Uso de la Inteligencia Artificial en la Gestión Tributaria

Bruno Lopes de Paulo; Adriana Diniz Gurgel

DOI: 10.22167/2675-6528-202602744

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El cumplimiento tributario en Brasil representa una preocupación central para las empresas en el desarrollo de sus actividades operativas. El trabajo realizó una investigación experimental sobre el uso de la inteligencia artificial (IA) en la gestión tributaria, empleando la técnica Retrieve-Augmented-Generation (RAG). Se seleccionaron textos legislativos para crear un banco vectorial mediante embedding en un proyecto Python. Se elaboró un cuestionario con 20 pares de preguntas y respuestas sobre la legislación del Impuesto sobre los Ingresos sobre persona jurídica (IRPJ) y la Contribución Social sobre el Beneficio Neto (CSLL). Se sometieron los modelos Large Language Model (LLMs), ejecutándose localmente y vía APIs (OpenAI y Huggingface), para evaluar tiempo de respuesta, cantidad de tokens analizados y exactitud jurídica. Los modelos basados en API demostraron un mejor desempeño en eficiencia y tiempo de respuesta, con el modelo de OpenAI alcanzando un 85% de exactitud en las respuestas, superando significativamente a los modelos locales. Se concluyó que la IA puede generar ganancias de tiempo y exactitud en la gestión tributaria, pero requiere proyectos robustos, inversión en hardware y la experiencia de profesionales tributarios para mitigar riesgos y garantizar la correcta interpretación de la legislación.

Palabras clave: CSLL; Embedding; IRPJ; LLMs; RAG.

1. Introducción

El cumplimiento tributario en Brasil representa una preocupación central para las empresas en el desarrollo de sus actividades operativas y en el mantenimiento de la salud financiera. El costo del cumplimiento tributario es uno de los principales desafíos, siendo percibido por los contribuyentes de forma instintiva, por el tiempo involucrado y por las preocupaciones inherentes (Bertolucci, 2003).

El sistema tributario brasileño es reconocido por su complejidad, caracterizado por un vasto campo de leyes, normas y regulaciones que frecuentemente se contraponen, generando inseguridad jurídica. Desde la promulgación de la Constitución de 1988, se han editado más de 5,4 millones de normas, con un promedio de 769 normas por día, lo que posiciona a Brasil entre las naciones con las relaciones tributarias más complejas del mundo (Amaral et al., 2017). La seguridad jurídica es un principio fundamental que busca garantizar la estabilidad, siendo de extrema importancia tanto para los contribuyentes como para el Estado, ya que genera confianza en la aplicación estable de la legislación a lo largo del tiempo (Silva et al., 2024).

Además de la complejidad cuantitativa, la legislación tributaria brasileña presenta un desafío interpretativo. El Código Tributario Nacional (CTN) dedica los artículos 107 a 112 a la interpretación e integración de la legislación. La interpretación formal ocurre ante los órganos del Estado, mientras que la informal es resultado de la doctrina y de planificadores fiscales (Bittencourt, 1999). Aunque la interpretación literal está prevista en el artículo 111 del CTN, no debe confundirse con la lectura gramatical aislada, debiendo tomarse como base el núcleo incontrovertido de los textos normativos establecidos por el legislador, fundamentado por la seguridad jurídica (Bustamante y Alvez, 2012).

Paralelamente a esta realidad tributaria, el escenario tecnológico ha experimentado un rápido avance. El advenimiento de internet en los años noventa y su evolución en las décadas siguientes transformaron la velocidad y la globalización del tránsito de información. La diseminación de la inteligencia artificial, especialmente con modelos Large Language Model (LLMs) como el chat GPT, a partir de finales de 2022, revolucionó la forma en que interactuamos con las máquinas y ejecutamos tareas.

La inteligencia artificial posibilita la exploración de nuevas actividades, como la elaboración de imágenes y el análisis rápido de textos. Los modelos de inteligencia artificial pueden generar salidas a partir de prompts, que son instrucciones pasadas al modelo, actuando como asistentes inteligentes capaces de automatizar tareas repetitivas de forma rápida y eficiente.

Ante la complejidad y el volumen de la legislación tributaria brasileña, el análisis manual y la búsqueda de información precisa consumen tiempo y recursos significativos. La brecha reside en la optimización de este proceso, donde la inteligencia artificial puede ofrecer una solución para gestionar el vasto volumen de datos y los matices interpretativos, mitigando la inseguridad jurídica y los costos asociados.

La aplicación de la inteligencia artificial en la gestión tributaria se justifica por la posibilidad de promover economía en los gastos tributarios y optimizar el tiempo dedicado al análisis de textos legislativos. Esto permite que las compañías identifiquen el mejor camino para cumplir sus obligaciones tributarias con seguridad. En este sentido, el objetivo del trabajo es hacer uso de la inteligencia artificial para analizar la legislación de los impuestos sobre el beneficio en Brasil, que involucra el impuesto sobre la renta y la contribución social sobre el beneficio neto (IRPJ y CSLL). La investigación busca generar ahorro en gastos tributarios y ganancia de tiempo en el análisis de los textos legislativos en la búsqueda del mejor camino que una compañía puede seguir en la realización de sus actividades de forma a estar segura con sus obligaciones tributarias, en lo que respecta a los tributos sobre el beneficio.

2. Material y Métodos

La metodología empleada en el presente trabajo se caracterizó como una investigación experimental, según la clasificación de Gil (2022). El estudio se centró en la aplicación de la inteligencia artificial para el análisis de la legislación referente a los impuestos sobre el beneficio en Brasil, específicamente el Impuesto sobre la Renta de Persona Jurídica (IRPJ) y la Contribución Social sobre el Beneficio Neto (CSLL). Las variables analizadas incluyeron el tiempo de respuesta de los modelos, la cantidad de texto legislativo procesado, medida en tokens, y la calidad de las respuestas obtenidas.

Para la realización de la investigación, se empleó la técnica Retrieve-Augmented-Generation (RAG), desarrollada para tareas de procesamiento de lenguaje natural intensivas en conocimiento (Lewis, 2020). El procedimiento involucró la selección de textos legislativos, la creación de una base de datos vectorial, la elaboración de un cuestionario con pares de preguntas y respuestas, la sumisión de estos datos a diversos modelos Large Language Model (LLM) y el análisis de las variables de desempeño. Se desarrolló un proyecto en Python para ejecutar estas etapas (Lopes, 2026).

La legislación seleccionada para la base de datos abarcó los tributos sobre la renta, incluyendo las leyes que rigen el sistema tributario federal y las reglas de cálculo del IRPJ y de la CSLL. Además de las leyes ordinarias, se incorporaron decisiones del Consejo Administrativo de Recursos Fiscales (CARF), decretos, instrucciones normativas, leyes complementarias y soluciones de consulta. En total, se indexaron 920 segmentos de texto legislativo en la base de datos vectorial, con el objetivo de construir un cuerpo robusto de información.

La elaboración de la base de datos vectorial se realizó mediante un código en el lenguaje Python, elegido por su sintaxis simple y legibilidad, siendo adecuado para trabajos con inteligencia artificial (Ramalho, 2022). Se utilizó la biblioteca LangChain (LangChain, 2026), que ofrece un entorno para la ingeniería de agentes de inteligencia artificial. La base de datos se implementó con SQLite, un sistema de gestión de bases de datos ligero.

La primera etapa del código consistió en la creación de la base de datos vectorial. Para la indexación de los textos legislativos, se emplearon las clases WebBaseLoader, UnstructuredPDFLoader y DirectoryLoader de la biblioteca LangChain. Estas clases fueron responsables de solicitar enlaces, leer archivos PDF desestructurados y escanear directorios en busca de diversos formatos de archivo (PDF, TXT), almacenándolos en la base de datos.

Después de cargar los documentos, los textos se dividieron en fragmentos, denominados “chunks”, para su indexación. Se utilizó un modelo Large Language Model (LLM) para transformar estos textos en valores numéricos, un proceso conocido como embedding. Los embeddings son representaciones vectoriales que capturan el significado de unidades de lenguaje natural (Pilehvar y Camacho-Collados, 2021). Para la indexación, se empleó el modelo “text-embedding-3-small” de OpenAI, accedido vía API.

Para probar los modelos, se elaboró un cuestionario compuesto por 20 pares de preguntas y respuestas sobre la tributación del Impuesto sobre los Ingresos sobre persona jurídica (IRPJ) y la Contribución Social sobre las Ganancias Líquidas (CSLL- Brasil). Las preguntas se formularon basándose en la aplicación objetiva de la legislación, abordando alícuotas, bases de cálculo, porcentajes de presunción y obligaciones accesorias. La construcción del cuestionario evitó preguntas que dependieran de interpretaciones jurisprudenciales o que pudieran ser objeto de controversia legítima (Carvalho y Rennó, 2020).

Los modelos Large Language Model (LLMs) fueron sometidos al código Python para su procesamiento y comparación. Las pruebas se realizaron en dos enfoques: el primero, con modelos ejecutándose localmente en la máquina, utilizando la herramienta Ollama, y el segundo, a través de APIs de OpenAI y Huggingface. Los modelos locales incluyeron llama3, mistral-nemo, phi3:medium y gemma2:9b. Los modelos vía API fueron deepseek-ai/DeepSeek-V3, Qwen/Qwen2.5-72B-Instruct, CohereLabs/c4ai-command-r-08-2024 y gpt-5.1.

El análisis de los datos recopilados se centró en tres variables principales: tiempo de respuesta, cantidad de tokens procesados por segundo y precisión jurídica de las respuestas. Para la evaluación de la calidad de las respuestas, se utilizó un modelo evaluador, el “gpt-5-nano” de OpenAI, que verificó la fidelidad de la respuesta a la fuente aportada por la base de datos vectorial, estableciendo una puntuación de acierto o error, sin analizar la calidad argumentativa o el sustento jurídico.

Como consideraciones metodológicas, el estudio constituyó un ensayo de viabilidad técnica, no buscando agotar el juicio del sistema jurídico tributario. La base legislativa indexada, aunque abarcadora, no representó la totalidad de la legislación aplicable o de la jurisprudencia. Las pruebas de los modelos locales se realizaron en un ordenador con 32GB de memoria RAM, procesador AMD Ryzen 5 5625U (2.3GHz) y tarjeta gráfica AMD Radeon™ Graphics (496MB), configuraciones que influyeron en los resultados. La legislación y las versiones de los modelos utilizados estaban vigentes en el período de elaboración del trabajo.

3. Resultados y Discusión

La investigación experimental sobre el uso de la inteligencia artificial en la gestión tributaria reveló importantes perspectivas sobre la viabilidad y el rendimiento de los modelos de Large Language Model (LLMs) en el análisis de la legislación del Impuesto sobre la Renta de Persona Jurídica (IRPJ) y la Contribución Social sobre el Beneficio Neto (CSLL). Los modelos fueron evaluados en tres enfoques distintos: ejecución local en un ordenador, utilización a través de la API de modelos de Hugging Face y acceso a modelos de pago de OpenAI. Esta metodología permitió una comparación exhaustiva de las variables de tiempo de respuesta, cantidad de tokens procesados por segundo y, crucialmente, la precisión jurídica de las respuestas, proporcionando una base sólida para comprender las capacidades y limitaciones de la IA en este contexto.

El análisis del tiempo medio de respuesta de los modelos a las 20 preguntas elaboradas demostró una clara distinción entre los enfoques. Los modelos ejecutados localmente, como `oll_phi3`, `oll_mistral_nemo`, `oll_gemma2` y `oll_llama3`, presentaron tiempos de respuesta significativamente más largos, que oscilaron entre 361,11 segundos y 729,43 segundos. En contraste, los modelos accedidos vía API, incluyendo `gpt_openai_5_1`, `hf_deepseek`, `hf_qwen` y `hf_cohere_command_r`, fueron notablemente más rápidos. El modelo `gpt_openai_5_1` obtuvo el mejor rendimiento, con un tiempo medio de respuesta de 5,66 segundos, lo que indica una eficiencia superior en la recuperación y generación de información.

Esta diferencia en el tiempo de respuesta subraya la necesidad de hardware dedicado y robusto para la ejecución eficiente de modelos LLMs localmente. El rendimiento superior de los modelos basados en API, incluso con las limitaciones de cuotas gratuitas, sugiere que la infraestructura de computación en la nube ofrece ventajas sustanciales en términos de velocidad y procesamiento. La implementación de soluciones de inteligencia artificial en el entorno empresarial, por lo tanto, requiere una inversión considerable en infraestructura tecnológica para garantizar la agilidad necesaria en el análisis de grandes volúmenes de texto legislativo, según lo señalado por la literatura sobre la optimización de tareas intensivas en conocimiento (Lewis et al., 2020).

En cuanto a la eficiencia de procesamiento, medida en tokens por segundo, los modelos vía API también superaron a los modelos locales. El `gpt_openai_5_1` demostró una capacidad de procesamiento de 773,15 tokens por segundo, seguido por `hf_cohere_command_r` con 480,67 tokens por segundo y `hf_deepseek` con 452,64 tokens por segundo. En contrapartida, los modelos locales como `oll_phi3` y `oll_mistral_nemo` registraron tasas de 4,03 y 5,62 tokens por segundo, respectivamente. Esta métrica es fundamental para evaluar la capacidad de la inteligencia artificial de analizar rápidamente contextos complejos de la legislación tributaria, reforzando la ventaja de los modelos basados en la nube para tareas que exigen alta velocidad de procesamiento.

La precisión jurídica de las respuestas fue una de las variables más críticas evaluadas, utilizando un modelo evaluador (`gpt-5-nano`) para determinar la corrección de las 20 preguntas. El modelo `gpt_openai_5_1` alcanzó una precisión del 85%, lo que representa un rendimiento significativamente superior en comparación con los demás modelos. Los modelos `hf_deepseek`, `hf_cohere_command_r` y `hf_qwen` obtuvieron un 60%, 55% y 55% de precisión, respectivamente. Por su parte, los modelos locales presentaron resultados más modestos, con `oll_gemma2` alcanzando un 35%, `oll_llama3` un 25%, `oll_mistral_nemo` un 25% y `oll_phi3` solo un 10% de acierto.

Esta disparidad en la precisión destaca la importancia de la calidad del entrenamiento y la capacidad de interpretación de los modelos para manejar la complejidad de la legislación tributaria brasileña. La presunción hermenéutica que fundamentó la elaboración del cuestionario se centró en la aplicación objetiva de la legislación, como alícuotas y porcentajes de presunción, permitiendo una verificación directa de las respuestas con el texto legislativo. La superioridad del modelo de OpenAI sugiere una mayor capacidad para comprender y aplicar los matices legales de forma precisa, lo cual es esencial para mitigar la inseguridad jurídica y los costos de cumplimiento tributario (Bertolucci, 2003; Silva et al., 2024).

Para ilustrar el rendimiento de los modelos, se consideró la cuestión sobre la tasa impositiva básica del IRPJ y el porcentaje adicional aplicable. La respuesta esperada era del 15% para la tasa impositiva básica y un 10% adicional sobre la parte de la ganancia que excediera los R$ 20.000,00 por mes. El modelo `gpt_openai` proporcionó una respuesta correcta y detallada, citando la tasa impositiva básica del 15% y el adicional del 10% sobre el límite de R$ 20.000,00, basándose en la legislación pertinente. De manera similar, los modelos `mistral-nemo` y `phi3` también presentaron respuestas correctas para esta cuestión, demostrando la capacidad de extraer información directa de la base de datos vectorial.

Otro ejemplo relevante fue la cuestión sobre la tributación de las ganancias de capital en la enajenación de bienes del activo fijo en el régimen del Lucro Presumido. La respuesta esperada indicaba que las ganancias de capital se tributan íntegramente, aplicándose las alícuotas de IRPJ (15% + adicional) y CSLL (9%) sobre la diferencia positiva entre el valor de enajenación y el valor contable. El modelo `gpt_openai` detalló que la ganancia de capital integra la base de cálculo del IRPJ y de la CSLL como rendimiento no operacional, siendo determinado por la diferencia positiva entre el valor de enajenación y el valor contable, conforme a la legislación. Los modelos `mistral-nemo` y `deepseek` también proporcionaron respuestas alineadas con la legislación, aunque con diferentes niveles de detalle y cita de artículos.

La cuestión sobre el porcentaje de presunción de la CSLL para empresas comerciales en el Lucro Presumido, con una respuesta esperada del 12% sobre los ingresos brutos, también fue analizada. El modelo `gpt_openai` confirmó el porcentaje del 12%, citando el Art. 20 del Decreto-Ley nº 1.598/1977. Los modelos `llama3` y `qwen` igualmente presentaron respuestas correctas, reforzando la capacidad de los modelos de API para extraer y aplicar información específica de la legislación. La variedad en las respuestas de los modelos, incluso cuando son correctas, refleja la calidad de la información almacenada en la base de datos vectorial y la forma en que cada modelo procesa y aborda la cuestión planteada.

Es fundamental considerar las limitaciones de la investigación para una interpretación adecuada de los resultados. El estudio constituye un ensayo de viabilidad técnica, enfocado en responder preguntas basadas en fragmentos de la legislación recuperados de una base de datos vectorial, sin agotar la complejidad del sistema jurídico tributario, que involucra una hermenéutica más amplia. La base legislativa indexada, compuesta por 920 segmentos, no representa la totalidad de la legislación aplicable ni la jurisprudencia judicial o administrativa, aunque incluye leyes ordinarias, reglamentos e instrucciones normativas de IRPJ y CSLL.

El entorno de prueba para los modelos locales también impuso limitaciones, ya que se utilizaron recursos de hardware específicos (computadora con 32 GB de RAM, procesador AMD Ryzen 5 5625U y tarjeta gráfica AMD Radeon™ Graphics de 496 MB). Estas configuraciones influyeron directamente en los resultados de rendimiento de los modelos locales, lo que sugiere que un hardware más potente podría alterar estos desenlaces. Además, el recorte temporal de la legislación y de las versiones de los modelos utilizados en las APIs es específico del período de elaboración del trabajo, lo que implica que la reproducción en un período posterior puede generar resultados distintos, dada la constante evolución de la legislación y de los propios modelos de IA.

A pesar de estas limitaciones, los resultados demuestran que la inteligencia artificial, especialmente los modelos más avanzados vía API, tiene un potencial significativo para optimizar la gestión tributaria. La capacidad de generar respuestas con alta precisión y en tiempo reducido puede proporcionar ganancias sustanciales de tiempo y ahorro en los gastos tributarios para las empresas. Sin embargo, la implementación exitosa de tales soluciones requiere proyectos robustos, inversión en tecnología y, crucialmente, la experiencia de profesionales tributarios para validar las interpretaciones, mitigar riesgos de error y garantizar la conformidad con la compleja legislación brasileña (Carvalho y Rennó, 2020; Bittencourt, 1999).

4. Conclusión

La investigación experimental buscó emplear la inteligencia artificial para optimizar el análisis de la legislación del Impuesto sobre la Renta de Persona Jurídica (IRPJ) y la Contribución Social sobre el Beneficio Neto (CSLL) en Brasil, con el objetivo de obtener ganancias de tiempo y precisión en la gestión tributaria. Se verificó que los modelos Large Language Model (LLMs) basados en API, notablemente el de OpenAI, presentaron un rendimiento superior en eficiencia y tiempo de respuesta, con el modelo `gpt_openai_5_1` alcanzando un 85% de precisión jurídica en las respuestas. En contraste, los modelos ejecutados localmente demostraron tiempos de respuesta significativamente más largos y menor precisión. Esta capacidad de generar respuestas precisas en tiempo reducido representa una contribución práctica significativa para la optimización de la conformidad tributaria, ofreciendo a las empresas una herramienta para mitigar la complejidad y los costos asociados al vasto y dinámico sistema tributario brasileño.

Sin embargo, el estudio se configuró como un ensayo de viabilidad técnica, y la base legislativa indexada, compuesta por 920 segmentos, no abarcó la totalidad del sistema jurídico tributario, incluyendo jurisprudencia judicial o administrativa, lo que limita la generalización de los hallazgos. Las configuraciones de hardware del entorno de prueba para los modelos locales también influyeron directamente en los resultados de rendimiento, sugiriendo que un hardware más potente podría alterar estos desenlaces. Para la implementación efectiva de la inteligencia artificial en la gestión tributaria, se requieren proyectos robustos, inversiones en infraestructura tecnológica y la indispensable experiencia de profesionales tributarios para validar las interpretaciones, mitigar riesgos de error y garantizar la conformidad con la compleja legislación. Estudios futuros podrían enfocarse en la expansión de la base de datos vectorial para incluir jurisprudencia y en la evaluación de modelos en entornos de hardware más potentes, además de explorar la aplicabilidad en otras áreas del derecho tributario.

Referencias Bibliográficas

AMARAL, Gilberto L.; João Eloi; AMARAL, Letícia M. F. 2016. Quantidade de Normas Tributárias Editadas no Brasil: 28 anos da constituição de 1988. São Paulo, SP, Brasil. Disponível em: <https://static.poder360.com.br/2017/06/Normas-editadas-ibpt-30jun2017.pdf>. Acesso em 25 ago. 2026.

BERTOLUCCI, Aldo V. 2003. Quanto custa pagar tributos. Atlas, Rio de Janeiro, RJ, Brasil. Disponível em: <https://app.minhabiblioteca.com.br/reader/books/9788522472475/.> Acesso em: 20 out. 2025.

BITTENCOURT, Marcelo M. R. 1999. A Interpretação no Direito Tributário. Revista do Ministério Público, n. 9,

SILVA, A.F.; ROCHA, D.A.; SOUZA, E.M.; FILHO, J.I.; ALENCAR, J.M.; LEITÃO, R.D.; PORTO, R.A.. 2024. Direitos Fundamentais do Contribuinte. Foco Jurídico Ltda, Indaiatuba, SP, Brasil.

Artículo proveniente del Trabajo de Conclusión de Curso de la Especialización en Gestión Tributaria del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy