Resumen Ejecutivo

26 de febrero de 2026

Modelado Predictivo de Incumplimiento con Algoritmos Supervisados de Machine Learning

João Gabriel de Medeiros Luz Pedro; Carlos Nabil Ghobril

Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.

El objetivo de esta investigación fue analizar y tratar un conjunto de datos del Banco Central de Brasil (Bacen) para implementar, entrenar y validar modelos de Machine Learning, utilizando los algoritmos supervisados CatBoost, Random Forest y XGBoost, con el fin de medir la capacidad predictiva en la identificación de incumplimiento. La complejidad del escenario económico brasileño, con el aumento del endeudamiento familiar, exige que las instituciones financieras posean herramientas precisas para la gestión del riesgo de crédito. La capacidad de anticipar el comportamiento de pago de los consumidores es un pilar para la sostenibilidad del sector, y la aplicación de técnicas de ciencia de datos surge como solución para mejorar la precisión de los análisis.

El panorama del endeudamiento en Brasil justifica la urgencia de estudios en el área. Datos de la Encuesta de Endeudamiento e Incumplimiento del Consumidor (PEIC) de abril de 2024 muestran que el 78,5% de las familias brasileñas poseían deudas, y el 12,1% admitieron no tener condiciones de honrar sus compromisos (CNC, 2024). Una encuesta de la CNDL y del SPC Brasil registró 68,62 millones de brasileños en mora, lo que corresponde al 41,51% de la población adulta (Poder360, 2024). Estas cifras señalan un riesgo sistémico que puede afectar la estabilidad de las instituciones financieras. Una práctica que contribuye al endeudamiento es la extensión de los plazos de pago, que compromete la renta futura y aumenta la probabilidad de incumplimiento en escenarios de inestabilidad (CNC, 2024). Ante esto, el análisis de crédito tradicional, basado en reglas estáticas, es insuficiente. La necesidad de mejorar los mecanismos de análisis de riesgo es imperativa para mitigar pérdidas.

La presente investigación propone un enfoque basado en aprendizaje automático para la predicción de incumplimiento. La utilización de algoritmos supervisados permite la construcción de modelos que aprenden patrones a partir de datos históricos, identificando relaciones no lineales que serían difíciles de detectar por métodos estadísticos convencionales (Kotsiantis, 2007). Uno de los desafíos técnicos enfrentados fue la presencia de un gran número de variables categóricas, como ‘ocupación’, ‘modalidad’ de crédito y ‘uf’, que son cruciales para la caracterización del perfil del cliente, pero exigen tratamientos específicos para ser utilizadas por algoritmos como Random Forest y XGBoost. La elección de técnicas de preprocesamiento y la selección de características fueron etapas fundamentales para garantizar la generación de modelos predictivos robustos.

El alcance del trabajo abarcó un ciclo completo de un proyecto de ciencia de datos: extracción y tratamiento de los datos, análisis exploratorio, entrenamiento, evaluación y comparación de múltiples modelos de Machine Learning. La validación de los resultados se realizó mediante métricas como precisión, F1-Score y el área bajo la curva ROC (AUC-ROC), garantizando una evaluación objetiva del rendimiento de cada algoritmo. El estudio buscó identificar el modelo más eficaz para el escenario propuesto, proporcionando una base para la implementación de sistemas de apoyo a la decisión en instituciones financieras.

La metodología se inició con la recopilación de datos históricos de crédito del Sistema de Información de Crédito (SCR) del Bacen (Banco Central de Brasil, 2024). El conjunto de datos inicial comprendía 12 archivos CSV, correspondientes a los meses de 2024. Para la manipulación y procesamiento, se utilizó el framework Apache Spark, que permitió la unificación y limpieza de los archivos, incluyendo la eliminación de filas mal formateadas y la especificación del separador de columnas y codificación (UTF-8). La etapa de preprocesamiento es fundamental, ya que la eficacia de los algoritmos depende de la calidad de los datos de entrada (Fávero & Belfiore, 2024). Tras la limpieza, se realizó la estandarización de los formatos numéricos, sustituyendo comas por puntos como separador decimal y eliminando los separadores de miles. El conjunto de datos consolidado se almacenó en el formato Apache Parquet, optimizado para operaciones de lectura. La infraestructura tecnológica incluyó el lenguaje Python en el IDE Spyder y bibliotecas como Pandas, Matplotlib, Seaborn, y los frameworks CatBoost, Random Forest y XGBoost.

El análisis exploratorio de datos (EDA) se realizó para comprender la estructura del conjunto de datos, compuesto por 13 variables categóricas y 12 numéricas. La variable objetivo, vencidopor encimade15días, se transformó en una variable binaria (0 para cumplidor, 1 para incumplidor), encuadrando el problema como clasificación binaria. Se realizó un análisis de correlación para el conjunto de datos completo y para un subconjunto enfocado en clientes Persona Física (PF), ya que los clientes Persona Jurídica (PJ) tienen perfiles distintos. El análisis reveló que la proporción de incumplimiento era mayor en el grupo de PF. Las visualizaciones gráficas exploraron la relación entre el incumplimiento y variables como UF, indexador y modalidad de crédito, confirmando la relevancia de estas características.

La selección de los algoritmos se basó en su eficacia en problemas de clasificación. El Random Forest fue elegido por su robustez contra el overfitting, obtenida por la agregación de árboles de decisión (Breiman, 2001). El XGBoost fue seleccionado por su alto rendimiento y velocidad, siendo una implementación optimizada del gradient boosting (Chen & Guestrin, 2016; Friedman, 2001). El CatBoost fue incluido por su capacidad nativa de manejar variables categóricas, simplificando el preprocesamiento (Prokhorenkova et al., 2018). La evaluación del rendimiento utilizó Precisión, Exactitud, Sensibilidad y F1-Score. Adicionalmente, la curva ROC y el cálculo del AUC-ROC se utilizaron para evaluar la capacidad discriminatoria de los modelos (Fawcett, 2006). Para garantizar la robustez, se empleó la validación cruzada k-fold, que mitiga el riesgo de que el rendimiento dependa de una división específica entre entrenamiento y prueba (Fávero & Belfiore, 2024).

Los resultados obtenidos revelaron desempeños distintos. El CatBoost Classifier demostró un rendimiento superior, exigiendo un ajuste mínimo de hiperparámetros y un preprocesamiento simplificado. Su principal ventaja fue el manejo nativo de variables categóricas. La matriz de confusión inicial mostró una alta tasa de aciertos, y la curva AUC-ROC presentó valores cercanos a 1.0 para entrenamiento y prueba, con una AUC de 0.99, señalando una excelente capacidad de discriminación y ausencia de overfitting. El análisis de importancia de las variables indicó que la característica carteraincumplidaarrastada poseía la mayor significancia. Sin embargo, su alta correlación con la variable objetivo podría llevar a una fuga de datos conceptual. Para investigar este efecto, se realizó un segundo entrenamiento del CatBoost eliminando esta variable. Los resultados mostraron una leve caída en el rendimiento, pero el gráfico de importancia de las variables se volvió más distribuido, con otras características como activo_problematico y modalidad ganando relevancia. La validación cruzada k-fold confirmó la estabilidad y robustez de los resultados en ambas versiones del modelo.

El Random Forest Classifier presentó resultados satisfactorios, pero inferiores a los del CatBoost. La implementación requirió un preprocesamiento más intensivo, con eliminación de variables con alta multicolinealidad y la transformación de variables categóricas mediante one-hot encoding. Este proceso aumentó la dimensionalidad del dataset, resultando en un mayor tiempo de entrenamiento. La matriz de confusión y la curva AUC-ROC del Random Forest indicaron un buen poder predictivo, pero con valores de AUC ligeramente inferiores a los del CatBoost. El XGBoost Classifier, utilizando el mismo preprocesamiento del Random Forest, demostró un rendimiento notable, superando al Random Forest en todas las métricas y acercándose al CatBoost. Su ventaja más evidente fue la velocidad de procesamiento, significativamente más rápida que el Random Forest. La curva AUC-ROC del XGBoost también presentó valores excelentes, y la robustez del modelo fue confirmada por la validación cruzada.

En análisis comparativo, CatBoost se destacó como el algoritmo de mejor rendimiento general. Su ventaja reside en la combinación de alta precisión con la simplicidad en el preprocesamiento de variables categóricas. XGBoost emergió como una alternativa fuerte, con un rendimiento casi tan bueno como el de CatBoost y una velocidad superior a la de Random Forest. Random Forest, aunque robusto, se mostró menos adecuado para este escenario, debido a su sensibilidad al preprocesamiento de categóricas y al mayor costo computacional. La discusión de los resultados evidencia que la elección del algoritmo debe adaptarse a las características de los datos y a los requisitos del problema.

La superioridad de los algoritmos basados en boosting de gradiente (XGBoost y CatBoost) sobre el método de bagging (Random Forest) sugiere que la construcción secuencial de árboles; cada nuevo árbol corrige los errores del anterior, fue más eficaz para capturar los patrones de incumplimiento. El rendimiento de CatBoost refuerza la importancia de algoritmos con mecanismos optimizados para características categóricas, un desafío común en conjuntos de datos financieros. La necesidad de aplicar one-hot encoding para Random Forest y XGBoost aumentó la complejidad computacional y pudo haber diluido el poder informativo de algunas variables. La importancia de las variables revelada por los modelos ofrece perspectivas para la gestión de riesgos. Características como carteraincumplidaarrastada y activo_problematico fueron los predictores más fuertes, pero la capacidad de los modelos para extraer poder de otras variables, como modalidad de crédito e indexador, demuestra el potencial del Machine Learning. La identificación de que ciertas modalidades de crédito están más asociadas al incumplimiento puede permitir que las instituciones financieras ajusten sus políticas de forma más granular.

La robustez de los modelos, confirmada por la validación cruzada, es crucial para su aplicabilidad en el mundo real. La consistencia del rendimiento de CatBoost y XGBoost a través de las diferentes divisiones de la validación indica que los modelos aprendieron patrones generalizables, no solo ruido del conjunto de entrenamiento. Esto confiere mayor confiabilidad a los resultados y seguridad para su implementación en sistemas de producción. La investigación, por lo tanto, valida un proceso metodológico riguroso que puede ser replicado por instituciones financieras para desarrollar sus propias soluciones de modelado predictivo.

Este trabajo demostró la viabilidad y eficacia de aplicar modelos de Machine Learning para la predicción de incumplimiento con datos del Banco Central de Brasil. El proceso abarcó desde el tratamiento riguroso de los datos hasta la implementación y comparación de tres algoritmos supervisados. El análisis exploratorio fue fundamental para dirigir tratamientos específicos, como el enfoque en clientes persona física. La comparación entre los modelos reveló que, para el conjunto de datos analizado, el algoritmo CatBoost obtuvo los mejores resultados globales. Su capacidad para manejar nativamente variables categóricas simplificó el preprocesamiento y resultó en un modelo con excelente precisión y confiabilidad. El XGBoost también presentó un desempeño excepcional, posicionándose como una alternativa competitiva. El Random Forest, a pesar de generar resultados aceptables, fue el menos performático y el más costoso en tiempo de procesamiento. Se concluye que el objetivo fue alcanzado: se demostró que los algoritmos de boosting, especialmente el CatBoost, junto con un preprocesamiento de datos adecuado, ofrecen una solución robusta y precisa para la predicción de incumplimiento, pudiendo mejorar las estrategias de riesgo de crédito en instituciones financieras.

Referencias:
Banco Central do Brasil (BACEN). 2024. Disponible en: <https://dadosabertos. bcb. gov. br/dataset/scrdata>. Acceso en: 03 abr. 2025.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. doi: 10.1023/A:1010933404324.
Chen, T.; Guestrin, C. 2016. XGBoost: A scalable tree boosting system. 1. ed. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794.
(CNC) Confederação Nacional do Comércio de Bens, Serviços e Turismo. 2024. Pesquisa de Endividamento e Inadimplência do Consumidor (Peic) – abril de 2024. Disponible en: <https://portaldocomercio. org. br/publicacoes
posts/pesquisa-de-endividamento-e-inadimplencia-do-consumidor-peic-abril-de-2024/:>. Acceso en: 03 abr. 2025.
Fávero, L. P.; Belfiore, P. 2024. Manual de Análise de Dados: estatística e Machine Learning com EXCEL®, SPSS®, STATA®, R® e Python®. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
Fawcett, T. (2006). An Introduction to ROC Analysis. Pattern Recognition Letters, 27(8), 861–874. doi: 10.1016/j. patrec.2005.10.010.
Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. doi: 10.1214/aos/1013203451.
Kotsiantis, S. B. (2007). Supervised Machine Learning: A Review of Classification Techniques. Informatica, 31(3), 249–268.
Poder360. 2024. Inadimplência no Brasil atinge 41,51% da população adulta em novembro. Disponible en:<https://www. poder360. com. br/poder-economia/inadimplencia-no-brasil-atinge-4151-da-populacao-adulta-em-novembro/>. Acceso en: 17 jun. 2025.
Prokhorenkova, L.; Gusev, G.; Vorobev, A.; Dorogush, A. V.; Gulin, A. 2018. CatBoost: unbiased boosting with categorical features. 1. ed. Advances in Neural Information Processing Systems (NeurIPS)., 31.

Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq

Más información sobre el curso; haga clic aquí:

Quién editó este artículo

Más recientes

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.