AI Evidencia de mejora del margen: qué puede capitalizar un comprador en la valoración

1. Definir la decisión de la transacción

El análisis debe comenzar por la decisión que se va a tomar. El precio de adquisición, la preparación para la venta, el análisis de razonabilidad, la inversión en crecimiento, la suscripción de deuda y la creación de valor posterior a la fusión requieren pruebas y asignación de riesgos diferentes. La fecha de valoración, el perímetro de la transacción, el cambio de titularidad, el horizonte de previsión, la estructura de financiación y la integración prevista deben explicitarse.

La pregunta central es cuánto efectivo incremental, transferible y duradero surge de flujos de trabajo definidos habilitados por AI tras todos los costes, riesgos y respuestas comerciales. Una demostración de modelo, el número de licencias de usuario o una reducción del tiempo por tarea no establecen por sí mismos el margen de la empresa.

La evidencia debe congelarse en una fecha definida. Las lagunas resolubles corresponden a la diligencia debida; la incertidumbre residual corresponde a escenarios, estructura, retenciones, covenants o precio. Los resultados observados, las iniciativas aprobadas y los casos de uso aspiracionales deben mantenerse separados.

2. Establecer el perímetro económico y de control

El perímetro debe identificar las unidades de negocio, entidades jurídicas, flujos de trabajo, productos, geografías, empleados, proveedores, datos, modelos, software, infraestructura y contratos incluidos en el incremento de valor declarado. Los servicios compartidos y los acuerdos con partes relacionadas requieren una asignación transparente.

El control importa. La empresa objetivo puede ser propietaria de código y datos, licenciar un modelo, consumir un servicio de software o depender de un fundador, un integrador o un sistema del cliente. Los beneficios que requieren derechos no transferibles o acceso informal pueden desaparecer tras el cierre.

El perímetro económico debe conciliar ingresos, mano de obra, contratistas, nube, licencias, implementación, datos, gobernanza, seguridad, cumplimiento normativo, remediación, capital circulante y gastos de capital. Los ahorros fuera del perímetro adquirido no deben incorporarse al valor de la empresa objetivo sin un mecanismo exigible.

3. Crear el registro de evidencia de valor de AI

Tabla 1. Registro de evidencia de margen de AI

Cada declaración de valor debe vincularse a una línea base controlada, un registro operativo, un responsable y una consecuencia en caja.

El libro mayor debe conservar la fuente, la definición, la unidad, el periodo, la población, la versión y el aprobador. Las correcciones deben conservar el registro original. Las estimaciones de la dirección deben etiquetarse dentro de los papeles de trabajo de la transacción, incluso cuando los informes dirigidos al lector utilicen descripciones de escenarios en lenguaje sencillo.

Un comprador debe poder seleccionar un ajuste de valoración y rastrearlo hacia atrás pasando por efectivo, resultado operativo, intervención, línea base y datos subyacentes. Los vínculos rotos deben incorporarse al escenario a la baja.

4. Defina el flujo de trabajo habilitado por AI

El flujo de trabajo debe describirse antes que el modelo. Las entradas, decisiones, salidas, controles, traspasos, excepciones, efectos en el cliente y roles responsables determinan si una capacidad técnica cambia la economía de la empresa.

Los casos de uso pueden incluir atención al cliente, asistencia comercial, programación, procesamiento de documentos, previsión, detección de fraude, mantenimiento, control de calidad, fijación de precios y diseño de productos. Cada uno tiene distintos requisitos de latencia, precisión, revisión humana, responsabilidad y adopción.

El comprador debe identificar el paso limitante. Una generación de borradores más rápida tiene un valor limitado cuando la aprobación, la captación de clientes o la implementación siguen siendo el cuello de botella. El valor sigue al flujo de trabajo de extremo a extremo, no a la tarea aislada.

5. Congelar el protocolo de línea base

El protocolo debe adaptarse al flujo de trabajo, el horizonte de decisión y el contrafactual disponible.

La línea base debe indicar el periodo, la población, el volumen, el nivel de servicio, la calidad, la mezcla, la dotación de personal, el coste, el precio, el sistema y los eventos excepcionales. Debe utilizar definiciones que puedan reproducirse a partir de los registros de origen.

La estacionalidad, el crecimiento, el trabajo pendiente, la inflación, la reestructuración y otros cambios tecnológicos pueden alterar las mismas métricas. El protocolo debe definir los ajustes antes de inspeccionar los resultados. Un mes anterior conveniente rara vez constituye un contrafactual suficiente.

La gobernanza de la línea base debe identificar quién puede modificar las definiciones y cómo se aprueban las reformulaciones. Los cambios en los sistemas de origen, las reorganizaciones y las reglas de asignación revisadas pueden hacer que periodos posteriores parezcan mejores sin una mejora operativa. El comprador debe conservar tanto la línea base reportada como una versión normalizada por la transacción, con un puente entre ambas. Las medidas financieras deben conciliarse con las cuentas contables correspondientes; las medidas operativas deben conciliarse con registros de eventos controlados. El muestreo puede ser proporcional para actividades de alto volumen, siempre que el diseño sea representativo y se prueben las excepciones.

La capacidad y la calidad deben compartir el mismo límite. Si el tiempo de tramitación de la línea base excluye la investigación, la escalada o el trabajo posterior a la llamada, mientras que el periodo AI incluye solo el paso asistido por el modelo, la comparación está sesgada. Los efectos de colas y demanda también importan: un menor tiempo de tramitación durante una demanda débil puede dejar el rendimiento sin cambios. Por lo tanto, el protocolo debe medir la finalización de extremo a extremo, el trabajo pendiente, el nivel de servicio y la utilización de recursos junto con el tiempo de la tarea. Cualquier deterioro futuro supuesto de la línea base, como la inflación salarial o el aumento del volumen, debe seguir siendo un factor de previsión en lugar de contaminar la mejora observada.

6. Seleccionar un método de identificación

El despliegue aleatorizado, la adopción por fases, el control emparejado, las diferencias en diferencias, las series temporales interrumpidas y el análisis controlado antes y después ofrecen distintos niveles de evidencia causal. El método debe ajustarse a las restricciones operativas y a la calidad de los datos.

El sesgo de selección importa porque los equipos más fuertes o los usuarios más entusiastas suelen adoptar primero. Por lo tanto, comparar a los adoptantes con los no adoptantes puede atribuir a AI diferencias de rendimiento preexistentes. Los efectos indirectos pueden contaminar el grupo de control cuando los usuarios comparten resultados o prácticas.

El análisis debe informar el tamaño del efecto, la incertidumbre, la duración y la población. La significación estadística no establece materialidad financiera, y una estimación material con identificación débil debería recibir un rango de valoración más amplio.

La aleatorización puede producirse a nivel de usuario, equipo, cliente, caso o ventana temporal. La unidad debe reflejar los efectos indirectos y la independencia operativa. La asignación por conglomerados puede reducir la contaminación y también reducir la potencia estadística. El despliegue por fases puede ser práctico cuando la capacidad de implementación es limitada, siempre que el momento no se seleccione por el rendimiento esperado. Las diferencias en diferencias requieren evidencia de que el tratamiento y el control habrían seguido tendencias comparables en ausencia de la intervención. Los gráficos de estudio de eventos pueden revelar tendencias previas y efectos retardados.

El equipo de diligencia debida debe inspeccionar la deserción, los registros faltantes, el incumplimiento del tratamiento y los cambios en la recopilación de métricas. Las estimaciones por intención de tratar miden el efecto de ofrecer la herramienta; las estimaciones por tratamiento en los tratados requieren supuestos más fuertes y pueden ser útiles para un futuro caso de adopción. Los múltiples resultados y el ajuste repetido de modelos aumentan la probabilidad de resultados positivos selectivos. El informe debe indicar las medidas preespecificadas, las pruebas de sensibilidad y los resultados negativos. Cuando la identificación controlada es imposible, la triangulación entre tiempo, equipos, sistemas, entrevistas y efectivo proporciona un rango de evidencia más honesto que un único porcentaje preciso.

7. Separar la productividad de las tareas de la productividad de la empresa

El tiempo por tarea puede disminuir sin reducir costes ni aumentar ingresos. Los empleados pueden usar el tiempo liberado para revisión, coordinación, trabajo con clientes, aprendizaje o capacidad ociosa. La plantilla puede mantenerse fija mientras mejora el servicio.

El estudio de campo del NBER sobre un asistente generativo para agentes de atención al cliente reportó un aumento medio de la productividad con una heterogeneidad sustancial según la experiencia. Es evidencia para un flujo de trabajo y un contexto específicos. No constituye un supuesto automático de margen para otra empresa.

El comprador debería trazar la ganancia de tareas a través del rendimiento del flujo de trabajo, el cuello de botella, la utilización, la decisión de capacidad y la caja. El eslabón de conversión más débil limita el valor capitalizable.

La productividad empresarial debería usar un denominador de producción que refleje el valor para el cliente o para el negocio. Los documentos producidos, las líneas de código o los contactos intentados pueden aumentar mientras las entregas aceptadas, la conversión de clientes o la contribución se estancan. Debe controlarse la mezcla de producción porque el trabajo más sencillo puede migrar hacia la población medida tras el despliegue. Un comprador puede examinar distribuciones, no solo medias: la varianza, los errores en la cola y el escalado pueden revelar costes ocultos por la velocidad media.

La capacidad liberada tiene varios usos. Puede absorber crecimiento sin contratar, reducir horas extra o contratistas, apoyar una mejora del servicio, acortar el plazo de entrega, aumentar la actividad comercial o permitir una reducción de plantilla. Cada vía tiene un calendario, coste y certeza diferentes. El modelo financiero debería seleccionar una ruta explícita por cohorte y periodo. También debería preservar la capacidad necesaria para revisión, aprendizaje, resiliencia y picos de demanda. Cuando la dirección planifica una reasignación, la actividad receptora debería tener demanda, responsabilidad y una contribución medible; de lo contrario, el ahorro sigue siendo una oportunidad operativa.

8. Medir la adopción por cohorte

La adopción debería distinguir la asignación de licencias, el inicio de sesión, el uso elegible, el uso activo, los resultados aceptados, el uso conforme y la integración sostenida en el flujo de trabajo. Un único porcentaje agregado de usuarios puede ocultar licencias inactivas y usuarios avanzados concentrados.

Las cohortes deberían definirse por fecha de inicio, rol, ubicación, responsable, rendimiento inicial, flujo de trabajo y versión del modelo. Las curvas de retención pueden mostrar si la experimentación inicial se convierte en práctica duradera.

Los beneficios suelen variar según la experiencia. Un comprador debería evitar aplicar el mejor resultado de la cohorte de principiantes a todos los empleados. Los resultados ponderados por cohorte deberían usar la composición futura de la plantilla.

9. Construir la curva de adopción a valor

Sustituir la curva por usuarios elegibles observados, adopción sostenida, uso del flujo de trabajo y conversión en caja.

La curva de conversión debería conciliar la población elegible con el uso activo, integrado y generador de caja. La caída puede deberse a acceso, confianza, formación, calidad, latencia, políticas, apoyo del responsable o desajuste del flujo de trabajo.

La adopción prevista debería usar tasas de transición observadas e intervenciones planificadas. Un paso repentino a la adopción plena sin formación, rediseño de procesos o incentivos merece un escenario adverso explícito.

10. Definir la jerarquía de resultados

Los resultados deben clasificarse como insumo, actividad, resultado operativo, resultado para el cliente y efectivo. Las licencias y los prompts son insumos; las tareas completadas y las sugerencias aceptadas son actividad; el tiempo, el error y el rendimiento son resultados operativos; la retención y la conversión son resultados para el cliente; la nómina, el precio, el volumen y el capital circulante se convierten en efectivo.

Los indicadores adelantados pueden respaldar la acción de gestión y no deben capitalizarse como si el efectivo ya se hubiera producido. El puente de valoración debe indicar el supuesto de conversión entre cada capa.

La calidad y el riesgo acompañan a la velocidad. Una producción más rápida que aumente las correcciones, las reclamaciones, el retrabajo o la responsabilidad puede destruir el beneficio aparente.

11. Conciliar el puente de ahorros

Los valores son ilustrativos; los ajustes de la transacción deben proceder de registros operativos y financieros controlados.

El puente debe comenzar con la capacidad de tareas observada y deducir los cuellos de botella, la adopción incompleta, la pérdida de calidad, los costes de implementación y los costes recurrentes. A continuación, debe identificar la acción aprobada que convierte la capacidad en efectivo.

Los ahorros no deben contarse dos veces mediante la reducción de plantilla y el aumento de la producción, a menos que el flujo de trabajo pueda sustentar ambos. El puente debe conciliar con la previsión financiera y el estado de flujos de efectivo.

La capacidad bruta de tareas debe calcularse a partir del volumen elegible, el cambio observado en el tiempo y la finalización ajustada por calidad. Debe excluir el trabajo que el modelo no puede gestionar, los casos rechazados por los usuarios y la capacidad consumida por la preparación de prompts, la revisión y la remediación. La conversión del flujo de trabajo aplica a continuación la etapa restringida, el calendario de dotación de personal, el nivel de servicio, la demanda y la acción de gestión. La conversión financiera aplica la economía de los salarios, los contratistas, los proveedores o la contribución al tipo marginal real, en lugar de los ingresos medios por empleado.

El puente debe conciliar período por período. La implementación puede crear una caída inicial de la productividad mientras se producen la formación y la integración. Los ahorros pueden aumentar gradualmente con la adopción y luego diluirse por la competencia o por cambios en el modelo. Las indemnizaciones por despido, la rescisión de contratos, los sistemas duplicados y las medidas de retención pueden retrasar la recuperación de la inversión. El comprador debe mostrar el beneficio bruto, el coste, el efectivo neto y la inversión acumulada, junto con el punto en el que el programa pasa a autofinanciarse. Esto evita que un run-rate en estado estacionario se trate como beneficios corrientes.

12. Distinguir entre coste realizado, evitado y previsto

La reducción de costes realizada aparece en los registros de nómina, contratistas, proveedores u otros registros de efectivo después de la implementación. El coste evitado es un gasto futuro creíble que la empresa ya no necesita. El ahorro previsto depende de una acción que no se ha completado.

La contratación evitada requiere un plan de plantilla aprobado, una previsión de demanda y evidencia de que el servicio puede prestarse sin el puesto. Una vacante o la ambición de la dirección no justifican efectivo evitado.

La valoración debe dar el mayor peso al efectivo recurrente materializado, después al coste evitado respaldado por evidencia y, por último, al beneficio previsto ajustado al riesgo. El valor de opción queda fuera de los beneficios base salvo que un método de transacción lo valore explícitamente.

13. Poner a prueba la conversión de la plantilla

El puente de plantilla debe conciliar la capacidad equivalente a tiempo completo, los puestos reales, la rotación natural, la contratación, las indemnizaciones por despido, la reasignación, las horas extraordinarias y el gasto en contratistas. El rediseño organizativo y la consulta pueden retrasar la conversión en efectivo.

La transferencia de conocimiento puede cambiar la distribución del rendimiento. AI puede ayudar a los trabajadores con menos experiencia a acercarse a compañeros más fuertes, aunque aporta un beneficio limitado a los expertos. Las previsiones de plantilla deben mantener la revisión, el escalado y la experiencia de dominio necesarios.

Las relaciones laborales, la legislación laboral y los efectos sobre los incentivos requieren una revisión local. Los supuestos de ahorro agresivos pueden perjudicar la adopción o aumentar el riesgo de control.

14. Preservar la calidad y los resultados para el cliente

Las medidas de calidad deben definirse antes del despliegue. La precisión, la resolución en el primer contacto, los defectos, los retrabajos, las reclamaciones, la pérdida de clientes, la satisfacción, la seguridad y las excepciones regulatorias pueden compensar las ventajas de velocidad.

La revisión humana puede preservar la calidad y reducir el ahorro de tiempo. La intensidad de la revisión debe reflejar el riesgo y el rendimiento observado del modelo. Una previsión no debe asumir a la vez la automatización total y un coste de revisión sin cambios sin evidencia.

La respuesta del cliente puede afectar a los ingresos. Un servicio más rápido puede mejorar la retención, mientras que un resultado genérico o incorrecto puede debilitar la confianza. Los resultados deben medirse por cohorte y compararse con un grupo de control creíble.

15. Atribuir el incremento de ingresos

Las afirmaciones de ingresos pueden derivarse de una mayor capacidad de ventas, una mejor selección de objetivos, una respuesta más rápida, una mayor conversión, una mejora de precios, innovación de producto o retención. Cada vía necesita un vínculo controlado entre la intervención y la acción del cliente y el efectivo.

La actividad del pipeline no es ingreso. Los contactos potenciales, las propuestas y la interacción deben conciliarse con pedidos, entrega, facturas, cobros y margen incremental. La demanda existente y los incentivos de ventas pueden confundir la atribución.

Los ingresos incrementales deben usar el margen de contribución después de cumplimiento, comisiones, soporte, nube, reembolsos y capital circulante. Aplicar un múltiplo de ingresos a un pipeline bruto asociado a AI puede sobrevalorar materialmente el valor.

Los experimentos de ventas deben controlar el territorio, el potencial de la cuenta, el representante, la campaña, la disponibilidad del producto y la autoridad de precios. La prospección asistida por AI puede aumentar la actividad al tiempo que reduce la relevancia o la calidad de marca. La puntuación de leads puede redirigir el esfuerzo hacia clientes que ya probablemente comprarían, mejorando la conversión medida sin crear demanda incremental. Los grupos de control (holdout), las recomendaciones aleatorizadas o el despliegue por fases pueden reforzar la atribución. Los efectos a nivel de cliente deben revisarse en busca de concentración; una gran renovación puede dominar un incremento aparente.

Los casos de uso de precios requieren una atención adicional. Un precio realizado más alto puede reflejar la combinación de productos, la escasez, el calendario contractual o una menor autoridad de descuento, en lugar de un modelo. El comprador debe examinar conjuntamente el precio, el volumen, la pérdida de clientes, la tasa de éxito, el coste de servicio y la contribución de por vida. Los sistemas de recomendación pueden desplazar la demanda entre los propios productos de la entidad objetivo, creando un incremento bruto sin valor incremental para el grupo. Los ingresos previstos también deben incluir el calendario del ciclo de ventas y los cobros. Un pedido registrado que requiera una mayor implementación o conlleve derechos de cancelación no debe recibir el mismo valor que un margen recurrente cobrado.

16. Poner a prueba el traslado competitivo a precios

Una mejora de eficiencia puede aumentar el margen, respaldar precios más bajos, mejorar el servicio o financiar nuevas funcionalidades. El resultado depende de la competencia, el poder de negociación de los clientes, la renovación de contratos y la diferenciación.

Si los competidores acceden a herramientas similares, parte de los ahorros puede trasladarse a los clientes mediante el precio o el servicio exigido. El comprador debería poner a prueba el precio, la retención y la cuota, en lugar de asumir que la totalidad de la mejora de costes persiste en EBITDA.

La capacidad defensiva puede proceder de datos propietarios, la integración en flujos de trabajo, los costes de cambio, la distribución, la marca, la regulación, la escala o el aprendizaje. Una licencia de modelo disponible para competidores ofrece un foso defensivo autónomo limitado.

El traslado a clientes puede producirse mediante licitaciones formales, renovación de contratos, negociación con clientes o un mayor nivel de servicio esperado. La velocidad depende de la duración del contrato, la transparencia, la concentración de clientes y la visibilidad de la estructura de costes. Los acuerdos de coste más margen pueden trasladar los ahorros rápidamente; los contratos a precio fijo pueden retener el beneficio hasta la siguiente fijación de precios; los mercados regulados o de referencia pueden imponer un reparto distinto. El modelo comercial debería mapear el mecanismo en lugar de aplicar una reducción genérica.

Los competidores pueden utilizar AI para reducir el precio, acortar los plazos de entrega, añadir funcionalidades o dirigirse a los mismos clientes. La sociedad objetivo puede retener valor reinvirtiendo parte del ahorro en diferenciación. Esto crea una división deliberada entre margen e inversión en crecimiento. Los casos del comprador deberían comparar una estrategia de cosecha con una estrategia de defender y crecer, incluida la respuesta de los clientes y el gasto necesario. La afirmación de un foso defensivo debería contrastarse mediante derechos, unicidad de los datos, integración en flujos de trabajo, acumulación de evidencia y costes de cambio. La escala por sí sola es débil cuando los costes de los modelos y de los datos caen de forma generalizada en el mercado.

17. Construir la estructura completa de costes de implementación

Tabla 2. Estructura de costes de implementación y costes recurrentes de AI

Los costes deben asignarse por flujo de trabajo, fase y tratamiento contable.

Los costes de implementación deben incluir personal interno y disrupción operativa. Capitalizar el coste contable no elimina el riesgo de caja ni el riesgo de ejecución. El gasto restante debe vincularse a hitos y capacidad.

El coste de la plataforma compartida requiere una asignación coherente con el uso previsto. Los descuentos de proveedores, los compromisos mínimos y la divisa pueden alterar la economía unitaria a medida que varía el volumen.

18. Modelizar la economía unitaria recurrente

La economía recurrente debe medir el coste por resultado aceptado, conforme y útil, en lugar de solo por token o llamada al modelo. Los resultados fallidos, rechazados y repetidos consumen recursos.

La licencia, la inferencia, el almacenamiento, la recuperación, los datos, la observabilidad, la revisión humana, el soporte y la seguridad pueden escalar de forma diferente. Los precios pueden cambiar tras los periodos de introducción o la renegociación con proveedores.

La economía unitaria debería someterse a pruebas de tensión para un mayor volumen, un contexto más largo, la sustitución de modelos, los requisitos de nivel de servicio y la residencia de datos. Los ahorros de costes deberían resistir condiciones verosímiles de los proveedores.

19. Gobernar datos, privacidad y propiedad intelectual

El comprador debería mapear la fuente de los datos, el consentimiento, la finalidad, la calidad, el acceso, la retención, la transferencia y la eliminación. Los datos sensibles de clientes y empleados, así como los datos regulados, pueden limitar su uso y generar costes de remediación.

Los derechos relativos al entrenamiento, la recuperación y los resultados deberían revisarse en los contratos laborales, con proveedores, de código abierto, con clientes y con socios. La titularidad del código o de los prompts no confiere necesariamente derechos sobre los datos subyacentes ni sobre el material generado.

El riesgo de privacidad, confidencialidad y propiedad intelectual debería incorporarse tanto al flujo de caja como a la protección de la transacción. Los compromisos no respaldados o el tratamiento ilícito pueden perjudicar el caso de uso después del cierre.

20. Aplicar disciplina contable

El reconocimiento contable y la valoración están relacionados, pero son distintos. La NIC 38 exige un recurso identificable y controlado, y criterios de reconocimiento para un activo intangible. La configuración o personalización en un acuerdo de servicios en la nube puede seguir siendo un coste de servicio cuando el cliente no controla un activo.

El comprador debería conciliar el desarrollo capitalizado, la investigación imputada a gastos, las licencias, los servicios prepagados, el deterioro y la vida útil. La mejora de EBITDA puede verse favorecida por la clasificación de costes sin que se modifique el efectivo.

La contabilidad de adquisiciones puede identificar tecnología, relaciones con clientes y otros activos intangibles conforme a las normas aplicables. La valoración de la transacción debería evitar duplicar el mismo beneficio tanto en el efectivo previsto como en una prima de activo separada.

El análisis de calidad de los beneficios debería conciliar el EBITDA reportado con el efectivo e identificar dónde aparecen los costes de desarrollo, los compromisos de nube, la mano de obra interna y los créditos de proveedores. Una empresa puede reportar un EBITDA superior tras capitalizar desembolsos de desarrollo elegibles mientras aumenta la salida de efectivo. A la inversa, la inversión imputada a gastos puede reducir los resultados actuales mientras respalda el efectivo futuro. El comprador debería normalizar con una política coherente en los períodos históricos y proyectados, y preservar los requisitos contables aplicables.

La asignación del precio de compra y la valoración de la transacción cumplen finalidades distintas. La tecnología identificada puede valorarse mediante métodos de coste, ingresos o mercado conforme al marco de información financiera aplicable. Las relaciones con clientes pueden reflejar ya en su previsión una retención respaldada por AI. Los cargos por activos contributivos y las vidas útiles deberían evitar solapamientos. El análisis de deterioro tras el cierre puede revelar un caso de negocio que dependía de una adopción o un crecimiento que no se materializa. Por tanto, el modelo de la operación debería conservar los supuestos que respaldan tanto el precio como la información financiera futura, con gobernanza sobre los cambios.

21. Establecer transferibilidad y control

El valor se transfiere cuando el comprador obtiene los derechos, sistemas, datos, personas, contratos y conocimientos operativos necesarios para continuar el resultado. El conocimiento del fundador, el acceso informal a proveedores o una excepción específica para un cliente pueden ser frágiles.

El equipo de diligencia debida debería identificar el consentimiento para el cambio de control, la cesión de licencias, la portabilidad de los datos, el acceso al modelo, el código fuente, la documentación, el personal clave, los subcontratistas y la asistencia para la salida. Un beneficio que dependa de infraestructura retenida por el vendedor requiere un acuerdo transitorio y un coste.

La transferibilidad debería probarse mediante un ejercicio controlado de recuperación o traspaso cuando sea proporcionado. El volumen de documentación es una evidencia más débil que la capacidad de un equipo autorizado para operar y reproducir resultados.

22. Validar los modelos y los controles de decisión

La validación debe abarcar la precisión, la calibración, el sesgo, la robustez, la deriva, la explicabilidad cuando sea necesario, la adecuación al flujo de trabajo, la seguridad y el resultado financiero. Debe utilizar datos y condiciones distintos de los de desarrollo.

El inventario de modelos debe identificar al propietario, la finalidad, la versión, la dependencia, los datos, la aprobación, los límites y la monitorización. Los artefactos de producción deben vincularse a la versión aprobada. Las anulaciones y excepciones deben conservarse.

El Marco de Gestión de Riesgos AI del NIST y la ISO/IEC 42001 aportan conceptos de gobernanza que pueden orientar controles proporcionales. El cumplimiento de un marco debe evidenciarse mediante la práctica operativa y no solo mediante una declaración de políticas.

La validación debe probar el sistema en el flujo de trabajo en el que se declara el valor. La precisión offline puede no captar la latencia, los fallos de recuperación, la interpretación del usuario, el sesgo de automatización o la interacción con las reglas de aprobación. Las poblaciones de prueba deben abarcar casos normales, difíciles, de alto valor y de alto riesgo. Los umbrales de aceptación deben ser aprobados por los responsables finales de negocio y de riesgo. Cuando un modelo recomienda precio, crédito, empleo, seguridad u otra decisión con consecuencias relevantes, el estándar de gobernanza y legal puede ser materialmente más alto que para la asistencia en redacción.

La monitorización debe combinar indicadores adelantados y rezagados. La deriva de las entradas, la confianza, el rechazo, la anulación y la excepción pueden señalar un deterioro antes de que aparezca una pérdida de efectivo. El retrabajo, la reclamación, el resultado para el cliente, el incumplimiento normativo y el margen realizado confirman el efecto. Los umbrales deben activar acciones definidas: revisión adicional, alcance reducido, reversión, reentrenamiento o suspensión. La corrección manual repetida puede revelar que la aparente automatización sigue dependiendo de trabajo experto. La valoración debe incluir ese trabajo y el ciclo de renovación previsto.

23. Probar la concentración de proveedores e infraestructura

Los flujos de trabajo de AI pueden depender de proveedores de modelos, nube, bases de datos vectoriales, proveedores de datos y socios de integración. Una interrupción, un cambio de precio, una política, la retirada de un modelo o una adquisición pueden alterar la economía.

Los contratos deben definir el servicio, la seguridad, el uso de datos, la propiedad intelectual, la auditoría, la responsabilidad, el cambio, la terminación y la transición. El gasto mínimo y los tramos de volumen deben conciliarse con la previsión.

Las pruebas de sustitución deben considerar la calidad de los resultados, la latencia, la integración, el reentrenamiento, las aprobaciones y las obligaciones con los clientes. Un segundo proveedor nominal no supone resiliencia cuando el cambio exige meses de redesarrollo.

24. Evaluar la resiliencia cibernética y operativa

Las rutas de ataque pueden incluir inyección de prompts, fuga de datos, recuperación envenenada, credenciales comprometidas, herramientas maliciosas e integraciones vulnerables. Un sistema que actúa sobre registros o servicios externos puede generar pérdidas operativas directas.

Los controles deben incluir identidad, mínimo privilegio, segmentación, tratamiento de entradas y salidas, monitorización, límites de frecuencia, aprobación de cambios, copias de seguridad, recuperación y respuesta a incidentes. La aprobación humana debe corresponder a la posible consecuencia.

El coste de la resiliencia debe formar parte del modelo operativo. Los seguros y la responsabilidad de los proveedores pueden dejar exclusiones o límites materiales; el comprador debe someter a tensión la exposición de efectivo residual.

25. Elaborar la prueba de persistencia

Sustituya la curva ilustrativa por evidencia observada de caja, adopción, modelo, cliente y coste.

La persistencia debe evaluarse en rendimiento técnico, adopción, integración en el flujo de trabajo, respuesta de los clientes, competencia, coste del proveedor, regulación y capacidad organizativa. Un único factor de atenuación uniforme oculta causas diferentes.

Cada factor debe tener indicadores observables y un responsable. Así, la previsión podrá actualizarse a medida que madure la evidencia. El comprador debe evitar un margen terminal que supere la durabilidad respaldada por los derechos y la estructura de mercado.

La persistencia técnica debe medirse contra el resultado de negocio, y no solo contra un conjunto de pruebas congelado. Las poblaciones de entrada, el idioma, los productos y el comportamiento de los clientes pueden cambiar. Las actualizaciones del modelo pueden mejorar la calidad media a la vez que cambian el tono, la latencia, el coste o el comportamiento en casos límite. Los conjuntos de pruebas de regresión deben incluir casos comercialmente relevantes y de alto riesgo. La persistencia en el flujo de trabajo requiere interfaces estables, aprobaciones, formación, soporte y refuerzo por parte de los responsables. El deterioro de las cohortes puede indicar que la herramienta añade fricción o que los primeros usuarios no eran representativos.

La persistencia de los flujos de caja debe conciliar renovación, precio, coste y mantenimiento. Un beneficio puede seguir siendo visible operativamente mientras aumenta el coste del proveedor o los clientes se lo apropian. El modelo debe estimar la reinversión necesaria para preservar datos, integraciones, controles y capacidades. Los periodos de persistencia deben alinearse con la evidencia contractual y tecnológica, y no con el horizonte de previsión estándar por convención. La estructura de la transacción puede responder a evidencia que madurará después del cierre mediante contraprestación por etapas o covenants medibles.

26. Separe la deriva del modelo del deterioro comercial

La deriva del modelo se produce cuando cambian los datos o las relaciones y se debilita el rendimiento técnico. El deterioro comercial se produce cuando los competidores imitan, los clientes presionan el precio, cambian los volúmenes o el flujo de trabajo pierde relevancia estratégica.

Los remedios son distintos. El reentrenamiento puede restaurar la precisión, pero no puede recuperar una prima de precio perdida. Por tanto, los equipos de producto y comerciales deben supervisar el valor junto con las métricas del modelo.

Los escenarios de valoración deben distinguir el deterioro subsanable, el coste recurrente de renovación y la erosión estructural. Las hipótesis terminales deben reflejar la reinversión esperada necesaria para sostener la ventaja.

27. Pruebe las restricciones de escala y de integración

Un piloto puede funcionar con datos curados, usuarios seleccionados y soporte manual. El despliegue empresarial introduce sistemas heredados, casos límite, carga máxima, jurisdicción, control de acceso y compromisos de servicio.

La evidencia de escala debe incluir volumen representativo, tasa de excepciones, latencia, disponibilidad, esfuerzo de soporte, coste unitario y rendimiento de los controles. El éxito del piloto no debe multiplicarse por el volumen total de la empresa sin estas pruebas.

La integración con sistemas financieros, de clientes, de cadena de suministro y operativos puede crear tanto valor como dependencia. Las interfaces restantes, la remediación de datos y el rediseño de procesos deben incorporarse al coste y a los plazos.

28. Separar el beneficio autónomo de la sinergia del comprador

El valor independiente debe reflejar la empresa objetivo bajo su titularidad actual con iniciativas respaldables. La sinergia específica del comprador puede surgir de la escala, los datos, la distribución, las compras, las plataformas, el acceso a clientes o la eliminación de duplicidades.

La valoración debe evitar pagar al vendedor por sinergias que solo el comprador puede crear, salvo que el proceso competitivo o la negociación exijan compartirlas. Los costes, los plazos y el riesgo de ejecución deben acompañar a cada sinergia.

Las dis-sinergias también deben modelarse. La integración puede interrumpir flujos de trabajo, cambiar licencias, activar consentimientos, reducir la adopción por parte de los empleados o crear restricciones sobre los datos.

29. Seleccionar el método de valoración

El flujo de caja descontado puede modelizar ingresos, costes, inversión, riesgo y valor terminal incrementales habilitados por AI. Los múltiplos de empresas comparables o de transacciones pueden proporcionar un contraste de mercado y pueden incorporar una exposición a AI y unos criterios contables diferentes.

Un método separado de activos tecnológicos puede ser útil cuando los derechos y los flujos de caja puedan aislarse. Los enfoques de alivio de regalías, exceso de beneficios, coste de reposición y opciones requieren evidencia específica del método y no deben duplicar los beneficios previstos.

El método debe seguir la fuente económica de valor. Una prima general por una etiqueta AI es poco sólida cuando no se demuestran flujos de caja duraderos, derechos y diferenciación.

El modelo de flujos de caja descontados debe construir valor por caso de uso o flujo de trabajo cuando sea material, y luego conciliarlo con la previsión consolidada. Los supuestos de ingresos, costes, inversión, impuestos, capital circulante y valor terminal deben compartir los mismos impulsores de adopción y persistencia. Los escenarios deben preservar las dependencias: un mayor uso puede aumentar tanto el beneficio como el coste del modelo; una automatización más rápida puede aumentar las indemnizaciones por despido y el gasto en control; una respuesta competitiva más fuerte puede reducir el precio y, al mismo tiempo, elevar la innovación requerida.

La evidencia de mercado debe normalizarse por crecimiento, rentabilidad, ingresos recurrentes, concentración de clientes, intensidad de capital, contabilidad y modelo de negocio. Las empresas descritas como negocios AI pueden poseer tecnología, revender infraestructura, aplicar AI internamente o simplemente comercializar la etiqueta. Las primas de transacción pueden reflejar escasez, control estratégico o competencia en el proceso, en lugar de un margen reutilizable. El comprador debe utilizar los múltiplos de mercado como un rango de razonabilidad y explicar cualquier prima incremental mediante flujos de caja, derechos o estructura.

30. Construir el waterfall de valoración del comprador

Los valores son ilustrativos; las deducciones deben estar respaldadas por evidencia de la transacción y escenarios coherentes.

El waterfall debería comenzar por el incremento reclamado y deducir la línea base no respaldada, la incertidumbre de atribución, la adopción incompleta, la fuga de calidad, el coste del ciclo de vida, el traslado competitivo a precios y el riesgo residual. El resultado debería conciliar con los flujos de caja de la valoración.

Los ajustes deberían evitar solapamientos. Un riesgo ya modelizado mediante una menor caja no debería duplicarse mediante una reducción idéntica del múltiplo, salvo que quede incertidumbre residual.

El waterfall debería construirse para cada caso de uso relevante y después consolidarse. Un total de cartera puede ocultar un flujo de trabajo maduro generador de caja y varios pilotos especulativos. El coste de plataforma compartida debería asignarse de forma coherente, mientras que los riesgos comunes, como un proveedor de modelos o una fuente de datos, deberían someterse a pruebas de estrés en todos los casos de uso dependientes. El puente debería mostrar por separado los periodos observados, de run-rate y de previsión. Un run-rate debería exigir acciones completadas, capacidad actual y evidencia de que el periodo es representativo.

Los ajustes del comprador también pueden ser positivos cuando la diligencia debida detecta capacidad infrautilizada con demanda verificada y un plan de conversión financiado. Ese valor permanece como previsión hasta que se observen la adopción y la caja. El informe debería indicar la evidencia necesaria para liberarlo al valor base, el responsable asignado y la fecha de revisión prevista. Esto crea un caso de underwriting vivo que puede respaldar la gobernanza de la integración, los cálculos de earn-out y la futura revisión de deterioro.

31. Construir casos a la baja coherentes

El escenario a la baja debería combinar eventos relacionados causalmente. Una menor adopción puede reducir el coste de licencias y de cómputo a la vez que retrasa la acción sobre la plantilla. El bajo rendimiento del modelo puede aumentar el coste de revisión y debilitar al mismo tiempo los resultados para el cliente.

Los escenarios deberían someter a pruebas de estrés el beneficio, los plazos, la implementación, el coste recurrente, el precio del proveedor, la regulación, la competencia, la calidad y la remediación. La liquidez debería cubrir el recorrido durante un despliegue fallido o retrasado.

Los casos de la dirección deberían compararse con rangos observados y evidencia independiente. Un caso ponderado por probabilidad no debería implicar una precisión no respaldada por los impulsores subyacentes.

El diseño del escenario a la baja debería comenzar por los modos de fallo. Los derechos sobre los datos pueden restringir el flujo de trabajo; un cambio de modelo puede reducir la calidad; un proveedor puede subir el precio; los usuarios pueden rechazar la herramienta; los reguladores o los clientes pueden exigir una revisión; la integración puede retrasarse; la acción sobre la plantilla puede costar más; y los competidores pueden trasladar las ganancias al precio. Cada modo de fallo debería asignarse a los casos de uso afectados, los plazos, la caja, la remediación y el control. La diversificación de la cartera entre varios casos de uso debería reflejar proveedores, datos, capacidad de cambio y gobernanza compartidos.

El análisis de liquidez debería incluir licencias comprometidas, mínimos de nube, contratistas, remediación, indemnizaciones por despido, sistemas duplicados y efectos sobre el capital circulante. Una iniciativa fallida puede mantener el coste de personal a la vez que conserva compromisos tecnológicos. La recuperación puede requerir una sustitución de modelo o una reversión del flujo de trabajo que, en sí misma, cueste caja e interrumpa el servicio. El comprador debería identificar puntos de decisión en los que la inversión pueda detenerse, reorientarse o ampliarse. Esta flexibilidad operativa real puede reducir el escenario a la baja cuando los contratos y la arquitectura lo permiten; no debería asumirse cuando los compromisos son fijos.

32. Proteger el valor terminal

El valor terminal debería asumir una inversión continua en modelos, datos, integración, seguridad, capacidades y cumplimiento. Un margen habilitado por AI no puede persistir indefinidamente sin renovación cuando cambian la tecnología y la competencia.

El comprador debería distinguir la capacidad duradera del flujo de trabajo de una versión concreta del modelo. La portabilidad, los derechos sobre los datos y el aprendizaje organizativo pueden sobrevivir a un cambio de proveedor; una ventaja temporal del modelo puede no hacerlo.

Los supuestos de salida deberían considerar si otro comprador puede reproducir el flujo de caja y obtener los derechos necesarios. Las primas estratégicas no respaldadas deberían quedar fuera del valor base.

33. Utilizar la estructura de la transacción para cubrir las lagunas de evidencia

Los earn-outs, las retenciones, la contraprestación escalonada, las garantías, las indemnizaciones, los depósitos en garantía y los covenants pueden asignar incertidumbre específica. Las métricas deberían definirse a partir de registros controlados y ser resistentes a la manipulación después del cierre.

Un earn-out basado en ingresos brutos puede premiar la aplicación de descuentos o el crecimiento de costes. Una medida de margen o de caja puede verse afectada por la asignación de la integración. El acuerdo debería definir el perímetro, la contabilidad, la inversión, el control de gestión y la resolución de conflictos.

La estructura no debería sustituir la diligencia debida sobre legalidad, seguridad, derechos de datos o viabilidad fundamental. Algunas brechas requieren remediación antes del cierre.

34. Preparar la solicitud de diligencia debida

La solicitud debería cubrir mapas de flujos de trabajo, casos de negocio, datos de línea base, registros de despliegue, inventario de modelos, validación, usuarios, adopción, resultados, calidad, personal, clientes, proveedores, costes, incidentes, resultados financieros y previsiones.

Las muestras deberían incluir periodos exitosos, débiles, de excepción y fallidos. Los registros nativos deberían conservarse. Las demostraciones curadas deberían conciliarse con los registros de producción y la caja.

Las entrevistas deberían incluir a los responsables de los flujos de trabajo, usuarios, finanzas, tecnología, seguridad, legal, cumplimiento, RR. HH., ventas y clientes cuando esté permitido. Las definiciones inconsistentes deberían resolverse antes de la valoración.

35. Crear el data room del comprador

Tabla 3. Data room de diligencia debida de márgenes habilitado por AI

La exhaustividad debe contrastarse con el perímetro de la transacción y la fecha de valoración.

La sala de datos debe conservar los archivos nativos, los propietarios, las fechas y el historial de versiones. Los resúmenes deben enlazar con los registros de origen. El acceso debe proteger la información personal, confidencial y regulada.

Un revisor independiente debería reproducir afirmaciones seleccionadas a partir de los datos brutos del flujo de trabajo hasta la consecuencia financiera. Las lagunas deberían incorporarse al precio, las condiciones o la estructura.

36. Clasificar los ajustes del comprador

Tabla 4. Tratamiento por el comprador de las declaraciones de valor habilitadas por AI

El tratamiento depende de la evidencia, la transferibilidad y la durabilidad, más que de la etiqueta que se atribuya a la iniciativa.

La clasificación debe ser coherente en la valoración, la revisión de calidad de los resultados y los documentos de la operación. Reetiquetar una previsión como run-rate no debe cambiar los requisitos de evidencia.

El comprador debe documentar cada ajuste, responsable, fuente, sensibilidad y tratamiento. Esto crea un puente de conciliación defendible entre la diligencia debida y el precio.

37. Diseñar el consejo y los informes de integración

Los informes deben conectar el flujo de trabajo, la adopción, la calidad, el cliente, el coste y la caja. Las métricas necesitan definiciones estables, fechas de corte y conciliación con las cuentas. Las cohortes y las versiones de los modelos deben permanecer visibles.

El consejo debe ver la concentración por caso de uso, proveedor, fuente de datos, cliente y factor de valor. También debe ver incidentes, excepciones manuales, deriva del modelo, coste residual de implementación y beneficios que aún son una previsión.

Los informes de integración deben preservar la línea base original e identificar por separado las acciones del comprador. Esto permite un análisis justo del earn-out, las sinergias y el rendimiento posterior al cierre.

38. Identificar señales de alerta

Las señales de alerta incluyen un porcentaje declarado sin línea base, pruebas retrospectivas con visión perfecta, usuarios seleccionados, falta de calidad, capacidad bruta tratada como caja, mano de obra interna omitida, coste capitalizado presentado como ahorro y un margen terminal sin reinversión.

Otras señales incluyen licencias no transferibles, derechos de datos débiles, cambios de modelo no registrados, concentración de proveedores, marketing de AI sin respaldo, incidentes no resueltos y previsiones que superan la adopción observada.

Una señal de alerta es un indicio para la diligencia debida. Su efecto en la valoración depende de la evidencia, la materialidad, la remediación y la estructura.

39. Ejecutar un plan de cien días del comprador

Tabla 5. Plan de cien días para la verificación del margen de AI

La secuencia debe reflejar el calendario de la transacción, el riesgo, las carencias de evidencia y las dependencias de integración.

El primer mes debe conciliar definiciones, sistemas, contratos, registros operativos y efectivo. Las carencias inmediatas en materia legal, de seguridad, de clientes y de control tienen prioridad.

La segunda fase debe reproducir resultados representativos y cuantificar el puente de valoración. La fase final debe implementar las acciones aprobadas con responsables, financiación, líneas de base y seguimiento.

40. Conclusión

El margen habilitado por AI debe valorarse mediante evidencia desde el flujo de trabajo hasta el efectivo. Un caso creíble congela la línea de base, identifica la causalidad, mide la adopción y la calidad, convierte la capacidad mediante una acción aprobada e incluye el coste total del ciclo de vida.

La productividad de las tareas es un insumo para el valor de empresa. Los cuellos de botella, la actuación de la plantilla, la respuesta de los clientes, la competencia, el rendimiento del modelo, los derechos y la gobernanza determinan el importe que llega al margen duradero.

El efectivo recurrente observado puede sustentar la valoración base cuando se transfiere y persiste. El coste evitado, las iniciativas comprometidas y el valor de opción requieren un ajuste por riesgo progresivamente más sólido. La sinergia específica del comprador pertenece a un caso separado.

El estándar práctico es la reproducibilidad. Un revisor independiente debe poder seleccionar un beneficio declarado, recrear la línea de base, identificar la intervención, medir el resultado, inspeccionar la adopción y la calidad, conciliar el coste y rastrear el resultado neto hasta el efectivo.

La evidencia sólida puede respaldar una fijación de precios eficiente y una estructura adaptada. La evidencia débil debe reducir el valor, aumentar la protección o retrasar el reconocimiento. Esta disciplina permite a compradores y vendedores debatir AI desde la realidad operativa y financiera en lugar de las etiquetas.

El marco debe aplicarse de forma proporcionada. Un pequeño asistente interno de bajo impacto necesita menos controles que un flujo de trabajo autónomo de clientes, precios o crédito. La materialidad depende de la exposición al efectivo, a los clientes, a la seguridad, a lo legal y a la reputación. El trabajo proporcionado sigue requiriendo una línea de base clara, el coste total y un responsable con rendición de cuentas. La sofisticación de la arquitectura del modelo no compensa una evidencia operativa débil.

A medida que el negocio madura, el comprador puede sustituir supuestos amplios por adopción por cohortes, resultados controlados, coste unitario, comportamiento de los clientes y efectivo. Esto mejora la asignación de capital entre casos de uso. Los programas que no cumplen las puertas de evidencia pueden rediseñarse o detenerse; los flujos de trabajo más sólidos pueden recibir financiación y prioridad de integración. La disciplina resultante trata AI como una cartera operativa cuyo valor se gana mediante una ejecución repetible.

Para los comités de transacción, el resultado final debería ser un puente breve entre la afirmación de la dirección y el tratamiento del comprador, respaldado por un paquete de evidencia auditable. Debe indicar qué se ha materializado, qué sigue dependiendo de la actuación de la dirección, qué beneficios se transfieren, qué reinversión los sostiene y cómo se protege el escenario adverso. Ese puente puede fluir de forma coherente hacia la calidad de los beneficios, la diligencia debida comercial, la diligencia debida tecnológica, la revisión legal, la valoración, la financiación y los documentos de la transacción. La coherencia entre esos flujos de trabajo es en sí misma un control: un beneficio no debería aparecer como probado en la valoración mientras sigue sin resolverse en la tecnología, los contratos o los planes operativos.

El registro resultante también debería identificar al responsable final, la fecha de revisión y la actualización de la evidencia necesaria antes de la firma, el cierre y cada revisión de valor posterior al cierre.

Referencias

1. Banco de Pagos Internacionales, Adopción de AI, productividad y empleo: evidencia de empresas europeas, https://www.bis.org/publications/working-paper-1325-ai-adoption-productivity-and-employment-evidence-european-firms
2. OCDE, ¿Milagro o mito? Evaluación de las ganancias macroeconómicas de productividad derivadas de la inteligencia artificial, https://www.oecd.org/en/publications/miracle-or-myth-assessing-the-macroeconomic-productivity-gains-from-artificial-intelligence_b524a072-en.html
3. OCDE, El impacto de la inteligencia artificial en la productividad, la distribución y el crecimiento, https://www.oecd.org/en/publications/the-impact-of-artificial-intelligence-on-productivity-distribution-and-growth_8d900037-en.html
4. OCDE, Ganancias macroeconómicas de productividad derivadas de la inteligencia artificial en las economías del G7, https://www.oecd.org/en/publications/macroeconomic-productivity-gains-from-artificial-intelligence-in-g7-economies_a5319ab5-en.html
5. Eurostat, El uso de tecnologías de inteligencia artificial en la Unión Europea: resultados clave, edición 2026, https://ec.europa.eu/eurostat/web/products-statistical-reports/w/ks-01-26-009
6. Eurostat, Uso de la inteligencia artificial en las empresas, https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises
7. Brynjolfsson, Li y Raymond, AI generativa en el trabajo, Documento de trabajo 31161 del NBER, https://www.nber.org/papers/w31161
8. NBER, Medición del impacto en la productividad de AI generativa, https://www.nber.org/digest/20236/measuring-productivity-impact-generative-ai
9. Noy y Zhang, Evidencia experimental sobre los efectos en la productividad de la inteligencia artificial generativa, Science, https://www.science.org/doi/10.1126/science.adh2586
10. Oficina del Censo de los Estados Unidos, Encuesta de tendencias y perspectivas empresariales, https://www.census.gov/hfp/btos/data_downloads
11. Instituto Stanford para la AI Centrada en las Personas, Informe del Índice AI 2026, https://hai.stanford.edu/ai-index/2026-ai-index-report
12. Comisión de Bolsa y Valores de los Estados Unidos, Declaraciones en la mesa redonda de la SEC sobre inteligencia artificial en la industria financiera, https://www.sec.gov/newsroom/speeches-statements/uyeda-ai-roundtable-032725
13. Comisión de Bolsa y Valores de los Estados Unidos, Declaraciones de la comisionada Crenshaw en la mesa redonda sobre AI, https://www.sec.gov/newsroom/speeches-statements/crenshaw-remarks-ai-roundtable-032725
14. Comisión Federal de Comercio de los Estados Unidos, Mantenga bajo control sus afirmaciones sobre AI, https://www.ftc.gov/business-guidance/blog/2023/02/keep-your-ai-claims-check
15. Comisión Federal de Comercio de los Estados Unidos, empresas de AI: mantengan sus compromisos de privacidad y confidencialidad, https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2024/01/ai-companies-uphold-your-privacy-confidentiality-commitments
16. Instituto Nacional de Estándares y Tecnología de los Estados Unidos, Marco de Gestión de Riesgos de Inteligencia Artificial, https://www.nist.gov/itl/ai-risk-management-framework
17. Unión Europea, Reglamento (UE) 2024/1689 por el que se establecen normas armonizadas sobre inteligencia artificial, https://eur-lex.europa.eu/eli/reg/2024/1689/oj
18. Oficina del Comisionado de Información del Reino Unido, Directrices sobre AI y protección de datos, https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/
19. Autoridad de Competencia y Mercados del Reino Unido, informe de actualización sobre modelos fundacionales de AI, https://www.gov.uk/government/publications/ai-foundation-models-update-report
20. Fundación IFRS, proyecto de Activos Intangibles, https://www.ifrs.org/projects/work-plan/intangible-assets/
21. Fundación IFRS, Costes de configuración o personalización en un acuerdo de computación en la nube, https://www.ifrs.org/projects/completed-projects/2021/configuration-or-customisation-costs-in-a-cloud-computing-arrangement-ias-38/
22. Fundación IFRS, NIIF 3 Combinaciones de negocios, https://www.ifrs.org/issued-standards/list-of-standards/ifrs-3-business-combinations/
23. Fundación IFRS, IFRS 13 Medición del valor razonable, https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
24. Fundación IFRS, IAS 36 Deterioro del valor de los activos, https://www.ifrs.org/issued-standards/list-of-standards/ias-36-impairment-of-assets/
25. Organización Internacional de Normalización, Sistemas de gestión de inteligencia artificial ISO/IEC 42001, https://www.iso.org/standard/81230.html
26. Consejo de Normas Internacionales de Valoración, Normas Internacionales de Valoración, https://ivsc.org/standards/