Un estudio participado por Declarando concluye que los modelos de IA más avanzados no siempre ofrecen las predicciones financieras y fiscales más fiables para los autónomos
En la estimación de ingresos y cuotas de autónomos, la combinación de modelos más sencillos puede ofrecer resultados más estables que arquitecturas avanzadas de inteligencia artificial, destacan las conclusiones
La investigación, publicada en International Journal of Computational Intelligence Systems, analiza datos reales de 395 autónomos y compara distintos sistemas estadísticos y modelos transformer de Amazon
Una investigación en la que ha participado Declarando y que ha analizado la aplicación de diferentes modelos tecnológicos a la previsión de los ingresos de los trabajadores por cuenta propia y al cálculo de sus cotizaciones a la Seguridad Social, concluye que utilizar la tecnología más compleja no garantiza necesariamente obtener la predicción más fiable.
El estudio, titulado Is ‘More is Better’ Always True? An Analysis of an Expert System based on Moving-Average, Ensemble, and Transformer Models for Revenue Forecasting, ha sido realizado por Luis Palomero, Vicente García y J. Salvador Sánchez, y publicado en la revista científica International Journal of Computational Intelligence Systems.
El estudio ha sido financiado parcialmente por Declarando y por la Generalitat Valenciana. Luis Palomero, primer firmante de la investigación, es doctor en Ingeniería Informática, AI & Data Science Manager en Declarando e investigador del Institute of New Imaging Technologies de la Universitat Jaume I. A esta institución pertenece también J. Salvador Sánchez, mientras que Vicente García es investigador de la Universidad Autónoma de Ciudad Juárez.
Índice de temas
Comparación de tres herramientas de predicción
El trabajo compara tres tipos de herramientas de predicción: una media móvil simple; varios modelos ensemble -sistemas que combinan las estimaciones de diferentes algoritmos para obtener una predicción más robusta-; y dos modelos transformer -arquitecturas avanzadas de inteligencia artificial basados en la misma tecnología que los LLM, capaces de analizar secuencias de datos y generar predicciones-, concretamente dos versiones de Amazon Chronos-T5.
Los resultados muestran que, en el análisis realizado, los modelos ensemble presentan un comportamiento más estable, consistente y menos sesgado que los modelos transformer analizados. Los investigadores concluyen que una mayor complejidad tecnológica no implica necesariamente una mayor fiabilidad y advierten de la necesidad de adaptar el modelo utilizado a las características del problema y, especialmente, a la cantidad y calidad de los datos disponibles.
La complejidad no siempre reduce el riesgo
Uno de los aspectos que analiza el estudio es la diferencia entre las cuotas satisfechas durante el ejercicio a partir de las previsiones y las que finalmente corresponderían según los ingresos reales del autónomo. Una estimación incorrecta puede traducirse en una regularización posterior y, por tanto, en un desembolso inesperado.
En esta métrica, algunos de los modelos ensemble se situaron prácticamente en equilibrio, con unas desviaciones inferiores a un euro, mientras que los de Amazon registraron unas desviaciones constantes cercanas a 50 euros.
En el caso concreto de Declarando, el estudio puso de relieve su capacidad para predecir con más exactitud las cuotas a satisfacer por los autónomos incluso en casos más extremos, como los que representan los profesionales que doblan sus ingresos. En este mismo supuesto, empleando el modelo de Amazon, el trabajador autónomo adelantaría casi 200 euros, pasando de 376,04 a 562,83 euros.
En la práctica, esta cantidad equivaldría a pagar una cuota extra durante varios meses a la Seguridad Social por parte del autónomo. No obstante, estos desfases palidecen ante los errores derivados de no utilizar ningún método, lo que puede llegar a generar agujeros de miles de euros.
Los autores concluyen que lo importante no consiste en elegir entre inteligencia artificial o modelos tradicionales, sino en identificar qué tecnología resulta más adecuada para resolver cada problema concreto
Los autores concluyen que lo importante no consiste en elegir entre inteligencia artificial o modelos tradicionales, sino en identificar qué tecnología resulta más adecuada para resolver cada problema concreto.
I+D aplicada al asesoramiento de los autónomos
La investigación forma parte de una línea de trabajo sobre predicción financiera aplicada a trabajadores autónomos en la que Declarando participa mediante la aportación de datos reales y conocimiento especializado sobre las necesidades fiscales del colectivo.
El trabajo combina así investigación académica y experiencia empresarial para estudiar cómo pueden utilizarse diferentes herramientas de predicción en decisiones financieras cotidianas. En un entorno en el que las soluciones de inteligencia artificial se incorporan cada vez con mayor rapidez a los procesos empresariales, los resultados apuntan a la importancia de validar empíricamente cada tecnología antes de aplicarla a decisiones con consecuencias económicas directas.
