Cada año, justo cuando el calendario de elaboración de informes está en su momento más exigente, el etiquetado XBRL acaba en manos de alguien sin formación como especialista en XBRL.
El informe anual está terminado; las cifras se han revisado, contrastado y aprobado, y los auditores han dado su opinión. Después, antes de poder presentar nada, hay que encargarse del etiquetado. Cada dato numérico debe asignarse a un concepto de la taxonomía y todas las revelaciones narrativas debe marcarse y cotejarse. Asimismo, todos los valores de configuración deben establecerse correctamente; de lo contrario, el conjunto no superará la validación, lo cual resulta muy difícil de interpretar sin conocimientos especializados.
Para la mayoría de los equipos financieros, es aquí donde se desvanece la confianza en un proceso que, por lo demás, parecía estar bajo control.
No tiene por qué ser así. Y con Lucanet Tagger Agent, no lo es.
El coste real del etiquetado manual
El coste evidente del etiquetado XBRL manual es el tiempo. Un informe ESEF anual estándar etiquetado manualmente suele tardar entre dos y tres días en lo que respecta a las secciones narrativas, y entre medio día y un día en cuanto a los datos numéricos. A finales de año, cuando tu equipo ya está al límite de sus capacidades, eso supone una cantidad considerable de tiempo que hay que dedicar a una tarea que queda fuera del ámbito de competencias principal de la mayoría de los profesionales de finanzas.
Pero el coste en tiempo es, en realidad, el menor de los problemas.
El principal problema es la falta de conocimientos especializados y lo que ocurre cuando esta se pone de manifiesto en el peor momento posible.
El etiquetado XBRL requiere estar familiarizado con las estructuras taxonómicas a las que la mayoría de los equipos financieros se enfrentan una o dos veces al año. Solo la taxonomía NIIF contiene miles de conceptos; elegir la adecuada para cada partida exige comprender tanto la lógica de la taxonomía como los matices de las propias divulgaciones. Si se hace bien, nadie lo nota, pero si se hace mal, se produce un error de validación o, lo que es peor, un informe que, aunque supere la validación técnica, es rechazado por el auditor o el organismo regulador porque la etiqueta no refleja la información subyacente.
El resultado es que muchos equipos de finanzas acaban dependiendo de consultores externos, especialistas internos en XBRL o llamadas al servicio de asistencia para superar cada temporada de presentación de informes. Esa dependencia supone un coste adicional, requiere más tiempo y añade una fase al proceso que no debería ser necesaria para una tarea que, en esencia, consiste en representar correctamente la información financiera que tú ya entiendes perfectamente.
El motivo real de los errores en la presentación de documentos
La mayoría de los errores de presentación de XBRL no se originan en la fase de etiquetado, sino en la configuración del proyecto.
Al crear un proyecto XBRL, es necesario configurar una serie de parámetros técnicos (como la versión de la taxonomía, el contexto del periodo, los identificadores de entidad y la escala decimal) antes de etiquetar cualquier elemento. Si alguno de estos valores es incorrecto, el error no saldrá a la luz de inmediato, sino que se propaga de manera invisible a todas las etiquetas que se agregan después. Para cuando se detecta el error, es posible que hayas pasado días deshaciendo etiquetas y volviéndolas a aplicar.
La respuesta habitual a este problema ha sido la documentación: notas orientativas, listas de comprobación en formato PDF y sesiones de formación. El planteamiento de Lucanet consiste en eliminar el problema por completo. Cuando creas un nuevo proyecto con Lucanet Tagger Agent, seleccionas tu mandato y el año de presentación. La plataforma aplica automáticamente todos los valores de configuración técnica necesarios, en función de lo que exija el regulador correspondiente para ese año de presentación específico; confirmas los detalles de tu entidad y el período, y el proyecto está listo.
Otra fuente de errores son los comentarios de validación. Si alguna vez has visto un mensaje de error de validación de un etiquetador XBRL de escritorio, reconocerás esta experiencia. El mensaje es un código técnico y una cadena de XML que describe con precisión cuál es el problema a nivel técnico, pero que no aporta prácticamente ninguna información útil a nivel humano. ¿Qué elemento se ve afectado? ¿Qué significa eso en palabras comprensibles? ¿Qué tengo que hacer para solucionarlo?
Tagger Agent se encarga de la ardua tarea del etiquetado manual, para que puedas centrarte en revisar en lugar de etiquetar. Se trata de una decisión deliberada para mantener la intervención humana: el agente etiqueta y el revisor lo verifica. De este modo, hay menos comentarios por parte de los editores.
Con Tagger Agent de Lucanet, cada error de validación se clasifica como «bloqueador» (la presentación se rechazará y deberá subsanarse) o «informativo» (la presentación se aceptará, pero es posible que un auditor plantee alguna duda). Siempre que sea posible, cada error enlaza directamente con el elemento afectado e incluye una sugerencia de solución cuando la resolución sigue un patrón claro.
El objetivo es que un profesional de las finanzas sin conocimientos previos de XBRL pueda leer un error de validación, entender qué significa y resolverlo sin tener que abrir una solicitud de asistencia.
Qué significa realmente el etiquetado asistido por IA
Cuando la gente oye hablar por primera vez del «etiquetado asistido por IA», suelen surgir rápidamente dos preguntas. La primera es: ¿cómo funciona realmente? La segunda, que suele formularse con más cautela, es: ¿qué sucede cuando se equivoca?
Ambas preguntas son razonables. Aquí tienes las respuestas claras.
Cómo funciona
Cuando subes tu documento —ya sea en Word o PDF— a Tagger Agent de Lucanet, este analiza el contenido y propone asignaciones de conceptos de taxonomía para cada dato numérico y bloque de texto narrativo. Funciona a partir de la propia estructura y las definiciones de la taxonomía, razonando sobre qué concepto se ajusta mejor a cada elemento según lo que ese concepto está diseñado para representar.
Las propuestas se organizan en tres niveles según la confianza de Tagger Agent en cada sugerencia:
- Propuestas de alta confianza: los datos numéricos normalmente bien estructurados y con etiquetas claras se presentan en una vista de resumen para revisarlos rápidamente. Puedes escanearlas y aceptarlas en bloque.
- Propuestas de confianza media: se presentan individualmente, lo que implica una decisión cada vez.
- Elementos de baja confianza: todo aquello que Tagger Agent no haya podido procesar se señala claramente para su etiquetado manual.
Esto significa que el tiempo de revisión se centra en los casos en los que la incertidumbre no se distribuye de forma uniforme entre cientos de elementos, la mayoría de los cuales son sencillos.
El resultado: una reducción del esfuerzo hasta en un 95 %, sin necesidad de un proyecto de implementación ni de la participación de TI. Lo que antes era un coste recurrente de especialistas se convierte en una tarea que gestiona el propio equipo
Este cambio en el flujo de trabajo es fundamental: en lugar de dedicar días a crear etiquetas manualmente desde cero, puedes invertir tiempo en revisar y perfeccionar las sugerencias de la IA, para aprovechar tu experiencia con lo más importante.
Por último, como todos los agentes de flujo de trabajo de Lucanet, se puede acceder al Tagger Agent a través de Lucanet Lume, la capa conversacional que te conecta con el agente adecuado con una sola pregunta. Y todo esto se basa en el Intelligence Core de Lucanet, la arquitectura de confianza detrás de la CFO Solution Platform. Eso significa que tus datos permanecen en la región que elijas, cada acción se registra y tu equipo revisa y aprueba cada resultado antes de que se finalice.
Qué sucede cuando se equivoca
Lucanet Tagger Agent a veces se equivoca. No se trata de una cláusula oculta en la letra pequeña, sino de una premisa de diseño.
La interfaz de revisión existe precisamente porque las propuestas requieren que se aplique un criterio humano. Todas las propuestas, incluidas las que se incluyen en la vista de aceptación masiva de alta fiabilidad, pueden modificarse, rechazarse o anularse antes de exportar el paquete de presentación. Cambiar una asignación de concepto, ajustar el límite de un bloque de texto narrativo o dividir un bloque en dos etiquetas independientes: todas estas acciones están disponibles en la interfaz de revisión.
No se aplica nada a la presentación sin tu confirmación. No se trata de automatizar la presentación. Se trata de agilizar la revisión.
La responsabilidad de que la presentación sea correcta sigue recayendo en ti, como debe ser. Tagger Agent es un punto de partida, no una aprobación final. La diferencia es que el punto de partida ahora es un conjunto estructurado de propuestas organizadas por nivel de confianza, en lugar de una taxonomía en blanco y un documento que hay que etiquetar desde cero.
Diseñado para las normativas europeas de información
Lucanet Tagger Agent es compatible con todos los requisitos de presentación de informes basados en IFRS, incluidos ESEF (Formato Electrónico Único Europeo), UKSEF y las declaraciones basadas en IFRS conforme a NL GAAP. Asimismo, es compatible con informes en formato PDF y Word. Por último, Tagger Agent cuenta con la certificación XBRL Certified™ y cumple el estándar global para crear y validar informes digitales XBRL.
Listo para la temporada de presentación de informes
Tanto si estás preparando tu primer informe XBRL como el centésimo, Tagger Agent te permite cumplir con la normativa de forma más rápida, precisa y a una fracción del coste habitual.
Participa en nuestro seminario web para ver el Tagger Agent en acción y descubrir cómo sacar el máximo partido a sus funciones para tu flujo de trabajo de generación de informes.
