¿Cómo se puede utilizar la información útil extraída de datos no estructurados para contribuir a una mejor predicción de la quiebra o el fracaso corporativo? En esta investigación, examinamos un conjunto de datos de 2,163,147 estados financieros de empresas alemanas que están clasificadas en tres categorías: solventes, en dificultades financieras y en quiebra. Al clasificar las características del texto en términos de granularidad y nivel lingüístico de análisis, mostramos resultados sobre los potenciales y limitaciones de los enfoques desarrollados de esta manera. Este estudio ofrece un primer enfoque para evaluar y clasificar la probabilidad de éxito de los enfoques de minería de texto para extraer características que mejoren la base de datos de entrenamiento de soluciones basadas en IA y mejoren los modelos de predicción de fracaso corporativo desarrollados de esta manera. Nuestros resultados indican que la adaptación de fuentes de información adicionales para la evaluación financiera de las empresas es, de hecho, valiosa, pero se deben utilizar enfoques adaptados al contexto en lugar de enfoques generales de minería de texto no específicos.