Un estudio de Declarando y la Universitat Jaume I revela que los modelos de IA más avanzados no siempre ofrecen mejores predicciones fiscales para los autónomos
Una investigación científica en la que ha participado Declarando, plataforma digital de asesoramiento fiscal para autónomos, concluye que los modelos más complejos de inteligencia artificial no siempre proporcionan las predicciones más fiables para estimar los ingresos y las cotizaciones a la Seguridad Social de los trabajadores por cuenta propia.
El estudio, publicado en la revista científica International Journal of Computational Intelligence Systems, ha analizado datos reales de 395 autónomos y comparado diferentes sistemas estadísticos y modelos avanzados de inteligencia artificial, entre ellos dos versiones de Amazon Chronos-T5.
La investigación, titulada 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 elaborada por Luis Palomero, Vicente García y J. Salvador Sánchez.
El trabajo ha contado con financiación parcial de Declarando y la Generalitat Valenciana. Luis Palomero, primer autor del estudio, es doctor en Ingeniería Informática, AI & Data Science Manager de Declarando e investigador del Institute of New Imaging Technologies de la Universitat Jaume I. J. Salvador Sánchez también pertenece a esta institución, mientras que Vicente García desarrolla su actividad investigadora en la Universidad Autónoma de Ciudad Juárez.
Comparación de tres herramientas de predicción
La investigación ha comparado tres enfoques para estimar los ingresos de los autónomos: una media móvil simple, varios modelos ensemble y dos modelos transformer de Amazon Chronos-T5.
Los modelos ensemble combinan las predicciones de diferentes algoritmos para conseguir resultados más robustos, mientras que los transformer utilizan arquitecturas avanzadas de inteligencia artificial capaces de analizar secuencias de datos y generar estimaciones.
Los resultados muestran que los modelos ensemble ofrecieron predicciones más estables, consistentes y menos sesgadas que los modelos transformer analizados.
Los investigadores señalan que una mayor complejidad tecnológica no garantiza automáticamente una precisión superior. Por ello, destacan la importancia de seleccionar las herramientas en función de las características del problema y de la cantidad y calidad de la información disponible.
El análisis se realizó utilizando registros mensuales de 395 autónomos correspondientes a 2021 y 2022, facilitados por Declarando.
Estos datos representan series temporales relativamente cortas y heterogéneas, habituales entre pequeños negocios y profesionales independientes, cuyos ingresos pueden experimentar importantes fluctuaciones. De hecho, el 15% de los autónomos estudiados duplicó, como mínimo, sus ingresos anuales de un ejercicio a otro.
La complejidad no siempre reduce el riesgo
Uno de los aspectos evaluados fue la diferencia entre las cuotas abonadas durante el año según las previsiones de ingresos y las que finalmente corresponderían en función de los rendimientos reales del autónomo.
Una estimación incorrecta puede provocar una regularización posterior y obligar al profesional a afrontar un desembolso económico inesperado.
En esta métrica, algunos modelos ensemble registraron desviaciones inferiores a un euro, mientras que los modelos de Amazon presentaron diferencias constantes próximas a los 50 euros.
En el caso de Declarando, la investigación destacó la capacidad de su sistema para estimar con mayor precisión las cuotas de los trabajadores autónomos, incluso en situaciones de variaciones importantes de ingresos.
Por ejemplo, en el supuesto de un profesional que duplica sus ingresos, el modelo de Amazon habría calculado una cuota de 562,83 euros frente a los 376,04 euros correspondientes, lo que supondría adelantar casi 200 euros adicionales.
No obstante, los investigadores advierten de que las desviaciones derivadas de estas herramientas son considerablemente menores que los errores asociados a no utilizar ningún método de previsión, que pueden generar diferencias de miles de euros.
Los autores concluyen que la cuestión no consiste en elegir entre inteligencia artificial y métodos tradicionales, sino en identificar la tecnología más adecuada para resolver cada problema.
Investigación aplicada a la fiscalidad de los autónomos
El estudio forma parte de una línea de investigación sobre predicción financiera aplicada a trabajadores por cuenta propia en la que Declarando participa aportando datos reales y conocimiento especializado sobre las necesidades fiscales de este colectivo.
La colaboración combina investigación académica y experiencia empresarial para analizar cómo pueden utilizarse diferentes modelos predictivos en decisiones financieras cotidianas.
En un contexto de creciente adopción de soluciones de inteligencia artificial en las empresas, los resultados subrayan la necesidad de validar empíricamente las tecnologías antes de utilizarlas en procesos con consecuencias económicas directas.
Desde la implantación del sistema de cotización por rendimientos netos, prever correctamente los ingresos anuales ha adquirido especial importancia para los autónomos, que pueden modificar periódicamente sus bases de cotización para adaptarlas a la evolución prevista de su actividad.
Esta posibilidad también implica la necesidad de estimar y actualizar las cuotas con precisión, una tarea que puede resultar compleja cuando los ingresos son variables.
Con esta investigación, Declarando busca facilitar la previsión de las cotizaciones y simplificar una de las gestiones fiscales recurrentes de los profesionales autónomos.
TerritorioFintech es un medio digital dirigido a la Digital Money Generation y especializado en la actualidad de los nuevos modelos bancarios y financieros. Su equipo editorial publica contenidos informativos y divulgativos con el objetivo de contribuir a mejorar la educación financiera de sus lectores.
Todos los contenidos tienen una finalidad exclusivamente informativa y educativa. En ningún caso deben interpretarse como asesoramiento financiero ni como recomendaciones de inversión.
