1. Introducción: ¿un nuevo paradigma de la fiscalización en Precios de Transferencia? 

Las Administraciones Tributarias (AATT) atraviesan un proceso de transformación tecnológica sin precedentes, encaminadas hacia la concepción “3.0” que impulsa la OCDE. En un contexto de creciente digitalización de la economía, internacionalización de los negocios y sofisticación de los esquemas de planificación fiscal, el control de los Precios de Transferencia (PT) continúa siendo uno de los ámbitos más complejos y desafiantes de la fiscalización tributaria. 

Tradicionalmente, este control ha estado condicionado por factores estructurales, tales como la asimetría de información entre Contribuyentes y Administraciones, y la alta carga técnica y operativa que implican los análisis de comparabilidad. Sin embargo, en los últimos años se observa una evolución cualitativa en el uso de la inteligencia artificial (IA) aplicada a la gestión tributaria. 

Estamos transitando desde una primera etapa de modelos predictivos y analíticos, orientados principalmente a la segmentación y priorización de riesgos, hacia un nuevo paradigma basado en sistemas de IA “agéntica”, capaces no solo de analizar información, sino también de razonar, interactuar con múltiples fuentes normativas y ejecutar procesos complejos de fiscalización de extremo a extremo, siempre bajo supervisión humana. 

Este cambio no es incremental. Supone una redefinición del modo en que las AATT conciben, diseñan y ejecutan los procesos de control en materia de PT. 

 2. El cuello de botella del modelo tradicional: ¿por qué la fiscalización manual resulta insostenible? 

El análisis convencional de PT presenta limitaciones estructurales difíciles de superar exclusivamente con la disponibilidad actual de recursos humanos afectados. Una auditoría completa de PT puede insumir, en promedio, entre 6 meses y hasta más de un año de trabajo especializado por caso, sin considerar instancias recursivas o litigiosas. Todo dependerá de la complejidad de la transacción y la cantidad y calidad de datos disponibles. 

Esta realidad genera consecuencias operativas claras: 

• Capacidad limitada de fiscalización, que obliga a las AATT a concentrarse en un número reducido de contribuyentes de alto riesgo. 

• Eficacia parcial, con modestas -y hasta desconocidas- tasas de detección de los casos con desvíos relevantes. 

• Inconsistencias técnicas, derivadas de diferencias de criterio entre equipos o auditores. 

• Obsolescencia operativa, ante la dificultad de incorporar en tiempo real cambios normativos, nuevas directrices internacionales y jurisprudencia reciente. 

La OCDE ha señalado que el uso estratégico de la IA en las AATT permite analizar grandes volúmenes de datos con una profundidad y velocidad inalcanzables mediante métodos manuales, potenciando además el valor de la información obtenida, a través del creciente intercambio internacional de datos (OCDE, 2025). 

Por su parte, recientemente el CIAT ha contribuido significativamente a la presente cuestión mediante la publicación de su “Estudio sobre Inteligencia Artificial aplicada a los precios de transferencia”, un documento iluminador que analiza cómo las nuevas tecnologías pueden optimizar la fiscalización de operaciones internacionales.  

 3. ¿Qué es realmente un agente de IA fiscal?: más allá del “tradicional” chatbot 

Un error frecuente consiste en equiparar los agentes de IA con simples asistentes conversacionales. En realidad, un agente fiscal inteligente es un sistema modular que combina capacidades cognitivas, normativas y operativas1. Su arquitectura típica integra estos componentes esenciales: 

1. El núcleo cognitivo (modelo de lenguaje)

Modelos de lenguaje de gran escala (LLM) —como GPT o Claude— aportan comprensión semántica, razonamiento contextual y capacidad para operar sobre textos extensos y complejos como los que abordan los PT. 

2. La memoria normativa (RAG)

Mediante técnicas de Generación Aumentada por Recuperación (RAG), el Agente accede a una base documental dinámica que incluye legislación nacional, directrices de la OCDE, normativa nacional, resoluciones administrativas y jurisprudencia relevante. Esto permite operar sobre una correcta normativa aplicable. 

3. El motor de razonamiento y planificación

A través de enfoques como ReAct (Reason + Act), el agente puede descomponer un problema complejo en una secuencia lógica de acciones: identificar transacciones, seleccionar métodos, buscar comparables, ejecutar cálculos y validar resultados. 

4. Las herramientas operativas

El agente se conecta a bases de datos comerciales (por ejemplo, Orbis o Amadeus), motores estadísticos, hojas de cálculo y lenguajes de programación (como Python), garantizando precisión técnica y trazabilidad en los resultados. 

La adopción de modelos de IA desplegados localmente, eventualmente ajustados a los dominios tributarios propios, permite -junto a marcos de gobernanza adecuados- reforzar el control sobre los datos sujetos a secreto fiscal y, en escenarios de alta demanda, reducir los costos operativos de largo plazo. 

 4. El flujo de trabajo de un agente de IA en Precios de Transferencia: un caso ilustrativo 

Para comprender su potencial, vamos a plantear una hipotética auditoría de una subsidiaria local dedicada a actividades de manufactura o distribución. 

Fase 1: Ingesta de información y estrategia 

El Agente IA procesa automáticamente contratos, estados contables y declaraciones jurdas, incluyendo reportes de tres niveles (archivo maestro, local y reporte CbC de acción 13 plan BEPS) y otros de la cooperación internacional (CRS y próximamente CARF, rulings, etc.). Clasifica las operaciones (bienes, servicios, intangibles) y vincula cada transacción con la normativa nacional aplicable. 

Fase 2: Análisis funcional (Funciones, Activos y Riesgos) y selección del método 

A partir del análisis de funciones, activos y riesgos, el sistema puede caracterizar a la entidad —por ejemplo, como distribuidor de riesgo limitado— y sugerir el método más apropiado, como el Método del Margen Neto Transaccional (TNMM). 

Fase 3: Búsqueda de comparables y determinación del rango 

El Agente filtra empresas comparables según criterios sectoriales y geográficos, calcula indicadores financieros relevantes y determina el rango intercuartil de plena competencia. 

Si el margen del contribuyente se encuentra fuera de dicho rango, el sistema puede estimar automáticamente el ajuste potencial, documentando cada paso del cálculo. 

Ecosistemas multiagente: hacia una fiscalización colaborativa e inteligente 

La fiscalización internacional contemporánea excede la capacidad de un único sistema aislado. Por ello, las arquitecturas más avanzadas adoptan ecosistemas multiagente, donde distintos agentes especializados colaboran bajo una lógica coordinada, por ejemplo: 

• • Agente coordinador, que gestiona tiempos, prioridades y flujos de trabajo. 

• • Agente de análisis de redes, orientado a identificar estructuras corporativas complejas y riesgos de erosión de la base imponible. 

• • Agente experto en PT, encargado del análisis técnico y económico. 

• • Agente jurídico, que valida la coherencia legal y jurisprudencial de cada conclusión. 

Este enfoque permite escalar la fiscalización sin perder especialización ni control.  

Incluso, bajo los resguardos normativos adecuados, podría hasta plantearse la intervención de más de AATT de dos o más países, para facilitar la detección de estructuras de evasión internacional mediante el intercambio inteligente de información y sincronizar auditorías a través de Agentes especializados en análisis de redes corporativas y validación legal internacional. 

 
Explicabilidad y trazabilidad: condición de validez  

En materia de PT, la explicabilidad de los sistemas de IA para la validez técnica y jurídica de sus resultados resulta crucial. 

Los agentes de IA aplicados a PT deben ser capaces de documentar y reconstruir cada decisión relevante: desde la caracterización funcional y la selección del método, hasta la elección de comparables y la determinación del ajuste. 

A diferencia de los modelos opacos tradicionales, los enfoques agénticos permiten incorporar trazabilidad normativa, económica y procedimental, facilitando la supervisión humana y el respeto del debido proceso tributario. 

Gobernanza, ética y el rol insustituible del factor humano 

La incorporación de agentes de IA no implica, en modo alguno, la sustitución del auditor humano. Por el contrario, su función se revaloriza, desplazándose desde tareas repetitivas hacia actividades de validación, criterio y decisión. 

La OCDE (2025) subraya la necesidad de establecer marcos de gobernanza, transparencia y rendición de cuentas, asegurando la presencia permanente del humano en el ciclo (human-in-the-loop), especialmente en materia de PT en instancias críticas como: 

• • La caracterización funcional. 

• • La selección del método. 

• • La determinación del ajuste final. 

Asimismo, el riesgo de errores o “alucinaciones” propias de los LLM se mitigan -además del uso de RAG- mediante la aplicación de herramientas determinísticas: el Agente no estima ni inventa resultados, sino que ejecuta cálculos verificables, trazables y auditables. 

A modo de conclusión de un tema abierto a debate: 

La adopción de Agentes de IA en el control de PT ofrece a las AATT la posibilidad de evolucionar desde modelos selectivos y reactivos hacia esquemas de fiscalización preventiva, masiva y técnicamente consistente. 

La IA ya no se limita a leer documentos o clasificar riesgos. Hoy puede razonar, ejecutar y asistir activamente en la protección de la base imponible, siempre bajo la conducción estratégica del factor humano en cuestiones críticas. 

En este nuevo escenario, la verdadera ventaja competitiva de las AT no residirá únicamente en la tecnología disponible, sino en su capacidad para integrarla responsablemente en sus procesos, su marco normativo y su cultura organizacional. 

Fuentes bibliográficas consultadas. 

Centro Interamericano de Administraciones Tributarias. (2025). Estudio sobre Inteligencia Artificial aplicada a los precios de transferencia (DT-06-2025). https://www.ciat.org/dt-06-2025-estudio-sobre-inteligencia-artificial-aplicada-a-los-precios-de-transferencia/   

OCDE. (2026). Portal Precios de Transferencia. https://www.oecd.org/en/topics/transfer-pricing.html   

OECD. (2025). AI in Tax Administration: Governing with Artificial Intelligence. OECD Publishing. https://www.oecd.org/en/publications/governing-with-artificial-intelligence_795de142-en/full-report/ai-in-tax-administration_30724e43.html 

27 total views, 27 views today