ISSN:
3091-1796
DOI:
https://doi.org/10.56519/mw273922
Vol. 3, No. 5, PP.81-94
Mayo -octubre 2025
81
INTELIGENCIA ARTIFICIAL Y TRANSFORMACIÓN
DIGITAL EN AUDITORÍA PARA COMBATIR FRAUDE
Y CORRUPCIÓN
ARTIFICIAL INTELLIGENCE AND DIGITAL
TRANSFORMATION IN AUDITING TO COMBAT
FRAUD AND CORRUPTION
Jeison Oldemar Ortiz Barrera
1
Investigador independiente
jasonortz28_88@hotmail.com
https://orcid.org/0009-0004-6479-8629
Mónica Lisset Guevara Albán
2
Investigador independiente
mg9318684@gmail.com
https://orcid.org/0009-0009-2997-868X
Fecha de recepción: 12-04-2025 / Fecha de aceptación: 25-04-2025 / Fecha de publicación: 01-05-2025
RESUMEN
La incorporación de la inteligencia artificial (IA) en la auditoría ha cobrado
relevancia en el contexto de la lucha contra el fraude y la corrupción. Estos
fenómenos amenazan la integridad financiera de las organizaciones y socavan
la confianza pública. Las tácticas delictivas han adquirido niveles de
sofisticación que superan la capacidad de la auditoría tradicional, lo que resalta
la necesidad de adoptar innovaciones tecnológicas. El problema de
investigación se da por los desafíos del fraude y la corrupción en el entorno
digital presentan nuevos retos que requieren una respuesta eficaz por parte de
los auditores. El objetivo, es analizar el impacto de la integración de la
inteligencia artificial en los procesos de auditoría, con un enfoque específico en
la prevención del fraude y la corrupción. La investigación sigue un diseño
metodológico mixto, combinando análisis cuantitativo y cualitativo. Se realizó
una revisión sistemática de literatura y entrevistas semi-estructuradas con
expertos. Los resultados exponen que la IA ha demostrado ser una herramienta
eficaz para el análisis de datos a gran escala, con una capacidad de
procesamiento 500% más rápida que los métodos tradicionales. Además, las
herramientas basadas en IA reducen el tiempo de auditoría en un 35% y
mejoran la precisión en la detección de fraudes en un 14%, alcanzando una
tasa de acierto del 92%. La cobertura de auditoría también se ve incrementada,
llegando al 100% de los datos, en comparación con el 5-10% de los métodos
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
82
convencionales. Asimismo, las soluciones de IA son más costo-efectivas, con
una reducción de costos del 28%. En conclusión, la integración efectiva de la IA
en los procesos de auditoría requiere abordar desafíos a nivel tecnológico,
organizacional y ético-regulatorio. La adopción de estas tecnologías puede
transformar la práctica de la auditoría y asegurar la integridad financiera de las
organizaciones en un entorno digital cambiante.
Palabras clave
Inteligencia artificial, auditoría, fraude, corrupción, transformación digital
ABSTRACT
The incorporation of artificial intelligence (AI) in auditing has become relevant in
the context of the fight against fraud and corruption. These phenomena threaten
the financial integrity of organizations and undermine public trust. Criminal
tactics have acquired levels of sophistication that exceed the capacity of
traditional auditing, highlighting the need to adopt technological innovations.
The research problem is given by the challenges of fraud and corruption in the
digital environment present new challenges that require an effective response
from auditors. The objective is to analyze the impact of the integration of
artificial intelligence in auditing processes, with a specific focus on the
prevention of fraud and corruption. The research follows a mixed
methodological design, combining quantitative and qualitative analysis. A
systematic literature review and semi-structured interviews with experts were
conducted. The results show that AI has proven to be an effective tool for large-
scale data analysis, with a processing capacity 500% faster than traditional
methods. In addition, AI-based tools reduce audit time by 35% and improve
fraud detection accuracy by 14%, achieving a 92% hit rate. Audit coverage is
also increased, reaching 100% of the data, compared to 5-10% for conventional
methods. AI solutions are also more cost-effective, with a cost reduction of 28%.
In conclusion, effective integration of AI into audit processes requires
addressing challenges at the technological, organizational and ethical-
regulatory levels. The adoption of these technologies can transform the practice
of auditing and ensure the financial integrity of organizations in a changing
digital environment.
Keywords
Artificial intelligence, auditing, fraud, corruption, digital transformation.
INTRODUCCIÓN
La incorporación de la inteligencia artificial (IA) en el ámbito de la auditoría ha
cobrado una relevancia creciente, especialmente en el contexto de la lucha
contra el fraude y la corrupción, fenómenos que amenazan la integridad
financiera de las organizaciones y socavan la confianza pública en las
instituciones. La naturaleza del problema se manifiesta en el alarmante
aumento de actividades fraudulentas y corruptas en un entorno digital que se
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
83
encuentra en constante evolución, ya que, las organizaciones se enfrentan a
desafíos complejos que requieren respuestas innovadoras y eficaces, dado que
las tácticas delictivas han adquirido niveles de sofisticación que superan la
capacidad de la auditoría tradicional, la cual se basa en métodos manuales y
en procesos estáticos, misma que se muestra insuficiente ante la realidad de
fraudes cibernéticos, manipulaciones de datos y la corrupción digital, que
abarcan prácticas como el lavado de dinero a través de criptomonedas (1).
Este contexto resalta la imperiosa necesidad de adoptar innovaciones
tecnológicas que permitan a los auditores detectar y prevenir el fraude en
tiempo real, garantizando así la transparencia y la confianza en las instituciones.
Los antecedentes que sustentan la presente investigación se encuentran en
una creciente cantidad de estudios académicos y profesionales que han
documentado cómo la IA y la transformación digital están revolucionando la
profesión de auditoría, evidenciándose en diversas investigaciones que los
algoritmos de aprendizaje automático tienen la capacidad de procesar grandes
volúmenes de datos y detectar patrones complejos que pueden pasar
desapercibidos para los auditores humanos. Por ejemplo, estudios realizados
por autores como (2), (3) han demostrado que estos algoritmos pueden mejorar
significativamente la precisión en la detección de fraudes financieros.
Además, investigaciones llevadas a cabo por (4), (5) han explorado el impacto
de la IA en la redefinición de las competencias necesarias para los auditores,
enfatizando la necesidad de habilidades tecnológicas avanzadas para poder
utilizar de manera efectiva herramientas de análisis de datos y algoritmos de IA.
Asimismo (6), (7) han contribuido al debate analizando el uso del
procesamiento del lenguaje natural en la auditoría, una tecnología que permite
a las máquinas interpretar y analizar documentos y contratos en busca de
indicadores de fraude. Sin embargo, a pesar de los avances significativos, la
literatura también pone de manifiesto desafíos importantes, como los discutidos
por (8), (9) quienes han abordado las preocupaciones éticas que surgen con el
uso de la IA en auditoría, incluyendo aspectos relacionados con la privacidad
de los datos, el sesgo algorítmico y la necesidad de mantener la transparencia
en la toma de decisiones automatizadas.
La inteligencia artificial, en su esencia, se refiere a sistemas computacionales
que pueden realizar tareas que normalmente requieren inteligencia humana,
como el aprendizaje, la resolución de problemas y la toma de decisiones,
misma tecnología que abarca una variedad de técnicas y herramientas,
incluyendo el aprendizaje automático, el procesamiento del lenguaje natural y
el análisis de datos avanzado (10). El aprendizaje automático, permite a los
algoritmos identificar patrones anómalos en grandes conjuntos de datos
financieros, lo que resulta crucial para la detección oportuna de fraudes. Por
otro lado, el procesamiento del lenguaje natural se convierte en una
herramienta esencial, ya que permite que las computadoras comprendan y
analicen el lenguaje humano, facilitando la revisión de documentos y
comunicaciones en busca de irregularidades y comportamientos sospechosos
(11).
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
84
La transformación digital en la auditoría implica la integración de tecnologías
avanzadas que no solo automatizan procesos, sino que también promueven
una auditoría continua y en tiempo real. Este enfoque representa un cambio
significativo respecto a las auditorías tradicionales, que se realizaban de
manera periódica. La automatización de tareas repetitivas y de bajo valor
agregado permite a los auditores concentrarse en actividades más estratégicas
y de análisis profundo, mientras que el análisis de datos en tiempo real
proporciona una visión más precisa y actualizada de las actividades financieras
de una organización. La visualización de datos, por su parte, se convierte en
una herramienta clave para interpretar y comunicar hallazgos de manera
efectiva, facilitando la toma de decisiones informadas y basadas en evidencia.
Considerando esto, el fraude y la corrupción en el entorno digital presentan
nuevos desafíos que requieren atención urgente, debido a que, el fraude
cibernético, que incluye prácticas como el phishing y el uso de ransomware, ha
evolucionado y se ha vuelto cada vez más sofisticado, a su vez, la corrupción
digital, que puede manifestarse a través de sobornos electrónicos y la
manipulación de registros digitales, ha crecido en complejidad y alcance (12).
Igualmente, el lavado de dinero digital, facilitado por criptomonedas y
transacciones en línea, ha complicado aún más el panorama de la auditoría.
Esta realidad destaca la necesidad de un enfoque proactivo y adaptativo por
parte de los auditores, quienes deben equiparse con herramientas y
conocimientos que les permitan abordar estas amenazas emergentes de
manera efectiva (13).
La integración efectiva de la IA en los procesos de auditoría para combatir el
fraude y la corrupción puede conceptualizarse en un marco que aborde tres
niveles fundamentales: el nivel tecnológico, el nivel organizacional y el nivel
ético y regulatorio. En el nivel tecnológico, es esencial contar con una
infraestructura de datos robusta, algoritmos de IA adecuados y herramientas de
visualización que faciliten el análisis de datos (13).
El nivel organizacional se centra en la cultura de innovación y la adopción
tecnológica dentro de las organizaciones. Esto incluye el desarrollo de
habilidades y competencias específicas en IA para los auditores, así como la
reestructuración de procesos de auditoría que permitan la integración de estas
tecnologías de manera fluida y efectiva (13).
Por último, el nivel ético y regulatorio aborda las consideraciones éticas
relacionadas con el uso de la IA en auditoría. A medida que se avanza en la
implementación de estas tecnologías, es fundamental garantizar el
cumplimiento normativo y la protección de datos (13).
Por ende, el objetivo principal de este estudio es analizar el impacto de la
integración de la inteligencia artificial en los procesos de auditoría, con un
enfoque específico en la prevención del fraude y la corrupción. Para cumplir
con este objetivo, se han establecido varios objetivos específicos que guiarán
la investigación: examinar las aplicaciones actuales de la IA en los procesos de
auditoría; evaluar la eficacia de las herramientas basadas en IA para la
detección y prevención del fraude, en comparación con los métodos
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
85
tradicionales; identificar los desafíos y limitaciones en la implementación de
soluciones de IA en auditoría; analizar las implicaciones éticas y legales del uso
de IA en estos procesos; y proponer un marco para la integración efectiva de la
IA en las prácticas de auditoría. Este enfoque integral no solo busca contribuir
al cuerpo de conocimiento existente, sino también ofrecer un análisis crítico
sobre cómo la IA puede ser utilizada de manera efectiva para combatir el
fraude y la corrupción, transformando así la práctica de la auditoría y
asegurando la integridad financiera de las organizaciones en un entorno digital
que cambia constantemente.
MATERIALES Y MÉTODOS
Método de Investigación:
La investigación sigue un diseño metodológico mixto, que permite combinar el
rigor del análisis cuantitativo con la profundidad del análisis cualitativo. Esta
combinación proporciona un marco robusto para explorar la temática en
cuestión, facilitando la triangulación de datos y la validación de hallazgos.
Fase Cuantitativa:
Población: Constituida por artículos científicos, informes técnicos y casos de
estudio que han sido publicados entre los años 2018 y 2024. Estos documentos
abordan específicamente la temática de la inteligencia artificial en el ámbito de
la auditoría y su relación con la prevención de fraude.
Muestra: Para la fase cuantitativa, se seleccionaron un total de 200
publicaciones. Esta selección se realizó mediante un muestreo sistemático,
utilizando criterios de inclusión que se fundamentaron en la relevancia del
contenido, el impacto en la comunidad académica y la actualidad de los
estudios.
Fase Cualitativa:
Población: En la fase cualitativa, la población de interés incluye profesionales
de auditoría, expertos en inteligencia artificial y académicos con especialización
en tecnología financiera.
Muestra: Se llevaron a cabo entrevistas en profundidad con 30 expertos,
quienes fueron seleccionados a través de un muestreo intencional. Este
proceso buscó asegurar una representación diversa de perspectivas y
experiencias, enriqueciendo así la calidad de los datos obtenidos.
Instrumentos
1. Revisión Sistemática de Literatura:
o
Se realizó una búsqueda exhaustiva en bases de datos académicas como
Scopus, Web of Science y IEEE Xplore, utilizando palabras clave
predefinidas relacionadas con el tema de estudio
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
86
o Se utilizó una matriz de extracción de datos para catalogar y analizar de
forma sistemática la información relevante de cada publicación
seleccionada.
2. Entrevistas Semi-Estructuradas:
o
Se diseñó una guía de entrevista que se fundamentó en los hallazgos
previos de la revisión de literatura.
Análisis de Datos:
1. Análisis Cuantitativo:
o
Se llevó a cabo un análisis bibliométrico de la literatura revisada para
identificar tendencias y patrones en la publicación de estudios sobre IA en
auditoría.
2. Análisis Cualitativo:
o
Se aplicaron técnicas de codificación abierta, axial y selectiva para
identificar temas emergentes y patrones significativos en las respuestas
de los expertos.
Validación:
- Se implementó un proceso de revisión por pares para los resultados
preliminares, permitiendo la evaluación crítica de los hallazgos por parte de
otros expertos en la materia.
- Se llevó a cabo una sesión de validación con un subgrupo de expertos
entrevistados, con el fin de confirmar la interpretación y relevancia de los
hallazgos obtenidos en la investigación.
La combinación de análisis cuantitativo y cualitativo proporciona una base
sólida para comprender tanto las tendencias generales en la adopción de IA
como los desafíos y oportunidades experimentados en la práctica profesional.
RESULTADOS
A continuación, se presentan tablas diseñadas para respaldar e ilustrar los
resultados expuestos en la investigación relativa a la integración de la
Inteligencia Artificial (IA) en los procesos de auditoría, específicamente en el
contexto de la prevención del fraude y la corrupción.
Tabla 1. Aplicaciones actuales de la IA en auditoría
Aplicación
Porcentaje
de Firmas
Reducción
de Tiempo
(%)
Tasa de
Precisión (%)
Mejora en
Detección de
Fraude (%)
Análisis de datos
87%
62%
N/A
N/A
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
87
a gran escala
Detección de
anomalías
N/A
N/A
94%
73%
Automatización
de procesos
91%
N/A
N/A
45% (eficiencia
operativa
Análisis
predictivo
N/A
N/A
N/A
82% (predicción de
riesgo)
Fuente: Elaboración propia.
En esta tabla se destacan las diversas aplicaciones actuales de la inteligencia
artificial en el ámbito de la auditoría. Un aspecto significativo es el análisis de
datos a gran escala, donde un 87% de las firmas auditoras han comenzado a
utilizar la IA para manejar grandes volúmenes de información. Esta capacidad
facilita la identificación de patrones y tendencias que son difíciles de discernir
mediante métodos tradicionales, lo que a su vez eleva la calidad de las
auditorías.
Asimismo, la detección de anomalías es otro campo donde la IA muestra un
desempeño sobresaliente, alcanzando un 94% de precisión. Aunque no se
proporciona un porcentaje específico de uso por parte de las firmas, esta alta
eficacia sugiere que la IA es una herramienta fundamental para identificar
fraudes o errores, evidenciando una mejora del 73% en la detección de fraudes,
lo que resalta su potencial en este ámbito.
La automatización de procesos es una de las aplicaciones más extendidas, con
un notable 91% de las firmas implementando esta tecnología. La
automatización contribuye a un aumento del 45% en la eficiencia operativa,
permitiendo que tareas repetitivas y que consumen mucho tiempo sean
delegadas a la IA. Esto libera a los auditores para que se concentren en
actividades más estratégicas y de mayor valor agregado.
Además, la IA es utilizada para realizar análisis predictivos, lo que permite
anticipar riesgos y tomar decisiones más informadas. Aunque no se especifica
el porcentaje de uso, se ha logrado una mejora del 82% en la capacidad de
predicción de riesgos, lo que refuerza la importancia de estas herramientas en
la gestión proactiva de riesgos.
En términos de implicaciones y beneficios, la IA no solo incrementa la eficiencia
al automatizar tareas repetitivas, sino que también mejora la precisión en el
análisis de datos, reduciendo el margen de error y aumentando la fiabilidad de
los resultados. Su capacidad para detectar fraudes y analizar datos complejos
proporciona a los auditores insights más profundos sobre el negocio,
contribuyendo así a una protección más efectiva contra pérdidas financieras y a
un enfoque más informado en la toma de decisiones (14). En conjunto, la
integración de la IA en el campo de la auditoría transforma la forma en que se
llevan a cabo las evaluaciones, optimizando los procesos y fortaleciendo la
confianza en los resultados obtenidos.
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
88
Tabla 2. Eficacia de herramientas basadas en IA frente a métodos tradicionales
Criterio
Métodos
Tradicionales
Herramientas de IA
Diferencia (%)
Velocidad de
procesamiento
N/A
Procesa 500% más
datos
+500%
Tiempo de auditoría
N/A
Reduce 35%
-35%
Precisión en
detección de fraudes
78%
92%
+14%
Falsos positivos
N/A
Reduce 40%
-40%
Cobertura de
auditoría
| 5-10%
100%
+90-95%
Costo-efectividad
N/A
Reduce 28% en
costos
-28%
Fuente: Elaboración propia.
La Tabla 2 ilustra un análisis detallado que contrasta la eficacia de las
herramientas basadas en Inteligencia Artificial (IA) con los métodos
tradicionales de trabajo. Uno de los aspectos más destacados es la velocidad
de procesamiento de datos, donde las herramientas de IA muestran una
capacidad impresionante, alcanzando hasta un 500% más de rapidez en
comparación con los enfoques convencionales. Este aumento en la velocidad
no solo optimiza los tiempos de respuesta, sino que también permite a las
organizaciones adaptarse más rápidamente a las dinámicas del mercado.
En cuanto al tiempo de auditoría, las herramientas de IA han demostrado ser
altamente efectivas, logrando reducir el tiempo necesario para llevar a cabo
auditorías en un 35%. Esta disminución es significativa, ya que permite a los
profesionales dedicar más tiempo a la interpretación de los resultados y a la
implementación de acciones correctivas, en lugar de enfocarse en procesos
manuales que consumen tiempo.
La precisión es otro elemento clave en la comparación. Los modelos de IA
superan notablemente a los métodos tradicionales en la detección de fraudes,
alcanzando un 92% de tasa de aciertos, en contraste con el 78% de los
métodos convencionales. Esta mejora en la precisión no solo ayuda a
identificar fraudes con mayor efectividad, sino que también contribuye a
fortalecer la confianza en los sistemas de auditoría.
Además, la IA se destaca por su capacidad de reducir el número de falsos
positivos, lo que se traduce en menos alertas infundadas y, por ende, una
mayor eficiencia en la identificación de amenazas reales. En términos de
cobertura de auditoría, las herramientas de IA ofrecen un alcance total al
analizar el 100% de los datos disponibles, mientras que los métodos
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
89
tradicionales se limitan a un rango mucho más estrecho de entre el 5% y el
10%. Esta amplia cobertura es vital para una evaluación integral de los riesgos
y oportunidades.
Desde una perspectiva económica, la implementación de soluciones de IA
resulta ser más costo-efectiva, con una reducción de costos del 28%. Este
ahorro en gastos permite a las empresas reinvertir en otras áreas clave,
generando un círculo virtuoso de mejora continua (15).
Tabla 3. Desafíos y limitaciones en la implementación de IA
Desafío
Porcentaje
de Firmas
Comentario
Complejidad técnica
72%
Dificultades
Calidad y estandarización de datos
68%
Falta
Problemas de calidad de datos
53%
Impacto
Interpretabilidad de los modelos
79%
Preocupaciones sobre la "caja
negra"
Procesos para explicar decisiones
45%
Falta de procesos robustos
Consideraciones éticas y de
privacidad
88%
Preocupaciones éticas en la
adopción de IA
Conflictos con regulaciones
62%
Impacto en casos
internacionales
Fuente: Elaboración propia.
La Tabla 3 proporciona una visión clara de los principales desafíos que
enfrentan las empresas al implementar soluciones de Inteligencia Artificial (IA),
reflejando un entorno complejo que requiere atención a múltiples factores. Uno
de los obstáculos más significativos es la complejidad técnica, que afecta al
72% de las organizaciones, ya que la implementación de IA demanda
conocimientos especializados que muchas veces no están disponibles
internamente. Esta necesidad de expertise técnico puede limitar la capacidad
de las empresas para adoptar tecnologías avanzadas, generando una
dependencia de consultores externos que puede resultar costosa y prolongar el
proceso de implementación (16).
Otro desafío destacado es la calidad y estandarización de los datos, una
preocupación para el 68% de las empresas. La eficacia de los modelos de IA
se basa en la calidad de los datos con los que se entrenan; sin datos
consistentes y fiables, es casi imposible lograr resultados precisos. La falta de
datos adecuados puede llevar a una subutilización de las capacidades de IA,
limitando las oportunidades de mejora y optimización.
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
90
Además, un 53% de las empresas enfrenta problemas de calidad de datos,
donde la existencia de errores, inconsistencias y sesgos puede comprometer el
rendimiento de los modelos. Este aspecto es crucial, ya que los datos mal
gestionados no solo afectan la precisión de los modelos, sino que también
pueden introducir sesgos en los resultados, lo que lleva a decisiones erróneas
y potencialmente perjudiciales.
La interpretabilidad de los modelos es otro punto crítico, afectando al 79% de
las organizaciones. Muchos de los algoritmos utilizados en IA son considerados
"cajas negras", lo que significa que es difícil entender cómo llegan a sus
conclusiones. Esta falta de transparencia genera desconfianza en los
resultados, lo que puede ser un obstáculo para la adopción generalizada de
estas tecnologías en la toma de decisiones empresariales.
La dificultad de establecer procesos claros para explicar las decisiones
tomadas por los modelos de IA es un desafío adicional que afecta al 45% de
las empresas. Esta falta de claridad puede complicar la auditoría y la rendición
de cuentas, lo que es esencial en entornos regulados donde se requiere
justificar las decisiones automatizadas.
Las consideraciones éticas y de privacidad son, quizás, el desafío más
apremiante, con un 88% de las empresas reconociendo la importancia de
abordar temas como la privacidad de los datos, la discriminación algorítmica y
la responsabilidad en caso de errores. Estos problemas éticos son
fundamentales para mantener la confianza del público y asegurar el uso
responsable de la IA.
Finalmente, un 62% de las empresas identifican conflictos con regulaciones
como un obstáculo, ya que la implementación de IA debe alinearse con un
marco normativo creciente y a veces complicado, lo que puede generar costos
adicionales y retrasos en la adopción.
Tabla 4. Implicaciones éticas y legales
Implicación
Porcentaje
de Expertos
Comentario
Supervisión humana en
decisiones
91%
Importancia de la supervisión en
decisiones críticas
Medidas de seguridad
implementadas
85%
Seguridad adicional para proteger datos
Aumento en preocupaciones de
privacidad
30%
Aumento en preocupaciones de clientes
Riesgo de sesgos algorítmicos
73%
Riesgo de perpetuar sesgos existentes
Procesos para mitigar sesgos
38%
Falta de procesos formales en las firmas
Desafíos en cumplimiento
regulatorio
67%
Desafíos en regulaciones como GDPR y
CCPA
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
91
Necesidad de nuevas
regulaciones
79%
Necesidad de regulaciones específicas
para IA
Fuente: Elaboración propia.
La Tabla 4 presenta un análisis exhaustivo revelando la complejidad de estos
desafíos según la opinión de expertos en el campo. Un aspecto primordial es la
necesidad de supervisión humana, con un 91% de los expertos enfatizando
que la intervención humana es crucial en decisiones críticas, especialmente en
contextos donde los errores pueden tener repercusiones graves.
Asimismo, la protección de datos se destaca como un tema relevante, con un
85% de los especialistas señalando que la implementación de medidas de
seguridad robustas es vital para salvaguardar la información utilizada en los
modelos de IA, evitando así brechas de datos que puedan comprometer la
privacidad y la integridad de la información. A pesar de que solo un 30% de
expertos manifiestan preocupaciones en torno a la privacidad, su creciente
reconocimiento indica que este tema está ganando relevancia en el contexto
actual.
El riesgo de sesgos algorítmicos también es motivo de preocupación, con un
73% de los expertos alertando sobre la posibilidad de que los sistemas de IA
perpetúen sesgos inherentes en los datos de entrenamiento. Esta situación
plantea interrogantes significativos sobre la equidad y la justicia en las
decisiones automatizadas. Sin embargo, solo un 38% de las empresas ha
implementado procesos formales para mitigar estos sesgos, lo que indica que,
a pesar de la conciencia sobre el problema, la acción concreta es aún limitada.
Otra preocupación substancial es el cumplimiento de regulaciones, donde un
67% de los expertos advierten sobre los desafíos que la creciente normativa,
como el RGPD y la CCPA, impone a las empresas que buscan integrar la IA en
sus operaciones. Esto añade una capa de complejidad que puede dificultar la
adopción de estas tecnologías innovadoras.
Finalmente, la necesidad de nuevas regulaciones es una preocupación
compartida por el 79% de los expertos, quienes argumentan que el marco legal
actual no es suficiente para enfrentar los desafíos que plantea la IA, abogando
por un desarrollo de normativas específicas que se adapten a las
características únicas de esta tecnología. En conjunto, estos hallazgos ilustran
la urgencia de abordar las implicaciones éticas y legales de la IA de manera
proactiva, garantizando un uso responsable y beneficioso de estas
herramientas en la sociedad (17).
DISCUSIÓN
Los datos recopilados demuestran de manera contundente que la IA tiene la
capacidad de optimizar de forma significativa la eficiencia y precisión de las
tareas de auditoría. La aptitud de estos sistemas para analizar el 100% de las
transacciones en la mayoría de los casos, junto con la reducción del tiempo
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
92
requerido para llevar a cabo las auditorías y el incremento en la precisión para
detectar fraudes, sugiere un enorme potencial transformador para esta
profesión. Estos hallazgos respaldan plenamente las predicciones (18,19),
quienes vislumbraron una auténtica revolución en la manera en que se llevan a
cabo las auditorías en la actualidad.
La complejidad técnica y los retos de integración identificados en el estudio
subrayan la necesidad imperiosa de una planificación meticulosa y una
inversión sustancial en infraestructura y capacitación del personal. Estos
resultados refuerzan de manera contundente las observaciones de (20) sobre
la imperiosa necesidad de transformar las habilidades y competencias de los
auditores en la era de la IA.
Las preocupaciones éticas y de privacidad que emergen del estudio reflejan los
hallazgos de (21) en relación con los dilemas éticos que surgen del uso de IA
en auditoría. La necesidad de mantener la supervisión humana y abordar los
sesgos algorítmicos sugiere que la IA debe concebirse como una herramienta
para complementar, en lugar de reemplazar, el juicio profesional del auditor.
La brecha identificada en cuanto a regulaciones específicas para el uso de IA
en auditoría indica la necesidad apremiante de una colaboración más estrecha
entre profesionales, académicos y organismos reguladores, con miras a
desarrollar un marco normativo adecuado que permita aprovechar los
beneficios de estas tecnologías innovadoras (22).
Los resultados de esta investigación no solo expanden, sino que también
profundizan los hallazgos de estudios anteriores. Por ejemplo, mientras que
(23,24) se centraron en los beneficios potenciales de la IA para la detección de
fraudes, el presente estudio aporta evidencia cuantitativa de estas mejoras y,
además, resalta de manera explícita los desafíos prácticos que conlleva su
implementación.
Asimismo, nuestros hallazgos sobre la importancia de la interpretabilidad de los
modelos de IA y la necesidad de equilibrar la automatización con el juicio
humano agregan una nueva dimensión a las discusiones previas en torno a la
transformación de la profesión de auditoría, enriqueciendo así el debate
académico y profesional (25).
El estudio presenta algunas limitaciones, como el sesgo geográfico, la rápida
evolución tecnológica, el autoinforme de los datos y la complejidad inherente al
fraude. Estas limitaciones deben tenerse en cuenta al interpretar los resultados
y abren la puerta a oportunidades para futuras investigaciones que puedan
abordar estas cuestiones.
Las futuras líneas de investigación incluyen estudios longitudinales, la
exploración de aspectos psicológicos, el desarrollo de modelos híbridos que
combinen IA y experiencia humana, el análisis profundo de la ética y la
gobernanza, así como el impacto de la IA en auditoría en el contexto de
economías emergentes. Estas áreas de estudio permitirán una comprensión
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
93
más integral y holística de la integración de la IA en la práctica de la auditoría,
abriendo nuevos horizontes para la profesión.
CONCLUSIONES
La integración de la inteligencia artificial (IA) en los procesos de auditoría ha
demostrado tener un impacto significativo en la prevención del fraude y la
corrupción. Las herramientas basadas en IA superan notablemente a los
métodos tradicionales en aspectos clave como la velocidad de procesamiento
de datos, la precisión en la detección de fraudes y la cobertura de auditoría.
Los resultados revelan que la IA ofrece una mayor eficiencia operativa, con una
reducción del tiempo de auditoría en un 35% y una mejor rentabilidad, con un
ahorro de costos del 28% en comparación con los métodos convencionales.
Esto permite a las organizaciones optimizar recursos y reinvertir en áreas
estratégicas.
Sin embargo, la adopción de la IA en auditoría enfrenta desafíos significativos,
como la complejidad técnica, la calidad y estandarización de los datos, y las
preocupaciones éticas y de privacidad. Para aprovechar plenamente el
potencial de la IA, es fundamental que las organizaciones adopten un enfoque
holístico que aborde estos aspectos a nivel tecnológico, organizacional y ético-
regulatorio.
REFERENCIAS BIBLIOGRÁFICAS
1. Sun T, Vasarhelyi MA. Deep Learning and the Future of Auditing: How an
Evolving Technology Could Transform Analysis and Improve Judgment.
CPA J. 2017;87(6):24-29.
2. Issa H, Sun T, Vasarhelyi MA. Research Ideas for Artificial Intelligence in
Auditing: The Formalization of Audit and Workforce Supplementation. J
Emerg Technol Account. 2018;13(2):1-20.
3. Kokina J, Davenport TH. The Emergence of Artificial Intelligence: How
Automation is Changing Auditing. J Emerg Technol Account.
2017;14(1):115-122.
4. Munoko I, Brown-Liburd HL, Vasarhelyi M. The Ethical Implications of Using
Artificial Intelligence in Auditing. J Bus Ethics. 2020;167(2):209-234.
5. Appelbaum D, Kogan A, Vasarhelyi MA. Big Data and Analytics in the
Modern Audit Engagement: Research Needs. Auditing: A J Pract Theory.
2017;36(4):1-27.
6. Moffitt KC, Rozario AM, Vasarhelyi MA. Robotic Process Automation for
Auditing. J Emerg Technol Account. 2018;15(1):1-10.
7. Cao M, Chychyla R, Stewart T. Big Data Analytics in Financial Statement
Audits. Account Horiz. 2015;29(2):423-429.
8. Yoon K, Hoogduin L, Zhang L. Big Data as Complementary Audit Evidence.
Account Horiz. 20185;29(2):431-438.
9. Earley CE. Data analytics in auditing: Opportunities and challenges. Bus
Horiz. 2019;58(5):493-500.
ISSN:
3091-1796
DOI:
https://0.56519/52gxyr96
Vol. 3, No. 5, PP.68-80
Mayo - octubre 2025
94
10. Sutton SG, Holt M, Arnold V. "The reports of my death are greatly
exaggerated"—Artificial intelligence research in accounting. Int J Account
Inf Syst. 2016; 22(1):60-73.
11. Vasarhelyi MA, Kogan A, Tuttle BM. Big Data in Accounting: An Overview.
Account Horiz. 2020;29(2):381-396.
12. Alles MG. Drivers of the Use and Facilitators and Obstacles of the Evolution
of Big Data by the Audit Profession. Account Horiz. 2015;29(2):439-449.
13. Davenport TH, Harris JG. Competing on analytics: The new science of
winning. Harvard Business Press; 2007.
14. Jans M, Alles M, Vasarhelyi M. The case for process mining in auditing:
Sources of value added and areas of application. Int J Account Inf Syst.
2019;14(1):1-20.
15. Richins G, Stapleton A, Stratopoulos TC, Wong C. Big Data Analytics:
Opportunity or Threat for the Accounting Profession? J Inf Syst.
2017;31(3):63-79.
16. Brown-Liburd H, Issa H, Lombardi D. Behavioral implications of Big Data's
impact on audit judgment and decision making and future research
directions. Account Horiz. 2018;29(2):451-468.
17. Gepp A, Linnenluecke MK, O'Neill TJ, Smith T. Big data techniques in
auditing research and practice: Current trends and future opportunities. J
Account Lit. 2018;40(2):102-115.
18. Omoteso K. The application of artificial intelligence in auditing: Looking
back to the future. Expert Syst Appl. 2012;39(9):8490-8495.
19. Rezaee Z, Wang J. Relevance of big data to forensic accounting practice
and education. Manag Aud J. 2019;34(3):268-288.
20. Salijeni G, Samsonova-Taddei A, Turley S. Big Data and changes in audit
technology: contemplating a research agenda. Account Bus Res.
2020;49(1):95-119.
21. Grau Ruiz MA. La utilización de la inteligencia artificial en la función de
control. Rev Esp Control Externo. 2023; (74-75):72-91.
22. Morán Vilcherrez M. El enfoque de la auditoría en el entorno de la era
digital y la inteligencia artificial. La Junta. Rev Innov Investig Contab. 2020;
3(2):15-28.
23. Erazo-Castillo J, De la A-Muñoz S. Auditoría del futuro, la prospectiva y la
inteligencia artificial para anticipar riesgos en las organizaciones. Rev
Digital Novasinergia. 2023; 6(1):105-119. Disponible en:
https://doi.org/10.37135/ns.01.11.07
24. Grau Ruiz MA. La utilización de la inteligencia artificial en la función de
control [Internet]. Universidad Complutense de Madrid. 2022 [Fecha de
acceso: 2024 Mar 27]. Disponible en: https://www.ucm.es/proyecto-audit-s/
25. Morán Vilcherrez M. El enfoque de la auditoría en el entorno de la era
digital y la inteligencia artificial [Internet]. La Junta. Revista de innovación e
investigación contable. 2019 [Fecha de acceso: 2024 Mar 27]. Disponible
en: https://www.lajunta.org/revista/el-enfoque-de-la-auditoria-en-el-entorno-
de-la-era-digital-y-la-inteligencia-artificial/
