AI para ESG y medición de impacto: datos, verificación e informes

Introducción

La información de sostenibilidad solo resulta útil para un inversor cuando quien toma decisiones puede rastrear una cifra reportada hasta una métrica definida, una población acotada, los registros de origen, las transformaciones, los controles y una aprobación responsable. La inteligencia artificial puede acelerar partes de esa cadena. Puede extraer lecturas de medidores y términos contractuales, clasificar evidencia, conciliar unidades inconsistentes, identificar anomalías, estimar valores faltantes bajo un método aprobado, monitorear observaciones satelitales y redactar comentarios vinculados a las fuentes. Cada capacidad crea un nuevo requisito de control, porque el modelo también puede ocultar la procedencia, propagar errores de límites, exagerar la precisión y producir texto fluido sin respaldo probatorio.

Este artículo desarrolla un modelo operativo condicionado por la evidencia para inversores en infraestructura e infraestructura digital, con los directores de inversión de family office y los responsables de alternativos como audiencia secundaria. El artículo aborda activos físicos, sociedades de proyecto, fondos, inversiones directas y reporte de cartera. Su pregunta principal es práctica: ¿cómo puede un equipo de inversión usar AI para mejorar ESG y la medición, verificación y reporte de impacto, preservando la integridad exigida para las decisiones de inversión, los covenants de los prestamistas, las divulgaciones regulatorias y el aseguramiento independiente?

Las normas rectoras aportan lentes de decisión diferentes. IFRS S1 e IFRS S2 se centran en los riesgos y oportunidades relacionados con la sostenibilidad relevantes para los proveedores de capital [1,2]. GRI se centra en los impactos de una organización sobre la economía, el medio ambiente y las personas [9]. ESRS combina la materialidad financiera y la materialidad de impacto, con una taxonomía digital para el reporte estructurado [11-13]. PCAF aborda las emisiones financiadas [7]. TNFD aborda las dependencias, impactos, riesgos y oportunidades relacionadas con la naturaleza [10]. ICMA, IFC e IRIS+ aportan disciplinas de reporte de impacto y gestión de impacto [16-18]. Estas lentes pueden compartir evidencia. Sus definiciones, alcances, pruebas de materialidad y afirmaciones deben permanecer distinguibles.

La proposición central es que AI debe operar dentro de un grafo de evidencia en lugar de convertirse en la evidencia. Un registro de métrica debe identificar el criterio rector, la entidad informante, el límite del activo, el periodo, la unidad, la fuente, la transformación, la incertidumbre, el revisor, la aprobación y el destino de divulgación. La salida del modelo debe preservar las citas a esos registros. Un verificador debe poder reproducir el cálculo sin depender de una narrativa generada.

El análisis revisa 30 estándares primarios, publicaciones oficiales de reguladores y fuentes intergubernamentales disponibles hasta el 1 de agosto de 2026. Desarrolla una arquitectura original de Matchpoint, un contrato de métricas, un catálogo de controles, escenarios desarrollados y una hoja de ruta de adopción de noventa días. Los escenarios desarrollados son supuestos de modelización explícitamente hipotéticos. No representan clientes de Matchpoint, ahorros materializados, rendimiento de la inversión ni divulgaciones aseguradas.

El perímetro de decisión «And»

inversores en infraestructuras

los inversores asignan capital a energía, transporte, servicios públicos, centros de datos y otras infraestructuras de activos reales. Su información de sostenibilidad está próxima a las operaciones físicas. Los contadores eléctricos, los registros de combustible, los sistemas de agua, los calendarios de construcción, los permisos ambientales, los factores de red, las especificaciones de equipos, la actividad de los inquilinos y las observaciones geoespaciales pueden contribuir todos a una métrica reportada. El mismo activo puede respaldar varias decisiones: evaluación de adquisiciones, financiación de proyectos, seguimiento de covenants, mejora operativa, valoración, seguros, preparación de salidas e informes externos.

Por lo tanto, la carga de datos es multinivel. Una sociedad de proyecto necesita controles a nivel de activo. Un gestor de fondos necesita una agregación coherente de la cartera. Un socio comanditario necesita información comparable y útil para la toma de decisiones. Un prestamista necesita definiciones de covenants y evidencia. Un profesional de aseguramiento necesita evidencia suficiente y adecuada frente a criterios adecuados [8,30]. Un único panel generado no puede satisfacer estas funciones a menos que su linaje y derechos de decisión sean explícitos.

asignadores de family office

los asignadores suelen recibir informes heterogéneos de gestores, participaciones directas y asesores. Pueden ver el mismo concepto expresado mediante límites, períodos, unidades y métodos de estimación incompatibles. Un gestor informa emisiones eléctricas basadas en la ubicación, otro informa emisiones basadas en el mercado, y un tercero proporciona el total de dióxido de carbono equivalente sin una nota de métodos. Un activo directo informa emisiones evitadas frente a un contrafactual propio. Una empresa de la cartera proporciona una narrativa sobre el beneficio comunitario sin evidencia de línea de base ni de resultados.

AI puede ayudar a un equipo a normalizar estos paquetes, asignar las métricas divulgadas a una ontología propia, identificar evidencia faltante, comparar métodos y preparar preguntas para el comité de inversiones. El equipo debe preservar la representación original del gestor y etiquetar cada ajuste del asignador. Una normalización del asignador es una visión analítica. No se convierte en el hecho reportado de la participada ni en una medida asegurada.

Derechos de decisión

AI puede recomendar una clasificación o identificar una anomalía. No debe aprobar un límite de reporte, certificar una declaración climática, determinar la materialidad, firmar una conclusión de aseguramiento ni publicar una divulgación pública. Esos actos conllevan responsabilidad institucional.

Normas, materialidad y tipos de declaraciones

Defina el enfoque de decisión antes de la métrica

Las NIIF S1 y NIIF S2 establecen una línea base orientada a los inversores para la información financiera relacionada con la sostenibilidad [1,2]. Su estructura abarca gobierno, estrategia, gestión de riesgos y métricas y objetivos. La Taxonomía de Divulgación de Sostenibilidad de las NIIF permite el etiquetado legible por máquinas y está diseñada para funcionar con la Taxonomía Contable de las NIIF [3]. Las actualizaciones de la taxonomía derivadas de las divulgaciones modificadas sobre gases de efecto invernadero ilustran la necesidad de asignaciones con control de versiones [4].

GRI exige a las organizaciones informantes que identifiquen impactos materiales y apliquen principios como exactitud, equilibrio, claridad, comparabilidad, exhaustividad, puntualidad y verificabilidad [9]. ESRS utiliza la doble materialidad y una taxonomía digital detallada [11]. La Comisión Europea adoptó los ESRS revisados el 3 de julio de 2026; el paquete revisado reduce los puntos de datos obligatorios y añade una norma voluntaria para empresas más pequeñas, sujeta al proceso de escrutinio de la UE indicado [12,13]. Por lo tanto, un sistema en producción debe registrar la versión de reporte aplicable y el período de vigencia.

PCAF proporciona métodos para atribuir las emisiones financiadas a las actividades financieras y distingue los inventarios básicos de la información opcional prospectiva o de emisiones evitadas [7]. TNFD organiza la divulgación relacionada con la naturaleza en torno a gobierno, estrategia, gestión de riesgos e impactos, y métricas y objetivos [10]. ICMA recomienda una declaración transparente del uso de los fondos y la elaboración de informes de impacto para bonos verdes [16]. Los Principios Operativos de IFC vinculan la intención estratégica, la selección de inversiones, el seguimiento, la salida y la verificación independiente [17]. IRIS+ proporciona un sistema práctico de selección de métricas en torno a qué, quién, cuánto, contribución y riesgo [18].

Estos marcos no forman una única biblioteca de métricas intercambiables. Crean un mapa de normas.

La escalera de afirmaciones

Un sistema sólido impide que una observación de nivel bajo se promueva a una afirmación de nivel alto sin evidencia. Un contador inteligente puede establecer una lectura de electricidad dentro de sus límites de calibración y cobertura. Un factor de emisión puede convertir datos de actividad en una estimación de emisiones según un método especificado. Se puede calcular una reducción interanual después de comprobar la coherencia de los límites y del método. Una afirmación de que la acción de la dirección causó la reducción requiere más evidencia. Una afirmación de que una inversión generó impacto ambiental requiere un análisis de contribución y una evaluación del riesgo de impacto.

La escalera de afirmaciones debe codificarse como transiciones permitidas:

1. observación de origen;
2. dato de actividad validado;
3. métrica calculada;
4. comparación de periodos;
5. evaluación del progreso hacia objetivos;
6. interpretación de riesgo o financiera;
7. declaración de resultados;
8. declaración de contribución o adicionalidad;
9. divulgación publicada externamente.

Cada transición necesita un responsable, un método y un umbral de evidencia. AI puede automatizar partes de las transiciones uno a cinco bajo controles. Las transiciones seis a nueve requieren juicio sustantivo y aprobación.

El Contrato de métrica ESG

Un registro por cada versión de la métrica

El contrato de métrica es el registro operativo central. Separa la etiqueta que se muestra en un informe de la definición que hace que la cifra tenga sentido.

La identidad de la métrica evita la deriva silenciosa

La identidad de la métrica debe cambiar cuando cambie una definición material. Un nuevo factor de emisión, un perímetro de activos revisado, un método PCAF actualizado, una nueva definición de beneficiario o una versión del modelo deben crear una nueva versión de la métrica. La política de reexpresión debe especificar si se recalculan los periodos históricos y cómo ambas versiones permanecen localizables.

Una etiqueta de informe como «energía renovable generada» no es suficiente. El contrato debe indicar la generación bruta o neta, la ubicación del medidor, el consumo auxiliar, el tratamiento del recorte de generación, el tratamiento de las exportaciones, el periodo de reporte, las lagunas de datos y si se utilizó alguna estimación. El mapeo de AI debe devolver el ID de la métrica y la confianza junto con el valor extraído. Un valor sin una identidad de métrica válida debe entrar en una cola de excepciones.

La calidad de los datos es un vector

Una única puntuación compuesta de calidad puede ocultar la razón por la que un número es débil. El sistema debe conservar un vector:

• procedencia: original, copiada, inferida o de origen externo;
• cobertura: proporción de activos, tiempo o población representada;
• completitud: campos obligatorios presentes;
• frescura: retraso entre el evento, la captura y el uso;
• método: medición directa, cálculo, estimación o proxy;
• control: estado de validación y conciliación;
• incertidumbre: intervalo conocido de medición o del modelo;
• aseguramiento: sin asegurar, revisado internamente, aseguramiento limitado o aseguramiento razonable cuando proceda;
• comparabilidad: coherencia de límites y métodos entre periodos o activos.

Los conceptos de calidad de los datos de PCAF muestran por qué los datos de emisiones financiadas medidas y estimadas deben seguir siendo distinguibles [7]. Los principios de reporte de GRI respaldan asimismo atributos explícitos de exactitud, integridad y verificabilidad [9]. Los asignadores de capital pueden utilizar el vector para orientar la interlocución: mejorar la cobertura en un gestor, sustituir estimaciones en otro y resolver la inconsistencia de límites en un tercero.

Datos de origen y medición digital

Jerarquía de fuentes

La jerarquía de fuentes debe dar preferencia a los registros más cercanos al evento y preservar las observaciones corroborantes. Entre los ejemplos se incluyen:

MRV digital

El Banco Mundial define el monitoreo, reporte y verificación digitales como el uso de tecnologías y procesos digitales para automatizar la recopilación de datos, el reporte de emisiones y la generación de resultados de mitigación [19,27]. Su guía de 2025 aborda la evaluación de sistemas, la interoperabilidad y los puntos críticos de control. El MRV digital puede conectar medidores, sensores, satélites, aplicaciones móviles, sistemas en la nube y registros. Los usos del reporte deben conservar los registros exigidos por los arreglos de transparencia aplicables [21]. La arquitectura gana valor cuando las capas física y digital están vinculadas por identidades, controles y pistas de auditoría consistentes.

El Sistema de Alerta y Respuesta ante el Metano del PNUMA proporciona un ejemplo operativo. A julio de 2026, MARS utiliza datos de más de 30 instrumentos satelitales, experiencia científica y modelos avanzados de AI para detectar y notificar a gobiernos y empresas emisiones de metano muy grandes; su alcance se amplió al carbón y los residuos en 2026 [20,28]. El ejemplo demuestra una observación escalable asistida por AI. También muestra la importancia de la documentación del método, la atribución de fuentes, el flujo de trabajo de respuesta y la corroboración. Una alerta satelital es una señal de decisión cuya atribución de activos y respuesta de mitigación requieren seguimiento operativo.

El puente de identidad físico-digital

Cada activo, medidor, proyecto, entidad jurídica, instrumento de financiación y límite de reporte debe tener un identificador estable. El puente de identidad conecta:

• entidad jurídica con fondo y periodo de titularidad;
• activo con ubicación y límite operativo;
• medidor con equipo, unidad y registro de calibración;
• documento con emisor, firma y periodo de vigencia;
• inversión con importe de financiación y denominador de atribución PCAF;
• registro de beneficiario con consentimiento, programa y reglas de deduplicación;
• observación geoespacial con coordenadas, tiempo, resolución y confianza.

La resolución de entidades mediante AI puede proponer vínculos. Los vínculos de alto impacto o ambiguos deben requerir revisión. El grafo de evidencia debe conservar las alternativas rechazadas y el aprobador final. W3C PROV proporciona un modelo genérico útil de entidades, actividades y agentes para una procedencia interoperable [26].

La arquitectura controlada de AI

Siete capas

La arquitectura objetivo tiene siete capas:

1. origen e identidad;
2. evidencia bruta inmutable;
3. datos validados y normalizados;
4. cálculo determinista de métricas;
5. servicios AI acotados;
6. espacio de trabajo de revisión, aprobación y aseguramiento;
7. elaboración de informes, etiquetado taxonómico y divulgación.

La capa bruta conserva los archivos originales, las observaciones y los metadatos. La capa validada aplica reglas de unidades, identidades, fecha de corte y calidad. Los cálculos deterministas implementan fórmulas aprobadas. Los servicios AI pueden entonces extraer, clasificar, emparejar, detectar anomalías, pronosticar o redactar a partir de entradas controladas. Los revisores ven el resultado generado junto a la evidencia citada, el método y las excepciones. Los adaptadores de informes asignan las versiones aprobadas de las métricas a la taxonomía o plantilla correspondiente.

Catálogo de servicios AI

El RMF de AI del NIST organiza la gestión de riesgos en torno a gobernar, mapear, medir y gestionar [22]. Su perfil generativo-AI identifica los riesgos de integridad de la información y de procedencia relevantes para la elaboración de informes públicos [23]. Por lo tanto, la arquitectura debería inventariar los modelos, registrar el uso previsto, probar datos representativos, monitorear los cambios y mantener procesos de incidentes, anulación y retirada.

Recuperación y citación

La recuperación debería operar sobre paquetes de evidencia aprobados en lugar de un universo documental sin restricciones. Cada fragmento debería conservar el ID del documento, la versión, la página o ubicación, la fecha de vigencia, la etiqueta de seguridad y la relación métrica. El texto generado debería citar el tramo exacto de evidencia o el registro métrico. Las oraciones no respaldadas deberían bloquearse o devolverse para su completado manual.

El sistema debería distinguir tres estados:

• respaldado: la afirmación se deriva de evidencia aprobada;
• calificado: la evidencia respalda la afirmación dentro de un método, límite o incertidumbre declarados;
• no respaldado: la evidencia está ausente, es contradictoria o está por debajo del umbral requerido.

La interfaz de redacción debería favorecer la abstención frente a la finalización fluida. El texto del informe externo solo debería generarse a partir de declaraciones respaldadas o calificadas aprobadas.

Preparación para la verificación y el aseguramiento

La verificación se diseña desde el origen

El aseguramiento no puede reparar la procedencia faltante después de la publicación. El paquete de evidencia debería crearse junto con la métrica. Debería incluir el criterio rector, la población de origen, el resultado de la extracción, los registros rechazados, el registro de transformación, la fórmula, la versión del factor, la conciliación, la resolución de excepciones, la aprobación del revisor y el mapeo de la divulgación final.

La ISSA 5000 se aplica a todos los temas de sostenibilidad y a los marcos de reporte adecuados, y respalda encargos de aseguramiento limitado y razonable [8,30]. El sistema de producción no debería etiquetar una métrica como "asegurada" a menos que la conclusión de aseguramiento cubra esa información y ese periodo. La revisión interna, la validación de modelos y el aseguramiento independiente son capas de control diferentes.

Matriz de suficiencia de la evidencia

Segregación de funciones

El propietario de la fuente no debe aprobar unilateralmente la métrica, modificar el modelo y publicar la divulgación. Como mínimo, el sistema debe separar:

• envío de la fuente;
• preparación de la métrica;
• administración del modelo o de las reglas;
• revisión y aprobación de excepciones;
• publicación externa;
• acceso de aseguramiento independiente.

Los cambios privilegiados requieren un ticket, un motivo, evidencia de pruebas y una fecha de entrada en vigor. El grafo de evidencia debe mostrar qué versión produjo cada divulgación. Una actualización del modelo posterior al periodo no debe reescribir silenciosamente el paquete de evidencia histórico.

Medición de emisiones, energía y recursos

Inventario de emisiones

El Protocolo de GEI proporciona fundamentos de contabilidad corporativa y de la cadena de valor [5,6]. El flujo de trabajo debe establecer los límites organizativos y operativos antes de cargar los datos. Debe registrar las categorías del Alcance 1, Alcance 2 y las categorías relevantes del Alcance 3; las visiones del Alcance 2 basadas en la ubicación y en el mercado deben permanecer distintas cuando sea necesario. Los datos de actividad, la fuente del factor, la versión del factor, la base del potencial de calentamiento global, la conversión de unidades y el estado de estimación deben ser trazables.

AI puede extraer el consumo de las facturas, asignar las instalaciones a los factores de la red eléctrica, identificar periodos faltantes y conciliar los registros de energía con el libro mayor o los sistemas de operaciones. Las reglas deterministas deben realizar el cálculo de emisiones. Un factor generado por el modelo o un valor web no documentado es inaceptable. Las actualizaciones de factores deben generar una decisión de reexpresión controlada.

Métricas operativas de infraestructura

El mismo enfoque se aplica a las métricas de energía generada, energía consumida, agua captada, agua vertida, residuos, refrigerantes y eficiencia del centro de datos. El contexto del activo es importante. Un centro de datos debe vincular las facturas de servicios públicos, la generación in situ, los sistemas de alimentación ininterrumpida, la refrigeración, las cargas de los inquilinos y los sistemas de agua con límites definidos. Un activo renovable debe distinguir la generación bruta, la carga auxiliar, la limitación de generación y la energía exportada.

Un motor de anomalías puede señalar una discontinuidad. Operaciones debe investigar si representa el rendimiento del equipo, un error del medidor, datos faltantes, un cambio de límites o estacionalidad ordinaria. El registro de la métrica debe conservar la investigación y la resolución.

emisiones financiadas

La Parte A de PCAF proporciona métodos para las emisiones financiadas en distintas clases de activos financieros, incluidos la financiación de proyectos y los bienes inmuebles comerciales [7]. Un fondo debe vincular el importe de la exposición, el denominador de atribución, las emisiones del activo y los atributos de calidad de los datos para cada fecha de reporte. Un asignador debe conservar si un gestor proporcionó emisiones reportadas, una estimación o una asignación a nivel de cartera.

La agregación de la cartera debe evitar el doble conteo entre estructuras de titularidad y periodos. Si un fondo posee un proyecto a través de múltiples vehículos, el grafo de titularidad legal y económica debe resolver la exposición una sola vez conforme al método seleccionado. AI puede ayudar en la resolución y clasificación de entidades; las reglas aprobadas de titularidad y atribución siguen siendo deterministas.

Medición de naturaleza, social e impacto

Evidencia relacionada con la naturaleza

TNFD recomienda la divulgación en gobernanza, estrategia, gestión de riesgos e impactos, y métricas y objetivos [10]. Los proyectos de infraestructura pueden afectar el suelo, el agua, los ecosistemas y las comunidades en ubicaciones específicas. Los datos geoespaciales y el aprendizaje automático pueden apoyar la selección de ubicaciones, el monitoreo de la cobertura del suelo y la detección de cambios. Su paquete de evidencia debe divulgar la fuente de las imágenes, la fecha, la resolución, el modelo de clasificación, los datos de referencia, el tratamiento de nubes u obstrucciones, la incertidumbre y la interpretación del revisor.

Un cambio detectado en la cobertura del suelo no establece por sí mismo causalidad, incumplimiento legal ni efecto financiero material. El sistema debe vincular la observación con permisos, límites del proyecto, evidencia de campo y revisión responsable. Las dependencias e impactos relacionados con la naturaleza pueden requerir experiencia de dominio que un modelo general no puede aportar.

Información social y de beneficiarios

Las medidas sociales y de impacto pueden involucrar a trabajadores, contratistas, clientes y comunidades afectadas. El contrato de métricas debe abordar la privacidad, el consentimiento, las salvaguardas, el muestreo, la representatividad y los mecanismos de reclamación. La deduplicación no debe eliminar la participación repetida significativa. Los atributos sensibles deben tener control de acceso y usarse solo para fines aprobados.

AI puede codificar respuestas de encuestas, traducir texto e identificar temas. El equipo de investigación debe evaluar el desempeño por idioma, subgrupo y cultura. Los resúmenes generados deben incluir opiniones minoritarias y adversas cuando sean materiales. Un informe equilibrado no puede basarse únicamente en la agregación de sentimiento.

Lógica de impacto

Los Principios Operativos de IFC e IRIS+ respaldan una cadena estructurada desde la intención estratégica hasta la medición y la gestión [17,18]. El grafo de evidencia debe representar:

• insumo: capital, trabajo o recurso comprometido;
• actividad: trabajo realizado;
• resultado directo: producto, servicio o capacidad entregados;
• resultado: cambio experimentado por las personas o el planeta;
• contribución: el papel de la empresa o del inversor en ese cambio;
• riesgo de impacto: la probabilidad de que los resultados difieran de las expectativas o generen daño.

El sistema debería registrar efectos negativos y no intencionados. La elaboración de informes de impacto no debería limitarse a indicadores positivos seleccionados. AI puede monitorizar la cadena e identificar afirmaciones inconsistentes; la responsabilidad sobre el impacto y las acciones correctivas siguen siendo responsabilidades humanas.

Informes, taxonomía y divulgación

Una única base de evidencia, vistas de informes controladas

La capa de informes debería representar las versiones aprobadas de las métricas en vistas específicas de cada marco. Debería preservar la relación entre un hecho de origen y cada mapeo de divulgación. Esto permite que un único registro de consumo eléctrico sirva de base para un cálculo de GEI, un KPI operativo, un panel para inversores y una etiqueta de divulgación, manteniendo diferenciados los métodos y los tipos de afirmación relevantes.

El sistema nunca debería inferir equivalencia únicamente a partir de etiquetas similares. Un registro de mapeo debería indicar:

• ID y versión de la métrica de origen;
• estándar de destino, párrafo, punto de datos o elemento de taxonomía;
• transformación o agregación;
• miembros dimensionales como geografía, activo, período o categoría de Alcance 3;
• responsable del mapeo y aprobación;
• fecha de entrada en vigor y mapeo de elementos sustituidos;
• destino del texto de divulgación o de la tabla.

Las taxonomías digitales IFRS y ESRS demuestran cómo las etiquetas y las dimensiones pueden facilitar la extracción y la comparación [3,11]. Los materiales de apoyo de la IFRS Foundation proporcionan recursos de implementación para aplicar las Normas ISSB [29]. Un motor de informes debe validar las dimensiones requeridas, el signo, la unidad, el tipo de periodo y los hechos duplicados antes de su publicación. La validación de la taxonomía complementa la revisión sustantiva. Un hecho XBRL técnicamente válido puede seguir siendo incorrecto, incompleto o no estar respaldado.

Controles narrativos

La redacción narrativa conlleva un riesgo distintivo porque una frase plausible puede implicar más de lo que establecen las métricas. El registro de afirmaciones debe contener el sujeto, el predicado y los calificadores aprobados, los ID de evidencia, los destinos de informe permitidos y la fecha de caducidad o de revisión. Los comentarios generados solo deben utilizar afirmaciones registradas y métricas aprobadas vigentes.

Ejemplos de calificadores obligatorios:

• estimado o medido;
• comunicado por la participada o verificado de forma independiente;
• bruto o neto;
• basado en la ubicación o basado en el mercado;
• huella operativa o emisiones financiadas;
• producto o resultado;
• esperado o realizado;
• porcentaje de cobertura de la cartera;
• exclusiones materiales;
• incertidumbre o reexpresión.

Las orientaciones de la Comisión Europea de julio de 2026 sobre el Reglamento AI abordan la transparencia para determinado contenido de interés público generado por AI a partir del 2 de agosto de 2026 [24]. La aplicabilidad depende del sistema, la función y el uso. La revisión jurídica sigue siendo necesaria. La regla operativa es más sencilla: registrar la participación de AI en los informes públicos, conservar la aprobación editorial humana y mantener la evidencia que respalda cada declaración material.

Contexto de reporting de UAE

Los principios de divulgación del Grupo de Trabajo de Finanzas Sostenibles de UAE exigen sistemas, procedimientos y gobernanza de datos adecuados para supervisar las cuestiones de sostenibilidad y abordar las lagunas de datos [14]. La regulación de riesgos climáticos del CBUAE exige que las instituciones financieras desarrollen capacidades de gobernanza, datos, medición y reporting para los riesgos financieros relacionados con el clima [15]. Un gestor o asignador de capital que trabaje con instituciones reguladas de UAE debería prever que las solicitudes de evidencia vayan más allá de un informe anual bien elaborado y abarquen la calidad de los datos, la metodología, el análisis de escenarios y la gobernanza.

El motor de reporting debería, por tanto, dar soporte tanto a las divulgaciones externas como a salas de evidencia controladas para prestamistas o para diligencia debida. Los datos sensibles de activos pueden compartirse mediante acceso basado en roles, vistas con información redactada y descargas registradas. La transparencia pública y la seguridad de la información son requisitos de diseño simultáneos.

El modelo operativo antes y después

Estado actual fragmentado

Un patrón común del estado actual incluye hojas de cálculo locales, plantillas enviadas por correo electrónico, revisión manual de documentos, etiquetas de métricas inconsistentes y preparación de la narrativa al final del ciclo de reporting. Los revisores solicitan evidencia después de la agregación. El historial de versiones reside en los nombres de archivo. Las reexpresiones son difíciles de reproducir. Los equipos de cartera dedican tiempo a buscar y volver a introducir datos, mientras que los equipos de aseguramiento reconstruyen el linaje.

Este estado genera cuatro formas de trabajo oculto:

1. trabajo de adquisición: localizar archivos y resolver permisos;
2. trabajo semántico: comprender definiciones, límites y unidades;
3. trabajo de control: identificar brechas, duplicados e inconsistencias;
4. trabajo de presentación: traducir la evidencia a múltiples formatos de reporting.

Las horas por sí solas no establecen valor. Parte de la actividad es juicio necesario. Parte es retrabajo evitable. Parte debería realizarla un experto en la materia. La línea base debería clasificar el trabajo antes de la automatización.

Estado objetivo controlado

El estado objetivo comienza con un catálogo de métricas aprobado y un contrato de remisión. Las fuentes entran mediante conectores controlados o cargas de evidencia. La validación automatizada comprueba identidad, período, unidad, completitud y relación esperada. La extracción y clasificación de AI operan sobre tipos documentales acotados. Las excepciones se dirigen al propietario responsable. Los cálculos deterministas producen métricas versionadas. Los revisores aprueban paquetes de evidencia. Los adaptadores de reporting crean tablas etiquetadas y borradores narrativos vinculados a la fuente.

Trabajo humano en el modelo objetivo

El esfuerzo humano se desplaza hacia el método, las excepciones, el cuestionamiento de la evidencia, la interpretación del dominio y la toma de decisiones. El modelo operativo no debería considerar un borrador generado como resultado aceptado. Un paquete de métricas se acepta solo cuando se superan las fuentes requeridas, la validación, la revisión y el mapeo de divulgación. Una narrativa se acepta solo cuando cada afirmación material está respaldada, matizada y aprobada.

Dos ejemplos ilustrativos hipotéticos

Todas las entradas de esta sección son supuestos hipotéticos de modelización. Los ejemplos no describen clientes de Matchpoint ni encargos observados. Demuestran la lógica de cálculo y de control. Los ingresos atribuidos a Matchpoint o a clientes, la reducción de costes en efectivo, la reducción de pérdidas y el alfa permanecen como USD 0.

Escenario A: fondo de infraestructura digital

Ejemplo ilustrativo: el fondo A posee ocho activos de infraestructura digital. El equipo de informes recibe facturas de servicios públicos, exportaciones de contadores, relaciones de inquilinos, permisos ambientales y paquetes operativos trimestrales. El equipo prepara métricas de energía, agua, Alcance 1, Alcance 2 y determinadas métricas de Alcance 3, además de comentarios para prestamistas e inversores.

El piloto limita AI a la extracción de facturas y documentos, el mapeo de unidades, la detección de periodos faltantes y la redacción de narrativas vinculadas a la fuente. Los cálculos de emisiones, la selección de factores, la aprobación de límites y la publicación externa siguen siendo deterministas o controlados por humanos.

Cálculo ilustrativo. El equipo modela 1.056 horas del estado objetivo, compuestas por 720 horas de preparación, 240 horas de revisión y 96 horas de excepción o administración. La capacidad bruta modelada liberada es:

1.920 horas de referencia - 1.056 horas del estado objetivo = 864 horas

Cálculo ilustrativo. El valor de la capacidad de planificación es:

864 horas x USD 75 por hora = USD 64,800

Este importe es valor de capacidad, no reducción de costes en efectivo. El escenario no aporta evidencia aprobada de reducción de plantilla, gasto externo evitado ni contribución a los ingresos. Por lo tanto, la reducción de costes en efectivo atribuida es USD 0.. Una decisión de continuar requeriría beneficios de control, calidad de la información, preparación para el aseguramiento y estratégicos, además de cualquier valor de capacidad observado.

Estos umbrales son propuestas de la dirección no verificadas. El responsable designado debe aprobarlas o reemplazarlas en función de la materialidad, el uso en informes y la tolerancia al riesgo.

Escenario B: cartera de family office

Ejemplo ilustrativo: una family office recibe trimestralmente ESG y paquetes de impacto de dieciocho gestores y seis participaciones directas. Cada paquete utiliza plantillas diferentes. El equipo de inversiones quiere una visión propia de cobertura, emisiones financiadas, exposición energética, indicadores de impacto y controversias sin alterar las representaciones de los gestores subyacentes.

El flujo de trabajo objetivo conserva cada valor original, etiqueta de gestor, nota de método y archivo. AI propone asignaciones de ontología propia y marca los campos ausentes de límite, período, unidad, metodología, cobertura o aseguramiento. Un revisor aprueba la asignación. Los cálculos de cartera utilizan únicamente asignaciones aprobadas. El panel del comité muestra tanto las vistas reportadas por los gestores como las normalizadas por el asignador.

Cálculo ilustrativo. El equipo modela 760 horas en el estado objetivo, compuestas por 420 horas de preparación, 260 horas de revisión y 80 horas de excepción o administración. La capacidad modelada liberada es:

1.440 horas de línea base - 760 horas en el estado objetivo = 680 horas

Cálculo ilustrativo. El valor de la capacidad de planificación es:

680 horas x USD 90 por hora = USD 61,200

El escenario no aporta evidencia de que la capacidad se convierta en ahorros de efectivo o en un rendimiento de inversión superior. La reducción atribuida de costes en efectivo, la reducción de pérdidas y el alfa son USD 0.. El caso de decisión debería incluir mejoras observadas en la cobertura de evidencia, la calidad de las preguntas, el ciclo de decisión y la fiabilidad de los controles, sin convertirlas en valor financiero hasta que exista evidencia causal aprobada.

Límite del escenario

Ambos escenarios demuestran que la economía de la productividad se puede calcular antes de que se realice el valor. Una tasa de planificación convierte el tiempo en valor de capacidad. La atribución de efectivo, ingresos, pérdidas y alfa requiere más evidencia observada. El programa debe mantener cero para esos campos hasta que se cumpla el umbral de evidencia.

Productividad, calidad y atribución de valor

Paquetes de evidencia aceptados

La unidad principal de productividad es un paquete de evidencia aceptado. Incluye registros de origen, identidad de la métrica, validación, cálculo determinista cuando sea necesario, salida de AI, resolución de excepciones, aprobación del revisor y mapeo de divulgación. Contar campos extraídos, frases generadas o llamadas al modelo recompensa la actividad en lugar de un resultado útil para la toma de decisiones.

Utilice estas medidas:

Productividad de paquetes aceptados = paquetes aceptados / horas totales pagadas

Aceptación en primera pasada = paquetes aceptados sin retrabajo material / paquetes revisados

Carga de excepciones = horas de manejo de excepciones / horas totales del flujo de trabajo

Tiempo de recuperación de evidencia = minutos del revisor desde la solicitud hasta evidencia suficiente

Tasa de afirmaciones no respaldadas = afirmaciones materiales no respaldadas / afirmaciones materiales revisadas

Cobertura = población representada / población requerida

Libro mayor de valor

El registro debe consignar la ventana de línea base, la población, la regla de aceptación, las exclusiones de datos, el coste de implementación, el coste de funcionamiento, el esfuerzo del revisor y la confianza. La capacidad debe mantenerse separada del efectivo. Una mejor cobertura debe mantenerse separada del rendimiento. Una decisión de inversión basada en mejor evidencia no establece alfa.

Controles de liberación

1. finalidad y criterios de reporting aprobados;
2. catálogo de métricas y límites aprobados;
3. población de origen representativa probada;
4. controles de identidad, acceso y retención aprobados;
5. la evaluación de AI se supera por caso de uso y nivel de riesgo;
6. los cálculos deterministas se reproducen de forma independiente;
7. las citas de evidencia y las excepciones superan la revisión;
8. revisión de preparación para el aseguramiento completada cuando corresponda;
9. el libro mayor de valor registra los resultados observados y pone a cero los campos no respaldados;
10. la autoridad responsable aprueba el uso limitado en producción.

Modos de fallo

Automatizar métricas no definidas

Un modelo puede extraer un número perfectamente y aun así producir un informe erróneo cuando la etiqueta, el límite o la unidad no están definidos. Complete el contrato de la métrica antes de la automatización.

Tratar la salida de AI como evidencia

Una explicación o narrativa de cálculo generada es una capa de presentación. Conserve los registros de origen, la fórmula y la evidencia de revisión de forma independiente.

Deriva silenciosa del método

Los factores de emisión, las taxonomías, las correspondencias de cartera y los modelos cambian. Versiónelos, apruebe fechas de entrada en vigor y controle las reexpresiones.

Datos faltantes representados como cero

Un cero es una medición. Un faltante es un estado de los datos. El sistema nunca debe sustituir un faltante por cero sin un método de estimación aprobado y una etiqueta explícita.

Falsa precisión

La actividad estimada, las clasificaciones geoespaciales y las previsiones conllevan incertidumbre. Mostrar más decimales no mejora la evidencia. Informe la precisión de forma coherente con la fuente y el método.

Desajuste de límites

Los límites de activos, fondos, control financiero, control operativo y cadena de valor pueden diferir. Almacene cada límite y compruebe la comparabilidad antes de agregar.

Doble conteo

Las estructuras de propiedad, la atribución de emisiones financiadas, los instrumentos renovables, los créditos de carbono y las declaraciones de impacto pueden solaparse. Utilice registros de identidad y derechos para evitar inclusiones repetidas.

Promoción de resultados

Los productos pueden confundirse con resultados, y los resultados con contribución. Aplique la escalera de afirmaciones y exija evidencia en cada transición.

Desequilibrio narrativo

La redacción generativa puede seleccionar hechos positivos y omitir efectos adversos, incertidumbre o excepciones no resueltas. Las pruebas de afirmaciones equilibradas y la revisión humana deben abarcar tanto la evidencia positiva como la negativa.

Sesgo del modelo y lagunas de cobertura

Los tipos de documentos, idiomas, geografías, sensores y grupos de interés pueden comportarse de forma diferente. Informe el rendimiento por subgrupos y exija la abstención fuera de la cobertura validada.

Segregación de funciones débil

Un único operador no debe modificar mapeos, resolver excepciones y publicar divulgaciones sin control independiente. Los privilegios y las aprobaciones deben ajustarse al diseño del control.

Teatro de aseguramiento

Una insignia interna o una validación de modelo no equivale a aseguramiento independiente. Utilice etiquetas precisas para el estado de revisión y de aseguramiento.

Afirmaciones públicas sin cita

Toda declaración externa material debe enlazar con una métrica aprobada o un registro de afirmaciones. El texto no respaldado debe permanecer bloqueado.

AI en la sombra

Los analistas pueden utilizar herramientas no aprobadas para resumir informes confidenciales. Se requieren espacios de trabajo aprobados, controles de clasificación de datos, inventario de modelos y formación.

Hoja de ruta de adopción de noventa días

Días 0-15: mandato e inventario

• nombrar al sponsor ejecutivo, a los propietarios de métricas, a los propietarios de datos y a la autoridad de publicación;
• identificar los marcos aplicables, los covenant y los destinos de los informes;
• inventariar activos, entidades, fuentes, modelos y controles existentes;
• seleccionar dos casos de uso acotados y de gran volumen;
• definir las restricciones de privacidad, seguridad, aseguramiento y retención;
• establecer ceros del libro mayor de valor para campos financieros no respaldados.

Días 16-30: diseño de métricas y evidencia

• construir el catálogo de métricas prioritarias y la escalera de afirmaciones;
• crear reglas de identidad para entidad, activo, medidor, inversión y documento;
• definir la jerarquía de fuentes, el vector de calidad y la taxonomía de excepciones;
• diseñar paquetes de evidencia y cálculos deterministas;
• seleccionar datos de prueba representativos, incluidos casos adversos y de baja calidad;
• acordar los umbrales de aceptación propuestos y los derechos de decisión.

Días 31-45: construcción y funcionamiento en sombra

• implementar la captura inmutable en origen y la normalización controlada;
• configurar los servicios de extracción, mapeo y anomalías;
• conservar la versión del modelo, el prompt o la configuración y las citas;
• ejecutar el procesamiento en sombra junto al flujo de trabajo actual;
• etiquetar cada error y medir el esfuerzo del revisor;
• prohibir la divulgación externa desde el sistema en la sombra.

Días 46-60: piloto controlado

• desplegar un caso de uso interno para una población acotada;
• exigir la revisión de campos materiales y de todos los resultados de baja confianza;
• medir los paquetes aceptados, el retrabajo, la carga de excepciones y el tiempo de recuperación;
• realizar pruebas de privacidad, acceso, incidentes y control de cambios;
• realizar un recorrido de preparación para el aseguramiento;
• detener o limitar el uso cuando no se cumplan los umbrales.

Días 61-75: reforzar y mapear los informes

• resolver las causas raíz en la identidad, la definición y la calidad de las fuentes;
• aprobar las versiones de factores, métodos y taxonomías;
• implementar mapeos de divulgación específicos del marco;
• añadir pruebas de registro de afirmaciones y de respaldo narrativo;
• documentar los procedimientos operativos, los planes de contingencia y la retirada de servicio;
• volver a ejecutar la evaluación representativa tras cada cambio material.

Días 76-90: publicación acotada

• aprobar el límite de producción y los operadores designados;
• mantener la aprobación humana para el juicio y los informes externos;
• ejecutar un ensayo completo de cierre de periodo o del ciclo de informes;
• conciliar las métricas aprobadas con el resultado de la divulgación;
• actualizar el libro mayor de valor con la evidencia observada;
• programar revisiones de deriva, acceso, control y aseguramiento.

Lista de verificación de gobierno y control

Registro de afirmaciones y limitaciones

Proposiciones respaldadas

Las normas citadas y los materiales oficiales respaldan las siguientes proposiciones:

• las divulgaciones de sostenibilidad orientadas al inversor requieren información sobre gobernanza, estrategia, gestión de riesgos y métricas y objetivos [1,2];
• las taxonomías digitales permiten el etiquetado estructurado y el análisis legible por máquina [3,11];
• los métodos de emisiones y de emisiones financiadas requieren límites definidos, factores, atribución y divulgación de la calidad de los datos [5-7];
• el aseguramiento de la sostenibilidad requiere criterios adecuados, evidencia y un desempeño disciplinado del encargo [8,30];
• la medición del impacto debe distinguir intención, productos, resultados, contribución y riesgo [17,18];
• El MRV digital puede integrar sensores, satélites, AI y registros, con requisitos de interoperabilidad y control [19,20,27,28];
• La gestión de riesgos de AI requiere gobernanza, medición, pruebas, monitorización y documentación [22,23,25];
• Los marcos de sostenibilidad del sector financiero UAE hacen hincapié en los sistemas, la gobernanza de datos, la medición de riesgos y la elaboración de informes [14,15].

Afirmaciones no respaldadas

Este documento no establece que un programa de AI reduzca el coste en efectivo de una organización concreta, aumente los ingresos, evite pérdidas, mejore la rentabilidad de las inversiones o genere alfa. No establece aseguramiento, cumplimiento normativo ni adicionalidad de impacto para ningún activo o cartera. Esas conclusiones requieren evidencia observada y aprobada dentro del límite pertinente.

Limitaciones empíricas

El documento es un marco operativo orientado por estándares. No es un estudio estadístico del rendimiento de AI, del coste de la elaboración de informes de sostenibilidad ni de los resultados de inversión. Los dos escenarios son supuestos de modelización hipotéticos. Los umbrales piloto propuestos requieren la aprobación del propietario y calibración empírica.

Limitaciones regulatorias y profesionales

Las obligaciones de información y de AI varían según la entidad, la jurisdicción, el instrumento y la fecha de entrada en vigor. La UE y otros marcos siguen evolucionando. Este documento no constituye asesoramiento jurídico, regulatorio, contable, de auditoría, de aseguramiento, fiscal, medioambiental, de ingeniería ni de inversión. Profesionales cualificados deben determinar la aplicabilidad y la aprobación final.

Limitaciones técnicas

La extracción, la clasificación, la resolución de entidades, la detección de anomalías, el análisis geoespacial, la previsión y la generación pueden fallar. El rendimiento puede variar según el tipo de fuente, el idioma, la geografía, la versión del modelo y el contexto operativo. Siguen siendo necesarios la revisión humana, los controles deterministas y los procedimientos de respaldo.

Limitaciones de los datos

Los datos sobre infraestructura y activos privados pueden ser incompletos, tardíos, estimados o confidenciales. La agregación de carteras puede ocultar variaciones a nivel de activo. Los factores externos y las taxonomías cambian. El grafo de evidencia debe conservar todas las limitaciones en lugar de suavizarlas.

Conclusión

AI puede mejorar ESG y la medición del impacto cuando se sitúa dentro de un sistema de evidencia controlado. El sistema comienza con la perspectiva de decisión, los criterios, la identidad de la métrica, el límite y la procedencia de la fuente. Utiliza cálculo determinista para métricas reproducibles. Asigna tareas acotadas a AI con evaluación representativa, abstención y monitorización. Proporciona a los revisores un paquete de evidencia, preserva los derechos de decisión y traslada únicamente hechos aprobados a las taxonomías y narrativas de informes.

Para los inversores en infraestructura, la prioridad es la conexión entre los activos físicos, las observaciones digitales, la propiedad financiera y la divulgación. Para los asignadores de family office, la prioridad es preservar la evidencia reportada por los gestores junto con una normalización interna transparente. Ambos públicos necesitan vectores explícitos de calidad de datos, escalas de declaraciones y estado de aseguramiento.

La disciplina comercial es igualmente estricta. Mida los paquetes de evidencia aceptados y el esfuerzo observado del flujo de trabajo. Conserve los costes de implementación y de funcionamiento. Atribuya efectivo, ingresos, reducción de pérdidas o alfa solo después de que el puente causal haya sido aprobado y observado. Hasta entonces, el libro mayor de valor registra USD 0 para esos campos.

El resultado es un modelo operativo en el que AI apoya un trabajo de evidencia más rápido y coherente mientras la rendición de cuentas sigue siendo visible. Esa es la base para información de sostenibilidad apta para la inversión.

Referencias

[1] Fundación IFRS. 2023. IFRS S1 Requisitos generales para la divulgación de información financiera relacionada con la sostenibilidad. https://www.ifrs.org/issued-standards/ifrs-sustainability-standards-navigator/ifrs-s1-general-requirements/

[2] Fundación IFRS. 2023. NIIF S2 Información a revelar relacionada con el clima. https://www.ifrs.org/issued-standards/ifrs-sustainability-standards-navigator/ifrs-s2-climate-related-disclosures/

[3] Fundación IFRS. 2024. Taxonomía de información a revelar sobre sostenibilidad de las NIIF. https://www.ifrs.org/issued-standards/ifrs-sustainability-taxonomy/

[4] Fundación IFRS. 2025-2026. Actualización de la Taxonomía de información a revelar sobre sostenibilidad de las NIIF: modificaciones a la información a revelar sobre emisiones de gases de efecto invernadero. https://www.ifrs.org/projects/work-plan/ifrs-sustainability-disclosure-taxonomy-update-amendments-ghg-emissions-disclosures/

[5] Protocolo de gases de efecto invernadero. 2004. Estándar corporativo de contabilidad y reporte, edición revisada. https://ghgprotocol.org/corporate-standard

[6] Protocolo de gases de efecto invernadero. 2011. Estándar de contabilidad y reporte de la cadena de valor corporativa (Alcance 3). https://ghgprotocol.org/scope-3-calculation-guidance-2

[7] Asociación para la Contabilidad de Carbono en las Finanzas. 2025. Estándar Global de Contabilidad y Reporte de GEI, Parte A: Emisiones financiadas, tercera edición. https://carbonaccountingfinancials.com/standard

[8] Consejo de Normas Internacionales de Auditoría y Aseguramiento. 2024. Norma Internacional sobre Aseguramiento de Sostenibilidad 5000, Requisitos generales para encargos de aseguramiento de sostenibilidad. https://www.iaasb.org/consultations-projects/sustainability-assurance-issa-5000

[9] Iniciativa de Reporte Global. 2021-2025. Estándares Universales GRI y Estándares GRI consolidados. https://www.globalreporting.org/standards/

[10] Grupo de Trabajo sobre Divulgaciones Financieras Relacionadas con la Naturaleza. 2023. Recomendaciones del Grupo de Trabajo sobre Divulgaciones Financieras Relacionadas con la Naturaleza, versión 1.0. https://tnfd.global/publication/recommendations-of-the-taskforce-on-nature-related-financial-disclosures/

[11] EFRAG. 2024. Taxonomía XBRL del Conjunto 1 de ESRS y nota explicativa. https://www.efrag.org/en/projects/esrs-xbrl-taxonomy/concluded

[12] Comisión Europea. 2026. La Comisión adopta normas revisadas de información sobre sostenibilidad para reducir las cargas administrativas para las empresas de la UE y mantener al mismo tiempo divulgaciones de alta calidad. https://finance.ec.europa.eu/news/commission-adopts-revised-sustainability-reporting-standards-reduce-administrative-burdens-eu-2026-07-03_en

[13] Comisión Europea. 2026. Información corporativa sobre sostenibilidad. https://finance.ec.europa.eu/financial-markets/company-reporting-and-auditing/company-reporting/corporate-sustainability-reporting_en

[14] UAE Grupo de Trabajo sobre Finanzas Sostenibles. 2024. Principios de divulgación relacionada con la sostenibilidad para entidades informantes. https://rulebook.centralbank.ae/en/entiresection/46

[15] Banco Central de UAE. Actualizado hasta 2026. Reglamento sobre la gestión de riesgos financieros relacionados con el clima. https://rulebook.centralbank.ae/en/rulebook/climate-related-financial-risk-management-regulation

[16] Asociación Internacional de Mercados de Capitales. 2024. Manual: Marco armonizado para la presentación de informes de impacto de bonos verdes. https://www.icmagroup.org/assets/documents/Sustainable-finance/2024-updates/Handbook-Harmonised-Framework-for-Impact-Reporting-June-2024.pdf

[17] Corporación Financiera Internacional. 2019-actualidad. Principios Operativos para la Gestión del Impacto. https://www.ifc.org/en/our-impact/impact-investing-at-ifc

[18] Red Global de Inversión de Impacto. Actualidad. IRIS+. https://iris.thegiin.org/

[19] Banco Mundial y Grupo de Trabajo de Infraestructura de Mercados de Carbono. 2025. Nota de Orientación Técnica sobre la Normalización de MRV Digital en los Mercados de Carbono: Criterios de Evaluación de Sistemas y Evaluación de Puntos Críticos. https://openknowledge.worldbank.org/entities/publication/397c4e52-445a-4cf4-89df-f2e61373a524

[20] Programa de las Naciones Unidas para el Medio Ambiente, Observatorio Internacional de Emisiones de Metano. Actualizado en 2026. Sistema de Alerta y Respuesta ante el Metano. https://www.unep.org/topics/energy/methane/methane-alert-and-response-system-mars

[21] Convención Marco de las Naciones Unidas sobre el Cambio Climático. Actualidad. Recursos sobre transparencia y el Marco de Transparencia Mejorado. https://unfccc.int/Transparency

[22] Instituto Nacional de Estándares y Tecnología. 2023. Marco de gestión de riesgos de inteligencia artificial 1.0. https://doi.org/10.6028/NIST.AI.100-1

[23] Instituto Nacional de Estándares y Tecnología. 2024. Marco de gestión de riesgos de inteligencia artificial: Perfil de inteligencia artificial generativa. https://doi.org/10.6028/NIST.AI.600-1

[24] Comisión Europea. Vigente hasta el 27 de julio de 2026. Implementación de la Ley de AI y cronograma del Ómnibus de AI. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

[25] Organización para la Cooperación y el Desarrollo Económicos. Actualizado en 2024. Principios de AI de la OCDE. https://oecd.ai/en/principles

[26] Consorcio World Wide Web. 2013. PROV-DM: El modelo de datos PROV. https://www.w3.org/TR/prov-dm/

[27] Banco Mundial. 2022. Sistemas digitales de monitorización, notificación y verificación y su aplicación en los futuros mercados de carbono. https://openknowledge.worldbank.org/handle/10986/37622

[28] Programa de las Naciones Unidas para el Medio Ambiente, Observatorio Internacional de Emisiones de Metano. Vigente. Una mirada al metano: enfoque y metodología MARS. https://methanedata.unep.org/mars-approach-methodology

[29] Fundación IFRS. Vigente. Materiales de apoyo para las Normas de Divulgación de Sostenibilidad IFRS. https://www.ifrs.org/supporting-implementation/supporting-materials-for-ifrs-sustainability-disclosure-standards/

[30] Consejo de Normas Internacionales de Auditoría y Aseguramiento. 2025-2026. Ficha informativa de ISSA 5000, guía de implementación y preguntas frecuentes sobre materialidad. https://www.iaasb.org/publications/issa-5000-fact-sheet

Apéndice A. Registro mínimo de métricas ESG

Apéndice B. Cuadro de mando del piloto

Apéndice C. Paquete de evidencia listo para aseguramiento

1. criterio de reporte y versión;
2. contrato de métrica y aprobación de límites;
3. conciliación completa de la población de origen;
4. registros de origen inmutables y registro de acceso;
5. resultado de extracción con fragmentos de evidencia;
6. aprobaciones de identidad y mapeo;
7. fórmula determinista, factores y resultado de reejecución;
8. estimaciones, incertidumbre y plan de sustitución;
9. versión del modelo, evaluación representativa y resultado de seguimiento;
10. registro de excepciones y evidencia de resolución;
11. aprobación del revisor y evidencia de segregación de funciones;
12. mapeo de taxonomía y resultado de divulgación;
13. registro de reexpresión y control de cambios;
14. asiento en el registro de manifestaciones para cada declaración narrativa significativa;
15. estado preciso de la revisión interna o del aseguramiento independiente.

Apéndice D. Glosario

Público objetivo. directores de inversiones de family office y responsables de alternativas.

Público objetivo. inversores en infraestructuras y en infraestructuras digitales.

Servicio AI. Un componente acotado de extracción, clasificación, resolución de entidades, detección de anomalías, análisis geoespacial, previsión o generación.

Aseguramiento. Un encargo realizado conforme a criterios adecuados bajo una norma de aseguramiento aplicable; la revisión interna se etiqueta por separado.

Clase de declaración. La categoría controlada de una declaración, como huella, emisiones financiadas, producto, resultado, contribución, riesgo o narrativa.

Vector de calidad de datos. Atributos separados para procedencia, cobertura, completitud, actualidad, método, control, incertidumbre, aseguramiento y comparabilidad.

MRV digital. Monitoreo, reporte y verificación habilitados digitalmente que integran evidencia física y digital controlada.

Grafo de evidencia. Registros vinculados para fuente, identidad, transformación, cálculo, revisión, aprobación y divulgación.

Emisiones financiadas. Emisiones atribuidas a actividades financieras bajo un método aprobado, como PCAF.

Impacto. Cambio en un resultado experimentado por las personas o el planeta, evaluado con contribución y riesgo en lugar de solo el volumen de productos.

Materialidad. Una determinación de la importancia de la información específica según cada criterio; la materialidad financiera y la materialidad de impacto siguen siendo distinguibles.

Contrato de métrica. La definición controlada, el límite, la unidad, el método, la fuente, el propietario y el mapeo de reporte para una versión de métrica.

Procedencia. Información sobre las entidades, actividades y agentes que participan en la producción de datos o influyen en ellos.

Mapeo de taxonomía. Relación aprobada entre una versión de métrica y un elemento de reporte o punto de datos.

TEVV. Prueba, evaluación, verificación y validación de un sistema AI.

supuestos hipotéticos de modelización. Una entrada elaborada creada solo para demostrar la lógica; no es evidencia observada de cliente ni de Matchpoint.