Valoración aumentada con AI: del análisis de comparables a la modelización de escenarios

Introducción

La valoración es un proceso de evidencia y juicio. Las transacciones comparables, los múltiplos de mercado, las previsiones operativas, las tasas de descuento y los supuestos de escenarios solo resultan útiles cuando se vinculan a un activo definido, una fecha de valoración, una unidad de cuenta, un propósito y la perspectiva de los participantes del mercado. La inteligencia artificial puede acelerar la recopilación de evidencia, la normalización, el cribado de comparables, la ejecución de modelos, el análisis de sensibilidad y la producción narrativa. No puede decidir el perímetro legal del activo, hacer fiable la evidencia débil, eliminar la incertidumbre del mercado ni asumir la autoridad del valorador responsable.

Este artículo aborda Valoración aumentada con AI: del análisis de comparables a la modelización de escenarios para dos Matchpoint Partners audiencias objetivo. directores de inversión de family office y responsables de inversiones alternativas incluyen a profesionales de la inversión de family offices unifamiliares, family offices multifamiliares, firmas de gestión de patrimonio privado, bancos privados y gestores de activos externos en GCC, el Reino Unido, Suiza, Singapur y la Unión Europea. UAE/GCC Promotores inmobiliarios y sponsors financieros incluyen a fundadores, consejeros delegados, directores financieros y equipos de mercados de capitales que captan deuda, financiación mezzanine o fondos propios de empresas conjuntas y monetizan activos. Los equipos necesitan decisiones coherentes de cartera y transacciones basadas en evidencia pública y privada. Los equipos necesitan valoraciones defendibles para la captación de capital, decisiones de desarrollo, refinanciación, empresas conjuntas y ventas de activos.

La pregunta rectora es: ¿cómo puede una organización multiplicar la productividad de la valoración y la cobertura de decisiones mientras preserva la calidad de la evidencia, la incertidumbre, el juicio profesional y la rendición de cuentas? La respuesta es un sistema de valoración gobernado. Separa la evidencia de origen de las transformaciones, el cribado de comparables del ajuste, las estimaciones puntuales de las distribuciones de escenarios, la salida del modelo de la autoridad de decisión y la productividad medida del valor comercial atribuido.

La NIIF 13 define el valor razonable como un precio de salida en una transacción ordenada entre participantes del mercado en la fecha de medición. Exige técnicas de valoración apropiadas a las circunstancias, la maximización de inputs observables y la minimización de inputs no observables [1]. Las Normas Internacionales de Valoración vigentes desde el 31 de enero de 2025 contienen normas específicas para datos e inputs, modelos de valoración, documentación y presentación de informes [2]. Las Directrices de Valoración IPEV de 2025 aplican esta disciplina de valor razonable al capital privado [3]. RICS describe los modelos de valoración automatizados como un espectro que puede respaldar o formar parte de un proceso de valoración, con participación profesional en función del propósito, el mercado, los datos y el riesgo [4-5].

Estos requisitos respaldan la ampliación, siempre que toda transformación material siga siendo revisable. Un motor de comparables puede encontrar candidatos rápidamente. El valorador aún debe determinar por qué cada transacción es relevante, qué ajustes son defendibles y si el rango resultante refleja el activo objeto de valoración. Un motor de previsión puede calcular cientos de casos. El responsable de la decisión aún debe aprobar los estados económicos, las dependencias, las acciones de gestión y el tratamiento de probabilidades. Un modelo de lenguaje puede redactar un memorando. Aún necesita un paquete de evidencia controlado y aprobación humana.

La evidencia regional está aumentando. El Dubai Land Department ofrece datos inmobiliarios abiertos que abarcan transacciones, alquileres, proyectos y valoraciones [11]. Informó 60.303 transacciones inmobiliarias por un valor de AED 252 billion en el primer trimestre de 2026 [12]. Esos datos mejoran la observabilidad del mercado para determinadas cuestiones. No hacen que todos los activos sean homogéneos, eliminan los efectos de partes vinculadas, identifican todas las condiciones comerciales ni establecen un valor sin ajustes.

La adopción de AI también cambia el perímetro de control. Las Normas de Gestión de Modelos del Banco Central de UAE exigen gobernanza, datos trazables, desarrollo documentado, aprobación, validación independiente y monitoreo continuo para los modelos utilizados en la toma de decisiones [6]. La DFSA informó en 2025 que el 52 % de 661 empresas autorizadas que respondieron a su encuesta utilizaban activamente AI; la madurez de la gobernanza variaba y se informó que el 21 % carecía de una rendición de cuentas clara [9]. El Marco de Gestión de Riesgos de AI del NIST organiza los controles en torno a Gobernar, Mapear, Medir y Gestionar [7-8]. La guía revisada de riesgos de modelos de la Reserva Federal de abril de 2026 y la declaración de supervisión de la PRA de abril de 2026 refuerzan el inventario basado en riesgos, la gobernanza, el desarrollo, la validación, el monitoreo y las medidas mitigadoras dentro de sus ámbitos bancarios [14-15].

La contribución es un sistema práctico que proporciona:

• un perímetro de valoración definido para las decisiones;
• un registro de evidencia y un linaje de la fuente al resultado;
• un protocolo de selección de comparables y ajustes;
• una arquitectura de modelización híbrida que combina métodos transparentes con aprendizaje automático;
• un motor de escenarios gobernado;
• controles de validación, incertidumbre y abstención;
• dos ejemplos ilustrativos hipotéticos;
• un puente de productividad e ingresos condicionado por la evidencia; y
• una hoja de ruta de adopción de noventa días.

El análisis revisa estudios académicos primarios, estándares oficiales, publicaciones de reguladores y fuentes oficiales de datos de mercado disponibles hasta el 1 de agosto de 2026. La aplicabilidad regulatoria y contable depende de la entidad, la jurisdicción, el propósito, el cliente, el activo y la base de reporte. Los estudios empíricos se reportan dentro de sus muestras estudiadas. No se proporcionó Matchpoint observado aprobado ni evidencia del cliente para ingresos, reducción de costes en efectivo, reducción de pérdidas o alfa. Esos valores atribuidos permanecen como USD 0.

El perímetro de la valoración

El propósito precede al método

Un proceso de valoración debe comenzar con una instrucción firmada, no con la elección de un modelo. La instrucción debe especificar el interés objeto de valoración, los derechos legales y económicos, la unidad de cuenta, la fecha de valoración, la moneda, el propósito, la base de valor, los usuarios previstos, las restricciones, los supuestos materiales y el estándar de reporte. Una participación accionarial, un inmueble, un proyecto de desarrollo, un instrumento de deuda, una participación en un fondo y un negocio en funcionamiento pueden requerir evidencia diferente incluso cuando un panel los presenta en una sola cartera.

El marco de valor razonable de la NIIF 13 es específico para las mediciones requeridas o permitidas por otras normas NIIF [1]. No crea un requisito general de valorar razonablemente cada decisión. La Regla 2a-5 de la SEC aborda las determinaciones de valor razonable de buena fe por parte de sociedades de inversión registradas y sociedades de desarrollo empresarial en Estados Unidos [13]. Su marco constituye evidencia comparativa útil para la evaluación de riesgos, la selección de metodologías, las pruebas, los servicios de fijación de precios, la supervisión y los registros. Su aplicabilidad legal se circunscribe a su ámbito declarado.

El precio, el valor y la decisión son resultados separados

Un precio observado registra una transacción según sus términos reales. Una valoración estima una base definida en una fecha. Una decisión de inversión compara la distribución estimada de resultados con el mandato, la liquidez, el riesgo, las alternativas y el rendimiento requerido. Un precio puede ser un dato válido y un comparable inadecuado. Una estimación de valor razonable puede ser defendible y poco atractiva para un family office concreto. El valor del suelo de un promotor puede diferir bajo un supuesto de participante de mercado ordenado y un plan estratégico específico del sponsor financiero.

Por lo tanto, el sistema debe conservar tres resultados:

1. Resultado de evidencia: transacciones verificadas, cotizaciones, rentas, costes, tasas y observaciones operativas.
2. Resultado de valoración: indicaciones, rangos, ponderaciones, ajustes adicionales y conclusión específicos de cada método.
3. Resultado de decisión: acción aprobada, límites, condiciones, calendario y responsable final.

La separación impide que el modelo convierta silenciosamente una predicción en una recomendación de inversión o en un compromiso de financiación.

y derechos de decisión

El asesor puede estructurar la evidencia, los modelos y las opciones. El órgano autorizado del cliente es responsable de la decisión. Los términos del encargo deben indicar la finalidad de la valoración, el acceso a los datos, la dependencia, las limitaciones, los conflictos y el flujo de aprobación.

Qué exigen las normas actuales

Evidencia de mercado y técnica calibrada

La NIIF 13 reconoce los enfoques de mercado, de ingresos y de costo y permite una o varias técnicas [1]. La técnica debe ser adecuada a las circunstancias y estar respaldada por datos suficientes. Los datos de entrada deben maximizar la evidencia observable relevante. Un modelo utilizado para valorar un dato de entrada no observable en el reconocimiento inicial debe calibrarse de modo que sea coherente con el precio de la transacción cuando ese precio represente el valor razonable. Las técnicas deben aplicarse de manera coherente, aunque un cambio puede ser adecuado cuando produzca una medición igual o más representativa del valor razonable.

Esto crea una prueba para el uso de AI. Más variables, un cálculo más rápido o un menor error dentro de la muestra no establecen una valoración más representativa. El equipo necesita evidencia de que la técnica encaja con el objeto, el mercado, la fecha y el uso previsto.

Datos, modelo, documentación e informes

Las IVS vigentes desde el 31 de enero de 2025 introdujeron una estructura revisada de norma general que incluye la IVS 104 Datos y datos de entrada, la IVS 105 Modelos de valoración y la IVS 106 Documentación e informes [2]. La estructura admite una visión de ciclo de vida:

• definir el alcance y la base;
• obtener y evaluar datos;
• seleccionar y aplicar modelos;
• ejercer el juicio profesional;
• conservar la documentación relevante; y
• presentar una conclusión con supuestos y limitaciones.

Las Directrices IPEV 2025 recogen las buenas prácticas actuales en capital privado [3]. Los mercados privados requieren con frecuencia inputs no observables, calibración, consideración del rendimiento de la empresa, evidencia de mercado y juicio. AI puede mejorar la consistencia y la cobertura. La opacidad de un modelo o una etiqueta de proveedor no pueden eliminar la necesidad de comprender los factores materiales que impulsan la conclusión.

Modelos de valoración automatizados

RICS considera los AVM como un espectro y no como un producto único [4]. En un extremo, un modelo puede ofrecer una estimación automatizada sin intervención profesional específica para el caso. En el otro, los análisis apoyan una valoración profesional. La guía de RICS para préstamos bancarios señala que un AVM puede ser adecuado cuando la propiedad es suficientemente uniforme, los mercados son activos y los datos son suficientes, sujeto a validación y a la instrucción acordada [5]. Las propiedades únicas, en desarrollo, especializadas o con negociación escasa requieren una revisión específica del caso más rigurosa.

La implicación para el control es una taxonomía de tres niveles:

El marketing debe describir el nivel real. Un memorándum asistido por AI no debe presentarse como una valoración profesional independiente a menos que el encargo, la norma, la competencia y la aprobación respalden esa descripción.

El registro de evidencia de valoración

Objetos de evidencia

Un proceso gobernado almacena la evidencia como objetos estructurados y fechados. Un número en una hoja de cálculo debe conservar su fuente, fecha de observación, fecha de vigencia, moneda, unidad, geografía, atributos del activo, estado de la transacción, estado de la relación, confianza, transformaciones y revisor.

El servicio de datos abiertos del Dubai Land Department es una fuente oficial para determinados campos de transacciones, alquileres, proyectos y valoración [11]. Debe elaborarse un perfil del conjunto de datos antes de usarlo: los campos faltantes, los duplicados, los cambios en la codificación, el tipo de transacción, las convenciones de unidades, la geografía y los desfases temporales pueden afectar a los resultados. La existencia de un campo no establece que esté completo ni que sea económicamente comparable.

Trazabilidad de la fuente al resultado

Todo resultado material debe poder reproducirse a través de cinco vínculos:

1. archivo de origen, registro o punto de acceso;
2. instantánea inmutable de ingesta;
3. código de transformación y versión;
4. versión del modelo y de los parámetros; y
5. celda, gráfico o párrafo del informe.

El registro de evidencia debe registrar los cambios manuales por separado de los valores de origen. Si un analista excluye una transacción, cambia una tasa de capitalización o aplica un ajuste de calidad, el sistema debe conservar el valor anterior, el valor nuevo, el responsable y el motivo. Este diseño facilita la revisión y permite que un revisor futuro reconstruya el conjunto de información disponible en la fecha de valoración.

AI límite de extracción

Los modelos de lenguaje y de documentos pueden extraer fechas de arrendamiento, revisiones de renta, covenants, tablas de capitalización, términos de las transacciones y métricas operativas. La extracción debe tratarse como un registro estructurado propuesto hasta que se verifique con el pasaje de origen. El registro debe incluir el identificador del documento, la página o celda, el texto extraído, el valor normalizado, la versión del modelo, la confianza y la decisión del revisor.

El sistema debe abstenerse o exigir revisión manual cuando:

• la fuente esté escaneada, incompleta o internamente incoherente;
• un importe carezca de moneda o unidad;
• una cláusula dependa de definiciones en otra parte;
• una tabla combine periodos reales, presupuestados y previstos;
• el valor de una transacción dependa de deuda, earn-outs o contraprestación contingente;
• un atributo de la propiedad entre en conflicto con la evidencia oficial; o
• la confianza del modelo o la validación basada en reglas quede por debajo del umbral aprobado.

La abstención es un resultado de control. Dirige el escaso tiempo de los expertos hacia los casos en los que la automatización es menos fiable.

Análisis de comparables como un proceso controlado

La cuestión de los comparables

Un comparable es una observación que ayuda a estimar cómo los participantes del mercado valorarían el activo objeto tras considerar las diferencias relevantes. Los nombres, sectores o códigos postales similares no son suficientes. El pipeline debe definir la relación económica entre el activo objeto y el candidato.

Para una empresa, las dimensiones pueden incluir modelo de negocio, geografía, calidad de los ingresos, crecimiento, margen, intensidad de capital, apalancamiento, tamaño y fecha de la transacción. Para inmuebles, las dimensiones pueden incluir submercado, uso permitido, régimen de tenencia, superficie, antigüedad, especificaciones, ocupación, calidad de los ingresos, duración del arrendamiento, estado de desarrollo y condiciones de venta. Para una participación en un fondo, las dimensiones pueden incluir estrategia, año de constitución, vida restante, compromiso no desembolsado, concentración, fecha del NAV y restricciones de transferencia.

Generación de candidatos y elegibilidad

La primera etapa maximiza la cobertura dentro de los límites escritos. La búsqueda puede utilizar bases de datos, registros, recuperación semántica de documentos y filtros estructurados. La segunda etapa aplica reglas estrictas de elegibilidad. La tercera etapa ordena por relevancia. La cuarta etapa requiere revisión por un analista.

El universo original debe permanecer visible. Un informe final que muestre solo las transacciones seleccionadas puede ocultar el sesgo de selección. Los revisores necesitan los candidatos excluidos y los motivos codificados, como instrumento incorrecto, mercado diferente, dificultades financieras, parte relacionada, condiciones incompletas, fecha obsoleta o derechos incompatibles.

Del emparejamiento directo al ajuste de características

El análisis hedónico modela el precio en función de las características. El marco de Rosen de 1974 estableció la base económica de los precios implícitos en productos diferenciados [17]. Los sistemas de comparables modernos pueden ampliar la idea mediante regresión regularizada, conjuntos de árboles y otros métodos no lineales. Los bosques aleatorios combinan árboles descorrelacionados y proporcionan herramientas flexibles de predicción e importancia de variables [18]. El gradient boosting construye una función aditiva mediante la optimización secuencial de una función de pérdida [19].

Estos métodos pueden identificar relaciones e interacciones no lineales. Su uso sigue requiriendo controles:

• la variable objetivo debe corresponder a la pregunta de valoración;
• las observaciones de entrenamiento deben preceder la fecha de valoración o ser válidas en ella;
• debe eliminarse la fuga de información procedente de campos de resultados futuros o derivados;
• la ingeniería de características debe reflejar información económicamente disponible;
• la validación cruzada debe respetar el tiempo, la entidad y la geografía;
• el error debe reportarse por segmento relevante, no solo de forma agregada;
• deben señalarse los sujetos fuera de distribución; y
• el modelo debe permitir la revisión de los factores determinantes materiales.

El marco SHAP de Lundberg y Lee asigna contribuciones de características a predicciones individuales dentro de una clase de explicación aditiva [20]. Una explicación muestra cómo un modelo produjo un resultado. No prueba efecto causal, calidad de los datos, equidad ni idoneidad de la valoración. Una gran contribución positiva de una característica puede revelar dependencia de una variable que debería haberse excluido.

Ajustes y rangos

Un ajuste debe indicar dirección, base, magnitud e incertidumbre. Una transacción inmobiliaria de hace seis meses puede requerir un ajuste temporal respaldado por un índice o evidencia emparejada. Una compañía de menor tamaño puede requerir una consideración por tamaño o liquidez. Una transacción de suelo para desarrollo puede requerir ajustes por planeamiento, infraestructura y condiciones de pago. Una transacción de empresa privada puede requerir un análisis de derechos de garantía y estructura de capital.

El resultado debe ser una distribución o un rango, no una precisión artificial. El rango puede combinar incertidumbre del modelo, incertidumbre de las variables de entrada e incertidumbre de escenarios. Los rangos más amplios deberían dar lugar a una revisión más exhaustiva, una menor confianza o una decisión explícita de abstenerse.

La arquitectura híbrida de valoración

Núcleo transparente, soporte automatizado y ajustes superpuestos aprobados

La arquitectura debe mantener visible el método económico. El aprendizaje automático puede apoyar el descubrimiento de evidencia, la ordenación de comparables, el ajuste no lineal y la detección de errores. Un núcleo transparente conserva la lógica de mercado, ingresos y costes necesaria para la revisión.

La arquitectura mínima contiene:

• capa de fuentes: evidencia oficial, de proveedores, de clientes y de mercado con controles de acceso;
• capa de evidencia: observaciones versionadas, normalización e indicadores de calidad;
• capa de modelos: comparable directo, regresión, modelo de árbol, DCF, modelos de suelo residual y de costes;
• capa de escenarios: estados, dependencias, acciones de gestión y tratamiento de probabilidades;
• capa de control: inventario, aprobación, validación, umbrales, anulaciones y monitorización;
• capa de decisión: informe, documento para el comité, condiciones y aprobación responsable; y
• capa de aprendizaje: resultados observados, errores, excepciones y remediación.

Inventario de modelos y uso previsto

Las Normas de Gestión de Modelos del CBUAE definen las expectativas en materia de gobernanza, datos, desarrollo, validación, implementación y uso [6]. La SR 26-2 de la Reserva Federal sustituyó a la SR 11-7 en abril de 2026 y hace hincapié en un enfoque basado en riesgos adaptado al perfil de modelos, el tamaño y la complejidad de la organización [14]. La SS1/23 vigente de la PRA establece cinco principios que abarcan la identificación y clasificación, la gobernanza, el desarrollo y el uso, la validación independiente y las medidas mitigadoras dentro del ámbito bancario declarado [15].

El inventario de valoración debe incluir componentes estadísticos, financieros, basados en reglas y generativos. Un algoritmo de clasificación de comparables puede influir materialmente en el valor incluso si no calcula la cifra final. Una hoja de cálculo con macros discrecionales puede ser un modelo. Un proveedor API permanece dentro del perímetro de gobernanza del usuario.

La AI generativa como capa de interfaz

La AI generativa puede consultar el registro de evidencia, redactar resúmenes comparables, explicar diferencias entre escenarios y crear secciones de documentos para el comité. Debe recuperar información de fuentes controladas y citar el registro subyacente. Los cálculos deterministas deben ejecutarse en código controlado o en modelos financieros. El modelo de lenguaje no debe ser el único calculador de valores materiales, probabilidades o covenants.

El Perfil de AI generativa del NIST identifica riesgos como la confabulación, la privacidad de los datos, la integridad de la información y la configuración humano-AI [8]. Un diseño seguro restringe las herramientas del modelo, los dominios de datos, el esquema de salida y los permisos. Registra prompts, evidencia recuperada y resultados cuando sea legal y operativamente adecuado. Las afirmaciones materiales requieren verificación de fuentes.

Modelización de escenarios

Los escenarios son estados coherentes

Un análisis de sensibilidad cambia una variable de entrada mientras mantiene constantes las demás. Un escenario describe un estado coherente en el que varios factores impulsores se mueven juntos y pueden desencadenar acciones de gestión. Una distribución de probabilidad describe un conjunto más amplio de resultados bajo una estructura estocástica definida. Estas herramientas responden a preguntas diferentes.

Para un promotor, una absorción más lenta puede coincidir con mayores incentivos, menores cobros de efectivo, una financiación de construcción más prolongada y una salida más tardía. Para un family office, múltiplos de salida más bajos pueden coincidir con resultados más débiles, liquidez diferida y un entorno de tipos de cambio o de interés cambiado. Las sensibilidades independientes de una sola variable pueden subestimar estas dependencias.

Mapa de impulsores

El motor de escenarios debería partir de vínculos causales y contractuales que la dirección pueda revisar.

El modelo debe impedir combinaciones internamente incoherentes, salvo que el propósito sea probar una dislocación extrema. Un caso de ventas rápidas con recortes de precios severos puede ser válido. Requiere un supuesto explícito de elasticidad. Un caso de tipos de interés bajos con una tasa de descuento más alta puede ser válido si las primas de riesgo se amplían. Requiere la descomposición.

Protocolo de construcción de escenarios

1. Definir la decisión, el horizonte y la fecha de valoración.
2. Seleccionar los factores económicos y contractuales relevantes.
3. Establecer un caso central utilizando evidencia aprobada.
4. Definir estados alternativos con movimientos coherentes de los factores impulsores.
5. Añadir acciones de la dirección con capacidad de decisión, coste y retraso.
6. Calcular los flujos de caja, la financiación, los covenants y los valores terminales.
7. Conciliar los resultados con la evidencia de mercado y de costes.
8. Asignar probabilidades solo cuando la gobernanza y la evidencia lo respalden.
9. Reportar casos no ponderados cuando las probabilidades generarían una falsa precisión.
10. Registrar los umbrales de acción activados por cada estado.

Generación de escenarios respaldada por AI

AI puede analizar comunicados oficiales, evidencia de mercado, informes operativos y contratos para proponer factores de riesgo. Puede agrupar estados históricos y buscar dependencias omitidas. Puede generar narrativas candidatas y cuestionar supuestos. Los escenarios candidatos siguen siendo propuestas hasta que un responsable las apruebe.

El sistema debería distinguir:

• estado observado: respaldado por evidencia fechada;
• caso de la dirección: plan o presupuesto aprobado;
• caso de participante de mercado: supuestos coherentes con la base definida;
• caso de estrés: deliberadamente severo pero coherente;
• estrés inverso: estado que infringe un umbral de valor, liquidez o covenant; y
• caso exploratorio: posibilidad con poca evidencia mantenida para el debate estratégico.

Las probabilidades no deberían generarse a partir de la fluidez de un modelo de lenguaje. Requieren una base estadística, de mercado o de gobernanza declarada.

Validación, incertidumbre y abstención

La validación es un cuestionamiento independiente

La validación debe abarcar el concepto, los datos, la implementación, el desempeño, el uso y el reporte. La independencia debe ser proporcional a la materialidad. El revisor necesita autoridad, competencia y acceso suficientes para cuestionar el modelo y restringir su uso.

Medidas de error

El error absoluto medio es interpretable en unidades monetarias. El error porcentual absoluto mediano reduce la influencia de los errores porcentuales extremos. El error cuadrático medio penaliza los fallos grandes. La correlación de rangos puede evaluar el rendimiento de cribado. La calibración comprueba si los intervalos declarados contienen los resultados realizados con la frecuencia esperada. Ninguna medida por sí sola es suficiente.

Kok, Koponen y Martinez-Barbosa informaron de un error absoluto del 9 por ciento para su modelo automatizado en una muestra definida de activos multifamiliares de EE. UU. [22]. El resultado es evidencia relevante de que un AVM puede superar determinadas referencias de tasación en un entorno concreto. No debe trasladarse a proyectos de desarrollo GCC, empresas privadas ni a todos los segmentos inmobiliarios sin una nueva validación.

Intervalos de predicción

Las estimaciones puntuales ocultan incertidumbre. La predicción conforme puede crear intervalos de predicción libres de distribución con cobertura marginal de muestra finita bajo sus supuestos, utilizando un conjunto de calibración en torno a un modelo predictivo elegido [21]. La cobertura puede deteriorarse en caso de cambio de distribución, y la cobertura marginal no garantiza una cobertura igualmente sólida para cada subgrupo o activo.

Un informe institucional debe mostrar:

• indicación central;
• rango de valoración aprobado;
• intervalo de predicción estadístico cuando proceda;
• rango de escenarios;
• datos de entrada no observables significativos;
• dispersión de comparables;
• estado fuera de distribución; y
• umbral de decisión.

Matriz de abstención

El motor debe devolver valoración manual requerida cuando la evidencia o la idoneidad del modelo queden fuera de su aprobación.

El modelo operativo antes y después

Flujo de trabajo fragmentado actual

Muchos procesos de valoración distribuyen el trabajo entre correo electrónico, carpetas, hojas de cálculo, informes PDF y bases de datos de mercado. Los analistas vuelven a introducir información, reconstruyen tablas de comparables, cambian fechas manualmente y rastrean cifras cuando un revisor hace una pregunta. El mismo trabajo se repite para seguimiento, documentos para comités y materiales para prestamistas. El control depende de la disciplina individual con los archivos.

Flujo de trabajo objetivo controlado

El proceso objetivo traslada el tiempo de los expertos desde la recuperación y el reformateo hacia decisiones de perímetro, el cuestionamiento de la evidencia, el ajuste, el diseño de escenarios y la conclusión. Ese cambio debe medirse mediante resultados aceptados, no mediante borradores en bruto.

Dos ejemplos ilustrativos hipotéticos

Escenario A: decisión de desarrollo

Ejemplo ilustrativo Un promotor UAE/GCC está evaluando un proyecto de uso mixto. Todas las cifras, fechas y resultados de esta subsección son supuestos de gestión no verificados creados para demostrar el marco. No constituyen una valoración, una previsión ni una recomendación de transacción.

Los ingresos brutos de desarrollo del caso central son AED 1.125 billion antes de incentivos, cancelaciones, impuestos, comisiones y otros ajustes. El caso adverso combina un precio más bajo, una absorción más lenta, una escalada de costes y una financiación de mayor duración. El caso favorable combina un precio más alto, una absorción más rápida y una menor duración de la financiación. Las dependencias impiden que el modelo trate cada factor impulsor como una sensibilidad aislada.

El módulo de comparables busca evidencia oficial y de proveedores aprobados para transacciones de suelo, unidades y activos terminados. Conserva el universo completo de candidatos y luego filtra por ubicación, uso, estado, fecha y tipo de transacción. El revisor aprueba ajustes por plan de pago, vistas, especificaciones, fase de finalización, titularidad y condiciones de venta en bloque. El módulo de escenarios traduce después el precio y la absorción en cobros, financiación de la construcción, uso de deuda y necesidades de fondos propios.

Los umbrales de decisión pueden incluir fondos propios máximos en el pico, cobertura mínima de intereses, margen de covenant y rentabilidad mínima en el escenario adverso. El modelo debe mostrar qué supuesto provoca primero un incumplimiento. AI puede redactar la explicación de la desviación. Las autoridades de finanzas e inversión aprueban el escenario, el tratamiento de la financiación y la decisión.

Escenario B: decisión sobre activos privados

Ejemplo ilustrativo Una family office está evaluando una inversión minoritaria en una empresa operativa privada. Todas las cifras, fechas y resultados de esta subsección son supuestos de gestión no verificados. No constituyen una valoración, una recomendación de asignación ni una rentabilidad esperada.

El motor de comparables filtra operaciones cotizadas y privadas por modelo de negocio, geografía, crecimiento, calidad de los ingresos, margen, tamaño, derechos de garantía y fecha. Muestra el efecto de cada exclusión y ajuste. El método de ingresos utiliza una previsión basada en impulsores. El motor de escenarios combina rendimiento operativo, necesidad de capital, dilución, momento de salida y múltiplo de mercado.

El resultado decisorio del family office añade el encaje con el mandato, la reserva de liquidez, la concentración, los derechos de gobernanza, los derechos de información y la capacidad de seguimiento. Un valor de empresa defendible no determina la idoneidad para la cartera. El comité de inversiones aprueba la asignación y las condiciones.

Límite de la evidencia de escenarios

Las variables de entrada de los escenarios no tienen validación observada. Sus valores no deben aparecer en marketing, afirmaciones de marketing, casos prácticos ni atribución de rendimiento. El Matchpoint atribuido o los ingresos de clientes, la reducción de costes en efectivo, la reducción de pérdidas y el alfa procedentes de estos escenarios siguen siendo USD 0.

Productividad e ingresos

Unidad de productividad

La unidad de productividad debe ser un resultado aceptado y listo para tomar decisiones. Los borradores de texto, los documentos recuperados, los comparables generados y las ejecuciones de modelos son trabajo intermedio. Un borrador más rápido que genere costes adicionales de revisión o de error no constituye una ganancia de productividad.

Evidencia externa de productividad

Brynjolfsson, Li y Raymond estudiaron un despliegue escalonado a 5.172 agentes de atención al cliente y reportaron un aumento promedio del 15 por ciento en los problemas resueltos por hora, con efectos heterogéneos [23]. El estudio experimental de Noy y Zhang sobre tareas de escritura profesional encontró tiempos de finalización más cortos y una mayor calidad de los resultados conforme a su diseño [24]. Dell'Acqua y coautores estudiaron a 758 consultores y reportaron mejoras para tareas dentro de la frontera de capacidades AI evaluada, con un rendimiento más débil en una tarea fuera de esa frontera [25].

Estos estudios aportan evidencia creíble de que la AI generativa puede mejorar determinadas tareas de trabajo del conocimiento. No establecen una tasa de productividad en valoración. La valoración implica evidencia, estándares profesionales, modelos, consecuencias y revisión diferentes. Matchpoint y la productividad del cliente deberían medirse en un piloto controlado.

Puente ilustrativo no verificado del caso de negocio

Ejemplo ilustrativo Suponga que un equipo completa 20 paquetes de valoración o seguimiento aceptados al mes. Suponga que un piloto controlado reduce el tiempo humano mediano de 24 horas a 18 horas, mientras que las métricas de aceptación, corrección material y error se mantienen dentro de los umbrales aprobados. La capacidad liberada ilustrativa es de 120 horas al mes. Se trata de un cálculo de planificación, no de un Matchpoint observado ni de un resultado de cliente.

La capacidad liberada puede utilizarse para una mayor cobertura, decisiones más rápidas, un cuestionamiento de mayor calidad o trabajo para clientes. Los ingresos solo surgen si la capacidad respalda un encargo firmado, un entregable aceptado y un honorario cobrado. La fórmula de ingresos puede expresarse como:

Ingresos cobrados = resultados pagados aceptados x precio aprobado x tasa de cobro - reembolsos y abonos

Cada término necesita evidencia observada. Hasta que esa evidencia se apruebe, los ingresos cobrados atribuidos siguen siendo USD 0.

Arquitectura de ingresos por audiencia

Para los promotores, un servicio puede incluir un diagnóstico de evidencia y valoración, un paquete de escenarios de estructura de capital, un caso para prestamistas o inversores, remediación de modelos y actualización monitorizada de escenarios. Para las family offices, puede incluir revisión de valoración de activos privados, cuestionamiento de valoración de cartera, paquete de escenarios de liquidez, análisis de suscripción de transacciones y monitorización continua. Los términos comerciales requieren aprobación por separado y documentación del encargo.

El sitio web y el artículo de investigación deben describir capacidades y controles. Las afirmaciones de resultados específicos de clientes requieren evidencia observada, aprobación y divulgación adecuada.

Modos de fallo y respuestas de control

Fallo de datos

La evidencia obsoleta, duplicada, comunicada de forma selectiva o normalizada incorrectamente puede dominar la calidad del modelo. Un modelo de mayor capacidad puede reproducir defectos de datos de forma más consistente. Los controles incluyen prioridad de fuentes, fechas de vigencia, comprobaciones de integridad, validación de unidades, indicadores de relación, detección de duplicados, conciliación y muestreo por revisores.

Fallo en la selección de comparables

Los algoritmos de similitud pueden aprender proxies que parecen estadísticamente útiles y son económicamente inapropiados. Los analistas también pueden seleccionar comparables de forma sesgada. Los controles incluyen un universo definido por escrito, criterios estrictos de elegibilidad, un registro completo de exclusiones, revisión de características, métodos alternativos de clasificación y rendimiento fuera de muestra.

Fallo de previsión y escenarios

Los escenarios pueden ocultar dependencias inconsistentes, duplicar riesgos, aplicar probabilidades sin evidencia o ignorar restricciones de financiación. Los controles incluyen un grafo de impulsores, conciliación contable y de efectivo, lógica de acciones de la dirección, pruebas de estrés inversas y cuestionamiento independiente.

Sesgo de automatización

Una narrativa pulida y cifras precisas pueden aumentar la confianza del usuario. El informe debería distinguir visiblemente la evidencia observada, las estimaciones del modelo, los supuestos de la dirección, los ajustes superpuestos y los escenarios no verificados. Los revisores deberían ver las discrepancias del modelo y la evidencia faltante antes de la conclusión.

Deriva del modelo

Los regímenes de mercado, la cobertura de datos, los incentivos y la composición de activos cambian. La monitorización debe probar la distribución de las entradas, el error, la cobertura de intervalos, la tasa de anulación, la proporción de datos faltantes y el rendimiento por segmento. La superación de un umbral debería activar restricción, recalibración, rediseño o retirada.

Ciberseguridad, privacidad y fallos de proveedores

Los sistemas de valoración pueden contener datos confidenciales financieros, de titularidad, de propiedad y de transacciones. Los controles incluyen acceso mínimo, cifrado, análisis de región y retención, diligencia debida de proveedores, respuesta a incidentes, permisos de prompts y herramientas, filtrado de salidas y capacidad de copia de seguridad y exportación. Un servicio de un proveedor no debería convertirse en el único repositorio de evidencia.

Gobernanza y controles de liberación

Gobernar, Mapear, Medir y Gestionar

El RMF AI de NIST organiza el trabajo de riesgo AI en cuatro funciones [7]. Aplicado a la valoración:

• Gobernar: establecer responsabilidad, políticas, inventario, apetito de riesgo y escalado.
• Mapear: definir la decisión, los usuarios, el sujeto, el contexto, los daños y las dependencias.
• Medir: probar datos, modelo, incertidumbre, seguridad, explicabilidad y uso humano.
• Gestionar: aprobar, restringir, supervisar, remediar, comunicar y retirar.

ISO/IEC 42001 especifica los requisitos para un sistema de gestión AI y respalda un marco organizativo más amplio para el desarrollo y uso responsables [16]. La adopción o certificación no debe presentarse como prueba de que una valoración específica sea correcta.

Controles de liberación

La aprobación puede restringir el modelo a un mercado, tipo de activo, intervalo temporal, rango de valores o uso. Un piloto exitoso solo respalda el perímetro probado.

Hoja de ruta de adopción de noventa días

Días 0-15: perímetro e inventario

• seleccione un caso de uso acotado;
• documentar el propósito, la base, la fecha, los usuarios y los derechos de decisión;
• inventariar los datos, modelos, hojas de cálculo y proveedores existentes;
• mapear los datos confidenciales y el acceso;
• definir las medidas de aceptación, error y productividad; y
• registrar la línea de base actual.

Punto de control: instrucción aprobada, responsable, línea de base y plan de acceso a datos.

Días 16-30: registro de evidencias

• crear la jerarquía de fuentes y el diccionario de datos;
• ingerir una instantánea de evidencias con fecha;
• construir los campos de procedencia, transformación y exclusión;
• probar la completitud, las unidades, los duplicados y las fugas;
• definir la revisión de extracción de AI; y
• preparar un conjunto representativo de casos.

Punto de control: la evidencia puede rastrearse desde la fuente hasta el campo normalizado.

Días 31-45: prototipo de comparables y escenarios

• implementar reglas de elegibilidad y clasificación;
• crear métodos de referencia transparentes;
• añadir alternativas ajustadas por características;
• crear el grafo de impulsores de escenarios;
• definir la lógica de abstención y anulación; y
• generar resultados preliminares vinculados a las fuentes.

Punto de control: toda conclusión puede reproducirse y cuestionarse.

Días 46-60: validación independiente

• probar el concepto, los datos, el código y los resultados;
• ejecutar pruebas de rendimiento con dimensión temporal y por segmentos;
• probar los intervalos de predicción y los indicadores de fuera de distribución;
• revisar las explicaciones y los casos adversos;
• probar la seguridad, el acceso y el plan de contingencia de proveedores; y
• subsanar los hallazgos.

Punto de control: ningún hallazgo crítico abierto; restricciones aprobadas registradas.

Días 61-75: operación en modo sombra

• ejecutar los procesos nuevos y actuales en paralelo;
• recopilar datos de tiempo, aceptación, corrección y excepciones;
• comparar las decisiones del modelo y del revisor;
• registrar el motivo y el resultado de la anulación;
• probar la elaboración de informes para el comité; y
• refinar los umbrales.

Punto de control: la evidencia respalda el uso controlado dentro del perímetro indicado.

Días 76-90: liberación controlada

• aprobar los permisos del modelo, de los datos y de los usuarios;
• capacitar a usuarios y revisores;
• activar el flujo de trabajo de monitorización e incidentes;
• definir los procesos de cambio y retirada;
• liberar únicamente el caso de uso aprobado; y
• programar la revisión posterior a la implementación.

Punto de control: la autoridad responsable firma la autorización de publicación y las limitaciones.

Registro de afirmaciones y limitaciones

Afirmaciones permitidas

La evidencia respalda las siguientes afirmaciones acotadas:

• AI y el aprendizaje automático pueden respaldar la extracción de evidencia, el análisis de comparables, la modelización y la producción de escenarios.
• Las normas oficiales de valoración exigen un alcance definido, datos apropiados, método, juicio, documentación y presentación de informes [1-5].
• Los marcos de riesgo de modelo hacen hincapié en el inventario, la gobernanza, la validación, el seguimiento y el control [6-8,14-16].
• Estudios primarios demuestran mejoras de productividad en tareas seleccionadas de atención al cliente, redacción y consultoría [23-25].
• Un estudio de AVM de inmuebles comerciales reportó un rendimiento favorable en términos de error dentro de su muestra específica de vivienda multifamiliar en EE. UU. [22].
• Los datos oficiales de Dubái mejoran el acceso a observaciones de mercado seleccionadas [11-12].

Afirmaciones no respaldadas

La evidencia no establece que:

• un resultado de AI sea una valoración o una decisión de inversión;
• un solo modelo sea preciso para todos los activos y regímenes de GCC;
• más datos eliminan la necesidad de juicio;
• la explicación demuestra causalidad o equidad;
• una estimación puntual es más útil para la toma de decisiones que un rango;
• los porcentajes de productividad externos se aplican a la valoración;
• una producción más rápida genera ingresos cobrados; o
• ha generado Matchpoint o ingresos de clientes, ahorro de efectivo, reducción de pérdidas o alfa.

Limitaciones empíricas

No se suministró Matchpoint ni un conjunto de datos piloto de clientes, resultados de valoración materializados, estudio de tiempos, serie de errores, registro de aceptación o evidencia de ingresos. Los casos ilustrativos y los escenarios no son casos observados. Por lo tanto, el artículo propone un sistema y un protocolo de prueba. No informa sobre el rendimiento de un modelo implementado.

Limitaciones regulatorias y profesionales

Los requisitos contables, de valoración, de valores, de préstamo, de datos, AI y profesionales varían según la entidad, el activo, la jurisdicción, la instrucción y la fecha. Los materiales citados de la SEC, la Reserva Federal y la PRA tienen ámbitos institucionales definidos. Se utilizan como evidencia de control comparativa fuera de esos ámbitos, no como declaraciones de obligación legal universal.

Limitaciones técnicas

El rendimiento del modelo depende de la cobertura de las fuentes, la codificación, el diseño de características, el régimen, el sujeto y el uso previsto. Los intervalos de predicción dependen de su método y sus supuestos. Los modelos generativos pueden producir contenido no respaldado. Los modelos de proveedores pueden cambiar. El sistema de producción necesita control de versiones, validación, monitorización, controles de acceso y respaldo.

Limitaciones comerciales

No se ha aprobado ninguna previsión de demanda, precios, conversión o cobro. El empaquetado de servicios y las tarifas requieren la aprobación de CK y los términos de contratación de clientes. Los ingresos atribuidos, la reducción de costes en efectivo, la reducción de pérdidas y el alfa siguen siendo USD 0.

Conclusión

La valoración aumentada con AI debe concebirse como un sistema que va de la evidencia a la decisión. El sistema parte del propósito, los derechos, la base, la fecha y la autoridad. Almacena evidencia de mercado y operativa con su procedencia. Mantiene visibles el universo de comparables, la elegibilidad, la clasificación, los ajustes y las exclusiones. Combina métodos de valoración transparentes con un apoyo automatizado acotado. Modela escenarios coherentes y acciones de la dirección. Informa de la incertidumbre y se abstiene fuera del perímetro aprobado. Atribuye la autoridad final a personas responsables.

Para los directores de inversión de family office y los responsables de alternativos, el sistema puede aumentar la consistencia y la cobertura de las decisiones sobre activos privados, preservando al mismo tiempo la revisión de mandato, liquidez y concentración. Para los promotores inmobiliarios y sponsors financieros de UAE/GCC, puede conectar la evidencia de mercado, los supuestos de desarrollo, la estructura de capital y los umbrales de decisión en un único proceso gobernado. En ambos casos, la productividad debe medirse mediante resultados aceptados y el valor atribuido mediante evidencia comercial observada y aprobada.

La disciplina central de implementación es la trazabilidad. Un revisor debe poder pasar de la conclusión al método, el supuesto, la transformación y la fuente fechada. Un comité debe poder ver la incertidumbre, la dependencia de escenarios y las discrepancias entre modelos antes de aprobar una acción. Un resultado futuro debe actualizar el modelo y el registro de control. Así es como AI puede multiplicar la cobertura analítica sin ocultar el juicio de valoración.

Referencias

[1] Fundación IFRS. IFRS 13 Medición del valor razonable. Normas emitidas, edición 2024. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] Consejo de Normas Internacionales de Valoración. Publicada una nueva edición de las Normas Internacionales de Valoración. 31 de enero de 2024; vigencia desde el 31 de enero de 2025. https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] Consejo Internacional de Valoración de Capital Privado y Capital Riesgo. Directrices internacionales de valoración de capital privado y capital riesgo. 2025. https://www.privateequityvaluation.com/Valuation-Guidelines

[4] Real Institución de Agrimensores Colegiados. Modelos de valoración automatizados. Artículo de análisis, 2022. https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] Royal Institution of Chartered Surveyors. Valoraciones para préstamos bancarios y valor de préstamo hipotecario, 2.ª edición. Diciembre de 2025. https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] Banco Central de UAE. Estándares de gestión de modelos. Aviso 5052/2022. https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] Instituto Nacional de Estándares y Tecnología. Marco de gestión de riesgos de inteligencia artificial (AI RMF 1.0). NIST AI 100-1, enero de 2023. https://www.nist.gov/itl/ai-risk-management-framework

[8] Instituto Nacional de Estándares y Tecnología. Marco de gestión de riesgos de inteligencia artificial: perfil de inteligencia artificial generativa. NIST AI 600-1, julio de 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] Autoridad de Servicios Financieros de Dubái. Nueva encuesta de la DFSA sobre AI: la adopción de AI generativa casi se ha triplicado en el DIFC; la gobernanza sigue desarrollándose. 2025. https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] Organización Internacional de Comisiones de Valores. Inteligencia artificial en los mercados de capitales: casos de uso, riesgos y desafíos. 2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] Departamento de Tierras de Dubái. Datos inmobiliarios: datos abiertos. Consultado el 1 de agosto de 2026. https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] Departamento de Tierras de Dubái. Las transacciones inmobiliarias de Dubái aumentan un 31 % hasta alcanzar AED 252 billion en el primer trimestre de 2026. 2026. https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] Comisión de Bolsa y Valores de Estados Unidos. Determinaciones de buena fe del valor razonable: guía de cumplimiento para entidades pequeñas. 2020. https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] Junta de Gobernadores del Sistema de la Reserva Federal. SR 26-2: Guía revisada sobre gestión del riesgo de modelos. 17 de abril de 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

Banco de Inglaterra, Autoridad de Regulación Prudencial. SS1/23: Principios de gestión del riesgo de modelos para bancos. Versión actual, abril de 2026. https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

Organización Internacional de Normalización. ISO/IEC 42001:2023, Tecnología de la información - Inteligencia artificial - Sistema de gestión. 2023. https://www.iso.org/standard/42001

Rosen, S. Precios hedónicos y mercados implícitos: diferenciación de productos en competencia pura. Journal of Political Economy, 82(1), 34-55, 1974. https://doi.org/10.1086/260169

Breiman, L. Bosques aleatorios. Machine Learning, 45, 5-32, 2001. https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

Friedman, J. H. Aproximación codiciosa de funciones: una máquina de potenciación de gradiente. Annals of Statistics, 29(5), 1189-1232, 2001. https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M., y Lee, S.-I. Un enfoque unificado para interpretar las predicciones de los modelos. Advances in Neural Information Processing Systems 30, 2017. https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N., y Bates, S. Una introducción sencilla a la predicción conformal y a la cuantificación de la incertidumbre sin distribución. 2021. https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L., y Martinez-Barbosa, C. A. ¿Big Data en el sector inmobiliario? De la tasación manual a la valoración automatizada. Journal of Portfolio Management, 43(6), 202-211, 2017. https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D., y Raymond, L. AI generativa en el trabajo. Quarterly Journal of Economics, 140(2), 889-942, 2025. https://doi.org/10.1093/qje/qjae044

[24] Noy, S., y Zhang, W. Evidencia experimental sobre los efectos de la inteligencia artificial generativa en la productividad. Science, 381(6654), 187-192, 2023. https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., and Lakhani, K. R. Navegar por la frontera tecnológica irregular: evidencia experimental de campo de los efectos de AI sobre la productividad y la calidad de los trabajadores del conocimiento. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

Apéndice A. Registro de evidencia de valoración mínima

Apéndice B. Lista de verificación de revisión de comparables

• ¿Están definidos el interés objeto de valoración y la unidad de cuenta?
• ¿Se respeta la fecha de valoración en la consulta de evidencia?
• ¿Se conserva el universo completo de candidatos?
• ¿Se definen por escrito las reglas de elegibilidad estrictas antes de la clasificación?
• ¿Cada comparable excluido tiene un motivo codificado?
• ¿Se normalizan los términos de la transacción y los derechos de garantía?
• ¿Se documentan los ajustes por tiempo, tamaño, calidad, derechos y financiación?
• ¿El modelo evita información futura y fuga de datos del objetivo?
• ¿Se reportan los errores por segmento material y periodo?
• ¿El objeto de valoración está dentro de la distribución de datos validada?
• ¿Se concilian las indicaciones de los métodos en lugar de promediarlas mecánicamente?
• ¿Se conservan los ajustes del revisor, sus motivos y los valores anteriores?
• ¿El informe muestra dispersión, incertidumbre y limitaciones?

Apéndice C. Lista de verificación de escenarios y publicación

• ¿Están definidos la decisión y el horizonte?
• ¿Son coherentes los estados central, a la baja, al alza y de estrés inverso?
• ¿Están documentadas las dependencias de los impulsores?
• ¿Se han asignado autoridad, coste y retraso a las acciones de la dirección?
• ¿Se concilian los flujos de caja, financiación, fiscales y contables?
• ¿Se respaldan o se omiten las probabilidades?
• ¿Son visibles los umbrales de decisión y los impulsores del primer incumplimiento?
• ¿La validación independiente ha cubierto los datos, el método, el código y el uso?
• ¿Están aprobados el acceso, la confidencialidad, el registro y la contingencia de proveedores?
• ¿Están activas las reglas de abstención y restricción?
• ¿Están los usuarios formados sobre los límites del modelo y el sesgo de automatización?
• ¿Está activa la monitorización de la deriva, los errores, las anulaciones y los incidentes?
• ¿La decisión final corresponde a una persona autorizada?

Apéndice D. Glosario

Abstención: un resultado controlado que no emite una conclusión automatizada y deriva el caso a revisión manual.

Modelo de valoración automatizado: un sistema matemático o estadístico que estima el valor a partir de datos inmobiliarios o de mercado con un grado definido de automatización.

Base de valor: los supuestos fundamentales de medición bajo los cuales se estima un valor.

Calibración: ajuste de un modelo para que su resultado sea coherente con la evidencia observada relevante, incluido el precio de la transacción cuando proceda.

Comparable: una transacción, instrumento o activo observado que se utiliza para sustentar el valor una vez analizadas su relevancia y diferencias.

Predicción conformal: una familia de métodos que construye conjuntos o intervalos de predicción utilizando datos de calibración y propiedades de cobertura definidas.

Registro de evidencia: un registro versionado que vincula cada entrada material con su fuente, fecha, transformación, revisor y uso en la salida.

Explicabilidad: información que describe cómo las entradas influyeron en la salida de un modelo; por sí misma no establece corrección ni causalidad.

Riesgo de modelo: posible consecuencia adversa de decisiones basadas en modelos incorrectos, mal utilizados o deficientemente controlados.

Fuera de distribución: un sujeto o una entrada materialmente fuera de la población representada en el desarrollo y la validación del modelo.

Intervalo de predicción: un rango diseñado para contener un resultado futuro o no observado con un nivel de cobertura declarado bajo los supuestos del método.

Escenario: un conjunto coherente de supuestos económicos, operativos y de financiación vinculados entre sí, utilizado para evaluar un resultado o una decisión.

Sensibilidad: el efecto de cambiar uno o más supuestos, a menudo sin postular un estado completo del mundo.

Ajuste de valoración: un ajuste humano documentado aplicado al valor indicado por un modelo o método para reflejar evidencia o riesgos no capturados adecuadamente.