IA e inadimplencia en Brasil: nuevas herramientas

Columna

Data Science / Ciencia De Datos

Instituciones Financieras

Tecnología

05 de agosto de 2025

IA e inadimplencia en Brasil: nuevas herramientas

El uso de modelos predictivos ya está revelando capas ocultas en los datos, permitiendo la identificación de patrones y la anticipación de comportamientos

El escenario económico brasileño en el primer semestre de 2025 presentó un aumento en la morosidad, una tendencia que se observa desde 2022 y que ha sido una preocupación recurrente para gobiernos e instituciones financieras a lo largo de las últimas décadas (Leite Filho, 2025).

Este indicador refleja, en parte, las fluctuaciones económicas del país, las políticas de crédito y las condiciones socioeconómicas. A escala global, la estancación económica y las tensiones comerciales han elevado el riesgo de incumplimiento de obligaciones financieras. Zhao et al. (2025), por ejemplo, observaron un aumento notable — del 15.000% — del impago de las deudas de empresas en China entre 2014 y 2023.

Para las instituciones financieras, el retraso o la falla en el pago de cuentas puede generar pérdidas sustanciales y, en casos de gran volumen de préstamos en mora, puede amenazar la estabilidad financiera (Liu, 2025).

En este contexto, la previsión del riesgo de impago se vuelve esencial para bancos y otras entidades de crédito. Comprender cómo mitigar este riesgo es fundamental para asegurar un funcionamiento económico estable y saludable. Este artículo explora cómo la Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning – ML) se están aplicando para gestionar la complejidad del impago, buscando optimizar la comprensión y la gestión del riesgo de crédito en Brasil.

IA y el análisis de crédito

La creciente escala de préstamos personales y la complejidad de los datos crediticios, en rápido crecimiento en la era del desarrollo de Internet y las herramientas de big data, han convertido la evaluación precisa de la puntuación crediticia y el riesgo de incumplimiento de los préstamos personales en un tema central en el campo financiero (Liu, 2025).

Tradicionalmente, el análisis del riesgo de crédito se apoyaba en datos históricos e indicadores estáticos, lo que dificultaba la captura de las dinámicas de mercado y características no lineales (Yi, 2025). En contrapartida, la evolución del machine learning, especialmente la aplicación de Redes Neuronales Recurrentes (RNNs) y sus variantes en el análisis de datos de series temporales, ha proporcionado nuevas perspectivas y métodos para medir el riesgo de impago de crédito.

La IA se ha mostrado como una alternativa prometedora, no solo para predecir el impago, sino también para rediseñar la forma en que el riesgo crediticio es comprendido en Brasil. En el contexto de la educación superior, por ejemplo, entidades como las Instituciones Comunitarias de Enseñanza Superior (ICES) de Rio Grande do Sul han emprendido esfuerzos para mantener el equilibrio económico-financiero frente a la reducción de alumnos y a las condiciones macroeconómicas (Lima et al., 2025). Estas instituciones, caracterizadas por alta complejidad de gestión y planificación financiera detallada, demuestran que una gestión criteriosa del capital de giro es fundamental para la precisión y seguridad de los procesos financieros, mitigando el impago.

La capacidad de la IA para integrar y procesar una amplia gama de datos, más allá del historial de pagos o los ingresos declarados, permite capturar relaciones complejas entre variables demográficas, conductuales, contextuales e incluso psicométricas. Esto forma una visión más amplia y dinámica del perfil de riesgo de los clientes. La precisión en la predicción de incumplimiento de préstamos ha sido crucial para la estabilidad del mercado financiero y la prevención de riesgos sistémicos (Huang et al., 2025).

El uso de modelos predictivos basados en IA ya está revelando capas ocultas en los datos, permitiendo la identificación de patrones y la anticipación de comportamientos antes de que el retraso se consolide como impago total. Con ello, el análisis de crédito, antes reactivo, pasa a funcionar como un enfoque proactivo, con potencial de impactar directamente la rentabilidad y la gestión de capital de las instituciones financieras (Bhandary & Ghosh, 2025). La IA, en este contexto, se convierte en una herramienta indispensable para navegar en un entorno económico complejo y cambiante.

Modelos que aprenden de los datos

La principal transformación que aporta la IA al estudio de la morosidad reside en su capacidad para integrar y procesar una vasta gama de datos, que antes se consideraban poco en los modelos tradicionales. No se trata solo de observar el historial de pagos o los ingresos declarados; los modelos de machine learning pueden capturar relaciones complejas entre variables demográficas, conductuales, contextuales e incluso psicométricas— como la impulsividad, la aversión al riesgo o la tendencia a posponer el pago de facturas —, formando una visión mucho más amplia y dinámica del perfil de riesgo de cada cliente (Liu, 2025).

En pruebas comparativas, algoritmos como Random Forest, XGBoost y redes neuronales recurrentes han presentado resultados superiores a los métodos clásicos, como regresión logística o score estandarizado. Por ejemplo, en un análisis empírico sobre la predicción de impago de tarjetas de crédito en Taiwán, Bhandary & Ghosh (2025) observaron que los métodos modernos de machine learning, incluyendo XGBoost, Random Forest y Redes Neuronales Profundas (DNN), superaron a los métodos estadísticos tradicionales en el rendimiento predictivo. La Red Neuronal Profunda (DNN) demostró el mejor rendimiento general en comparación con otros modelos de machine learning, como Regresión Logística, Máquina de Vectores de Soporte (SVM) y Naïve Bayes, como constatado por Liu (2025). En el sector industrial, Long et al, (2025) observaron que el modelo Vector Autoregressive-Gated Recurrent Unit (VAR-GRU), que combina machine learning con factores macroeconómicos, presenta una capacidad predictiva óptima para impagos de títulos corporativos en horizontes de uno, tres y seis meses.

Además, las mejoras en modelos basados en Redes Neuronales Recurrentes (RNNs) también han demostrado ser prometedoras. Yi (2025) propuso un modelo basado en Gated Recurrent Unit (GRU) con mejoras estructurales, como la introducción de la función Focal Loss y del algoritmo de fuzzy clustering, para capturar patrones temporales en series de crédito. Este nuevo modelo no solo superó a técnicas estadísticas clásicas, como el modelo Logístico y Copula, con una precisión del 96,53%, sino que también demostró ser especialmente eficiente en predecir variaciones futuras en el comportamiento de pago, además de ser significativamente más rápido en la ejecución.

Características no financieras

El uso de datos no financieros ha sido crucial para mejorar la predicción de riesgos. Huang et al. (2025) utilizaron 38 características no financieras multidimensionales de PYMEs en China, como información de registro de empresas y sentimiento de noticias, para predecir el riesgo de incumplimiento de pagarés. Descubrieron que la antigüedad de la empresa, el número de litigios, la proporción de noticias negativas, el número de incumplimientos del año anterior y el número de personas sujetas a restricciones de consumo estaban significativamente correlacionados con el incumplimiento. El análisis de textos, por su parte, también ha demostrado ser valioso; Wu et al. (2025) observaron que un LLM como ChatGPT, al analizar evaluaciones de préstamos, puede mejorar significativamente las predicciones de incumplimiento, generando una mayor rentabilidad en comparación con textos escritos por humanos.

Este cambio de paradigma permite que la morosidad sea modelada como un proceso con múltiples causas y trayectorias posibles, ofreciendo medios para reconocer caminos y, más importante, intervenir antes de que el peor escenario se concrete.

De la previsión a la prevención

El mayor potencial de la inteligencia artificial aplicada al crédito no reside solo en la capacidad de predecir quién va a retrasar un pago; el valor real de la tecnología emerge cuando se utiliza para evitar que ese retraso ocurra. Este movimiento ha sido adoptado por muchas instituciones financieras.

Los modelos de machine learning son eficaces en la identificación temprana de clientes con mayor riesgo de incumplimiento, como lo demuestra Liu (2025). Al predecir el comportamiento del cliente, estos modelos permiten a las instituciones ofrecer renegociaciones a medida, ajustar los límites de crédito o incluso modificar los ciclos de cobro. En este sentido, la IA funciona como un sistema de monitoreo preventivo.

La herramienta también se ha aplicado para adaptar intervenciones en tiempo real. Por ejemplo, el modelo IGRU-FCM, desarrollado por Yi (2025), no solo evalúa con precisión el riesgo de incumplimiento crediticio, sino que también realiza el análisis estadístico en solo 59 milisegundos (1 ms = 0,001 s). Esta velocidad es crucial para los mercados financieros que exigen monitoreo en tiempo real.

En otro contexto, Wang & Duan (2025) observaron que los bancos comerciales chinos, ante la incertidumbre de la política económica, adoptan una estructura de préstamos más diversificada para mitigar los riesgos de incumplimiento crediticio, y esta relación se mantiene robusta incluso después de rigurosas pruebas de endogeneidad (situación en la que una variable explicativa en un modelo de regresión está correlacionada con el término de error del modelo).

Este cambio de postura redefine el papel de los modelos predictivos. En lugar de funcionar como filtros que excluyen a los consumidores basándose en criterios rígidos, se convierten en instrumentos para ofrecer soluciones financieras más humanas y sostenibles. La IA, en este contexto, actúa como socia tanto del acreedor como del tomador de crédito.

Riesgos de exclusión

Aunque la IA aporta avances significativos a la gestión de crédito, también plantea una serie de preocupaciones éticas y operativas que no pueden ser ignoradas. Cuando se aplica sin criterios claros de transparencia, responsabilidad y supervisión, la IA puede reproducir o incluso profundizar las desigualdades ya existentes en el sistema financiero.

Uno de los riesgos más discutidos es el sesgo algorítmico. Los modelos entrenados con bases de datos históricas tienden a repetir patrones de exclusión, penalizando, por ejemplo, a individuos que nunca tuvieron acceso al crédito formal o que viven en regiones con baja oferta bancaria. Incluso variables aparentemente neutras, como el código postal o el tipo de teléfono celular, pueden funcionar como proxies de ingresos o escolaridad, lo que puede llevar a la exclusión indirecta de grupos vulnerables. De hecho, Wang y Duan (2025) alertan sobre este fenómeno al comparar enfoques estadísticos tradicionales y modelos de IA, sugiriendo que la sofisticación algorítmica no elimina el riesgo de decisiones sesgadas.

La aplicación de la IA en el sistema financiero, por lo tanto, no puede ser tratada solo como una innovación técnica. Se trata de una elección política y económica que define quién tendrá acceso al crédito, en qué condiciones y con qué consecuencias. El desafío no es solo hacer el crédito más eficiente, sino garantizar que sea más justo, transparente y sostenible. Esto exige una combinación de tecnología y gobernanza, en la que la explicabilidad de los modelos de IA es esencial. Los modelos que permiten entender el peso de cada variable en la decisión final abren espacio para auditorías más eficaces y para la construcción de modelos más equitativos.

Consideraciones Finales

La morosidad en Brasil en 2025 refleja no solo un momento económico desafiante, sino también las dinámicas macroeconómicas y los modelos de crédito adoptados en el mercado, según el análisis de Leite Filho (2025). En este escenario, la IA emerge como una herramienta poderosa para comprender el riesgo de forma más profunda y personalizada.

Los estudios recientes destacan la capacidad de los algoritmos para identificar patrones que escapan a los análisis tradicionales y para proponer soluciones más eficaces, tanto para predecir como para prevenir el impago. Modelos de machine learning, como XGBoost, Random Forest y Redes Neuronales Profundas (DNN), han demostrado un rendimiento superior en la predicción de la morosidad, como muestran Bhandary y Ghosh (2025) y Liu (2025). Además, innovaciones como el modelo IGRU-FCM, que integra GRU con Focal Loss y fuzzy clustering, no solo mejoran la precisión en la evaluación del riesgo crediticio, sino que también optimizan significativamente el tiempo de computación, lo cual es crucial para el monitoreo en tiempo real (Yi, 2025).

Sin embargo, la sofisticación técnica no elimina la responsabilidad ética. El uso de la IA en el sistema financiero debe ir acompañado de mecanismos de control, explicabilidad y justicia. Los algoritmos no son neutrales; reflejan los datos con los que fueron entrenados y las elecciones de quienes los construyeron. La tecnología tiene mucho que aportar a un sistema de crédito más inteligente, pero esto solo será posible si se utiliza con conciencia y propósito. En lugar de ampliar el abismo entre quienes tienen acceso y quienes quedan al margen, la IA debe orientarse a construir puentes, promoviendo un futuro del crédito que dependa menos de la capacidad de predecir un retraso y más de la disposición a evitar que ocurra.

Para tener acceso a las referencias de este texto haga clic aquí.

Quién publicó esta columna

José Erasmo Silva

José Erasmo Silva é professor, formado em Matemática e Administração, com mais de 25 anos de experiência em gestão empresarial e de pessoas. É mestre e doutor em Administração, com foco em Finanças, e especialista em Data Science e Analytics e em Finanças e Controladoria. Realizou pós-doutorado na Universidade Federal da Bahia (UFBA). Atualmente, atua como professor orientador no MBA em Data Science, Inteligência Artificial e Analytics da USP/Esalq e leciona na EEP/FUMEP e na rede estadual de ensino de São Paulo.

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.