Material exclusivo y minutas de la disertación ante CPCE CABAExclusive Material and Session Notes — CPCE CABA Talk

El manualThe Manual

Lo que sigue es el texto completo del Manual de Uso Profesional de la IA — guía introductoria y lineamientos de buenas prácticas para el profesional en ciencias económicas, producido específicamente para esta sesión y compartido aquí para acceso posterior.

What follows is the complete text of the Professional AI Use Manual — an introductory guide and best-practices framework for professionals in economic sciences, produced specifically for this session and shared here for later access.

Tiene dos partes con propósitos distintos. La primera es introductoria: explica, en términos simples, qué es la IA generativa que hoy se usa en la práctica profesional, cómo funciona a grandes rasgos, y por qué su adopción cambia algo en la responsabilidad del profesional que la usa. La segunda son lineamientos de buenas prácticas: los reflejos, procesos y registros mínimos que cualquier profesional debería incorporar a su rutina diaria para que el uso de IA sea defendible — ante un cliente, ante un colega, ante un organismo de control.

It has two parts with distinct purposes. The first is introductory: it explains, in simple terms, what generative AI in today's professional practice actually is, how it works at a basic level, and why its adoption changes something fundamental in the responsibility of the professional who uses it. The second is a set of best-practice guidelines: the minimum reflexes, processes and records any professional should build into their daily routine so that AI use remains defensible — to a client, to a colleague, to a regulatory body.

No reemplaza la disertación ni la normativa vigente. Es el documento al que volver cuando surge una duda concreta en medio de una tarea real.

It does not replace the talk or the regulations in force. It is the document to come back to when a concrete doubt arises in the middle of real work.

Parte I — Introducción: qué es la IA que estamos usandoPart I — Introduction: What AI Are We Actually Using

1. De qué hablamos cuando hablamos de “IA” hoy1. What We Mean When We Say “AI” Today

Durante décadas, “inteligencia artificial” fue un término amplio que incluía desde sistemas de reglas simples (si pasa X, hacé Y) hasta algoritmos de aprendizaje automático usados en scoring crediticio o detección de fraude. Esos sistemas siguen existiendo y siguen siendo relevantes.

For decades, “artificial intelligence” was a broad term spanning everything from simple rule-based systems (if X happens, do Y) to machine-learning algorithms used in credit scoring or fraud detection. Those systems still exist and remain relevant.

Pero lo que cambió la conversación en los últimos años —y lo que motiva este manual— es un tipo particular de IA: los modelos de lenguaje de gran escala (LLM, por sus siglas en inglés Large Language Models), la tecnología detrás de herramientas como ChatGPT, Claude o Gemini.

But what has changed the conversation in recent years — and what motivates this manual — is a particular kind of AI: large language models (LLMs), the technology behind tools such as ChatGPT, Claude or Gemini.

La diferencia práctica es esta: a diferencia de un sistema de reglas fijas, un LLM no fue programado para responder preguntas específicas. Fue entrenado leyendo cantidades enormes de texto —libros, artículos, código, documentos públicos— hasta desarrollar la capacidad de predecir, con altísima precisión estadística, qué palabra debería seguir a otra en un contexto dado. De esa capacidad de predicción surge algo que se percibe como comprensión y razonamiento, aunque el mecanismo de fondo sea estadístico.

The practical difference is this: unlike a fixed rule-based system, an LLM was not programmed to answer specific questions. It was trained by reading enormous volumes of text — books, articles, code, public documents — until it developed the ability to predict, with very high statistical accuracy, which word should follow another in a given context. From that predictive capacity emerges something perceived as comprehension and reasoning, even though the underlying mechanism is statistical.

Esto tiene una consecuencia práctica que todo profesional debería internalizar: el modelo no “sabe” en el sentido en que una persona sabe algo. No consulta una base de datos de verdades. Genera la respuesta más probable dado el patrón que reconoce en la pregunta. La mayoría de las veces, esa respuesta es correcta y útil. Pero el modelo puede generar con total fluidez y aparente seguridad una respuesta incorrecta — eso se conoce como alucinación, y es la razón estructural por la que ningún output de IA debería usarse sin revisión profesional.

This has a practical consequence every professional should internalize: the model does not “know” in the sense a person knows something. It does not consult a database of truths. It generates the most probable response given the pattern it recognizes in the question. Most of the time, that response is correct and useful. But the model can generate an incorrect response with total fluency and apparent confidence — this is known as a hallucination, and it is the structural reason no AI output should ever be used without professional review.

2. Por qué esto no es “como Google”2. Why This Is Not “Like Google”

Una confusión frecuente es tratar a estas herramientas como un buscador más rápido. La diferencia es estructural.

A frequent confusion is treating these tools as a faster search engine. The difference is structural.

Un buscador devuelve enlaces a fuentes existentes: el usuario puede verificar de dónde viene la información. Un LLM genera texto nuevo en el momento, combinando patrones aprendidos durante el entrenamiento. No siempre cita una fuente verificable, y cuando lo hace, esa cita también puede ser generada —es decir, puede inventar una fuente que no existe, con formato perfectamente convincente.

A search engine returns links to existing sources: the user can verify where the information comes from. An LLM generates new text on the spot, combining patterns learned during training. It does not always cite a verifiable source, and when it does, that citation can also be generated — meaning it can invent a source that does not exist, with a perfectly convincing format.

Esto no es un defecto menor de la tecnología. Es consecuencia directa de cómo funciona: el modelo optimiza para producir texto coherente y plausible, no para garantizar verdad factual. Por eso la verificación humana no es un paso opcional de calidad — es el paso que convierte una herramienta de generación de texto en una herramienta de trabajo profesional confiable.

This is not a minor technical flaw. It is a direct consequence of how the technology works: the model optimizes for producing coherent, plausible text, not for guaranteeing factual truth. That is why human verification is not an optional quality step — it is the step that turns a text-generation tool into a reliable professional work tool.

3. Qué cambió en la responsabilidad profesional3. What Changed in Professional Responsibility

Antes de la IA generativa, el profesional cometía errores propios: de cálculo, de interpretación, de criterio. La supervisión de ese error recaía enteramente en su propio proceso de trabajo y en la revisión de pares o superiores.

Before generative AI, a professional's errors were their own: calculation errors, interpretation errors, judgment errors. Oversight of that error rested entirely on their own work process and on peer or supervisory review.

Con IA generativa, aparece una nueva fuente de error que no es ni del profesional ni necesariamente visible a simple vista: el error del modelo, presentado con la misma fluidez y seguridad que una respuesta correcta. El profesional que antes solo tenía que confiar en su propio criterio, ahora tiene que desarrollar criterio sobre cuándo confiar y cuándo desconfiar de una herramienta que nunca suena insegura.

With generative AI, a new source of error appears that is neither the professional's own nor necessarily visible at a glance: the model's error, presented with the same fluency and confidence as a correct answer. The professional who once only had to trust their own judgment now has to develop judgment about when to trust and when to distrust a tool that never sounds unsure.

Esa es, en el fondo, la competencia profesional nueva que esta etapa exige. No es aprender a “usar IA” en sentido técnico —eso es relativamente simple—. Es aprender a supervisarla con el mismo rigor con el que se supervisaría a un asistente junior talentoso pero sin experiencia: rápido, prolijo en la forma, y ocasionalmente equivocado de maneras difíciles de detectar si no se revisa con atención.

That, at bottom, is the new professional competency this stage demands. It is not learning to “use AI” in a technical sense — that part is relatively simple. It is learning to supervise it with the same rigor one would supervise a talented but inexperienced junior assistant: fast, neat in form, and occasionally wrong in ways that are hard to detect without careful review.

4. Por qué la regulación llega después, no antes4. Why Regulation Arrives After, Not Before

Es tentador pensar que, si todavía no existe una ley específica de IA en Argentina, el uso profesional de estas herramientas ocurre en un vacío legal. No es así.

It is tempting to think that, since Argentina still has no AI-specific law, professional use of these tools happens in a legal vacuum. It does not.

La razón es simple: la responsabilidad profesional, la protección de datos personales, el secreto fiscal y la debida diligencia ya estaban regulados antes de que la IA generativa existiera. Esas normas no dejan de aplicar porque ahora hay una herramienta nueva de por medio — al contrario, se activan exactamente igual, solo que ahora hay que pensar cómo se aplican a un proceso que antes no existía.

The reason is simple: professional responsibility, personal data protection, tax secrecy and due diligence were already regulated before generative AI existed. Those rules do not stop applying because a new tool is now in the mix — on the contrary, they activate exactly the same way, only now one has to think through how they apply to a process that did not exist before.

Esa es la lógica detrás de la Parte II de este manual: no es un compendio de reglas nuevas. Es la aplicación de responsabilidades profesionales que ya existían, ahora puestas en contexto del uso de IA.

That is the logic behind Part II of this manual: it is not a compendium of new rules. It is the application of professional responsibilities that already existed, now put in the context of AI use.

5. Cómo se construye una instrucción efectiva5. How to Build an Effective Instruction

Antes de pasar a los lineamientos de buena práctica, vale dedicar una sección a algo que pocos profesionales aprenden de forma sistemática: cómo escribir la instrucción (el “prompt”) que se le da al modelo. La calidad del resultado depende, en gran medida, de la calidad de la instrucción — esto no es un detalle de uso avanzado, es la diferencia entre obtener algo útil en el primer intento o perder tiempo iterando sin entender por qué la respuesta no sirve.

Before moving on to the best-practice guidelines, it is worth devoting a section to something few professionals learn systematically: how to write the instruction (the “prompt”) given to the model. The quality of the result depends, to a large extent, on the quality of the instruction — this is not an advanced-use detail, it is the difference between getting something useful on the first try or wasting time iterating without understanding why the response is not working.

Los cuatro componentes de una instrucción bien construidaThe Four Components of a Well-Built Instruction

Una instrucción profesional completa tiene cuatro partes. No siempre hace falta escribirlas todas para tareas simples, pero para cualquier tarea que vaya a integrar un documento de trabajo, conviene incluirlas.

A complete professional instruction has four parts. It is not always necessary to write all of them for simple tasks, but for any task that will become part of a work document, it is worth including them.

1. Rol y contexto. Decirle al modelo desde qué posición profesional y para qué tipo de tarea estás trabajando. Esto no es decoración — ajusta el registro, el nivel técnico y los supuestos que el modelo va a usar.

1. Role and context. Tell the model from what professional position and for what kind of task you are working. This is not decoration — it adjusts the register, the technical level and the assumptions the model will use.

2. Tarea específica y alcance. Qué tenés que producir exactamente, y qué no. Cuanto más acotada la tarea, menor el margen de error del modelo y menor el trabajo de revisión posterior.

2. Specific task and scope. Exactly what you need produced, and what not. The more bounded the task, the smaller the model's margin of error and the less review work afterward.

3. Formato de salida. Especificar cómo querés la respuesta —extensión, estructura, si necesitás una tabla, una lista, un texto corrido— ahorra una ronda completa de edición.

3. Output format. Specifying how you want the response — length, structure, whether you need a table, a list, running text — saves a full round of editing.

4. Fuentes y límites de uso de información. Esta es la parte que más se omite y la más importante desde la óptica de este manual. Indicar explícitamente si el modelo debe basarse únicamente en el documento que le compartiste, si puede usar conocimiento general, o si no debe inventar información que no esté disponible.

4. Sources and limits on use of information. This is the most frequently omitted part, and the most important from this manual's standpoint. Explicitly state whether the model must rely solely on the document you shared, whether it may use general knowledge, or whether it must not invent information that is not available.

Ejemplo completo aplicado a una tarea realA Complete Example Applied to a Real Task

Esta instrucción cumple los cuatro componentes: define el rol, acota la tarea, especifica el formato, y separa con claridad qué viene del documento y qué viene del modelo. El resultado es mucho más fácil de revisar y de incorporar a un proceso documentado, en línea con el mínimo de trazabilidad que se explica más adelante en este manual.

This instruction satisfies all four components: it defines the role, bounds the task, specifies the format, and clearly separates what comes from the document from what comes from the model. The result is far easier to review and to incorporate into a documented process, in line with the minimum traceability explained later in this manual.

Pedir que el modelo muestre su razonamientoAsking the Model to Show Its Reasoning

Para tareas de mayor complejidad —análisis normativo, evaluación de riesgo, comparación de escenarios— es buena práctica pedir explícitamente que el modelo explique el razonamiento antes de dar la conclusión, no solo el resultado final.

For more complex tasks — regulatory analysis, risk assessment, scenario comparison — it is good practice to explicitly ask the model to explain its reasoning before giving the conclusion, not just the final result.

Esto cumple una doble función: ayuda a detectar errores de razonamiento antes de aceptar la conclusión, y produce, como subproducto, un registro de razonamiento que sirve para la trazabilidad del proceso —lo que en este manual y en el marco TRIA se llama chain of thought o cadena de razonamiento.

This serves a dual function: it helps catch reasoning errors before accepting the conclusion, and it produces, as a byproduct, a reasoning record useful for process traceability — what this manual and the TRIA framework call the chain of thought.

Iterar es parte del proceso, no una señal de que algo fallóIterating Is Part of the Process, Not a Sign Something Failed

Rara vez la primera respuesta es la versión final que se usa. Es normal —y recomendable— refinar la instrucción en una segunda o tercera vuelta: pedir que se acorte, que profundice un punto, que reformule sin cierto término, que reconsidere a la luz de una norma específica. Tratar la interacción como una conversación de trabajo, no como una consulta de una sola pregunta y una sola respuesta, mejora sustancialmente la calidad del resultado final.

The first response is rarely the final version used. It is normal — and advisable — to refine the instruction over a second or third round: asking for it to be shortened, to go deeper on a point, to be rephrased without a certain term, to be reconsidered in light of a specific regulation. Treating the interaction as a working conversation, not as a single question with a single answer, substantially improves the quality of the final result.

Parte II — Lineamientos de buenas prácticasPart II — Best-Practice Guidelines

6. Los cinco reflejos antes de usar IA6. The Five Reflexes Before Using AI

Antes de cargar cualquier información en una herramienta de IA, recorré mentalmente estos cinco puntos. Toman menos de un minuto y evitan la mayoría de los problemas.

Before loading any information into an AI tool, mentally run through these five points. They take less than a minute and prevent most problems.

1. ¿Qué tipo de dato estoy ingresando? Si el dato identifica o permite identificar a una persona física o jurídica —nombre, CUIT, balance, domicilio, datos de partes vinculadas— es un dato personal bajo la Ley 25.326. Tratalo con el mismo cuidado que le darías a un documento físico que sale del estudio.

1. What type of data am I entering? If the data identifies or allows identification of a natural or legal person — name, tax ID, balance sheet, address, related-party data — it is personal data under Law 25.326. Treat it with the same care you would give a physical document leaving the firm.

2. ¿La herramienta que uso tiene contrato Enterprise / Zero Data Retention? Las versiones gratuitas o de consumo masivo de cualquier IA pueden retener y usar la información ingresada para entrenar modelos futuros. Las versiones Enterprise con Zero Data Retention (ZDR) no retienen ni usan esos datos. Verificá cuál estás usando antes de cargar información de clientes — esto no es un detalle técnico menor, es la diferencia entre un uso defendible y uno expuesto.

2. Does the tool I am using have an Enterprise / Zero Data Retention contract? Free or mass-consumer versions of any AI may retain and use the information entered to train future models. Enterprise versions with Zero Data Retention (ZDR) do not retain or use that data. Check which one you are using before loading client information — this is not a minor technical detail, it is the difference between defensible use and exposed use.

3. ¿Puedo reconstruir este proceso si me lo piden? Preguntate: si la UIF, ARCA o un tribunal me pidieran mañana explicar cómo llegué a este número o esta conclusión, ¿tengo el registro para hacerlo? Si la respuesta es no, el proceso no está completo todavía — falta el paso de documentación.

3. Can I reconstruct this process if asked to? Ask yourself: if a regulator or a court asked me tomorrow to explain how I arrived at this figure or conclusion, do I have the record to do it? If the answer is no, the process is not complete yet — the documentation step is missing.

4. ¿Revisé el output antes de usarlo? Ningún resultado de IA sale del escritorio sin una revisión profesional efectiva. La revisión no es opcional ni superficial: implica verificar cifras, contrastar fuentes y validar que el razonamiento tenga sentido en el contexto del caso. Recordá lo explicado en la Parte I: el modelo puede equivocarse con total fluidez.

4. Did I review the output before using it? No AI result leaves the desk without an effective professional review. Review is neither optional nor superficial: it means verifying figures, cross-checking sources and confirming the reasoning makes sense in the context of the case. Remember what Part I explained: the model can be wrong with total fluency.

5. ¿Quién firma esto al final? La respuesta es siempre la misma: vos. La IA no transfiere responsabilidad profesional. El profesional que firma responde por el contenido, haya sido o no asistido por IA.

5. Who signs this in the end? The answer is always the same: you. AI does not transfer professional responsibility. The professional who signs is accountable for the content, whether or not it was AI-assisted.

7. Lo que la IA puede hacer bien7. What AI Can Do Well

Usada con criterio, la IA es una herramienta de productividad real en tareas de alto volumen y bajo riesgo de interpretación. Estos son los usos donde aporta más valor con menor exposición:

Used with judgment, AI is a genuine productivity tool for high-volume tasks with low interpretive risk. These are the uses where it adds the most value with the least exposure:

• Primeras lecturas de documentación extensa (contratos, balances, normativa) para identificar puntos de atención.First-pass readings of lengthy documentation (contracts, financial statements, regulations) to flag points needing attention.
• Borradores iniciales de informes, memos o comunicaciones que luego se revisan y ajustan.Initial drafts of reports, memos or communications that are then reviewed and adjusted.
• Organización y clasificación de información ya disponible (no generación de información nueva sin fuente).Organizing and classifying information already available (not generating new information without a source).
• Detección de inconsistencias o atipicidades en grandes volúmenes de datos, como paso previo a la revisión profesional.Detecting inconsistencies or anomalies in large data volumes, as a step prior to professional review.
• Investigación preliminar de marco normativo o antecedentes, siempre con verificación posterior de la fuente original.Preliminary research into regulatory frameworks or precedents, always with subsequent verification of the original source.
• Traducción y mejora de redacción en documentos no sensibles.Translation and writing improvement for non-sensitive documents.

8. Lo que la IA no debe hacer sin supervisión directa8. What AI Must Not Do Without Direct Supervision

Estas son las zonas de mayor exposición — donde un error de proceso, no de la herramienta, puede convertirse en un problema legal o disciplinario.

These are the zones of greatest exposure — where a process error, not a tool error, can become a legal or disciplinary problem.

• Determinar conclusiones finales en análisis de precios de transferencia, dictámenes o informes sin validación profesional documentada.Determining final conclusions in transfer pricing analyses, opinions or reports without documented professional validation.
• Generar o modificar instrumentos con fe pública (contratos, actas, certificaciones) sin revisión jurídica.Generating or modifying instruments with public faith (contracts, minutes, certifications) without legal review.
• Procesar datos de clientes en herramientas sin contrato ni garantías de protección de datos.Processing client data in tools without a contract or data-protection guarantees.
• Tomar decisiones con impacto en personas (evaluación de desempeño, selección, scoring) sin supervisión humana documentada.Making decisions that affect people (performance evaluation, selection, scoring) without documented human oversight.
• Reemplazar la firma profesional o presentarse como si el análisis fuera enteramente humano cuando no lo fue.Replacing the professional signature, or presenting an analysis as entirely human when it was not.

9. El mínimo de trazabilidad que todo proceso necesita9. The Minimum Traceability Every Process Needs

No se necesita un sistema sofisticado para empezar. Estos cuatro registros son el piso mínimo defendible ante cualquier revisión:

No sophisticated system is needed to start. These four records are the minimum defensible floor under any review:

1. Qué información se ingresó. Una nota simple de qué documentos o datos se cargaron en la herramienta, y cuándo.What information was entered. A simple note of which documents or data were loaded into the tool, and when.
2. Qué herramienta se usó. Nombre de la herramienta y, si aplica, versión Enterprise o con contrato vigente.Which tool was used. Name of the tool and, if applicable, its Enterprise version or contract status.
3. Qué se hizo con el resultado. Si se aceptó, modificó o rechazó el output generado, y por qué.What was done with the result. Whether the generated output was accepted, modified or rejected, and why.
4. Quién validó. Nombre del profesional responsable y fecha de la validación final antes de que el documento saliera del estudio.Who validated it. Name of the responsible professional and the date of final validation before the document left the firm.

Una instrucción bien construida —siguiendo los cuatro componentes de la sección 5— ya genera parte de este registro como subproducto natural: si pediste que el modelo aclare qué proviene del documento adjunto y qué de su criterio general, y pediste que muestre su razonamiento, buena parte del punto 1 y 3 queda resuelta en la propia conversación, lista para guardarse junto al documento final.

A well-built instruction — following the four components in section 5 — already generates part of this record as a natural byproduct: if you asked the model to clarify what comes from the attached document and what comes from its general judgment, and asked it to show its reasoning, much of points 1 and 3 is already resolved within the conversation itself, ready to be saved alongside the final document.

10. Ejemplos de instrucciones aplicadas a tareas frecuentes10. Example Instructions Applied to Frequent Tasks

Esta sección complementa la sección 5 con ejemplos breves, organizados por tipo de tarea habitual en la práctica de ciencias económicas. En todos los casos se sigue el mismo patrón: rol, tarea acotada, formato, y tratamiento explícito de fuentes.

This section complements section 5 with brief examples, organized by the type of task common in the practice of economic sciences. In every case the same pattern is followed: role, bounded task, format, and explicit treatment of sources.

Análisis normativo preliminarPreliminary Regulatory Analysis

Revisión de un documento propioReviewing One's Own Document

Primera lectura de un contrato extensoFirst Read of a Lengthy Contract

Redacción de una comunicación a clienteDrafting a Client Communication

En todos los ejemplos “bien” se repite el mismo patrón: la tarea está acotada a un objetivo único, el formato de salida está especificado, y se le da al modelo una instrucción clara sobre qué hacer si la información disponible no alcanza para responder con certeza — en vez de dejar que complete el vacío con una suposición no señalada como tal.

In every “good” example the same pattern repeats: the task is bounded to a single objective, the output format is specified, and the model is given a clear instruction on what to do if the available information is not enough to answer with certainty — instead of letting it fill the gap with an unflagged assumption.

11. Cómo construir el hábito sin burocratizar el trabajo diario11. Building the Habit Without Bureaucratizing Daily Work

Una objeción frecuente y legítima: “esto suena bien en teoría, pero no tengo tiempo de documentar cada consulta que hago.” La respuesta no es documentar todo con el mismo nivel de detalle. Es calibrar el esfuerzo de trazabilidad al riesgo de la tarea.

A frequent and legitimate objection: “this sounds good in theory, but I don't have time to document every query I run.” The answer is not to document everything at the same level of detail. It is to calibrate the traceability effort to the risk of the task.

Una consulta rápida para mejorar la redacción de un mail no necesita el mismo registro que un análisis que va a integrar un informe de precios de transferencia. La pregunta orientadora es siempre la misma: si esto saliera mal, ¿qué tan grave sería, y para quién? Cuanto mayor el impacto potencial —fiscal, legal, patrimonial, reputacional— mayor el nivel de registro que corresponde aplicar.

A quick query to improve the wording of an email does not need the same record as an analysis that will become part of a transfer pricing report. The guiding question is always the same: if this went wrong, how serious would it be, and for whom? The greater the potential impact — tax, legal, financial, reputational — the higher the level of record-keeping that applies.

En la práctica, esto se traduce en dos niveles:

In practice, this translates into two levels:

Uso de bajo riesgo (redacción, organización de información, primeras lecturas): alcanza con saber qué herramienta se usó, sin necesidad de un registro formal por cada interacción.

Low-risk use (drafting, organizing information, first-pass readings): it is enough to know which tool was used, with no need for a formal record of every interaction.

Uso de alto riesgo (cualquier output que vaya a integrar un documento que se entrega a un cliente, organismo o tercero): aplican los cuatro puntos del mínimo de trazabilidad, sin excepción.

High-risk use (any output that will become part of a document delivered to a client, regulator or third party): all four points of the minimum traceability apply, without exception.

12. Preguntas frecuentes12. Frequently Asked Questions

¿Puedo cargar el balance de un cliente en ChatGPT o Claude para que me ayude a analizarlo?
Depende de la versión. En la versión gratuita o de consumo masivo, no — esos datos pueden ser usados para entrenar el modelo. En una versión Enterprise con Zero Data Retention y contrato vigente con la firma, sí, siempre con el resto de los reflejos del punto 5 aplicados.

Can I upload a client's financial statements to ChatGPT or Claude to help analyze them?
It depends on the version. On the free or mass-consumer version, no — that data can be used to train the model. On an Enterprise version with Zero Data Retention and a contract in place with the firm, yes, always with the rest of the reflexes from point 6 applied.

Si la IA se equivoca, ¿quién responde, el proveedor o yo?
Vos. La Disposición SSTI 2/2023 y la jurisprudencia argentina son consistentes en este punto: el profesional firmante responde por el contenido, con independencia del origen del análisis. La IA es una herramienta, no un coautor con responsabilidad propia.

If the AI makes a mistake, who is liable — the provider or me?
You are. SSTI Disposition 2/2023 and Argentine case law are consistent on this point: the signing professional is liable for the content, regardless of the origin of the analysis. AI is a tool, not a co-author with liability of its own.

¿Tengo que avisarle al cliente que usé IA para su trabajo?
No existe hoy una obligación legal explícita de informarlo en el ámbito privado argentino. Pero como buena práctica profesional, y en línea con la dirección que toma la regulación internacional, es recomendable que tu firma tenga una política clara y comunicada al respecto.

Do I have to tell the client I used AI on their work?
There is currently no explicit legal obligation to disclose this in the Argentine private sector. But as a matter of professional best practice, and in line with the direction international regulation is taking, it is advisable for your firm to have a clear, communicated policy on the matter.

¿Cómo sé si un sistema de IA es “de alto riesgo”?
En términos simples: si el resultado puede afectar derechos, obligaciones fiscales, decisiones legales o el patrimonio de una persona sin que un humano lo revise antes, es de alto riesgo. Documentación de precios de transferencia, dictámenes legales y análisis con impacto tributario entran en esta categoría.

How do I know if an AI system is “high-risk”?
In simple terms: if the result can affect rights, tax obligations, legal decisions or a person's assets without a human reviewing it first, it is high-risk. Transfer pricing documentation, legal opinions and tax-impact analyses fall into this category.

¿Qué hago si la UIF o ARCA me pide explicar un análisis hecho con asistencia de IA?
Mostrá el proceso, no solo el resultado. Si seguiste el mínimo de trazabilidad del punto 9 —qué se ingresó, qué herramienta, qué validación hiciste— tenés con qué responder. Si no lo registraste en el momento, reconstruirlo después es mucho más difícil.

What do I do if a regulator asks me to explain an AI-assisted analysis?
Show the process, not just the result. If you followed the minimum traceability from point 9 — what was entered, which tool, what validation you performed — you have something to respond with. If you did not record it at the time, reconstructing it afterward is far harder.

¿La IA puede firmar o reemplazar mi matrícula en algún caso?
No, en ningún caso. La matrícula profesional y la firma son actos personales e intransferibles. Ninguna herramienta de IA tiene ni puede tener esa función.

Can AI sign or replace my professional license in any case?
No, under no circumstances. A professional license and signature are personal, non-transferable acts. No AI tool has, or can have, that function.

¿Por qué a veces la IA da respuestas distintas a la misma pregunta?
Porque el modelo no busca una respuesta fija guardada en una base de datos — la genera cada vez, en base a un componente de variabilidad estadística incorporado al diseño del sistema. Esa variabilidad es intencional (permite respuestas más naturales y creativas) pero significa que la consistencia exacta entre consultas no está garantizada. Para tareas donde la consistencia es crítica, esto refuerza la necesidad de verificación humana.

Why does AI sometimes give different answers to the same question?
Because the model is not retrieving a fixed answer stored in a database — it generates one each time, based on a statistical variability component built into the system's design. That variability is intentional (it allows for more natural, creative responses), but it means exact consistency between queries is not guaranteed. For tasks where consistency is critical, this reinforces the need for human verification.

Si dos profesionales de mi estudio usan la misma herramienta para la misma tarea, ¿deberían llegar al mismo resultado?
No necesariamente en el texto exacto, pero sí en la conclusión sustancial si ambos aplicaron el mismo nivel de revisión profesional. Si las conclusiones difieren de manera relevante, la causa más probable no es la herramienta — es que alguno de los dos no ejerció la revisión profesional debida.

If two professionals at my firm use the same tool for the same task, should they reach the same result?
Not necessarily in the exact wording, but yes in the substantive conclusion if both applied the same level of professional review. If the conclusions differ materially, the most likely cause is not the tool — it is that one of the two did not exercise the professional review that was due.

Le pido algo a la IA y la respuesta es genérica o no se ajusta a lo que necesito, ¿qué estoy haciendo mal?
Casi siempre es un problema de instrucción, no de la herramienta. Una instrucción vaga (sección 5) produce una respuesta vaga. Antes de asumir que el modelo no puede resolver la tarea, revisá si especificaste el rol, acotaste la tarea, definiste el formato esperado y aclaraste qué fuente debía usar. La mayoría de los resultados insatisfactorios mejoran sustancialmente al reformular la instrucción con esos cuatro componentes.

I ask AI for something and the answer is generic or doesn't fit what I need — what am I doing wrong?
Almost always it is an instruction problem, not a tool problem. A vague instruction (section 5) produces a vague answer. Before assuming the model cannot handle the task, check whether you specified the role, bounded the task, defined the expected format and clarified which source to use. Most unsatisfactory results improve substantially once the instruction is rebuilt with those four components.

13. Glosario esencial13. Essential Glossary

14. Marco normativo de referencia14. Reference Regulatory Framework

Estas son las normas que aplican hoy al uso profesional de IA en Argentina, aunque ninguna fue escrita pensando en ella. El detalle completo de cada una está disponible en los artículos de profundización en uliseslento.com.

These are the regulations that apply today to professional AI use in Argentina, even though none of them were written with AI in mind. The full detail of each is available in the in-depth articles at uliseslento.com.

• Ley 25.326 — Protección de datos personales. Regula el tratamiento de cualquier dato que identifique a una persona.Law 25.326 — Personal data protection. Regulates the processing of any data identifying a person.
• Resolución UIF 42/2024 — Trazabilidad exigida a sujetos obligados, incluyendo contadores matriculados.UIF Resolution 42/2024 — Traceability required of obligated entities, including licensed accountants.
• Ley 27.401 — Responsabilidad penal empresaria. Exige procesos documentados y supervisados como condición del Programa de Integridad.Law 27.401 — Corporate criminal liability. Requires documented, supervised processes as a condition of the Integrity Program.
• Disposición AAIP 60/2016 — Transferencia internacional de datos personales a proveedores fuera de Argentina.AAIP Disposition 60/2016 — International transfer of personal data to providers outside Argentina.
• Disposición SSTI 2/2023 — Principios de IA fiable: supervisión humana, transparencia y responsabilidad profesional.SSTI Disposition 2/2023 — Principles of trustworthy AI: human oversight, transparency and professional responsibility.
• Resolución de Presidencia 392/2026 (Magistratura CABA) — Primer antecedente institucional argentino de capacitación obligatoria en IA.Presidency Resolution 392/2026 (CABA Judiciary) — First Argentine institutional precedent for mandatory AI training.

CierreClosing

Este manual no busca frenar la adopción de IA en la práctica profesional. Busca lo contrario: que esa adopción sea sostenible, defendible y alineada con la responsabilidad que cada profesional ya tiene desde antes de que la IA existiera.

This manual does not seek to slow AI adoption in professional practice. It seeks the opposite: that adoption be sustainable, defensible and aligned with the responsibility every professional already had before AI existed.

La pregunta nunca es si usar IA. Es cómo usarla de manera que, llegado el momento, puedas explicar exactamente lo que hiciste.

The question is never whether to use AI. It is how to use it so that, when the moment comes, you can explain exactly what you did.

v1.0 — Junio 2026. Material producido para la sesión con la Comisión de Gobernanza Algorítmica y Auditoría de IA — Consejo Profesional de Ciencias Económicas de la Ciudad Autónoma de Buenos Aires. Compartido aquí para acceso posterior a la sesión.v1.0 — June 2026. Material produced for the session with the Algorithmic Governance and AI Audit Committee — Professional Council of Economic Sciences of the City of Buenos Aires. Shared here for access after the session.