Los riesgos de utilizar la IA en la valoración de acciones y participaciones

Un modelo de lenguaje puede redactar un informe de valoración convincente en minutos; lo que no puede es garantizar que el valor sea correcto, defendible y trazable. En la valoración de acciones y participaciones —especialmente de sociedades no cotizadas, donde casi todos los inputs son de Nivel 3 de la jerarquía de valor razonable— el error rara vez está en la fórmula. Está en las hipótesis, en su coherencia interna y en la evidencia que las soporta. Ese es exactamente el terreno donde la IA generativa es más débil y más difícil de auditar.

Este artículo analiza, desde la técnica financiera y el marco normativo aplicable, los riesgos concretos de delegar en herramientas de IA (LLM, agentes o modelos de machine learning) la valoración de instrumentos de patrimonio, y propone un protocolo de control para utilizarlas sin comprometer la calidad del trabajo.

1. El marco normativo no admite cajas negras

Cualquier valoración con efectos jurídicos, contables o fiscales debe poder reconstruirse paso a paso por un tercero. Los estándares relevantes lo exigen de forma explícita:

Marco	Exigencia relevante	Implicación para el uso de IA
International Valuation Standards (IVSC), edición en vigor desde el 31 de enero de 2025	IVS 104 Data and Inputs, IVS 105 Valuation Models e IVS 106 Documentation and Reporting	El valorador responde de la idoneidad del modelo, de la calidad de los datos y de la documentación, con independencia de la herramienta utilizada
NIIF 13 / NRV 22ª-PGC (valor razonable)	Maximizar inputs observables; en Nivel 3, inputs desarrollados con la mejor información disponible y análisis de sensibilidad	Un input generado por un LLM no es «observable» ni «mejor información disponible» si no se identifica su fuente
Ley de Sociedades de Capital (arts. 67, 107 y 353, entre otros)	Valor razonable determinado por experto independiente en aportaciones no dinerarias, transmisiones y separación o exclusión de socios	Responsabilidad personal del experto; el informe debe sostenerse en sede judicial
Ley del Impuesto sobre Sociedades (arts. 17 y 18)	Valor de mercado en aportaciones, operaciones vinculadas y reestructuraciones	La Administración puede exigir la trazabilidad completa de comparables y ajustes
NIA-ES 540 y 620	Revisión por el auditor de estimaciones contables y del trabajo de expertos	El auditor evaluará método, hipótesis y datos; «lo calculó la IA» no es evidencia de auditoría
Reglamento (UE) 2024/1689 de Inteligencia Artificial	Obligación de alfabetización en IA (art. 4) aplicable desde el 2 de febrero de 2025	Quien usa IA en procesos profesionales debe entender sus limitaciones

La consecuencia es directa: la IA puede ser una herramienta del valorador, nunca el valorador. La responsabilidad profesional, contractual y, en su caso, civil, no se transfiere al proveedor del modelo.

2. Riesgo de modelo: por qué un LLM no es un motor de cálculo

Un modelo de lenguaje predice la secuencia de texto más probable; no ejecuta aritmética determinista ni consulta bases de datos salvo que se le conecten herramientas explícitas. De ahí se derivan cuatro fuentes de error estructural:

1.       Alucinación de datos. Betas, primas de riesgo, rentabilidades de bonos, múltiplos o transacciones comparables «plausibles» pero inexistentes o desactualizados. El error es especialmente peligroso porque el formato es impecable y el orden de magnitud, razonable.

2.       Error aritmético silencioso. Descuentos, factores de capitalización o sumatorios calculados «a mano» por el modelo pueden contener desviaciones que no se detectan sin recalcular.

3.       No determinismo. La misma instrucción puede producir valores distintos en ejecuciones sucesivas. Una valoración que no es reproducible no cumple el estándar de documentación de IVS 106.

4.       Fecha de corte del conocimiento. El modelo desconoce el estado de los mercados a la fecha de valoración salvo que se le proporcione. Un valor razonable es, por definición, un valor a una fecha.

En modelos de machine learning entrenados sobre datos históricos (por ejemplo, regresiones de múltiplos o redes que estiman EV/EBITDA) aparecen riesgos adicionales: sobreajuste, data leakage entre muestra de entrenamiento y validación, no estacionariedad de las relaciones (cambio de régimen de tipos de interés) y falta de explicabilidad de las variables que determinan el resultado. IVS 105 exige que el valorador entienda y pueda justificar el modelo que utiliza; un modelo opaco no supera ese test.

3. La tasa de descuento: donde un punto porcentual cambia el valor un 12 %

El coste de los recursos propios en una sociedad no cotizada suele estimarse mediante un CAPM ampliado (build-up):

K_e = R_f + \beta_L \cdot ERP + CRP + SP + \alpha

donde R_f es el tipo libre de riesgo, β_L la beta apalancada, ERP la prima de riesgo de mercado, CRP la prima por riesgo país, SP la prima por tamaño y α la prima específica. Cada término es un punto de fallo típico cuando lo estima una IA:

•         Incoherencia monetaria. Un R_f en dólares (Treasury a 10 años) combinado con flujos en euros nominales incorpora un diferencial de inflación implícito que sesga el valor. La regla de consistencia moneda-inflación entre flujos y tasa es elemental, pero un LLM la incumple con frecuencia si no se le fuerza.

•         ERP de fuentes heterogéneas. Mezclar una prima histórica aritmética con un R_f spot, o una prima implícita de una fecha con un tipo de otra, rompe la coherencia del modelo.

•         Beta mal desapalancada. La beta de comparables cotizados debe desapalancarse y reapalancarse con la estructura objetivo, por ejemplo con la expresión de Hamada:

\beta_L = \beta_U \left[ 1 + (1 - t) \frac{D}{E} \right]

Los errores habituales son usar D/E contables en lugar de valores de mercado, aplicar el tipo impositivo nominal sin considerar la capacidad efectiva de aprovechar el escudo fiscal (limitación de gastos financieros del art. 16 LIS) o reapalancar con la estructura actual cuando se ha valorado con una estructura objetivo.

•         Doble cómputo del riesgo. La prima específica α y la prima por tamaño pueden solaparse con el descuento por iliquidez (DLOM) o con escenarios ya penalizados en los flujos. Una IA tiende a «acumular» primas porque cada una, aisladamente, parece justificada.

•         Circularidad del WACC. Las ponderaciones E/V y D/V deben ser de mercado, lo que exige iterar porque E es precisamente lo que se valora. Muchos modelos generados automáticamente usan valores contables sin advertirlo.

La sensibilidad es severa. Con un crecimiento a perpetuidad del 2 %, el factor de valor terminal (1 + g) / (WACC − g) pasa de 14,57 con un WACC del 9 % a 12,75 con un 10 %: un punto de WACC reduce el valor terminal un 12,5 %, y el valor terminal suele representar entre el 60 % y el 80 % del valor de empresa en un DCF.

4. Flujos, valor terminal y coherencia interna

El riesgo más grave no es un input erróneo aislado, sino un modelo internamente incoherente que produce un número razonable por casualidad. Los puntos de control críticos son:

Crecimiento sin reinversión. El crecimiento a perpetuidad debe estar financiado por reinversión. En estado estacionario:

VT_n = \frac{NOPAT_{n+1} \left( 1 - \dfrac{g}{RONIC} \right)}{WACC - g}

Si el modelo aplica Gordon sobre un flujo libre que no descuenta la reinversión necesaria (g / RONIC), está suponiendo crecimiento gratuito, es decir, una rentabilidad marginal infinita. Es uno de los errores más frecuentes en modelos generados automáticamente.

Otros fallos recurrentes:

•         Crecimiento terminal superior al crecimiento nominal a largo plazo de la economía, o capex terminal inferior a la amortización en un negocio que necesita reponer activos.

•         Proyecciones en «palo de hockey» aceptadas sin contraste con el histórico, la cartera de pedidos o la capacidad instalada.

•         Tratamiento inconsistente de la NIIF 16: EBITDA posterior a arrendamientos combinado con un WACC que no incluye el pasivo por arrendamiento, o viceversa.

•         Capital circulante proyectado como porcentaje de ventas sin normalizar la estacionalidad del cierre.

•         Convención de mitad de periodo aplicada a los flujos explícitos pero no al valor terminal (o al revés).

•         Impuesto calculado sobre el EBIT contable sin considerar bases imponibles negativas, su límite de compensación ni la limitación de gastos financieros.

Del valor de empresa al valor de las participaciones. El puente es tan determinante como el DCF y donde la IA aporta menos, porque exige leer balance, memoria y contratos:

V_{equity} = EV - DFN - \text{deuda asimilable} - \text{minoritarios} + \text{activos no operativos}

La deuda asimilable incluye dividendos aprobados pendientes de pago, provisiones con salida de caja probable, earn-outs, déficit de circulante respecto del normalizado y deudas con la Administración aplazadas. Distinguir caja operativa de caja excedente, o identificar activos no afectos a la actividad, exige juicio y acceso a información que el modelo no tiene.

5. Múltiplos y comparables: la ilusión de la objetividad

El método de múltiplos parece el terreno natural de la IA, porque consiste en buscar y promediar. Es justo al revés: su validez depende de la selección y la homogeneización, no del cálculo.

•         Comparables inexistentes o mal clasificados. Un LLM puede citar transacciones que no ocurrieron, atribuir múltiplos a la operación equivocada o mezclar valores anunciados con valores finales tras ajustes de precio.

•         Inconsistencia numerador-denominador. El EV/EBITDA exige que el EV incluya la deuda (y, en su caso, los pasivos por arrendamiento) coherente con el EBITDA utilizado (antes o después de NIIF 16). El PER exige beneficios de la misma naturaleza: recurrentes, después de minoritarios y sin partidas extraordinarias.

•         Múltiplos LTM frente a forward. Aplicar un múltiplo forward de cotizadas a un EBITDA histórico de la sociedad objetivo, o viceversa, introduce un sesgo que puede superar un turno completo de múltiplo en sectores de crecimiento.

•         Estadístico mal elegido. Los múltiplos tienen distribuciones asimétricas con colas largas; la media aritmética sin depurar outliers sobrestima de forma sistemática. La mediana y el rango intercuartílico son más robustos.

•         Prima de control implícita. Los múltiplos de transacciones de compra de mayorías ya incorporan sinergias y prima de control; aplicarlos a una participación minoritaria sin ajuste sobrevalora la participación.

•         Sesgo de supervivencia y de publicación. Las bases de datos accesibles a un modelo recogen sobre todo operaciones grandes y publicitadas, no representativas del segmento de pymes no cotizadas en España.

6. Participaciones no cotizadas: descuentos, base de valor y estatutos

Valorar una sociedad no es valorar un paquete de sus participaciones. El paso de uno a otro depende de la base de valor y de los derechos concretos del paquete, y es donde la IA comete los errores de mayor cuantía.

Base de valor. Valor razonable (NIIF 13 y LSC), valor de mercado (normativa fiscal e IVS 104) y valor de inversión para un comprador concreto no son sinónimos. Un modelo que no distingue la base aplicable puede incorporar sinergias específicas de un comprador en un valor que debe ser de participante de mercado.

Descuentos encadenados. Partiendo del valor de control en base líquida, el valor de una participación minoritaria e ilíquida es:

V_{min, il} = V_{control} \cdot (1 - DLOC) \cdot (1 - DLOM), \qquad DLOC = 1 - \frac{1}{1 + PC}

Con una prima de control (PC) del 30 %, el DLOC es del 23,1 %; combinado con un DLOM del 20 %, el descuento conjunto es del 38,5 %, no del 50 % que resultaría de sumarlos. Sumar descuentos multiplicativos es un error frecuente en salidas automáticas.

Estimación del DLOM. Los estudios de acciones restringidas y pre-OPV y los modelos basados en opciones de venta (Chaffe, Finnerty, average-strike put) ofrecen rangos muy amplios. En los modelos de opciones el resultado depende críticamente de la volatilidad y del horizonte de iliquidez supuestos; una IA tiende a citar porcentajes «típicos» sin vincularlos a las características del paquete.

Derechos estatutarios y parasociales. Ningún modelo genérico conoce los estatutos ni el pacto de socios de la sociedad valorada. Y son determinantes:

•         Restricciones a la transmisión y derechos de adquisición preferente (arts. 107 y 108 LSC).

•         Cláusulas de arrastre (drag-along) y acompañamiento (tag-along), que reducen o eliminan el descuento por minoría en un escenario de venta.

•         Participaciones privilegiadas, preferencias de liquidación y mecanismos ratchet en sociedades participadas por capital riesgo, que obligan a asignar el valor entre clases (método OPM o PWERM) en lugar de repartirlo a prorrata.

•         Cláusulas estatutarias de valoración en supuestos de separación o exclusión, cuya aplicación e interpretación son materia de análisis jurídico.

Además, la procedencia de aplicar descuentos de minoría o iliquidez en una separación de socios (art. 353 LSC) es una cuestión debatida en la doctrina y la práctica judicial. Una herramienta que aplica descuentos de forma mecánica puede invalidar todo el informe.

7. Trazabilidad, responsabilidad y confidencialidad

Más allá del error técnico, el uso de IA abre tres riesgos que afectan a la defendibilidad del informe y a la propia firma:

•         Trazabilidad. Cada input debe poder vincularse a una fuente verificable, con fecha. Si el valor procede de una conversación con un modelo, el papel de trabajo debe recoger la instrucción, la versión del modelo, la salida y la verificación independiente de cada dato. Sin ello, el informe no resiste una revisión de auditoría, una inspección tributaria ni un interrogatorio pericial.

•         Sesgo de automatización y anclaje. La cifra propuesta por la herramienta se convierte en el ancla del valorador, que tiende a ajustar en torno a ella en lugar de construir el valor desde las hipótesis. Es un sesgo documentado en la toma de decisiones asistida por sistemas automáticos.

•         Confidencialidad. Cuentas no publicadas, planes de negocio, pactos de socios o información de operaciones en curso son información sensible y, en sociedades cotizadas, potencialmente información privilegiada. Introducirlas en herramientas de IA sin garantías contractuales sobre conservación, uso para entrenamiento y localización de los datos puede vulnerar el deber de secreto profesional, los compromisos de confidencialidad con el cliente y, si contienen datos personales, el RGPD.

La responsabilidad sigue siendo íntegramente del firmante. Ningún tribunal aceptará como eximente que el error procedía de la herramienta.

8. Cómo usar la IA con rigor: un protocolo de control

La IA aporta valor real en tareas de apoyo, siempre que el cálculo y el juicio permanezcan bajo control del valorador:

Tarea	Uso razonable de la IA	Control imprescindible
Lectura de cuentas, memorias y contratos	Extracción y resumen de cláusulas, deuda asimilable, contingencias	Cotejo con el documento original, cláusula a cláusula
Normalización del EBITDA	Identificación preliminar de partidas no recurrentes	Validación con la dirección y con el mayor contable
Datos de mercado (R_f, ERP, betas, múltiplos)	Ninguno como fuente	Proveedores de datos verificables, con fecha de valoración
Construcción del modelo	Generación de código o fórmulas en un entorno determinista (hoja de cálculo, Python)	Revisión línea a línea y recalculo independiente
Análisis de sensibilidad y Monte Carlo	Automatización de escenarios y tablas	Distribuciones y correlaciones fijadas por el valorador
Redacción del informe	Borrador de secciones descriptivas	Revisión técnica y firma del responsable

Como mínimo, todo encargo en el que intervenga la IA debería incluir:

1.       Política de herramientas autorizadas, con garantías contractuales de confidencialidad y no entrenamiento sobre datos del cliente.

2.       Cálculo siempre determinista. El LLM puede escribir el modelo; nunca debe ser el modelo.

3.       Verificación de fuentes al 100 % para cualquier dato de mercado, comparable o referencia normativa.

4.       Pruebas de coherencia automáticas: moneda e inflación de flujos y tasa, g < WACC, g coherente con RONIC y reinversión, capex terminal frente a amortización, cuadre del puente EV-equity.

5.       Triangulación de métodos (DCF, múltiplos, transacciones, activo neto ajustado) y explicación de las diferencias.

6.       Registro en papeles de trabajo de instrucciones, versiones del modelo y verificaciones realizadas.

7.       Revisión por un segundo valorador con independencia de quien haya utilizado la herramienta.

Conclusión

La inteligencia artificial acelera la parte mecánica de una valoración, pero no reduce —y a menudo aumenta— la exigencia de juicio profesional. En participaciones no cotizadas, donde el valor descansa sobre hipótesis no observables, descuentos discutibles y derechos contractuales específicos, un número bien presentado y mal fundamentado es más peligroso que la ausencia de número.

En Audalia Auditores combinamos herramientas tecnológicas avanzadas con un proceso de valoración trazable, documentado conforme a los estándares internacionales y defendible ante auditores, Administración tributaria y tribunales. Si necesita valorar acciones o participaciones para una operación societaria, una reestructuración, una separación de socios o una aportación no dineraria, contacte con nuestro equipo.

Este artículo tiene carácter divulgativo y no constituye asesoramiento profesional sobre ningún caso concreto.