trabajadores (como manufactura y
ensamblaje) están viendo una reducción de personal debido a la automatización.
• Creación de nuevos roles: Por otro lado, la IA también está generando
demanda de nuevos puestos de trabajo que requieren habilidades especícas,
como expertos en análisis de datos, desarrollo de software y mantenimiento de
sistemas automatizados.
• Reconversión laboral: Esto implica que los trabajadores necesitarán
capacitación y educación continua para adaptarse a las nuevas exigencias del
mercado laboral, un reto que necesita ser abordado por gobiernos y empresas.
La rápida adopción de la IA presenta, además, preocupaciones éticas y de
desigualdad. Mientras que algunas empresas se benecian enormemente de la
tecnología, otras pueden quedarse atrás, exacerbando las diferencias económicas
entre distintos sectores y regiones del país.
• Acceso desigual a la tecnología: Las pequeñas y medianas empresas a
menudo carecen de los recursos necesarios para implementar soluciones de IA,
lo que puede resultar en una concentración del poder económico en manos de las
grandes corporaciones.
• Ética en el uso de datos: La recolección masiva de datos y el uso de
algoritmos que pueden perpetuar sesgos existentes plantean importantes
cuestiones éticas sobre la privacidad y la justicia en el ambiente laboral.
• Desigualdad salarial: La demanda por trabajadores calicados puede llevar
a un aumento signicativo en las brechas salariales entre aquellos con
habilidades avanzadas en tecnología y los que carecen de ellas.
La inteligencia articial presenta una serie de impactos económicos y
sociales que están en constante evolución. Mientras que ofrece oportunidades sin
precedentes para la mejora de procesos y la creación de valor, también plantea
retos que necesitamos abordar de manera proactiva para asegurar un desarrollo
inclusivo y sostenible en el futuro (Corvalán, 2018).
Entre los retos más representativos vinculados a la inteligencia articial
es la carencia de un marco regulatorio denido y consistente. La acelerada
evolución de la tecnología frecuentemente supera la habilidad de los legisladores
para ajustarse y desarrollar políticas ecaces. Esto puede ocasionar diversos
problemas, incluyendo:
43
• Falta de estándares: Sin pautas claras, las empresas pueden desarrollar
sistemas de IA de manera inconsistente, lo que puede poner en riesgo la
seguridad y la privacidad de los datos.
• Riesgos éticos: La implementación de IA puede llevar a decisiones sesgadas
si no hay regulaciones que garanticen la transparencia y la rendición de cuentas.
• Impacto en el empleo: Las políticas laborales no siempre están alineadas con
la transformación tecnológica, lo que puede generar tensiones en el mercado
laboral.
Por otro lado, un marco regulatorio adecuado puede fomentar la conanza
pública en la IA, al mismo tiempo que asegura un entorno competitivo y justo.
Los gobiernos deben encontrar un equilibrio entre promover la innovación y
proteger a los ciudadanos.
2.2.2 Innovación, desarrollo continuo y sostenibilidad
La innovación es un componente esencial en la adopción de la inteligencia
articial. Las empresas que invierten en investigación y desarrollo (I+D) están
mejor posicionadas para aprovechar las ventajas de la IA:
• Costos de inversión: La implementación de sistemas de IA puede requerir
inversiones signicativas, lo que a menudo representa un obstáculo,
especialmente para las pequeñas y medianas empresas (PYMEs).
• Falta de talento: La escasez de profesionales capacitados en ciencias de
datos y machine learning limita la capacidad de las empresas para desarrollar y
aplicar soluciones de IA.
• Ritmo de cambio: La velocidad con la que la tecnología avanza requiere que
tanto empresas como empleados se adapten continuamente a nuevos desarrollos.
Si bien hay principios reconocidos que orientan la ética en la inteligencia
articial, es difícil analizar minuciosamente la moralidad de cada uso de la IA.
Las entidades gubernamentales deben prever y mitigar posibles daños futuros,
promoviendo una cultura de innovación responsable para diseñar e implementar
sistemas de IA que sean éticos, justos y seguros. Las empresas que logran
adaptarse y adoptar esta tecnología pueden experimentar:
• Mejora de procesos: La IA puede optimizar la producción, reducir costos y
aumentar la eciencia operativa.
44
• Nuevos mercados: La innovación en IA abre la puerta a la creación de
productos y servicios que antes no eran posibles.
• La implementación de IA fomenta la colaboración entre diferentes
disciplinas, generando un entorno de trabajo más dinámico.
La sostenibilidad es otro aspecto crucial en el uso de la inteligencia
articial. A medida que las empresas buscan ser más sostenibles en sus prácticas,
la IA puede jugar un papel clave:
• Eciencia energética: La IA puede contribuir a la optimización de recursos,
permitiendo un uso más eciente de la energía.
• Minimización de residuos: Los algoritmos de IA pueden ayudar a las
empresas a reducir el desperdicio en sus procesos de producción y distribución.
• Desarrollo de soluciones sostenibles: La investigación en IA puede llevar a
innovaciones que aborden objetivos ambientales, como el cambio climático. En
cierto modo, es fundamental que las implementaciones de IA sean responsables
y ética. La sostenibilidad no debería ser únicamente una meta en lo que respecta
a los recursos, sino que también debería reejarse en cómo se crean y utilizan las
tecnologías. Esto incluye consideraciones sobre el impacto social y el cuidado en
la creación de sistemas que benecien a toda la sociedad.
Las oportunidades relacionadas con la inteligencia articial en el ámbito
productivo son numerosos, el impulso a la innovación constante y el compromiso
con la sostenibilidad son aspectos clave que impactarán el futuro de la IA en la
nación. La adopción de sistemas que utilizan IA ha posibilitado que distintas
industrias optimicen su operativa, aumenten la eciencia y disminuyan gastos.
En el ámbito de la manufactura, por ejemplo, el uso de robots y sistemas
de automatización ha transformado la producción, permitiendo un incremento
signicativo en la productividad. En la agricultura, tecnologías como los drones
y la analítica de datos han facilitado la implementación de prácticas más
sostenibles y ecientes, mejorando a su vez la capacidad de respuesta ante
cambios en el mercado (CEPAL, 2021).
El estudio también nos ha permitido observar que, si bien la
implementación de la inteligencia articial conlleva retos que no deben pasarse
por alto, entre los descubrimientos más signicativos es su efecto sobre el
empleo, dado que la automatización de determinadas labores podría resultar en
la disminución de empleos, sobre todo en áreas con menor cualicación. Esto, a
45
su vez, alimenta preocupaciones sobre la desigualdad y la necesidad de diseñar
políticas que aseguren la inclusión de todos en este nuevo paradigma laboral.
De cara al futuro, es importante seguir investigando y desarrollando la
inteligencia articial de manera ética y responsable. Las proyecciones indican que
la IA seguirá evolucionando y expandiendo su presencia en el sector productivo,
lo que requerirá que empresas y gobiernos se alineen en términos de regulación
y formación. Algunas de las proyecciones clave incluyen:
• Desarrollo continuo de tecnologías: El avance en el aprendizaje automático y
la analítica de datos permitirá que la IA se integra aún más en procesos de toma
de decisiones. Esto se traducirá en soluciones más personalizadas y
automatizadas que responderán a las dinámicas cambiantes del mercado.
• Capacitación y reskilling: Para mitigar los efectos negativos en el empleo,
será crucial implementar programas de capacitación que permitan a los
trabajadores adquirir nuevas habilidades en el ámbito de la tecnología. Esto
conllevará a la fuerza laboral a adaptarse, fomentando un entorno deontológico
donde la innovación se convierta en un motor de desarrollo económico.
• Ética y regulación: A medida que la IA se convierta en una herramienta
esencial en el ámbito productivo, la necesidad de establecer marcos regulatorios
se volverá primordial. La ética en el diseño e implementación de sistemas de IA
debe ser una prioridad, asegurando que estas tecnologías benecien a la sociedad
en su conjunto, evitando sesgos y promoviendo la justicia social.
Así, la inteligencia articial tiene el potencial de transformar radicalmente
el sector productivo de nuestro país. Hasta cierto punto, la clave para aprovechar
las ventajas, radica en un enfoque integral que incluya la formación, la regulación
y el compromiso con la ética. Solo así podremos garantizar que la IA aumente la
eciencia y la productividad, contribuya a un desarrollo social y económico
equitativo y sostenible.
46
Capítulo III
Inteligencia articial aplicada en la oferta y demanda
global: Producto Bruto Interno e importaciones de bienes
y servicios
Desde su aparición, la inteligencia articial ha tenido un impacto
profundo en la economía global. En las décadas de 1980 y 1990, la IA comenzó a
ganar popularidad, pero fue el advenimiento de la computación en la nube y el
acceso masivo a grandes volúmenes de datos en el siglo XXI lo que realmente
aceleró su desarrollo. Para Ayina (2020), a diferencia de los postulados históricos
que han estado indagando desde el inicio del Homo sapiens para aumentar el
entendimiento con el objetivo de comprender mejor al ser humano y su entorno,
el empleo de la IA busca propiciar una transformación drástica del ser humano.
Algunos de los cambios más notables incluyen:
1. Aumento de la productividad: La automatización de procesos a través de la
IA ha permitido a las empresas aumentar su productividad al reducir costos y
mejorar la eciencia operativa. Por ejemplo, las fábricas que implementan robots
de ensamblaje han visto reducciones signicativas en los tiempos de producción.
2. Nuevas oportunidades laborales: Aunque la IA ha sustituido ciertos empleos,
también ha creado nuevos roles que requieren habilidades especiales en
tecnología y análisis de datos. Esto ha llevado a una reconguración en el
mercado laboral, donde la capacitación y la educación continua son cruciales
para la fuerza laboral.
3. Optimización de la cadena de suministro: Las empresas utilizan IA para
prever la demanda, gestionar inventarios y optimizar la logística, lo que resulta
en una reducción de costos y un mejor servicio al cliente.
4. Acceso a información y toma de decisiones: Las empresas están utilizando
algoritmos de IA para analizar grandes cantidades de datos y hacer predicciones
más informadas sobre las tendencias del mercado. Debido a esto, las decisiones
empresariales se basan en datos en lugar de simples conjeturas.
5. Transformación de modelos de negocio: La IA ha permitido el surgimiento de
nuevos modelos de negocio, como las plataformas de economía colaborativa y
los servicios basados en suscripciones. Empresas como Uber y Airbnb han
47
revolucionado sus respectivos sectores aprovechando las capacidades de la IA
para conectar usuarios y proveedores de servicios.
La inteligencia articial ha cambiado de manera fundamental la estructura
de la economía global. Nos encontramos en un momento de transición que, si
bien trae consigo luchas signicativas, también ofrece oportunidades sin
precedentes para innovar y mejorar la calidad de vida en todo el mundo. A
medida que avanzamos hacia un futuro donde la IA será aún más prevalente,
comprender su historia y sus efectos en la economía global se vuelve esencial
para navegar por los cambios venideros.
3.1 Oferta y demanda globales: dinámicas
La oferta y demanda globales son componentes fundamentales que
determinan el equilibrio económico a nivel internacional. En un mundo cada vez
más interconectado, comprender estas dinámicas es crucial para analizar cómo
los mercados reaccionan a diversos factores, incluido el impacto de la inteligencia
articial (IA) (Medina et al., 2024). La oferta global se reere a la cantidad total
de bienes y servicios que están disponibles en el mercado global a diferentes
precios, varios factores inuyen en la oferta, como los costos de producción, la
tecnología, la infraestructura y las políticas gubernamentales. Entre los cambios
más signicativos en la oferta actual es la integración de la inteligencia articial
en los procesos de producción y logística.
• Automatización y eciencia: La IA permite a las empresas optimizar sus
cadenas de suministro y mejorar la eciencia en la producción. A través de
sistemas de aprendizaje automático, las empresas pueden prever la demanda y
ajustar la producción en consecuencia, minimizando el desperdicio y reduciendo
costos.
• Reducción de costos: La integración de tecnologías avanzadas reduce
signicativamente los costos operativos, lo que a su vez permite a las empresas
ofrecer precios más competitivos. Esto se traduce en un aumento de la oferta
global, ya que más productos pueden ser fabricados y enviados a distintos
mercados.
• Nuevos mercados: La digitalización y la automatización han permitido a
muchas empresas alcanzar mercados que antes estaban fuera de su alcance. La
IA ayuda en la identicación de oportunidades en mercados emergentes,
facilitando el acceso y la negociación en diversos países.
48
La demanda global se reere al total de bienes y servicios que los
consumidores y empresas en el mundo desean adquirir a distintos precios en un
momento dado. La evolución de la demanda ha estado marcada por varios
cambios, especialmente con el auge de la tecnología y las tendencias de consumo
en el siglo XXI.
• Cambio en las preferencias del consumidor: La llegada de la tecnología ha
transformado la forma en que los consumidores interactúan con los productos.
La personalización, impulsada por la IA, se ha vuelto esencial. Los consumidores
esperan productos y servicios adaptados a sus necesidades especícas, lo que
está cambiando la estructura de la demanda a nivel global.
• Aumento del comercio electrónico: La demanda global ha experimentado un
auge en el comercio electrónico. A medida que más consumidores optan por las
compras en línea, se genera una mayor necesidad de optimizar las cadenas de
suministro y la logística. La IA juega un papel crucial en el análisis del
comportamiento del consumidor y la predicción de tendencias, lo que ayuda a
las empresas a ajustar su oferta según la demanda.
• Factores económicos y sociales: La demanda se ve afectada por preferencias
individuales, por factores económicos como el ingreso disponible, la inación y
el desempleo. A medida que las economías de diferentes países crecen, la
demanda de productos y servicios también aumenta, lo que, a su vez, impulsa la
oferta.
Las dinámicas de oferta y demanda globales están en constante evolución,
impulsadas en gran medida por la tecnología y el impacto de la inteligencia
articial. Estas transformaciones presentan tanto oportunidades como
debilidades para las empresas en un entorno global, y su comprensión es esencial
para navegar en el complejo panorama económico actual. La interrelación entre
la oferta y la demanda será vital para determinar cómo los mercados globales se
adaptan a los cambios y desarrollos futuros.
3.1.1 Producto Bruto Interno (PBI) e Inteligencia Articial
El Producto Bruto Interno (PBI) es una de las magnitudes económicas más
relevantes para medir el bienestar de un país. Representa la suma de todos los
bienes y servicios nales producidos en un país durante un período determinado,
generalmente un año. Es un indicador que permite evaluar el crecimiento
económico, también se utiliza para comparar la productividad entre diferentes
49
naciones. El PBI se calcula mediante tres enfoques principales: el enfoque de
producción, el enfoque de ingresos y el enfoque de gasto:
• Enfoque de producción: Suma el valor agregado en cada etapa de
producción, evitando contar los costos intermedios múltiples veces.
• Enfoque de ingresos: Mide la suma de todos los ingresos obtenidos en la
producción de bienes y servicios, incluyendo salarios, rentas, intereses y
ganancias.
• Enfoque de gasto: Considera todo el gasto en bienes y servicios nales
dentro de la economía, dividido en consumo, inversión, gasto público y
exportaciones netas.
Cada uno de estos enfoques, aunque diferente, debería llegar a la misma
cifra teórica del PBI. Pero, variaciones en la calidad de los datos y la metodología
pueden llevar a diferencias signicativas en la práctica. El PBI es fundamental
para tomar decisiones económicas, tanto para gobiernos como para empresas.
Suministra indicios sobre la salud económica de una nación y puede inuir en
políticas scales, en la planicación de inversiones y en la evaluación de
proyectos.
Además, el PBI se ve impactado por múltiples factores, entre los cuales la
productividad juega un rol crucial. La incorporación de nuevas tecnologías, como
la inteligencia articial, tiene el potencial de modicar drásticamente la
productividad de una economía y, por ende, su PBI. La inteligencia articial está
transformando la manera en que las empresas y los sectores económicos operan.
Su inuencia sobre el PBI puede analizarse desde diferentes ángulos:
• Aumento de la productividad: La IA permite optimizar procesos productivos
mediante la automatización de tareas repetitivas, la mejora en la gestión de
recursos y una toma de decisiones más informada. Todo ello se traduce en una
generación de valor más eciente, que al nal se reeja en el PBI.
• Innovación en productos y servicios: La inteligencia articial permite la
creación de nuevos productos y servicios que antes no eran posibles. Por ejemplo,
en el ámbito de la salud, se han logrado importantes progresos en diagnósticos y
tratamientos gracias a algoritmos de aprendizaje automático, lo que optimiza la
calidad de vida y aumenta el valor económico generado.
• Nuevos mercados y oportunidades económicas: La proliferación de tecnologías
de IA ha dado lugar a industrias enteramente nuevas, como la robótica avanzada,
50
la analítica de datos y las plataformas de inteligencia de negocios. Estas áreas
contribuyen de forma signicativa al PBI al generar empleo, inversión y
oportunidades de exportación.
• Desafíos y desigualdades: No obstante, la llegada de la IA también plantea
escenarios no deseables, como la sobreestimación de errores, que podrían afectar
negativamente al PBI. La posible automatización de trabajos y la consecuente
reducción de empleos en ciertos sectores podrían limitar el crecimiento del
consumo, impactando así negativamente en la economía.
La inuencia de la inteligencia articial sobre el PBI es innegable,
ofreciendo tanto oportunidades como riesgos que deberán ser gestionados
cuidadosamente por los responsables de políticas económicas. La adopción y el
uso efectivos de la IA en la economía global representan una ventaja competitiva
y, son un determinante clave del crecimiento económico sostenible (CEPAL,
2024b). Las importaciones de bienes y servicios juegan un papel crucial en la
economía global.
3.1.2 Importancia de las importaciones en la economía
Las importaciones permiten a los países acceder a productos y servicios
que no pueden producir localmente o cuya producción es menos eciente en
comparación con otros países. Esto resulta en una serie de benecios clave:
• Diversicación de productos: A través de las importaciones, los
consumidores tienen acceso a una amplia variedad de bienes, que va desde
tecnología hasta alimentos y productos manufacturados. La información teórica
y empírica utilizada para examinar la variable dependiente facilitó la elección de
los factores que inuyen en las importaciones: el costo internacional del
producto, la calidad necesaria del producto, la disponibilidad del producto en el
extranjero, la conanza en los proveedores internacionales, el entendimiento de
los procedimientos para el despacho aduanero y la capacidad logística de la
empresa importadora, constituyendo estas las variables independientes
sugeridas en la hipótesis (Tejeda et al., 2019).
• Optimización de recursos: Al importar productos que son más baratos o de
mejor calidad en el exterior, los países pueden optimizar el uso de sus recursos.
Esto libera capital para ser invertido en sectores donde tienen ventajas
comparativas, impulsando así el crecimiento económico.
51
• Fomento del comercio internacional: Las importaciones son un componente
esencial del comercio internacional que conecta mercados y economías. Un
mayor volumen de importaciones suele estar asociado con una mejora en las
relaciones diplomáticas y comerciales entre naciones, lo que puede resultar en
acuerdos bilaterales y multilaterales.
• Impacto en el Producto Bruto Interno (PBI): Aunque las importaciones son
contabilizadas como un gasto dentro del PBI, su inuencia es más compleja. Una
economía que importa bienes y servicios puede ver un impacto positivo en su
PBI si esos bienes son utilizados para aumentar su producción interna o mejorar
la competitividad de sus exportaciones.
La inteligencia articial está revolucionando la forma en que se gestionan
las importaciones y el comercio internacional. A continuación, se detallan
algunas transformaciones clave impulsadas por la IA:
• Optimización de la cadena de suministro: Las soluciones de IA pueden
predecir la demanda de productos y optimizar las rutas de transporte. Esto
reduce costos de logística y mejora el tiempo de entrega, asegurando que los
bienes estén disponibles cuando los consumidores los necesitan.
• Análisis de datos y pronósticos: Utilizando algoritmos avanzados, la IA
puede analizar grandes volúmenes de datos para identicar patrones en el
consumo y prever tendencias futuras. Esto permite a las empresas tomar
decisiones más informadas sobre qué bienes importar, minimizando el riesgo de
sobrestock o desabastecimiento.
• Mejora en la gestión de inventarios: Con IA, las empresas pueden gestionar
sus inventarios de manera más efectiva. Puede haber un seguimiento en tiempo
real y ajustes automáticos en el inventario, garantizando una rotación óptima de
productos y reduciendo costos de almacenamiento.
• Automatización en el cumplimiento de regulaciones: La IA puede ayudar a las
empresas a cumplir con las regulaciones de importación más fácilmente al
automatizar procesos como la documentación, el cumplimiento de normas y la
gestión aduanera.
• Predicción de tarifas y costos: Algoritmos de IA pueden apoyar a las
empresas en la estimación de costos asociados con las importaciones,
considerando factores como cambios en las tarifas aduaneras y uctuaciones
52
monetarias. Esto permite una mejor planicación nanciera y mitigación de
riesgos.
Para Benhamou (2022), se pueden distinguir tres tipos distintos de tareas
donde la inteligencia articial inuye en el empleo de diversas maneras: en
primer lugar, la ejecución de tareas que no podrían realizarse sin la intervención
de una máquina, al menos no de manera económicamente viable, o que
requerirían la movilización de personal que no está disponible. Un ejemplo
representativo serían las labores de monitoreo que lleva a cabo un dispositivo
médico conectado que recoge información de forma continua. En este caso, no
hay una sustitución del trabajo existente: son nuevas tareas de supervisión
asociadas a un aparato automático.
Las importaciones de bienes y servicios son fundamentales para el
crecimiento económico y el bienestar de los consumidores. La integración de la
inteligencia articial en este sector está generando transformaciones
signicativas que optimizan los procesos, mejoran la competitividad y ofrecen
nuevas oportunidades en el comercio global:
1. Transformación de la oferta y la demanda: La inteligencia articial ha
permitido la optimización de la cadena de suministro y la producción, lo cual ha
llevado a una mayor eciencia en la oferta. Por otro lado, al analizar enormes
volúmenes de datos, las empresas logran identicar patrones en las preferencias
del consumidor, mejorando así la satisfacción del cliente y ajustando la demanda
a productos y servicios especícos.
2. Impacto en el Producto Bruto Interno: La integración de tecnologías de IA en
diversas industrias ha resultado en una notable contribución al PBI de varios
países. La automatización y la innovación facilitadas por la IA incrementan la
productividad y generan nuevos sectores de empleo que requieren habilidades
especializadas. Este fenómeno ha llevado a un aumento en la competitividad a
nivel global.
3. Reconguración del comercio internacional: Las importaciones de bienes y
servicios han experimentado cambios signicativos debido al análisis de datos y
la previsión de tendencias a través de IA. Las empresas pueden tomar decisiones
de compra más informadas, minimizando los costos y optimizando el inventario.
4. Desafíos éticos y económicos: A pesar de los benecios, la implementación de
IA no está exenta de preocupaciones relacionadas con la privacidad de los datos,
el desplazamiento laboral y la brecha digital han sido temas recurrentes. Esta
53
situación exige que las políticas públicas se adapten a los cambios para garantizar
una transición equitativa y sostenible.
5. Innovaciones en servicios y sistemas de negocios: La IA ha impulsado la
creación de nuevos modelos de negocio y ha revolucionado sectores como el
transporte, la salud y el comercio electrónico. Plataformas de recomendación y
análisis predictivo son solo algunas de las aplicaciones que han transformado la
manera en que interactuamos con los productos y servicios.
3.2 Macroeconomía del Estado y los métodos de inteligencia
articial
La macroeconomía del Estado se ha convertido en un campo esencial para
comprender y gestionar la economía a gran escala. En un mundo globalizado y
cambiante, la capacidad de los gobiernos para diseñar políticas efectivas y
ecientes es fundamental. La macroeconomía se centra en el estudio de los
grandes agregados económicos, como el Producto Interno Bruto (PIB), la tasa de
desempleo, la inación y otros indicadores que reejan la salud económica de un
país. Estos componentes no son solo cifras; representan la interacción entre
diversos factores, como el consumo, la inversión, el gasto público y la política
monetaria (Medina et al., 2024).
En las últimas décadas, la macroeconomía ha tenido que adaptarse a
cambios signicativos en el entorno económico global. La crisis nanciera de 2008
y la pandemia de COVID-19 son ejemplos emblemáticos de cómo eventos
inesperados pueden tener repercusiones profundas en la economía de un país y
del mundo. Estos eventos han llevado a una re-evaluación de las teorías y técnicas
tradicionales de análisis, haciendo necesario un enfoque más dinámico y basado
en datos.
Las políticas macroeconómicas buscan estabilizar la economía, fomentar
el crecimiento y reducir la desigualdad. En este sentido, es fundamental contar
con herramientas y metodologías que proporcionen información precisa y en
tiempo real. La IA se presenta como una respuesta a estas oportunidades,
proporcionando maneras innovadoras para abordar la complejidad del análisis
macroeconómico. La inteligencia articial ha avanzado a pasos agigantados en
los últimos años, tanto en términos de capacidad computacional como de técnicas
de análisis. Los algoritmos de aprendizaje automático y los modelos predictivos
han ganado protagonismo, permitiendo a los economistas analizar grandes
volúmenes de datos y extraer patrones que antes eran prácticamente imposibles
54
de identicar. Algunas de las áreas donde la IA ha demostrado su potencial
incluyen:
- Análisis predictivo: Los modelos de IA pueden prever tendencias
económicas, como cambios en el PIB o en la tasa de empleo, permitiendo
una mejor planicación de políticas.
- Optimización de recursos: Gracias a algoritmos avanzados, los gobiernos
pueden utilizar la IA para asignar recursos de manera más eciente,
minimizando el desperdicio y maximizando el impacto de sus iniciativas.
- Toma de decisiones basada en datos: Un enfoque fundamentado en datos
puede ayudar a los funcionarios a tomar decisiones informadas, basadas
en una comprensión más profunda de los factores que afectan la
economía.
- Detección de anomalías: Los sistemas de IA son capaces de identicar
anomalías en datos económicos, que podrían señalar problemas antes de
que se conviertan en crisis.
La intersección entre la macroeconomía y la inteligencia articial promete
abrir nuevas fronteras en la investigación y la práctica económica. Sin duda, la
combinación de estas disciplinas permitirá a los Estados enfrentar escenarios
económicos no favorables de una manera más efectiva.
3.2.1 Fundamentos de la Macroeconomía del Estado
La macroeconomía del Estado se centra en la forma en que los gobiernos
gestionan la economía a gran escala. Comprende diversas prácticas y teorías que
guían la toma de decisiones económicas que afectan la producción, el empleo y
el bienestar de la sociedad. Dos de los pilares fundamentales en este análisis son
las teorías económicas clásicas y las políticas scales y monetarias adoptadas por
los gobiernos (Baena, 2015).
Las teorías económicas clásicas se desarrollaron durante los siglos XVIII y
XIX, siendo Adam Smith una de las guras más inuyentes en este campo. Su
obra "La riqueza de las naciones" (1776) sentó las bases del liberalismo económico
y la idea de la mano invisible, donde se sugiere que la libre competencia en el
mercado genera un equilibrio natural que promueve el bienestar general. Sin
embargo, este enfoque ha sido objeto de críticas y ha evolucionado con el tiempo.
Otras teorías importantes incluyen:
- Teoría del valor trabajo: Propone que el valor de un bien está determinado
por la cantidad de trabajo necesario para producirlo.
55
- Teoría del ciclo económico: Se reere a las uctuaciones recurrentes en la
actividad económica, donde períodos de expansión son seguidos por
recesiones.
La macroeconomía clásica pone un fuerte énfasis en los mercados libres y en
la importancia de limitar la intervención gubernamental. En cierta medida, la
Gran Depresión de 1929 desaó esta perspectiva, lo que llevó al desarrollo de
enfoques alternativos, incluyendo el keynesianismo. La política scal y la política
monetaria son las principales herramientas que utilizan los gobiernos para
regular la economía:
- Política scal: Se reere al uso del gasto público y la recaudación de
impuestos para inuir en la economía. A través de medidas scales, los
gobiernos pueden estimular la actividad económica durante períodos de
recesión o controlar la inación en tiempos de sobrecalentamiento
económico. Las decisiones de gasto e impuestos pueden tener un impacto
signicativo en la redistribución del ingreso y en la inversión pública. Los
principales componentes incluyen:
- Gasto público: Inversiones en infraestructura, educación, salud y bienestar
social.
- Impuestos: Variaciones en tasas impositivas pueden alterar el poder
adquisitivo de los ciudadanos y la capacidad de inversión empresarial.
- Política Monetaria: Controlada generalmente por el banco central de un
país, la política monetaria implica el manejo de la oferta de dinero y las
tasas de interés. A través de herramientas como la compra y venta de
bonos del gobierno y la jación de tasas de interés, las autoridades pueden
inuir en el nivel de inversión y consumo en la economía. Dos tipos de
política monetaria son:
- Expansiva: Se busca aumentar la oferta de dinero y reducir las tasas de
interés para estimular el crecimiento económico.
- Restrictiva: Tiene como objetivo reducir la inación mediante la
contracción de la oferta de dinero y el aumento de las tasas de interés.
Ambas políticas, scal y monetaria, son interdependientes y deben ser
gestionadas de manera coordinada para evitar desequilibrios macroeconómicos.
La correcta implementación de estas herramientas busca mantener la estabilidad
económica, así como alcanzar metas sociales para la reducción del desempleo y
la promoción del desarrollo sostenible (Carranco y Venegas, 2009). Por lo que los
fundamentos de la macroeconomía del Estado son esenciales para entender cómo
56
los gobiernos pueden inuir en la economía mediante el análisis de teorías
clásicas y la aplicación de políticas scales y monetarias. Estos elementos
proporcionan las bases para el diseño de estrategias que buscan un crecimiento
económico sostenido y una distribución equitativa de los recursos.
3.2.2 Inteligencia Articial en el Análisis Económico
La relación entre inteligencia articial (IA) y análisis económico ha crecido
considerablemente en la última década. Estos avances en IA están
revolucionando la forma en que los economistas y los responsables de la política
económica evalúan las condiciones económicas y toman decisiones informadas.
A continuación, se presentan dos aspectos clave: los algoritmos y modelos de IA
utilizados en análisis económico y su impacto en la predicción de tendencias
macroeconómicas.
Los algoritmos de IA aplicados en el análisis económico son herramientas
que procesan grandes volúmenes de datos, permitiendo extraer patrones y
tendencias que serían inalcanzables mediante análisis tradicionales. Entre los
más importantes se encuentran:
- Redes Neuronales Articiales: Estas estructuras, inspiradas en la forma en
que el cerebro humano procesa información, son útiles para identicar
patrones complejos en los datos económicos. Se utilizan, por ejemplo, para
predecir el comportamiento del mercado en función de múltiples variables
que interaccionan entre sí.
- Árboles de Decisión: Esta técnica se utiliza para tomar decisiones basadas
en datos estructurados. Permiten a los economistas modelar decisiones
complejas, considerando diferentes opciones y sus posibles resultados. Su
interpretabilidad los hace atractivos en varios contextos económicos.
- Máquinas de Vectores de Soporte (SVM): Estas son efectivas para clasicar
datos y detectar tendencias en escenarios donde el número de variables es
alto, lo que es habitual en el análisis económico.
- Regresión Logística: Aunque es un modelo estadístico clásico, se ha
remodelado con la integración de técnicas de IA para mejorar la
predicción de eventos binarios, como recesiones o expansiones
económicas.
- Algoritmos de Aprendizaje Profundo: Utilizan capas de redes neuronales para
realizar análisis más sosticados, muy útiles en la identicación de
patrones en series temporales de datos económicos.
57
La adaptación y el desarrollo de estos algoritmos son cruciales para entender
la complejidad de la economía global y local. Permiten, además, que la toma de
decisiones basadas en datos sea más rápida y basada en evidencia. La capacidad
de la IA para predecir tendencias macroeconómicas ha transformado la forma en
que se llevan a cabo los estudios económicos (Corvalán, 2018). Las predicciones
precisas son fundamentales para la formulación de políticas efectivas y para el
adecuado funcionamiento de los mercados. A través de técnicas de análisis de
datos de IA se logra:
- Mejora en la Precisión de las Predicciones: Los modelos de IA, al analizar un
conjunto de datos masivo y diverso, pueden captar turbulencias en los
patrones económicos que previamente resultaban difíciles de detectar. Por
ejemplo, al integrar datos de redes sociales, transacciones nancieras y
otros indicadores, los modelos pueden prever cambios de conanza del
consumidor que impacten el mercado.
- Análisis en Tiempo Real: Esta capacidad permite a los gobiernos y empresas
reaccionar rápidamente a cambios económicos inesperados. La IA puede
ser utilizada para monitorizar continuamente el entorno económico y
ajustar las predicciones conforme se reciben nuevos datos.
- Identicación de Variables Clave: A través de la técnica de aprendizaje
automático, es posible identicar qué indicadores económicos son más
inuyentes en el comportamiento de las economías. Esto permite
optimizar los recursos en la formulación de políticas económicas.
- Modelos Predictivos de Crisis: Dada la complejidad de las crisis económicas,
los modelos de IA pueden ayudar a prever situaciones adversas,
ofreciéndoles a los formuladores de políticas la oportunidad de
implementar medidas preventivas.
La inteligencia articial está cambiando la manera en que los economistas
abordan el análisis de datos, y también está redeniendo las estrategias de
políticas macroeconómicas. A medida que estos modelos continúan
desarrollándose, su integración será cada vez más esencial en la búsqueda de una
economía más efectiva y resiliente.
3.2.3 Impacto de la IA en la Toma de Decisiones del Estado
La inteligencia articial (IA) ha emergido como una herramienta
transformadora en la toma de decisiones de los estados, permitiendo una gestión
más eciente y ecaz de los recursos públicos. En este apartado, abordaremos
dos áreas clave donde la IA está teniendo un impacto signicativo: la
58
optimización de recursos y la gestión de políticas públicas. La optimización de
recursos es una de las grandes promesas de la inteligencia articial en el ámbito
macroeconómico. Los gobiernos suelen enfrentarse a la crucial tarea de asignar
recursos limitados a diversas necesidades y proyectos. La IA, a través de sus
capacidades analíticas, puede facilitar esta asignación de manera más efectiva y
con un enfoque basado en datos. Entre las aplicaciones más interesantes de la IA
en la optimización de recursos, se encuentran:
- Análisis Predictivo: Utilizando algoritmos de machine learning, los estados
pueden predecir la demanda de servicios públicos y recursos. Por ejemplo,
las compras de medicamentos en el sistema de salud pueden optimizarse
al analizar patrones de consumo históricos y tendencias demográcas.
- Modelos de Asignación: Gracias a modelos matemáticos sosticados, la IA
permite simular diferentes escenarios de asignación de recursos,
ayudando a las autoridades a identicar las estrategias más efectivas para
maximizar el impacto de su inversión. Este enfoque ha sido adoptado en
varios ministerios de nanzas que buscan equilibrar el presupuesto estatal
de manera más eciente.
- Mantenimiento Predictivo: En el área de la infraestructura pública, la IA se
puede implementar para realizar un mantenimiento predictivo,
evaluando el estado de las infraestructuras y programando intervenciones
antes de que se produzcan fallos. Esto optimiza el uso de los recursos
económicos y mejora la calidad de vida de los ciudadanos.
La administración de políticas públicas es otro campo en el que la IA puede
aportar de manera notable; la evaluación de grandes cantidades de datos facilita
a los encargados de crear políticas reconocer problemas, analizar soluciones y
cuanticar resultados de forma más certera. Las ventajas anticipadas del uso de
la IA en el sector público son diversas. Por ejemplo, la IA posibilita
principalmente la automatización de numerosos procesos complejos que
comúnmente son llevados a cabo por humanos, demandando así una elevada
cantidad de recursos nancieros y materiales (Arguelles, 2024).
3.3 Política cambiaria y el uso de redes neuronales articiales en su
medición
La política cambiaria es un conjunto de medidas y estrategias adoptadas
por los gobiernos y los bancos centrales para gestionar el valor de su moneda en
relación con otras divisas. A lo largo de la historia, estas políticas han
59
evolucionado para responder a circunstancias económicas cambiantes, por lo que
su estudio se convierte en un elemento crucial para entender la dinámica del
comercio internacional y la inversión. Desde el patrón oro del siglo XIX hasta los
sistemas de tipo de cambio otante de la actualidad, la política cambiaria ha
recorrido un largo camino.
- Patrón oro: Durante este periodo, las monedas de los países estaban
respaldadas por una cantidad equivalente de oro, lo cual brindaba
estabilidad pero también limitaba la exibilidad de los gobiernos para
manejar sus economías.
- Acuerdo de Breon Woods (1944): Tras la Segunda Guerra Mundial, se
estableció un nuevo sistema cambiario que jaba las divisas a un patrón
del dólar estadounidense, que a su vez era convertible en oro. Este sistema
proporcionó una estabilidad sin precedentes, pero colapsó en 1971, lo que
llevó a un cambio hacia tipos de cambio otantes.
- Época moderna: Las crisis cambiarias de los años 90 y el surgimiento de
economías emergentes han reforzado la importancia de que los países
implementen políticas cambiarias efectivas para prevenir la volatilidad y
asegurar la competitividad en el ámbito global.
En este contexto histórico, las políticas cambiarias se han diseñado e
implementado con el objetivo de lograr el equilibrio económico, la estabilidad de
precios y el crecimiento sostenible. Por otra parte, estos objetivos no siempre han
sido fáciles de alcanzar, lo que ha llevado a la búsqueda de nuevas herramientas
y metodologías para el análisis y la predicción de los movimientos cambiarios.
El estudio de las políticas cambiarias adquiere una relevancia particularmente
alta en el mundo actual, donde la globalización ha interconectado las economías
de manera sin precedentes. La uctuación de los tipos de cambio puede tener
repercusiones signicativas en la inación, el crecimiento económico y la balanza
de pagos de un país. Estos impactos son especialmente evidentes en economías
que dependen en gran medida de las exportaciones o que tienen una alta
exposición a deudas denominadas en monedas extranjeras (CEPAL, 2022).
La relevancia de la política cambiaria se maniesta también en la necesidad
de una gestión proactiva para anticipar y mitigar crisis nancieras. La crisis de
2008, por ejemplo, destacó la vulnerabilidad de muchos sistemas cambiarios y
llevó a una revaluación de las estrategias cambiarias implementadas en distintos
países. Además, la política cambiaria no es solo cuestión de números; también
tiene implicaciones políticas y sociales. Las decisiones sobre tipos de cambio
60
pueden inuir en la dinámica política interna y generar tensiones entre los
distintos sectores de la población, ya que las uctuaciones en el valor de la
moneda pueden afectar la capacidad de compra y, por ende, el bienestar de los
ciudadanos.
Entonces, la incorporación de tecnologías avanzadas, como las redes
neuronales articiales, en el análisis y la gestión de la política cambiaria, abre
nuevos horizontes para la predicción de variables económicas y la
implementación de políticas más efectivas. Este enfoque novedoso promete
superar las restricciones de los modelos tradicionales y proporcionar un marco
más robusto para comprender estos fenómenos económicos complejos. La
política cambiaria es un tema de gran actualidad y relevancia, cuyas dinámicas
históricas y contemporáneas nos invitan a revisar y reconsiderar tanto los
enfoques tradicionales como las nuevas herramientas emergentes en su estudio
y aplicación.
La política cambiaria es un componente esencial de la economía de un país,
ya que regula la relación entre distintas monedas y tiene un impacto signicativo
en el comercio internacional, la inversión extranjera y la estabilidad económica
interna. Denida de manera general, se reere a las acciones y medidas que las
autoridades monetarias y scales implementan para inuir en el tipo de cambio
de su moneda respecto a otras (Gligo, 2007). Los objetivos principales de la
política cambiaria son:
- Estabilizar el tipo de cambio: Evitar uctuaciones excesivas que puedan
afectar la economía.
- Fomentar el crecimiento económico: Crear un entorno favorable para la
inversión y el comercio exterior.
- Controlar la inación: Mantener la inación bajo control, generalmente
alineada con las metas de la política monetaria.
- Mejorar la balanza de pagos: Asegurar una adecuada circulación de
divisas para equilibrar las cuentas nacionales.
Para alcanzar estos objetivos, los gobiernos y bancos centrales han
desarrollado una variedad de instrumentos tradicionales. Estos incluyen:
61
- Regulación de tasas de interés: A través de ajustes en las tasas de interés, las
autoridades pueden inuir en el ujo de capital. Una tasa de interés alta
puede atraer inversión extranjera, fortaleciendo la moneda nacional.
- Intervenciones en el mercado de divisas: Consiste en la compra o venta de
divisas para modicar la oferta y demanda del tipo de cambio. Esta
intervención puede ser directa, mediante la compra de moneda local, o
indirecta, al utilizar reservas internacionales.
- Controles de capital: Instrumentos que limitan o facilitan el movimiento de
capitales hacia dentro o fuera del país. Por ejemplo, se pueden establecer
tasas impositivas sobre la inversión extranjera o restricciones a la
repatriación de ganancias.
- Política scal: La implementación de políticas scales expansivas o
contractivas también puede inuir en el tipo de cambio, al afectar la
inación y la competitividad del país.
Para González (2009), el Estado contemporáneo se puede entender a través de
diversos componentes: el poder, la legitimidad, la nación, el territorio y la
soberanía. Esto no quiere decir que estos elementos se sumen para constituir el
Estado. En cambio, facilitan la comprensión del Estado moderno como una forma
de organización política en la sociedad occidental, que se distingue de las
estructuras desarrolladas en otras regiones y culturas. A pesar de la variedad de
herramientas utilizadas por el estado, es en la política cambiaria convencional la
que presentan diversas condiciones que pueden obstaculizar su ecacia y, en
consecuencia, el logro de sus objetivos:
- Rigidez de respuesta: Las autoridades monetarias pueden verse limitadas en
su capacidad para actuar rápidamente ante cambios bruscos en el
mercado, lo que puede generar un efecto de retraso en la respuesta a la
volatilidad cambiaria.
- Costos de intervención: Las intervenciones en el mercado de divisas pueden
resultar costosas y, si no se gestionan adecuadamente, pueden agotar
reservas internacionales en un esfuerzo por estabilizar la moneda.
- Expectativas del mercado: Los métodos tradicionales a menudo no logran
convencer a los agentes del mercado sobre la sostenibilidad de los tipos de
cambio, lo que puede generar especulación y exacerbar la volatilidad en
lugar de estabilizarla.
62
- Impacto en la economía real: Las políticas pueden tener efectos adversos
colaterales en la economía, como la restricción del acceso al crédito o la
limitación de inversiones, afectando así el crecimiento a largo plazo.
Aunque la política cambiaria y sus instrumentos tradicionales son
fundamentales para la estabilidad económica, sus limitaciones sugieren la
necesidad de considerar alternativas más innovadoras y avanzadas, como el uso
de redes neuronales articiales, que podrían ofrecer modelos más precisos y
ecientes en la predicción y gestión de cambios en los tipos de cambio.
63
Capítulo IV
Métodos numéricos aplicados con software en economía y
nanzas
La creciente complejidad y dinámica de los mercados modernos, junto con la
abundancia de datos disponibles, exigen técnicas que permitan modelar, simular
y resolver problemas que no pueden abordarse con métodos analíticos
tradicionales. Este capítulo tiene como propósito examinar cómo los métodos
numéricos, en combinación con software especializado, facilitan la toma de
decisiones y la resolución de problemas en estos ámbitos.
Para Petropoulos et al. (2023), los modelos más relevantes en la investigación
de operaciones son los modelos matemáticos o simbólicos, que utilizan un
conjunto de símbolos y funciones para representar las variables de decisión y sus
interrelaciones, describiendo así el comportamiento del sistema. La aplicación de
las matemáticas para representar el modelo, que es una representación
aproximada de la realidad, nos permite aprovechar computadoras de alta
velocidad y técnicas de solución con matemáticas avanzadas.
En tanto, para Molina (2006), en el campo de la inteligencia articial,
tradicionalmente se considera un problema como la diferencia entre el estado
presente y el estado deseado. La repetida y especializada resolución de ciertos
tipos de problemas permite que estos se reconozcan como tareas. Una tarea
dene un objetivo en el razonamiento, expresado de manera independiente del
dominio, junto con un conjunto de tipos de entradas y salidas.
Ahora bien, la economía y las nanzas se enfrentan constantemente a
paradigmas tradicionales que requieren un análisis profundo y rigor matemático.
Desde la predicción de tendencias económicas hasta la valoración de activos
nancieros, los analistas y economistas deben contar con herramientas que les
permitan abordar estos problemas de manera efectiva. Este estudio se enfoca en
la aplicación de métodos numéricos tradicionales y avanzados en el análisis
económico y nanciero, subrayando su capacidad para ofrecer soluciones
prácticas a situaciones complejas. Así, se busca entender cómo estos métodos
pueden optimizar el proceso de toma de decisiones y mejorar la precisión en las
proyecciones económicas.
64
4.1 Importancia de los métodos numéricos en economía y nanzas
Los métodos numéricos permiten transformar ecuaciones matemáticas en
soluciones computables, lo que resulta esencial en econometría, programación
matemática y teoría de juegos, entre otros. Hay una necesidad apremiante de
entender más a fondo el fundamento cientíco que respalda las metodologías de
minería de datos y aprendizaje automático. Esto implica adoptar una perspectiva
transdisciplinaria de la ciencia de datos y reconocer sus bases en matemáticas,
estadística e informática (Xie et al., 2017). Entre las razones que destacan la
importancia de estos métodos en economía y nanzas, se incluyen:
- Modelado de fenómenos complejos: Los modelos económicos a menudo se
basan en ecuaciones no lineales y sistemas dinámicos que son difíciles de
resolver de forma analítica. Los métodos numéricos permiten aproximar
soluciones de manera efectiva.
- Simulaciones: La capacidad de simular diversos escenarios económicos y
nancieros, como crisis o cambios regulatorios, ayuda a los analistas a
anticipar comportamientos y tendencias en los mercados.
- Optimización: En nanzas, la optimización de portafolios y la gestión del
riesgo son dos áreas críticas donde los métodos numéricos tienen un papel
signicativo. Estos métodos permiten maximizar el retorno esperado y
minimizar el riesgo a través de la asignación eciente de recursos.
- Tratamiento de grandes volúmenes de datos: Con la revolución de los datos,
los economistas y nancieros se enfrentan a enormes conjuntos de datos
que deben ser analizados. Los métodos numéricos, cuando se combinan
con herramientas de software avanzado, permiten manejar, procesar y
extraer información valiosa de estos datos.
Los métodos numéricos aplicados a través de software especializado son
esenciales para el análisis y la toma de decisiones en economía y nanzas,
proporcionando soluciones efectivas a los problemas contemporáneos que
enfrentan estos campos. Estos métodos se utilizan para obtener soluciones
aproximadas a problemas numéricos que, de otro modo, resultarían difíciles o
imposibles de resolver analíticamente. Estos métodos son particularmente útiles
en el ámbito de la economía y las nanzas, donde se requiere la resolución de
ecuaciones complejas, la optimización de portafolios y la simulación de modelos
económicos. A través de diversas aproximaciones, los métodos numéricos
brindan herramientas para manejar grandes volúmenes de datos y modelar
65
situaciones que involucran incertidumbre, lo cual es común en el mundo
económico.
Los métodos numéricos se pueden denir como una colección de algoritmos
y técnicas para la resolución de problemas matemáticos mediante
aproximaciones. La resolución de ecuaciones algebraicas, la integración y la
derivación de funciones, así como la interpolación de datos son algunas de las
áreas donde se aplican ampliamente estos métodos (Ezquerro, 2012). Por
ejemplo, en el caso de ecuaciones diferenciales que representan el
comportamiento de un sistema económico, encontrar soluciones exactas suele ser
poco práctico; por lo tanto, se utilizan métodos numéricos como el método de
Euler, el método de Runge-Kua u otros algoritmos de discretización, que
facilitan obtener soluciones aproximadas que reejan la dinámica del sistema.
4.1.1 Principios matemáticos básicos y uso de software en economía
Los métodos numéricos se fundamentan en varios principios matemáticos
básicos que garantizan su efectividad y precisión. Algunos de estos principios
son:
- Teorema de Taylor: Permite aproximar funciones mediante polinomios de
Taylor, lo cual es fundamental para métodos de aproximación en cálculo
diferencial e integral.
- Análisis de errores: Incluye el estudio de los errores de truncamiento y
redondeo, que son cruciales para entender la precisión de los métodos
numéricos y asignar límites a los resultados obtenidos.
- Convergencia: Un método numérico se considera convergente si, a medida
que disminuimos el tamaño de los pasos (o aumentamos la complejidad
del cálculo), la solución se aproxima a la solución exacta del problema.
La comprensión de estos principios resulta esencial para seleccionar
adecuadamente un método numérico en función del tipo de problema a resolver,
así como para interpretar los resultados obtenidos y evaluar su aplicabilidad en
el contexto de la economía y las nanzas. Los avances en el software y las
herramientas computacionales han facilitado la implementación de estos
métodos, permitiendo a los profesionales del área realizar análisis complejos con
mayor rapidez y precisión.
El uso de software en economía y nanzas ha revolucionado la forma en que
se analizan datos, se toman decisiones y se gestionan riesgos. Con la creciente
complejidad de los mercados nancieros y la amplia disponibilidad de datos, las
66
herramientas informáticas se han vuelto indispensables para profesionales en
estos campos. Sin embargo, la continua expansión del ámbito digital en diversas
facetas de la vida humana y la creciente dependencia de las sociedades respecto
a estas plataformas tecnológicas ha resultado en una convergencia digital que
conlleva nuevos riesgos, amenazas y vulnerabilidades (Bellomo y Oszlak, 2020).
A continuación, se detallan algunas de las herramientas más comunes y las
ventajas que ofrecen.
Existen diversas herramientas de software que se utilizan en el ámbito de la
economía y las nanzas. Algunas de las más destacadas son:
- Excel: Aunque es una herramienta de hoja de cálculo general, su
versatilidad y poderosa capacidad para realizar cálculos y análisis
estadísticos la convierten en un favorito entre economistas y nancieros.
Permite crear tablas dinámicas, grácos y realizar simulaciones que
facilitan la comprensión de datos complejos.
- R: Este entorno de programación y software libre es especialmente útil
para realizar análisis estadísticos y econométricos. Su rica biblioteca de
paquetes permite a los usuarios realizar desde simples análisis hasta
modelos complejos y simulaciones.
- Python: Cada vez más utilizado en economía y nanzas, Python ofrece una
amplia gama de bibliotecas para análisis de datos (como Pandas y
NumPy) y para crear visualizaciones (como Matplotlib y Seaborn).
Además, su sencillez y legibilidad lo hacen accesible para varios niveles
de habilidad.
- MATLAB: Aunque su uso es más predominante en el ámbito académico,
MATLAB es potente para la modelización nanciera y el análisis
cuantitativo, especialmente en la elaboración de modelos matemáticos que
requieren cálculos complejos.
- Stata: Este software es ampliamente utilizado en la investigación
económica y social, especialmente por su capacidad para manejar grandes
conjuntos de datos y realizar análisis econométricos.
Las ventajas de utilizar software en economía y nanzas son múltiples y
signicativas:
- Eciencia: El software permite realizar cálculos complejos y análisis en
cuestión de segundos, lo que ahorra tiempo y esfuerzo en comparación
con los métodos manuales.
67
- Precisión: Al minimizar la intervención manual, se reducen los errores
humanos, lo que aumenta la precisión en los resultados. Esto es crucial
para la toma de decisiones informadas.
- Visualización de datos: Las herramientas informáticas permiten crear
grácos y representaciones visuales que facilitan la comprensión de
tendencias y patrones en los datos.
- Acceso a grandes volúmenes de datos: Con el software adecuado, es posible
manejar y analizar grandes cantidades de datos que serían imposibles de
manejar manualmente, mejorando las capacidades de análisis.
- Flexibilidad: El uso de software permite realizar ajustes y modicaciones a
modelos y análisis de manera rápida y sencilla, lo que es esencial en un
entorno económico y nanciero en constante cambio.
La aplicación de software en economía y nanzas con inteligencia articial
mejora la eciencia y la precisión y abre un mundo de oportunidades para la
visualización y el análisis de datos que son esenciales en la toma de decisiones
estratégicas. Los métodos numéricos son herramientas esenciales en la economía
contemporánea, proporcionando soluciones a problemas complejos que no
pueden resolverse mediante métodos analíticos tradicionales.
“La inteligencia articial también permite una mayor personalización de las
investigaciones. A través de la recolección de datos especícos, los investigadores pueden
adaptar sus enfoques y metodologías para estudiar problemas de manera más precisa”
(Alvarez et al., 2024, p. 35). Estos métodos permiten modelar situaciones
económicas, evaluar políticas y predecir comportamientos en un entorno
cambiante. Dos aplicaciones fundamentales de los métodos numéricos en
economía son los modelos econométricos y la simulación de modelos
económicos.
- Modelos econométricos:
Los modelos econométricos son representaciones matemáticas de relaciones
económicas que facilitan la estimación y prueba de hipótesis sobre variables
económicas. Utilizan datos empíricos para estimar parámetros que describen
estas relaciones. La econometría combina teoría económica, matemáticas y
estadísticas para interpretar resultados y realizar pronósticos precisos (Quintana
y Mendoza, 2016). El proceso general de construcción de un modelo
econométrico incluye:
68
- Especicación del modelo: Denición de la relación entre las variables
(independientes y dependientes) que se quiere estudiar.
- Estimación de parámetros: Utilización de técnicas como la regresión lineal o
no lineal para estimar coecientes a partir de datos históricos.
- Validación del modelo: Comprobación de la robustez del modelo a través
de pruebas de hipótesis, diagnósticos y análisis de residuos.
Esta metodología es vital para la elaboración de políticas económicas, ya que
permite simular escenarios y evaluar los efectos de distintas decisiones
gubernamentales o económicas en variables de interés, como el PIB, la inación
o el desempleo.
- Simulación de modelos económicos:
La simulación de modelos económicos es otra aplicación vital de los métodos
numéricos en la economía. Consiste en crear un modelo dinámico que represente
un entorno económico y luego utilizarlo para simular el comportamiento de las
variables bajo diferentes condiciones. Para Larrosa (2016), la simulación de
sistemas de múltiples agentes y los modelos fundamentados en agentes emplean
entidades virtuales que se relacionan de acuerdo con normas en entornos
regulados, facilitando la comprensión del comportamiento de los agentes reales
al considerar factores como la diversidad, la dimensión espacial y la racionalidad
limitada. Esta técnica se utiliza cuando los modelos teóricos son demasiado
complejos para resolverlos analíticamente. Los componentes clave de la
simulación incluyen:
- Denición clara de las variables: Identicación de las variables endógenas
(dependientes del modelo) y exógenas (externas al modelo).
- Desarrollo de algoritmos de simulación: Implementación de métodos
numéricos como métodos de Monte Carlo o métodos de diferencias nitas,
que permiten generar múltiples trayectorias de resultados futuros.
- Análisis de sensibilidad: Evaluación de cómo cambios en las variables
exógenas afectan a las variables del modelo, lo cual es crucial para
entender la estabilidad del sistema.
La simulación permite a los economistas y responsables de políticas
experimentar con situaciones hipotéticas, proporcionando un marco útil para la
toma de decisiones informadas. Gracias a estas técnicas, se pueden anticipar los
efectos de diversas estrategias de intervención en una economía, incluyendo
cambios scales, monetarios o regulatorios.
69
- Métodos Numéricos en las Finanzas:
Los métodos numéricos se han convertido en herramientas fundamentales en
el campo de las nanzas, permitiendo a los analistas y gestores de inversiones
abordar problemas complejos que, de otro modo, serían intratables. Dos de las
aplicaciones más destacadas de estos métodos son el análisis cuantitativo y la
optimización de portafolios. Entre los modelos más destacados se encuentra el
modelo de Markowi que se ha convertido en un pilar teórico esencial para la
elección de carteras de inversión y ha generado numerosos avances y
aplicaciones. Sin embargo, su implementación en la práctica, por parte de
gestores de cartera y analistas nancieros, no es tan extensa como se podría
anticipar dada su teoría exitosa (Grajales, 2009).
- Análisis cuantitativo en nanzas:
El análisis cuantitativo en nanzas se reere al uso de modelos matemáticos
y estadísticos para evaluar activos, gestionar riesgos y prever tendencias en los
mercados. La integración de los métodos numéricos en este análisis permite
realizar simulaciones que ofrecen una comprensión más profunda de la dinámica
de los mercados nancieros. Para Población (2015), las nanzas cuantitativas
emplean métodos matemáticos característicos de la estadística y la probabilidad,
junto con las herramientas de la ciencia de datos, para evaluar inversiones,
determinar precios de activos, medir riesgos o anticipar tendencias. Los
profesionales en este campo, que surgió a nales del siglo XX, son de los más
solicitados en el ámbito nanciero. Algunas de las técnicas más comunes
incluyen:
- Modelos de valoración de opciones: Utilizando métodos como el árbol
binomial o el modelo de Black-Scholes, los analistas pueden estimar el
valor de opciones y otros derivados nancieros, ayudando a los inversores
a tomar decisiones informadas.
- Modelos de series temporales: Aplicar métodos numéricos como el suavizado
exponencial y la regresión lineal múltiple permite identicar patrones
previsibles en los precios de activos, ofreciendo indicadores de compra o
venta.
- Análisis de riesgo: La simulación de Monte Carlo es una técnica numérica
que permite evaluar el riesgo en carteras diversicadas, proveyendo
estimaciones sobre pérdidas potenciales y ayudando a construir
estrategias de cobertura efectivas.
70
- Optimización de portafolios:
La optimización de portafolios es otro campo clave donde los métodos
numéricos tienen un impacto signicativo. Este proceso implica la selección de
activos para maximizar el retorno esperado y minimizar el riesgo, de allí que las
nanzas comportamentales surgen del entendimiento de cómo las variables
psicológicas, como las que se han mencionado, afectan las decisiones
relacionadas con el dinero (Useche, 2015). Algunas de las estrategias y técnicas
utilizadas son:
- Teorema de Markowi: Este enfoque clásico utiliza programación cuadrática
para determinar la combinación óptima de activos, considerando tanto el
rendimiento esperado como la covarianza entre ellos. Los métodos
numéricos hacen posible resolver problemas complejos que involucran
múltiples variables.
- Métodos de optimización estocástica: Estos métodos toman en cuenta la
incertidumbre inherente en los mercados nancieros, permitiendo a los
gestores de fondos modelar distintos escenarios y elegir la mejor estrategia
de inversión.
- Líneas de frontera eciente: A través de cálculos numéricos, los analistas
pueden visualizar grácamente la relación entre riesgo y retorno,
estableciendo cuál es la cartera óptima para diferentes niveles de
tolerancia al riesgo.
Los métodos numéricos enriquecen el análisis cuantitativo y la optimización
de portafolios en nanzas, proporcionando herramientas que ayudan a los
profesionales a tomar decisiones más informadas y efectivas. A medida que el
avance tecnológico continúa, se espera que estas técnicas se integren aún más en
el análisis nanciero cotidiano, promoviendo un enfoque más cientíco en la
toma de decisiones.
Los métodos numéricos aplicados mediante software han demostrado ser
herramientas valiosas en el ámbito de la economía y las nanzas. A continuación,
se presentan estudios de caso que ilustran el impacto y la efectividad de estas
técnicas tanto en el sector nanciero como en las políticas económicas. Ejemplo
de ello, es que entidades bancarias han implementado modelos de simulación
Monte Carlo para evaluar el riesgo de sus portafolios de inversión (Broby, 2022).
Este enfoque ha permitido a los bancos mejorar su gestión del riesgo,
optimizar el uso de capital y cumplir con los requisitos regulatorios. En general,
71
las empresas del sector nanzas han utilizado software de análisis estadístico
para desarrollar modelos predictivos que les permitan estimar el valor futuro de
acciones y commodities. Esto les ha brindado una ventaja competitiva al tomar
decisiones de inversión basadas en predicciones más precisas que las que pueden
obtenerse sin la ayuda de métodos numéricos. Además, el uso de algoritmos de
machine learning ha revolucionado la forma en que se realiza el trading,
permitiendo a los traders identicar patrones de comportamiento en los
mercados que antes pasaban desapercibidos.
4.1.2 Aplicaciones en políticas económicas
El uso de métodos numéricos también se extiende a la formulación y
evaluación de políticas económicas. Por ejemplo, muchos gobiernos utilizan
modelos econométricos para prever el impacto de la implementación de políticas
scales o monetarias. Al simular diferentes escenarios económicos, los
planicadores pueden analizar cómo las variaciones en impuestos o tasas de
interés afectarán variables clave como el crecimiento económico, el empleo y la
inación.
Un caso concreto es el uso de modelos de equilibrio general computable
(CGE) para evaluar el impacto de tratados comerciales. Estos modelos permiten
a los economistas analizar cómo los cambios en las tarifas arancelarias pueden
inuir en el bienestar económico de diferentes sectores y grupos sociales. Para
Lalanne y Sánchez (2019), “Actualmente las estimaciones empíricas utilizan efectos
jos para determinar los parámetros. Esto no requiere de fuertes supuestos estructurales
en el modelo subyacente. En general los gravities utilizan información a lo largo del
tiempo. En dichos casos se requiere que la estimación de efectos jos también considere el
tiempo. Si se realizan gravities estructurales con variación en las industrias, también se
requiere que los efectos varíen por industria” (p. 21).
En este sentido, al simular políticas económicas a través de software, se
pueden anticipar efectos no esperados y hacer ajustes antes de la
implementación. Los estudios de caso y ejemplos prácticos ilustran claramente
cómo, en el contexto actual, los métodos numéricos aplicados con software no
solo aumentan la precisión en los análisis nancieros y económicos, sino que
también proporcionan nuevas oportunidades para la toma de decisiones
estratégicas.
Los métodos numéricos aplicados en economía y nanzas ofrecen una
potente herramienta para el análisis y la toma de decisiones. Si bien, su
72
implementación no está exenta de limitaciones que es necesario considerar. Este
capítulo aborda dos aspectos clave: la precisión y los errores numéricos, así como
los controles del software aplicado (Rodríguez, 2003). La precisión en los cálculos
numéricos es fundamental, ya que los resultados pueden inuir
signicativamente en la toma de decisiones económicas y nancieras. Los
métodos numéricos, particularmente aquellos que implican aproximaciones,
pueden introducir errores que afectan la validez de los resultados. Existen varios
tipos de errores que se pueden presentar:
- Errores de redondeo: Surgen debido a la limitación en la representación de
los números en formato digital. Cuando se realizan operaciones
aritméticas, los valores pueden redondearse, lo que provoca pequeñas
discrepancias que se acumulan y pueden llevar a resultados incorrectos en
iteraciones sucesivas.
- Errores de truncamiento: Ocurren cuando se detiene el cálculo antes de
alcanzar la solución exacta. Por ejemplo, al utilizar series de Taylor o
métodos iterativos, la omisión de términos puede resultar en una
imprecisión del resultado nal.
- Errores de modelo: Incluyen las suposiciones y simplicaciones realizadas
en los modelos econométricos o nancieros. Un modelo que no capta
adecuadamente la complejidad de un fenómeno puede llevar a predecir
comportamientos erróneos.
Por lo tanto, es crucial realizar un análisis exhaustivo de la precisión de los
resultados obtenidos a través de métodos numéricos y ser conscientes de las
implicaciones que los errores pueden tener en decisiones estratégicas. El uso de
software especializado en la implementación de métodos numéricos también
presenta limitantes:
- Dependencia del usuario: La efectividad del software depende del
conocimiento y la experiencia del usuario. Un operador inexperimentado
puede malinterpretar los resultados o congurar incorrectamente los
parámetros, lo que puede llevar a decisiones equivocadas.
- Limitaciones del algoritmo: No todos los problemas pueden ser resueltos de
manera óptima por los algoritmos disponibles. Algunos problemas
complejos pueden requerir métodos que no están implementados en
ciertos software, lo que limita su aplicación.
- Costo y accesibilidad: Mientras que algunos programas son gratuitos,
otros pueden ser costosos y requerir licencias. Esto puede ser un obstáculo,
73
especialmente para pequeñas empresas o países en vías de desarrollo que
no tienen acceso a recursos tecnológicos avanzados.
Aunque los métodos numéricos y el software asociado representan herramientas
valiosas en economía y nanzas, es esencial ser conscientes de condiciones que
pueden inuir en sus resultados y en la toma de decisiones. Los métodos
numéricos aplicados a la economía y nanzas con inteligencia articial
representan un avance signicativo en la forma de analizar y modelar problemas
complejos, es decir, los métodos tradicionales revisten de estar limitados por la
información dimensional de las propias corporaciones y son exiguos para
abordar la complejidad y el afanoso fraude nanciero moderno (Li et al., 2024).
A través del uso de software especializado, los economistas y nancieros
pueden llevar a cabo análisis que, de otro modo, resultarían complicados o
incluso imposibles de realizar manualmente. Estas herramientas permiten
abordar situaciones que involucran variables interdependientes, ruido en los
datos y condiciones de frontera difíciles de caracterizar analíticamente.
Un aspecto crucial de este enfoque es su capacidad para procesar grandes
cantidades de datos y extraer información útil que puede guiar la toma de
decisiones. Por ejemplo, los modelos econométricos, que son esenciales para
prever comportamientos del mercado, se benecian enormemente de la
computación numérica. La simulación de escenarios económicos también es
facilitada por estos métodos, lo que permite a los analistas evaluar diferentes
políticas y estrategias en un entorno controlado.
Hasta cierto punto, es importante destacar que la efectividad de estos
métodos depende en gran medida de la calidad de los datos y de las suposiciones
en las que se basan los modelos. La precisión y abilidad de los resultados
obtenidos son cruciales para la validez de las conclusiones que se derivan de
ellos. Por tanto, es esencial que los profesionales en el campo sigan
actualizándose y mejorando sus habilidades en el uso de estas herramientas.
Se prevé que la capacidad de estas tecnologías para manejar y aprender de
grandes volúmenes de datos transforme por completo la forma en que se llevan
a cabo los análisis nancieros. Por ejemplo, el uso de redes neuronales para la
predicción de mercados nancieros o la optimización de portafolios podría
mejorar la precisión y efectividad en la toma de decisiones (Ridzuan et al., 2024).
Además, la integración de métodos numéricos con técnicas de visualización data-
driven permitirá a los economistas y nancieros presentar sus hallazgos de
74
manera más intuitiva y comprensible; esto puede facilitar la comunicación de
información compleja a inversores y a la toma de decisiones de políticas públicas.
Habrá que prestar atención a la ética y deontología de privacidad que surjan
con el tratamiento de grandes conjuntos de datos. A medida que se avanza en el
uso de métodos numéricos, es fundamental garantizar que se respeten los
derechos de los individuos y que estos métodos no perpetúen sesgos existentes.
Por ende, la evolución de los métodos numéricos aplicados a la economía y
nanzas abre nuevas puertas para análisis más robustos y fundamentados,
mejorando así la toma de decisiones y la planicación estratégica en el ámbito
económico global.
4.2 Matemática nanciera: Métodos basados en redes neuronales
articiales
La simbiosis entre la matemática nanciera y las redes neuronales
articiales ha dado lugar a una evolución signicativa en los enfoques de
predicción y modelización. Para Del Carpio (2005), en la literatura cientíca
concurren algoritmos para maximizar la selección de la arquitectura, pero por
encima de todo, está la práctica y la fase de prueba, los cuales se convierten en
excelentes criterios de elegibilidad.
Las redes neuronales articiales son estructuras computacionales
inspiradas en el funcionamiento del cerebro humano, capaces de aprender y
generalizar patrones a partir de datos. Esto las convierte en herramientas ideales
para la modelización y predicción en el ámbito nanciero, donde los datos
históricos son abundantes y las relaciones no lineales a menudo son complejas.
Algunos de los principales benecios de utilizar redes neuronales para estos
propósitos son:
- Flexibilidad en la modelización: A diferencia de los modelos tradicionales
que a menudo requieren suposiciones estrictas (por ejemplo, normalidad
en la distribución de errores), las redes neuronales pueden adaptarse a una
amplia variedad de formas y patrones en los datos, permitiendo la
modelización de relaciones no lineales.
- Aprendizaje a partir de datos: Las redes neuronales son capaces de
procesar y aprender de grandes volúmenes de datos, lo que les permite
identicar tendencias y patrones que podrían no ser evidentes a simple
vista. Esto puede resultar en predicciones más precisas sobre el
comportamiento futuro de activos nancieros.
75
- Generalización: Una vez entrenadas adecuadamente, las redes neuronales
pueden generalizar a nuevos datos que no han sido parte del conjunto de
entrenamiento, lo que es fundamental para la predicción en tiempo real.
Un caso destacado del uso de redes neuronales en la modelización y
predicción es su implementación para anticipar el precio de acciones o divisas.
El entrenamiento de redes neuronales con información histórica sobre precios,
volúmenes de operaciones y otros índices económicos, es posible realizar
pronósticos sobre futuros movimientos de precios que, en ciertas ocasiones,
superan a los métodos convencionales en cuanto a precisión (Villada et al., 2016).
El análisis de riesgos es fundamental en la toma de decisiones nancieras, ya que
permite a las empresas y a los inversores identicar y cuanticar el riesgo
asociado a sus inversiones. Las redes neuronales han demostrado ser
particularmente útiles en este ámbito por varias razones:
- Identicación de riesgos ocultos: Las redes neuronales pueden descubrir
patrones en los datos que pueden no ser inmediatos a través de métodos
de análisis convencional. Esto es especialmente importante en el contexto
de riesgos nancieros donde las relaciones entre variables pueden ser
complicadas y no lineales.
- Modelos de riesgo de crédito: Una de las aplicaciones principales de las redes
neuronales es en la evaluación del riesgo crediticio, donde pueden
utilizarse para determinar la probabilidad de que un prestatario incumpla
en sus pagos. Al analizar datos históricos sobre préstamos, pagos y
características del prestatario, las redes neuronales pueden proporcionar
una evaluación más ajustada del riesgo de un préstamo especíco.
- Evaluación del riesgo de mercado: Las redes neuronales también pueden ser
empleadas para evaluar el riesgo de mercado asociado a carteras de
inversiones. A través de simulaciones y el análisis de datos históricos de
precios, estos modelos pueden ayudar a medir la volatilidad y el riesgo
potencial de pérdidas en diferentes escenarios de mercado.
- Desempeño en condiciones de estrés: En situaciones de alta volatilidad o crisis,
las redes neuronales pueden ser ajustadas para evaluar cómo se
comportarían los activos bajo diferentes supuestos de mercado. Esto es
crucial para la gestión de riesgos, ya que permite a las instituciones
nancieras preparar respuestas adecuadas ante condiciones adversas.
La combinación de su capacidad para aprender a partir de datos y su
exibilidad en la modelización les convierte en herramientas poderosas en un
76
entorno nanciero cada vez más complejo y dinámico. A medida que la
tecnología avanza y más datos se vuelven disponibles, la utilización de redes
neuronales en nanzas seguirá evolucionando, ofreciendo nuevas oportunidades
para los profesionales del sector.
4.2.1 Comparativa entre Métodos Tradicionales y Neuronales
La comparativa entre los métodos tradicionales de la matemática
nanciera y los métodos basados en redes neuronales articiales es un tema de
gran relevancia en el contexto actual, donde la tecnología y el análisis de datos
juegan un papel crucial en la toma de decisiones nancieras. El uso de redes
neuronales articiales en la matemática nanciera ha crecido exponencialmente
en las últimas décadas, impulsado por la capacidad de estas tecnologías para
manejar grandes volúmenes de datos y encontrar patrones complejos. En cierto
modo, a pesar de sus ventajas, existen importantes retos y prohibiciones que
deben ser considerados. Se hace énfasis en dos aspectos cruciales: los aspectos
técnicos y los factores económicos que aquejan la implementación de redes
neuronales en el ámbito nanciero.
El enfoque principal de la utilización de redes neuronales en nanzas es el
overing, que ocurre cuando un modelo aprende demasiado bien los datos de
entrenamiento, capturando ruido en lugar de la señal real. Este problema es
especialmente prevalente en el ámbito nanciero, dado que los mercados son
altamente volátiles y están inuenciados por innumerables factores
impredecibles. Para mitigar el overing, se pueden aplicar varias técnicas, como
la regularización, la reducción de la complejidad del modelo o el uso de conjuntos
de datos más amplios para entrenar la Red Neuronal.
Otro aspecto técnico crítico es la elección de la arquitectura adecuada de
la red. Existen múltiples tipos de redes neuronales, es decir, redes neuronales
profundas (DNN), redes neuronales convolucionales (CNN), y redes de memoria
a largo plazo (LSTM) cada una con sus propias características y ventajas. Sin
embargo, seleccionar la mejor arquitectura para un problema especíco puede
ser complicado y requiere un profundo conocimiento del dominio nanciero
(Pawlicki et al., 2022). Además, las decisiones sobre la cantidad de capas, el
número de neuronas por capa y la función de activación deben tomarse
cuidadosamente, ya que estas inuirán directamente en la capacidad del modelo
para aprender y generalizar.
77
Otro reto técnico es la preprocesamiento de datos. Los datos nancieros
son a menudo ruidosos e incompletos, lo que puede afectar el rendimiento de la
red neuronal. Por ello, es fundamental implementar técnicas de limpieza y
normalización de datos para asegurar una mejor calidad de entrada. La selección
de características también juega un papel crucial; se debe decidir qué variables se
incluirán en el modelo, pues no todas las variables disponibles son relevantes o
útiles para el objetivo de predicción. Además, los modelos de redes neuronales
pueden ser computacionalmente intensivos. El entrenamiento de redes
profundas puede requerir hardware especializado y considerable tiempo de
cómputo, especialmente si se trabaja con grandes conjuntos de datos. Esto puede
ser una limitación signicativa para muchas instituciones nancieras que no
disponen de los recursos necesarios.
Los factores económicos también representan un gran reto en la
implementación de redes neuronales en nanzas. La regulación del mercado es
un aspecto crítico a considerar. En muchos países, las instituciones nancieras
están sujetas a estrictas regulaciones que limitan la forma en que pueden analizar
y utilizar los datos. Esto puede dicultar la implementación de modelos de redes
neuronales, que a menudo requieren acceso a grandes volúmenes de datos de
diversas fuentes para ser efectivos.
Adicionalmente, los cambios abruptos en las condiciones del mercado
pueden hacer que los modelos entrenados se tornen obsoletos rápidamente. Por
ejemplo, durante crisis nancieras o eventos inesperados como la pandemia de
COVID-19, los patrones de comportamiento de los mercados pueden cambiar
drásticamente, lo que desafía la utilidad de los modelos basados en datos
históricos. En este sentido, la adaptabilidad se convierte en un factor crucial,
aunque difícil de implementar, dado que los modelos deben reevaluarse y
reajustarse continuamente.
En general, la inversión inicial necesaria para desplegar redes neuronales
puede ser signicativa. Las pequeñas y medianas empresas pueden encontrar
dicultad para justicar la inversión en infraestructura, software y personal
especializado en comparación con las grandes instituciones que pueden
amortizar esta inversión con mayor facilidad. Esto puede resultar en una
disparidad en el acceso a tecnologías avanzadas y limitar la competitividad de
los actores más pequeños en el sector nanciero. Aunque las redes neuronales
articiales ofrecen un potencial signicativo para la matemática nanciera,
enfrentan barreras técnicas y económicas que deben ser cuidadosamente
78
gestionados (Pérez y Fernández, 2007). La comprensión de estos retos es
fundamental para la implementación efectiva de estas tecnologías en un campo
tan dinámico y crítico como el nanciero.
79
Conclusiones
En cierto sentido, es crucial que las implementaciones de IA sean éticas y
responsables, la sostenibilidad no debe ser solo un objetivo en términos de
recursos, sino también en cómo se desarrollan y aplican las tecnologías. Esto
abarca consideraciones sobre el impacto social y el cuidado en la creación de
sistemas que benecien a toda la sociedad.
Las oportunidades asociadas con la inteligencia articial en el ámbito
productivo son numerosas; el fomento de la innovación continua y el
compromiso con la sostenibilidad son elementos clave que inuirán en el futuro
de la IA en el país. La adopción de sistemas que utilizan IA ha permitido a
diversas industrias mejorar su operativa, aumentar la eciencia y reducir costos.
En el sector manufacturero, por ejemplo, la utilización de robots y sistemas
de automatización ha revolucionado la producción, permitiendo un aumento
considerable en la productividad. En el sector agrícola, tecnologías como drones
y análisis de datos han facilitado la implementación de prácticas más sostenibles
y efectivas, mejorando, además, la capacidad de respuesta ante cambios en el
mercado.
El estudio también nos ha permitido notar que, aunque la implementación
de la inteligencia articial presenta aspectos éticos que no se pueden ignorar, uno
de los hallazgos más relevantes es su inuencia en el campo macroeconómico, ya
que la automatización de ciertos procesos podría resultar en una reducción de
empleos, especialmente en áreas de menor cualicación. Esto, a su vez, genera
preocupaciones sobre la desigualdad y la necesidad de formular políticas que
aseguren la inclusión de todos en este nuevo contexto socioeconómico.
Entonces, el sistema de contabilidad macroeconómica es un pilar esencial
del análisis y la gestión económica. Sus elementos básicos y su importancia en la
economía global permiten a los responsables políticos, economistas y ciudadanos
en general comprender mejor la complejidad de las dinámicas económicas en
juego, favoreciendo así la creación de un entorno más estable y próspero. De cara
al futuro, es esencial continuar investigando y desarrollando la inteligencia
articial de forma ética y responsable, pues, las proyecciones sugieren que la IA
seguirá avanzando y ampliando su inuencia en el sector productivo, lo que
exigirá que empresas y gobiernos deben colaborar en cuanto a la regulación y la
capacitación.
80
Bibliografía
Abascal, J., y Moriyón, R. (2002). Tendencias en Interacción Persona Computador.
Inteligencia Articial. Revista Iberoamericana de Inteligencia Articial, 6(16), 9-24
Abeles, M., Pérez, E., y Valdecantos, S. (2018). Estudios sobre nancierización en
América Latina. Santiago de Chile: Naciones Unidas
Alvarez, A.M., García, H.D., Sánchez, V., Panta, J.M., Balcázar, J.E.J., Asnate, E.J.,
y Baca, J.W. (2024). Inteligencia articial y ciencia de datos en metodología de la
investigación cientíca. Colonia del Sacramento: Editorial Mar Caribe.
hps://doi.org/10.17613/v08zg-fp681
Aragón, G., y Ruiz, J. (2023). Reformas económicas para un Perú sostenible. Lima:
Escuela de Gestión Pública de la Universidad del Pacíco, Universidad del
Pacíco.
Arenas de Mesa, A. (2016). Sostenibilidad scal y reformas tributarias en América
Latina. Santiago de Chile: CEPAL
Argandoña, A. (1990). El pensamiento económico de Milton Friedman. Universidad
de Navarra
Arguelles Toache, E. (2024). Benecios y riesgos del uso de la Inteligencia
Articial en el Servicio de Administración Tributaria de México (SAT). Un
análisis desde la perspectiva de investigadores académicos. PAAKAT: revista de
tecnología y sociedad, 14(27), e885. hps://doi.org/10.32870/pk.a14n27.885
Assimakopoulos, F., Vassilakis, C., Margaris, D., Kotis, K. y Spiliotopoulos, D.
(2024). Herramientas de inteligencia articial para la cadena de valor agrícola:
situación y perspectivas. Electronics , 13 (22), 4362.
hps://doi.org/10.3390/electronics13224362
Ayina, D. (2020). Inteligencia articial, una palanca de desarrollo humano integral en
áfrica: oportunidades y desafíos éticos y antropológicos [Tesis de Maestría].
Universidad Ponticia Comillas
Baena Paz, G. (2015). Planeación prospectiva estratégica: teorías, metodologías y buenas
prácticas en América Latina. México D. F.: Universidad Nacional Autónoma De
México
81
Bellomo, S., y Oszlak, O. (2020). Desafíos de la administración pública en el contexto
de la Revolución 4.0. Buenos aires: Konrad-Adenauer-Stiftung
Benhamou, S. (2022). La transformación del trabajo y el empleo en la era de la
inteligencia articial: análisis, ejemplos e interrogantes (LC/TS.2022/85). Santiago de
Chile: CEPAL
Broby, D. (2022). El uso de análisis predictivo en nanzas. Revista de nanzas y
ciencia de datos, 8, 145-161. hps://doi.org/10.1016/j.jfds.2022.05.003
Carranco Gallardo, Z., y Venegas-Martínez, F. (2009). Políticas scal y monetaria
óptimas en una economía pequeña y abierta. Problemas del desarrollo, 40(156), 29-
46
Castro Contreras, J.R. (s/f). La inteligencia articial y su aplicación en los
negocios internacionales. Revista Digital Facultad de Ciencias Administrativas y
Recursos Humanos. Recuperado de
hps://www.administracion.usmp.edu.pe/revista-digital-usmp/entrada_7/la-
inteligencia-articial-y-su-aplicacion-en-los-negocios-internacionales/
Cenia. (agosto de 2023). Índice latinoamericano de inteligencia articial. Cenia.
hps://indicelatam.cl/wp-content/uploads/2023/08/ILIA-2023.pdf
Cerdá, E., y Khalilova, A. (s/f). Economía circular. Economía circular, estrategia y
competitividad empresarial. Recuperado de
hps://www.mintur.gob.es/Publicaciones/Publicacionesperiodicas/EconomiaIn
dustrial/RevistaEconomiaIndustrial/401/CERD%C3%81%20y%20KHALILOVA.
pdf
Comisión Económica para América Latina y el Caribe (CEPAL). (2024a, 15 02).
CEPAL lanzó Observatorio de Desarrollo Digital para contribuir a la transformación
digital de América Latina y el Caribe [Comunicado de
prensa]. hps://www.cepal.org/es/comunicados/cepal-lanzo-observatorio-
desarrollo-digital-contribuir-la-transformacion-digital-america
Comisión Económica para América Latina y el Caribe (CEPAL). (2021).
Tecnologías digitales para un nuevo futuro (LC/TS.2021/43). Santiago de Chile:
CEPAL
Comisión Económica para América Latina y el Caribe (CEPAL). (2022). Estudio
Económico de América Latina y el Caribe (LC/PUB.2022/9-P/Rev.1). Santiago de
Chile: CEPAL
82
Comisión Económica para América Latina y el Caribe (CEPAL). (2024b). Superar
las trampas del desarrollo de América Latina y el Caribe en la era digital: el potencial
transformador de las tecnologías digitales y la inteligencia articial (LC/CMSI.9/3),
Santiago: CEPAL
Comisión Económica para América Latina y el Caribe (CEPAL). Superar las
trampas del desarrollo de América Latina y el Caribe en la era digital: el potencial
transformador de las tecnologías digitales y la inteligencia articial (LC/CMSI.9/3),
Santiago: CEPAL
Cornejo Cachay, D.L. (2023). La inteligencia articial y su incidencia en el
mercado laboral peruano. Revista De Derecho Procesal Del Trabajo, 6(8), 179-214.
hps://doi.org/10.47308/rdpt.v6i8.752
Cornejo Cachay, D.L. (2023). La inteligencia articial y su incidencia en el
mercado laboral peruano. Revista De Derecho Procesal Del Trabajo, 6(8), 179-214.
hps://doi.org/10.47308/rdpt.v6i8.752
Corvalán, J.G. (2018). Inteligencia articial: retos, desafíos y oportunidades –
Prometea: la primera inteligencia articial de Latinoamérica al servicio de la
Justicia. Revista De Investigações Constitucionais, 5(1), 295–316.
hps://doi.org/10.5380/rinc.v5i1.55334
De Carvalho, F. (1992). Mr. Keynes and the Post Keynesians: Principles of
Macroeconomics for a Monetary Production Economy. Aldershot: Edward Elgar
Publishing.
El País. (2021, 01 12). El impacto de la IA en la toma de decisiones: ventajas y retos
[Comunicado de prensa]. hps://elpais.com/economia/entorno-seguro/2021-12-
01/cuales-son-los-dilemas-eticos-del-uso-de-la-inteligencia-articial.html
El País. (2024, 15 07). El impacto de la IA en la toma de decisiones: ventajas y retos
[Comunicado de prensa]. hps://profesional.elpais.com/conoce-mas/el-impacto-
de-la-ia-en-la-toma-de-decisiones-ventajas-y-retos
Elizalde, A. (2003). Planicación estratégica territorial y políticas públicas para el
desarrollo local. Santiago de Chile: Instituto Latinoamericano y del Caribe de
Planicación Económica y Social (ILPES)
Ezquerro Fernández, J.A. (2012). Iniciación a los métodos numéricos. Logroño:
Universidad de la Rioja, Servicio de Publicaciones
83
Gligo, N. (2007). Políticas activas para atraer inversión extranjera directa en América
Latina y el Caribe. Santiago de Chile: CEPAL
González Monguí, P.E. (2009). Derechos económicos, sociales y culturales. Bogotá:
Universidad Libre de Colombia
Grajales Bedoya, D.D. (2009). Gestión de portafolios. Una mirada crítica más allá
de Markowi. AD-minister, (15), 154-162
Lalanne, A., y Sánchez, G. (2019). Evaluación del impacto de acuerdos comerciales:
metodologías, experiencias internacionales y aplicaciones para el caso uruguayo, serie
Estudios y Perspectivas-Ocina de la CEPAL en Montevideo, N° 41 (LC/TS.2019/122-
LC/MVD/TS.2019/4). Santiago de Chile: Comisión Económica para América
Latina y el Caribe (CEPAL)
Larrosa, J.M. (2016). Agentes computacionales y análisis económico. Revista de
Economía Institucional, 18(34), 87–113.
hps://doi.org/10.18601/01245996.v18n34.07
León León, J., y de la Rosa Mendoza, J.R. (2005). Política monetaria, cortos y
estabilidad macroeconómica. Análisis Económico, 20(43), 291-326
Li, X., Chu, L., Li, Y., Xing, Z., Ding, F., Li, J. y Ma, B. (2024). Un sistema inteligente
de apoyo a la detección de fraudes nancieros basado en la penetración de
relaciones de tres niveles. Mathematics , 12 (14), 2195.
hps://doi.org/10.3390/math12142195
Medina, J., Becerra, S., y Castaño, P. (2014). Prospectiva y política pública para el
cambio estructural en América Latina y el Caribe. Santiago de Chile: CEPAL
Medina-López, A., Jiménez-Partearroyo, M., y Cámara, Á. (2024). Un modelo de
equilibrio general computable dinámico para la optimización en análisis de
negocios: simulación del impacto de shocks de inversión. Matemáticas, 12 (1), 41.
hps://doi.org/10.3390/math12010041
Mohammadi Lanbaran, N., Naujokaitis, D., Kairaitis, G., Jenciūtė, G. y
Radziukynienė, N. (2024). Descripción general de las startups que desarrollan
inteligencia articial para el sector energético. Ciencias Aplicadas, 14 (18), 8294.
hps://doi.org/10.3390/app14188294
Molina, M. (2006). Métodos de resolución de problemas: Aplicación al diseño de sistemas
inteligentes. Madrid: Fundación General de la Universidad Politécnica de Madrid
84
Muñoz Restrepo, C.A. (2014). La inteligencia articial y la contabilidad. Lógica
borrosa y representación del conocimiento. Lumina, 15, 146-172
Pawlicki, M., Kozik, R., y Choras, M. (2022). Una encuesta sobre redes neuronales
para la (ciber)seguridad y la (ciber)seguridad de las redes neuronales.
Neurocomputación, 500, 1075-1087. hps://doi.org/10.1016/j.neucom.2022.06.002
Peñalver-Higuera, M.J., y Isea-Argüelles, J.J. (2024). Transformación hacia
fábricas inteligentes: El papel de la IA en la industria 4.0. Ingenium Et
Potentia, 6(10), 38–53. hps://doi.org/10.35381/i.p.v6i10.3742
Pérez Ramírez, F.O., y Fernández Castaño, H. (2007). Las redes neuronales y la
evaluación del riesgo de crédito. Revista Ingenierías Universidad de Medellín, 6(10),
77-91.
Petropoulos, F., Laporte, G., Aktas, E., Alumur, S.A., Archei, C., Ayhan, H., y
Zhao, X. (2023). Operational Research: methods and applications. Journal of the
Operational Research Society, 75(3), 423–617.
hps://doi.org/10.1080/01605682.2023.2253852
Platon, V., Florin-Marius, P., Antonescu, D., Constantinescu, A., Frone, F.,
Surugiu, M., Mazilescu, R., & Popa, F. (2024). New evidence about articial
intelligence and eco-investment as boosters of the circular economy,
Environmental Technology & Innovation, 35, 103685.
hps://doi.org/10.1016/j.eti.2024.103685
Población Garcia, F.J. (2015). Finanzas Cuantitativas Básicas. Madrid: Ediciones
Paraninfo
Quintana Romero, L., y Mendoza, M.A. (2016). Econometría aplicada usando R.
México, D.F.: Universidad Nacional Autónoma de México
Ridzuan, N.N., Masri, M., Anshari, M., Fitriyani, N.L. y Syafrudin, M. (2024). IA
en el sector nanciero: la línea entre innovación, regulación y responsabilidad
ética. Información , 15 (8), 432. hps://doi.org/10.3390/info15080432
Rodríguez Rodríguez, P.A. (2003). Diseño de un software para la solución numérica
de sistemas de ecuaciones lineales, integración y aproximación [Tesis de Grado].
Universidad de El Salvador
Ros, J. (2012). La Teoría General de Keynes y la macroeconomía
moderna. Investigación económica, 71(279), 19-37
85
Sánchez Acevedo, M. (2022). La inteligencia articial en el sector público y su
límite respecto de los derechos fundamentales. Estudios constitucionales, 20(2),
257-284. hps://dx.doi.org/10.4067/S0718-52002022000200257
Secretaría del Convenio sobre la Diversidad Biológica (2008). La Biodiversidad y la
Agricultura: Salvaguardando la biodiversidad y asegurando alimentación para el mundo.
Montreal: Secretaría del Convenio sobre la Diversidad Biológica
Solis Rosales, R., y Cruz Romero, M. A. (2021). Flujo circular y desenvolvimiento
económico en el pensamiento monetario de Joseph Alois Schumpeter. Economía:
teoría y práctica, (54), 17-36. hps://doi.org/10.24275/etypuam/ne/542021/solis
Tejeda-Villanueva, A., Blanco-Jiménez, M., y Guerra-Moya, S. (2019). Factores
que impulsan las importaciones de las empresas de alimentos procesados,
mejorando su competitividad. Investigación Administrativa, 48(124). Recuperado
de hps://www.redalyc.org/articulo.oa?id=456059299007
Terrones Rodríguez, A.L. (2022). Ética para la inteligencia articial
sostenible. Arbor, 198(806), a683. hps://doi.org/10.3989/arbor.2022.806013
Useche Arévalo, A.J. (2015). Construcción de portafolios de inversión desde las
nanzas del comportamiento: Una revisión crítica. Cuadernos de Administración,
28(51), 11-43. Recuperado de hps://www.redalyc.org/pdf/205/20543851001.pdf
Villada, F., Muñoz, N., y García-Quintero, E. (2016). Redes Neuronales
Articiales aplicadas a la Predicción del Precio del Oro. Información
tecnológica, 27(5), 143-150. hps://dx.doi.org/10.4067/S0718-07642016000500016
Xie, Y., Eftelioglu, E., Ali, R.Y., Tang, X., Li, Y., Doshi, R. y Shekhar, S. (2017).
Fundamentos transdisciplinarios de la ciencia de datos geoespaciales. Revista
internacional de geoinformación de la ISPRS , 6 (12), 395.
hps://doi.org/10.3390/ijgi6120395
86
De esta edición de “Métodos de inteligencia articial aplicados al desarrollo de
sistemas económicos y nancieros centrados en técnicas numéricas” se terminó
de editar en la ciudad de Colonia del Sacramento, República Oriental del
Uruguay, el 26 de diciembre del año 2024.
87
