Lourdes Geraldine González Leal
ORCID 0009-0006-3629-0291
UAEH Escuela Superior de
Ciudad Sahagun
México
Dorie Cruz Ramírez
doriec@uaeh.edu.mx
ORCID 0000-0002-7853-7655
UAEH
Escuela Superior de Ciudad Sahagun
México
RESUMEN
La Inteligencia Artificial (IA) se ha
consolidado como una de las tecnologías con mayor impacto en la transformación
de los procesos de auditoría, al favorecer la automatización de tareas, el
análisis masivo de datos y la mejora en la toma de decisiones. El objetivo de este
artículo fue analizar la evolución de la inteligencia artificial en auditoría,
identificando sus principales aplicaciones, beneficios y desafíos a partir de
una revisión documental de la literatura científica publicada entre 2019 y
2026.
La investigación se desarrolló bajo
un enfoque cualitativo, mediante una revisión documental sistemática con
alcance descriptivo y analítico, sustentada en las directrices PRISMA. La
búsqueda de información se realizó en las bases de datos Scopus,
Web of Science y Google
Scholar, considerando artículos científicos revisados por pares en inglés y
español. Los resultados evidencian una evolución progresiva desde herramientas
básicas de automatización hacia sistemas inteligentes capaces de apoyar la
detección de fraude, la evaluación del riesgo, la auditoría continua y el
análisis predictivo.
Asimismo, se identificaron beneficios
relacionados con la eficiencia operativa y la mejora de la calidad de los
procesos, así como desafíos asociados con la transparencia algorítmica, la
protección de datos, la ética y la regulación. Se concluye que el futuro de la
auditoría dependerá de la integración equilibrada entre las capacidades humanas
y las tecnologías inteligentes, así como del desarrollo de marcos de gobernanza
que promuevan un uso responsable de la IA.
Palabras clave: Inteligencia
Artificial, auditoría, regulación.
ABSTRACT
Artificial
intelligence (AI) has become one of the most influential technologies in
transforming auditing processes by enabling task automation, large-scale data
analysis, and improved decision-making. The objective of this article was to
analyze the evolution of artificial intelligence in auditing by identifying its
main applications, benefits, and challenges through a documentary review of the
scientific literature published between 2019 and 2026.
The
study adopted a qualitative approach based on a systematic literature review
with descriptive and analytical scope, supported by the PRISMA guidelines. The
search strategy was conducted in Scopus, Web of Science, and Google Scholar,
considering peer-reviewed scientific articles published in English and Spanish.
The findings reveal a progressive evolution from basic automation tools to
intelligent systems capable of supporting fraud detection, risk assessment,
continuous auditing, and predictive analysis.
In
addition, benefits related to operational efficiency and improved audit quality
were identified, as well as challenges associated with algorithmic
transparency, data protection, ethics, and regulation. It is concluded that the
future of auditing will depend on a balanced integration between human
capabilities and intelligent technologies, together with the development of
governance frameworks that promote the responsible use of AI.
Keywords: artificial intelligence, auditing, regulation.
INTRODUCCIÓN
La transformación
digital ha modificado de manera sustancial los procesos organizacionales y los
mecanismos de control utilizados por las empresas e instituciones públicas. En
este contexto, la auditoría ha experimentado una evolución significativa al incorporar
herramientas tecnológicas capaces de procesar grandes volúmenes de información,
automatizar tareas rutinarias y mejorar la capacidad analítica del auditor.
Según Kokina y Davenport (2017), la convergencia
entre analítica de datos, automatización e inteligencia artificial (IA) está
redefiniendo la forma en que se planifican y ejecutan los procedimientos de
auditoría, al pasar de revisiones basadas en muestras a esquemas de análisis
continuo sobre poblaciones completas de datos.
La creciente
disponibilidad de datos digitales, junto con el avance de tecnologías como el
aprendizaje automático (machine learning), el
procesamiento del lenguaje natural y las redes neuronales, ha favorecido la
incorporación de sistemas inteligentes en actividades tradicionalmente
reservadas al juicio humano. De acuerdo con Issa, Sun
y Vasarhelyi (2016), la IA tiene el potencial de
transformar profundamente la auditoría al incrementar la precisión en la
identificación de riesgos, mejorar la detección de anomalías y facilitar la
toma de decisiones basada en evidencia. Más recientemente, Cao, Chychyla y Stewart (2022) sostienen que las firmas de
auditoría han incrementado sus inversiones en tecnologías inteligentes con el
propósito de optimizar la eficiencia de los procesos y generar mayor valor
agregado a sus clientes.
La inteligencia
artificial puede definirse como el conjunto de sistemas computacionales
diseñados para realizar tareas que normalmente requieren inteligencia humana,
tales como el aprendizaje, el razonamiento, la comprensión del lenguaje y la
toma de decisiones. En palabras de Russell y Norvig (2021), la IA comprende el
estudio y diseño de agentes inteligentes capaces de percibir su entorno y
actuar racionalmente para alcanzar determinados objetivos. Esta definición ha
evolucionado hacia enfoques más específicos orientados al análisis masivo de
datos y al aprendizaje automatizado, circunstancias que han favorecido su
aplicación en disciplinas como las finanzas, la contabilidad y la auditoría.
Dentro del ámbito de
la auditoría, la IA se ha utilizado en una amplia variedad de procesos. Por
ejemplo, estudios recientes muestran que los algoritmos de aprendizaje
automático permiten identificar patrones inusuales en registros contables y
financieros, mientras que las técnicas de procesamiento del lenguaje natural
facilitan la revisión automatizada de contratos, políticas y documentos
corporativos. En este sentido, Appelbaum, Kogan y Vasarhelyi
(2021) señalan que la incorporación de tecnologías inteligentes ha impulsado el
desarrollo de la auditoría continua, permitiendo que los procedimientos de
revisión se ejecuten en tiempo real y con mayor cobertura sobre las operaciones
de las organizaciones.
Asimismo, la IA ha
favorecido la transición desde modelos tradicionales de auditoría hacia
enfoques predictivos y preventivos. Mientras que la auditoría convencional se
concentra principalmente en verificar hechos ocurridos, los sistemas
inteligentes pueden anticipar riesgos potenciales mediante el análisis de
tendencias y comportamientos históricos. Al respecto, Moll y Yigitbasioglu (2019) afirman que la utilización de
herramientas de big data e inteligencia artificial
está cambiando la naturaleza del trabajo del auditor, al desplazar el énfasis
desde la recopilación manual de evidencia hacia actividades de interpretación,
juicio profesional y evaluación estratégica.
Sin embargo, la
incorporación de la IA también plantea importantes desafíos técnicos, éticos y
profesionales. Uno de los principales problemas radica en la falta de
transparencia de algunos algoritmos complejos, particularmente aquellos basados
en técnicas de aprendizaje profundo, cuyos procesos internos resultan difíciles
de interpretar incluso para especialistas. Según Dwivedi et al. (2021), la
denominada "caja negra" de ciertos modelos de IA genera incertidumbre
sobre la explicabilidad de los resultados y puede
afectar la confianza de los usuarios en las decisiones automatizadas. De manera
similar, Raisch y Krakowski (2021) advierten que la creciente automatización
exige nuevas formas de supervisión y gobernanza que permitan equilibrar las
capacidades de las máquinas con el juicio humano.
Otro aspecto
ampliamente discutido en la literatura es el impacto de la IA sobre las
competencias y el perfil profesional del auditor. La automatización de tareas
rutinarias no implica necesariamente la sustitución del profesional, sino una
redefinición de sus funciones y responsabilidades. De acuerdo con Sutton, Holt
y Arnold (2023), los auditores deberán desarrollar competencias en analítica de
datos, interpretación de modelos algorítmicos y gestión de riesgos
tecnológicos, sin abandonar habilidades esenciales como el escepticismo
profesional, la ética y el juicio crítico. En consecuencia, la adopción de la
IA representa no solo un cambio tecnológico, sino también una transformación
organizacional y cultural para las firmas de auditoría.
A pesar del creciente
interés académico y profesional por la inteligencia artificial aplicada a la
auditoría, la literatura aún presenta una considerable dispersión temática. Los
estudios existentes suelen concentrarse en aplicaciones específicas, como la
detección de fraude, la auditoría continua o el análisis de datos, mientras que
son menos frecuentes las investigaciones que integran de manera sistemática la
evolución histórica de la IA, sus principales aplicaciones y los desafíos
derivados de su implementación. Esta fragmentación dificulta la construcción de
una visión integral sobre el estado actual del conocimiento y las tendencias
futuras de la disciplina, como señalan Rikhardsson y Yigitbasioglu
(2018) al analizar la digitalización de la contabilidad y la auditoría.
En este contexto, el presente
artículo tiene como objetivo analizar la evolución de la inteligencia
artificial en auditoría, identificando sus principales aplicaciones, beneficios
y desafíos a partir de una revisión documental de la literatura científica
publicada entre 2019 y 2026. Para delimitar el corpus de análisis, se
consideran principalmente artículos académicos indexados en Scopus,
Web of Science y Google
Scholar, debido a que estas bases permiten recuperar investigaciones revisadas
por pares y documentos científicos relevantes para el estudio de la auditoría,
la contabilidad, la analítica de datos y la inteligencia artificial. El periodo
seleccionado responde al crecimiento reciente de investigaciones sobre
transformación digital, auditoría continua, aprendizaje automático y
automatización inteligente en el campo contable. De esta manera, se pretende
ofrecer una visión integral del estado del arte, destacando las
transformaciones que la inteligencia artificial ha generado en la profesión y
las perspectivas que podrían orientar el desarrollo futuro de la auditoría
en un entorno cada vez más digitalizado.
Esta
delimitación temporal y documental permite concentrar el análisis en literatura
reciente, sin excluir antecedentes teóricos fundamentales cuando resulten
necesarios para comprender la evolución conceptual y tecnológica de la
inteligencia artificial aplicada a la auditoría.
METODOLOGÍA
La presente investigación se desarrolló bajo un enfoque cualitativo, mediante una revisión documental sistemática de carácter descriptivo y analítico, orientada a examinar la evolución de la inteligencia artificial en auditoría, sus principales aplicaciones y los desafíos asociados a su implementación. La revisión documental constituye una estrategia metodológica ampliamente utilizada para identificar, seleccionar, analizar e interpretar de manera crítica el conocimiento acumulado sobre un tema específico, permitiendo sintetizar hallazgos, reconocer tendencias y detectar vacíos de investigación, como señalan Snyder (2019) y Xiao y Watson (2019). Asimismo, este tipo de estudios resulta especialmente pertinente en áreas de rápido desarrollo tecnológico, donde la producción científica evoluciona constantemente y requiere análisis integradores.
Con el propósito de garantizar la transparencia y el rigor metodológico, la revisión se apoyó en las directrices propuestas por la declaración PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), las cuales establecen criterios para la identificación, selección, elegibilidad e inclusión de las fuentes documentales. Según Page et al. (2021), la aplicación de PRISMA contribuye a mejorar la calidad y reproducibilidad de las revisiones de literatura al proporcionar procedimientos sistemáticos para la búsqueda y análisis de la evidencia científica.
La estrategia de búsqueda se desarrolló entre enero y marzo de 2026 mediante consultas en las bases de datos Scopus, Web of Science y Google Scholar, seleccionadas por su amplia cobertura multidisciplinaria y por incluir publicaciones de alto impacto en las áreas de contabilidad, auditoría, sistemas de información y tecnologías emergentes. Se utilizaron combinaciones de palabras clave en inglés y español, entre las que destacan: artificial intelligence, auditing, audit analytics, machine learning, continuous auditing, inteligencia artificial, auditoría, analítica de datos y aprendizaje automático. Las búsquedas se realizaron mediante operadores booleanos AND y OR, con el objetivo de ampliar la recuperación de estudios relevantes y reducir sesgos derivados de la selección de términos, siguiendo las recomendaciones metodológicas de Okoli (2023).
Como criterios de inclusión se consideraron artículos científicos publicados entre 2019 y 2026, revisados por pares, escritos en inglés o español y relacionados directamente con la aplicación de la inteligencia artificial en auditoría, contabilidad y control organizacional. Asimismo, se incluyeron algunos trabajos seminales publicados con anterioridad cuando fueron considerados indispensables para comprender la evolución conceptual del tema. Por el contrario, se excluyeron documentos duplicados, tesis, documentos de trabajo no arbitrados, notas técnicas, publicaciones sin acceso al texto completo y estudios cuyo objeto de análisis estuviera centrado en áreas distintas a la auditoría o la contabilidad.
Una vez identificados los estudios potencialmente relevantes, se realizó un proceso de revisión en varias etapas. Inicialmente se examinaron los títulos y resúmenes para determinar su pertinencia; posteriormente, se efectuó una lectura completa de los documentos seleccionados con el fin de extraer información relacionada con las categorías de análisis previamente definidas: evolución de la inteligencia artificial en auditoría, principales aplicaciones, beneficios, desafíos e implicaciones futuras. Este proceso de categorización permitió organizar la evidencia y establecer relaciones entre los hallazgos identificados en las distintas investigaciones, tal como sugieren Snyder (2019) y Xiao y Watson (2019).
Finalmente, el análisis de la información se realizó mediante una estrategia de síntesis cualitativa e interpretación temática, enfocada en identificar convergencias, divergencias y tendencias emergentes en la literatura. Esta aproximación permitió construir una visión integral del estado del arte sobre inteligencia artificial en auditoría, destacando tanto los avances tecnológicos como los retos éticos, regulatorios y profesionales que acompañan su implementación.
En consecuencia, la metodología empleada proporciona un marco sistemático y suficientemente robusto para analizar un fenómeno dinámico y multidimensional, cuyo estudio continúa expandiéndose en el ámbito académico y profesional.
RESULTADOS
Evolución de la inteligencia artificial en auditoría
La revisión documental permitió identificar una evolución progresiva de la inteligencia artificial en auditoría, caracterizada por el tránsito desde herramientas básicas de automatización hacia sistemas inteligentes capaces de aprender, predecir y apoyar la toma de decisiones. De acuerdo con Moll y Yigitbasioglu (2019), la transformación digital de la auditoría se ha acelerado por la convergencia entre big data, aprendizaje automático y automatización robótica de procesos, modificando la forma en que se obtiene y analiza la evidencia de auditoría.
Los estudios revisados muestran que durante la primera etapa de adopción tecnológica predominó el uso de herramientas de análisis descriptivo y software especializado para la revisión de muestras. Posteriormente, el desarrollo de algoritmos de aprendizaje automático permitió ampliar la capacidad de procesamiento y analizar poblaciones completas de datos. Más recientemente, la incorporación del procesamiento del lenguaje natural y de modelos generativos ha impulsado nuevas formas de auditoría continua y análisis predictivo, como señalan Cao, Chychyla y Stewart (2022), quienes destacan que las firmas de auditoría están incrementando significativamente las inversiones en tecnologías inteligentes para mejorar la eficiencia y la calidad de los servicios.
En consecuencia, la auditoría ha transitado desde un enfoque predominantemente retrospectivo hacia esquemas más dinámicos, predictivos y orientados a la gestión del riesgo, en los cuales la inteligencia artificial complementa el juicio profesional del auditor y amplía sus capacidades analíticas.
Tabla 1.
Evolución de la inteligencia
artificial en auditoría.
|
Periodo |
Características |
Tecnologías predominantes |
Aplicaciones |
|
Antes de 2010 |
Automatización
inicial |
Software de
auditoría, hojas electrónicas |
Muestreo y revisión
documental |
|
2010-2015 |
Analítica avanzada |
Big Data, minería de
datos |
Análisis masivo de
transacciones |
|
2016-2020 |
Aprendizaje
automático |
Machine Learning, redes neuronales |
Detección de fraude
y riesgos |
|
2021-2026 |
IA avanzada y
generativa |
NLP, IA generativa,
auditoría continua |
Análisis predictivo
y automatización inteligente |
Elaboración propia con
base en Moll y Yigitbasioglu (2019), Appelbaum et al.
(2021) y Cao et al. (2022).
Principales aplicaciones de la inteligencia artificial en
auditoría
Los resultados muestran que las aplicaciones de la inteligencia artificial en auditoría se concentran principalmente en la detección de fraude, la evaluación de riesgos, la revisión automatizada de documentos y la auditoría continua. Estas aplicaciones comparten la capacidad de procesar grandes volúmenes de datos en tiempos reducidos y con niveles de precisión superiores a los obtenidos mediante técnicas tradicionales.
Diversos estudios coinciden en que la detección de fraude constituye una de las áreas con mayor desarrollo. Los algoritmos de aprendizaje automático permiten identificar patrones anómalos y comportamientos atípicos que podrían pasar inadvertidos mediante procedimientos convencionales. Asimismo, el procesamiento del lenguaje natural ha demostrado utilidad en la revisión automatizada de contratos, informes financieros y comunicaciones corporativas, reduciendo tiempos y costos operativos, como señalan Appelbaum, Kogan y Vasarhelyi (2021). En la misma línea, Lombardi, Secundo y Massaro (2021) destacan que la incorporación de herramientas basadas en inteligencia artificial está ampliando las capacidades analíticas de los auditores, permitiendo extraer conocimiento útil a partir de grandes volúmenes de información estructurada y no estructurada.
Por otra parte, la auditoría continua
representa uno de los avances más significativos de los últimos años, debido a
que posibilita la supervisión permanente de las operaciones empresariales y la
emisión de alertas tempranas ante riesgos potenciales. Esta capacidad
transforma el papel del auditor, quien deja de actuar exclusivamente de manera
reactiva para asumir funciones más estratégicas y preventivas. Al respecto, Munoko, Brown-Liburd y Vasarhelyi
(2020) sostienen que la inteligencia artificial está modificando profundamente
los procesos de generación y análisis
de evidencia de auditoría, impulsando nuevos modelos de trabajo basados en la
automatización inteligente y la toma de decisiones sustentada en datos.
Con
el propósito de sintetizar los principales hallazgos identificados en la
literatura, la Tabla 2 presenta las aplicaciones más relevantes de la
inteligencia artificial en auditoría, las tecnologías empleadas, los beneficios
reportados y algunos estudios representativos. Los resultados evidencian que la
IA no constituye una herramienta única, sino un conjunto de tecnologías que
pueden aplicarse a distintas fases del proceso de auditoría, desde la
evaluación inicial del riesgo hasta la emisión de informes y el monitoreo
continuo de las operaciones. Asimismo, se observa una creciente diversificación
de aplicaciones, impulsada por el desarrollo de algoritmos más sofisticados y
por la disponibilidad de grandes volúmenes de datos organizacionales, fenómeno
que Bakarich y O'Brien (2021) identifican como una de las principales
transformaciones digitales que enfrenta actualmente la profesión contable y de
auditoría.
Tabla 2.
Principales aplicaciones de la inteligencia artificial en auditoría.
|
Aplicación |
Tecnologías utilizadas |
Beneficios principales |
Autores |
|
Automatización de
procesos de auditoría |
Robotic
Process Automation (RPA) e IA |
Reducción de tareas
repetitivas |
Kokina y Blanchette (2019) |
|
Auditoría continua |
IA, Big Data y
automatización |
Supervisión
permanente y alertas tempranas |
Moll y Yigitbasioglu (2019) |
|
Evaluación del
control interno |
IA explicable (XAI)
y aprendizaje automático |
Mejor comprensión y
monitoreo de controles |
Munoko, Brown-Liburd y Vasarhelyi (2020) |
|
Detección de fraude |
Machine Learning, Deep Learning |
Identificación
temprana de anomalías y fraudes |
Appelbaum, Kogan y Vasarhelyi (2021) |
|
Análisis predictivo |
Machine Learning y modelos generativos |
Anticipación de
riesgos y tendencias |
Dwivedi et al.
(2021) |
|
Análisis de
contratos y textos |
NLP y minería de
textos |
Mayor cobertura y
precisión documental |
Lombardi, Secundo y Massaro (2021) |
|
Evaluación del
riesgo |
Redes neuronales,
árboles de decisión |
Mayor precisión en
la estimación del riesgo |
Cao, Chychyla y Stewart (2022) |
|
Revisión
automatizada de documentos |
Procesamiento del
lenguaje natural (NLP) |
Reducción del tiempo
de revisión |
Sutton, Holt y
Arnold (2023) |
Elaboración
propia con base en Moll y Yigitbasioglu (2019), Kokina y Blanchette (2019), Munoko
et al. (2020), Appelbaum et al. (2021), Dwivedi et al. (2021), Lombardi et al.
(2021), Cao et al. (2022) y Sutton et al. (2023).
Los resultados presentados en la tabla
2 muestran que la detección de fraude y la evaluación del riesgo constituyen
las aplicaciones más estudiadas de la inteligencia artificial en auditoría,
debido a su impacto directo en la calidad y oportunidad de los procesos de
control. No obstante, la literatura reciente evidencia una expansión hacia
áreas más complejas, como la auditoría continua, la automatización inteligente
y el análisis predictivo, las cuales modifican sustancialmente el papel
tradicional del auditor.
En este sentido, Munoko, Brown-Liburd y Vasarhelyi (2020) sostienen que la
incorporación de inteligencia artificial en auditoría no implica la sustitución
del juicio profesional, sino una transformación de las funciones del auditor.
De manera complementaria, Sutton, Holt y Arnold (2023) argumentan que las
tecnologías inteligentes deben concebirse como herramientas que amplían las
capacidades analíticas del profesional, manteniendo al juicio humano como
elemento central del proceso de auditoría.
De manera similar, Bierstaker, Janvrin y Lowe (2022) argumentan que la
integración de sistemas inteligentes permite ampliar la cobertura de las
pruebas de auditoría y fortalecer los mecanismos de evaluación del riesgo.
Asimismo, Sutton, Holt y Arnold (2023) señalan que el valor agregado del
auditor en entornos altamente digitalizados dependerá cada vez más de su
capacidad para interpretar resultados generados por sistemas inteligentes y
ejercer un juicio crítico sustentado en principios éticos y profesionales.
Beneficios y desafíos de la implementación de la inteligencia
artificial en auditoría
La revisión de la literatura evidencia que la incorporación de la inteligencia artificial en auditoría ha generado importantes beneficios operativos y estratégicos, aunque también ha planteado desafíos técnicos, éticos y profesionales que requieren una atención creciente por parte de las organizaciones y de la comunidad académica. Los estudios recientes coinciden en que la IA mejora la capacidad analítica, incrementa la eficiencia de los procesos y fortalece la gestión del riesgo; sin embargo, también advierten sobre problemas relacionados con la transparencia algorítmica, la protección de datos y la necesidad de desarrollar nuevas competencias profesionales. Esta dualidad pone de manifiesto que la adopción de tecnologías inteligentes no constituye únicamente una innovación tecnológica, sino una transformación integral de la práctica de auditoría.
Beneficios
Entre los beneficios más frecuentemente reportados destaca la capacidad de procesar grandes volúmenes de información en tiempos considerablemente menores a los requeridos por los procedimientos tradicionales. Según Cao, Chychyla y Stewart (2022), la inteligencia artificial permite incrementar la eficiencia de los procesos de auditoría mediante la automatización de tareas repetitivas y la identificación temprana de riesgos. Asimismo, Bakarich y O'Brien (2021) señalan que la aplicación de tecnologías inteligentes favorece una toma de decisiones más informada y contribuye a mejorar la calidad del juicio profesional al proporcionar evidencia más amplia y oportuna.
Otro beneficio relevante es el fortalecimiento de la auditoría continua y de los sistemas de monitoreo permanente. En este sentido, Appelbaum, Kogan y Vasarhelyi (2021) sostienen que la combinación de inteligencia artificial y analítica avanzada permite supervisar transacciones en tiempo real y emitir alertas tempranas ante comportamientos anómalos. De manera similar, Munoko, Brown-Liburd y Vasarhelyi (2020) argumentan que la automatización inteligente incrementa la capacidad predictiva de los procesos de auditoría y facilita la detección de riesgos emergentes en entornos empresariales cada vez más complejos.
Desafíos
No obstante, la literatura también identifica diversos desafíos asociados con la implementación de la inteligencia artificial. Uno de los aspectos más debatidos es la falta de transparencia de ciertos algoritmos, particularmente aquellos basados en técnicas de aprendizaje profundo, cuyos mecanismos internos de decisión pueden resultar difíciles de interpretar. Al respecto, Dwivedi et al. (2021) advierten que la denominada "caja negra" de algunos modelos de IA representa un reto para la confianza y la rendición de cuentas en los procesos organizacionales, especialmente en actividades que requieren altos niveles de trazabilidad y justificación.
Asimismo, los riesgos relacionados con la privacidad y la protección de datos constituyen una preocupación creciente. Raisch y Krakowski (2021) señalan que la automatización intensiva puede generar nuevas vulnerabilidades si no se establecen mecanismos adecuados de supervisión y gobernanza tecnológica. A ello se suma la necesidad de redefinir las competencias del auditor, ya que la adopción de sistemas inteligentes exige conocimientos en analítica de datos, interpretación de modelos algorítmicos y evaluación de riesgos tecnológicos. En este sentido, Sutton, Holt y Arnold (2023) sostienen que el auditor del futuro deberá combinar habilidades tecnológicas con capacidades éticas, pensamiento crítico y juicio profesional para aprovechar los beneficios de la inteligencia artificial sin comprometer la calidad y confiabilidad de los procesos de auditoría.
Tabla 3.
Beneficios y desafíos de la inteligencia artificial
en auditoría.
|
Beneficios |
Evidencia en la literatura |
Desafíos |
Evidencia en la literatura |
|
Procesamiento masivo
de datos |
Cao et al. (2022) |
Opacidad algorítmica |
Dwivedi et al.
(2021) |
|
Mayor eficiencia
operativa |
Bakarich y O'Brien
(2021) |
Sesgos en los
modelos |
Raisch y Krakowski
(2021) |
|
Detección temprana
de riesgos |
Appelbaum et al.
(2021) |
Protección y
privacidad de datos |
Dwivedi et al.
(2021) |
|
Auditoría continua |
Munoko et al. (2020) |
Dependencia
tecnológica |
Raisch y Krakowski
(2021) |
|
Mejor toma de
decisiones |
Fedyk et al. (2022) |
Nuevas competencias
profesionales |
Sutton et al. (2023) |
|
Mayor cobertura de
pruebas |
Bierstaker et al. (2022) |
Responsabilidad
ética |
Sutton et al. (2023) |
Elaboración
propia con base en Munoko et al. (2020), Appelbaum et
al. (2021), Bakarich y O'Brien (2021), Dwivedi et al. (2021), Raisch y
Krakowski (2021), Cao et al. (2022), Fedyk et al. (2022), Bierstaker
et al. (2022) y Sutton et al. (2023).
La
tabla 3 evidencia que los beneficios y desafíos de la inteligencia artificial
mantienen una relación estrecha y, en muchos casos, complementaria. Mientras
que las capacidades de procesamiento, automatización y predicción han mejorado
significativamente la eficiencia y el alcance de la auditoría, los problemas
asociados con la transparencia, la privacidad y la formación profesional
plantean nuevos retos para las organizaciones y los auditores. En consecuencia,
la literatura coincide en que el éxito de la implementación de la IA dependerá
no solo del desarrollo tecnológico, sino también de la existencia de marcos de
gobernanza adecuados, principios éticos sólidos y estrategias de capacitación
que permitan una interacción equilibrada entre las capacidades humanas y los
sistemas inteligentes.
DISCUSIÓN
Los hallazgos de esta revisión documental muestran que la inteligencia artificial ha dejado de ser una tecnología emergente para convertirse en un componente estratégico de los procesos de auditoría. La evolución identificada, desde herramientas básicas de automatización hasta sistemas capaces de aprender y generar predicciones, coincide con lo señalado por Moll y Yigitbasioglu (2019), quienes sostienen que la transformación digital está redefiniendo la naturaleza del trabajo contable y de auditoría.
Asimismo, los resultados obtenidos corroboran que la incorporación de tecnologías inteligentes no implica únicamente la adopción de nuevas herramientas, sino una modificación sustancial de los procedimientos, la generación de evidencia y el ejercicio del juicio profesional. En este sentido, Munoko, Brown-Liburd y Vasarhelyi (2020) argumentan que la inteligencia artificial está configurando una nueva lógica de trabajo basada en el análisis masivo de datos y en la automatización inteligente de procesos.
Uno de los aspectos más relevantes identificados en la literatura es la creciente diversificación de las aplicaciones de la inteligencia artificial en auditoría. Aunque la detección de fraude continúa siendo uno de los campos con mayor desarrollo, las investigaciones recientes evidencian una expansión hacia áreas como la auditoría continua, la evaluación predictiva del riesgo y la revisión automatizada de documentos. Estos resultados son consistentes con los planteamientos de Appelbaum, Kogan y Vasarhelyi (2021), quienes destacan que las tecnologías inteligentes están ampliando significativamente la cobertura y profundidad de los procedimientos de auditoría. De manera similar, Cao, Chychyla y Stewart (2022) señalan que las firmas de auditoría están incrementando sus inversiones en inteligencia artificial debido a los beneficios asociados con la eficiencia operativa, la reducción de errores y la mejora en la calidad de los servicios prestados.
No obstante, los resultados también evidencian que la implementación de la inteligencia artificial plantea desafíos importantes que aún no han sido completamente resueltos. Entre ellos destacan la falta de transparencia de ciertos algoritmos, la posibilidad de reproducir sesgos en la toma de decisiones automatizadas y las preocupaciones relacionadas con la privacidad y protección de los datos. Al respecto, Dwivedi et al. (2021) advierten que la confianza en los sistemas inteligentes dependerá en gran medida de su capacidad para ofrecer resultados explicables y verificables. Asimismo, Raisch y Krakowski (2021) sostienen que las organizaciones deben desarrollar mecanismos de gobernanza capaces de equilibrar las capacidades humanas y las decisiones automatizadas, evitando una dependencia excesiva de los algoritmos. En consecuencia, el desafío no radica únicamente en desarrollar tecnologías más sofisticadas, sino en garantizar su utilización ética, transparente y responsable.
Esta necesidad ha impulsado el desarrollo de iniciativas internacionales orientadas a la gobernanza de la inteligencia artificial. Entre ellas destacan los principios promovidos por la Organisation for Economic Co-operation and Development (OECD, 2019), los cuales enfatizan la transparencia, la robustez técnica y la rendición de cuentas, así como el Reglamento Europeo de Inteligencia Artificial (Artificial Intelligence Act, 2024), considerado uno de los primeros marcos regulatorios integrales para la supervisión y gestión de riesgos asociados al uso de sistemas de IA.
Finalmente, la revisión permite identificar algunas líneas de investigación futuras. Aunque existe una producción científica creciente sobre aplicaciones específicas de la inteligencia artificial, todavía son limitados los estudios que analizan sus implicaciones a largo plazo sobre la independencia del auditor, la responsabilidad profesional y los marcos regulatorios aplicables. Del mismo modo, resulta necesario profundizar en investigaciones relacionadas con la inteligencia artificial explicable, la gobernanza algorítmica y las competencias requeridas para el auditor del futuro. En concordancia con Sutton, Holt y Arnold (2023), el verdadero potencial de la inteligencia artificial en auditoría dependerá no solo de los avances tecnológicos, sino también de la capacidad de los profesionales y las organizaciones para integrarla de manera crítica, ética y orientada a la generación de valor.
CONCLUSIONES
La presente revisión documental permitió constatar que la inteligencia artificial se ha consolidado como uno de los principales motores de transformación de la auditoría contemporánea. La evolución de estas tecnologías ha favorecido el tránsito desde procesos centrados en el muestreo y la revisión manual hacia esquemas de auditoría continua, análisis predictivo y procesamiento masivo de información. En este sentido, la IA no debe entenderse únicamente como una herramienta tecnológica complementaria, sino como un elemento que redefine la forma en que se obtiene la evidencia, se evalúan los riesgos y se ejerce el juicio profesional, generando nuevas oportunidades para incrementar la eficiencia, la precisión y el valor agregado de los servicios de auditoría.
Asimismo, el estudio evidenció que las principales aplicaciones de la inteligencia artificial se concentran en la detección de fraude, la evaluación del riesgo, la revisión automatizada de documentos y la auditoría continua. Estas aplicaciones han permitido ampliar la cobertura de las pruebas, mejorar la capacidad de análisis y fortalecer la toma de decisiones basada en datos. No obstante, la adopción de sistemas inteligentes también plantea desafíos significativos relacionados con la transparencia de los algoritmos, la privacidad de la información, la presencia de sesgos y la necesidad de desarrollar nuevas competencias profesionales. Por ello, el aprovechamiento efectivo de la IA dependerá de la capacidad de los auditores y las organizaciones para integrar las innovaciones tecnológicas sin descuidar principios fundamentales como la ética, la independencia y el escepticismo profesional.
Por otra parte, los hallazgos ponen de manifiesto la importancia de avanzar hacia marcos regulatorios y de gobernanza que orienten el uso responsable de la inteligencia artificial en auditoría. El rápido desarrollo de tecnologías basadas en aprendizaje automático e inteligencia artificial generativa plantea interrogantes sobre la responsabilidad en la toma de decisiones automatizadas, la explicabilidad de los modelos y los mecanismos de supervisión aplicables a los procesos de auditoría. En consecuencia, resulta indispensable promover regulaciones y estándares que establezcan criterios de transparencia, trazabilidad, protección de datos y rendición de cuentas, de manera que la innovación tecnológica se desarrolle en armonía con los principios éticos y profesionales que caracterizan a la auditoría.
En este contexto, los principios para una inteligencia artificial confiable propuestos por la Organisation for Economic Co-operation and Development (OECD, 2019) y el Reglamento Europeo de Inteligencia Artificial (Artificial Intelligence Act, 2024) constituyen referentes internacionales relevantes para promover sistemas de IA transparentes, seguros y centrados en el ser humano, así como para orientar futuras regulaciones aplicables al ámbito de la auditoría.
Finalmente, se concluye que el futuro de la auditoría no dependerá exclusivamente del avance tecnológico, sino de la capacidad de construir modelos de colaboración entre las capacidades humanas y los sistemas inteligentes. En consecuencia, futuras investigaciones podrían profundizar en el estudio de la regulación de la inteligencia artificial en auditoría, la responsabilidad profesional derivada del uso de algoritmos, la independencia del auditor en entornos automatizados y las competencias requeridas para el ejercicio profesional en escenarios cada vez más digitalizados. Estas líneas de investigación contribuirán a consolidar una auditoría más eficiente, transparente y adaptada a los desafíos de la economía digital.
REFERENCIAS
Artificial Intelligence Act. (2024).
Regulation (EU) 2024/1689 laying down harmonised
rules on artificial intelligence (Artificial Intelligence Act). Official
Journal of the European Union.
Appelbaum, D., Kogan, A., & Vasarhelyi, M.
A. (2021). Analytics and artificial intelligence in auditing: The evolution
of audit technology. Journal of Emerging Technologies in Accounting,
18(1), 1–17. https://doi.org/10.2308/JETA-2020-037
Bakarich, K. M., & O'Brien, P. E. (2021). The robots are coming...
but aren't here yet: The use of artificial intelligence technologies in the
public accounting profession. Journal of Emerging Technologies in
Accounting, 18(1), 27–43. https://doi.org/10.2308/JETA-19-11-20-47
Bierstaker, J. L., Janvrin, D. J., & Lowe, D. J.
(2022). Artificial intelligence and audit quality: Opportunities and
challenges. Current Issues in Auditing, 16(2), A1–A10.
https://doi.org/10.2308/CIIA-2021-018
Cao, M., Chychyla, R., & Stewart, T. (2022). Big data analytics in
financial statement audits. Accounting Horizons, 36(2), 59–79. https://doi.org/10.2308/HORIZONS-19-118
Dwivedi, Y. K., Hughes, L., Baabdullah, A. M.,
Ribeiro-Navarrete, S., Giannakis, M., Al-Debei, M.
M., Dennehy, D., Metri, B., Buhalis, D., Cheung, C.
M. K., Conboy, K., Doyle, R., Dubey, R., Dutot, V.,
Felix, R., Goyal, D. P., Gustafsson, A., Hinsch, C., Jebabli, I., … Wright, R.
(2021). Artificial intelligence (AI): Multidisciplinary perspectives on
emerging challenges, opportunities, and agenda for research, practice and
policy. International Journal of Information Management, 57, Article
101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
Issa, H., Sun,
T., & Vasarhelyi, M. A. (2016). Research ideas for artificial intelligence in
auditing: The formalization of audit and workforce supplementation. Journal
of Emerging Technologies in Accounting, 13(2), 1–20. https://doi.org/10.2308/jeta-10511
Kokina, J., & Blanchette, S. (2019). Early
evidence of digital labor in accounting: Innovation with robotic process
automation. International Journal of Accounting Information Systems, 35,
Article 100431. https://doi.org/10.1016/j.accinf.2019.100431
Kokina, J., & Davenport, T. H. (2017). The
emergence of artificial intelligence: How automation is changing auditing. Journal
of Emerging Technologies in Accounting, 14(1), 115–122. https://doi.org/10.2308/jeta-51730
Lombardi, R., Secundo, G., &
Massaro, M. (2021). Machine
learning and artificial intelligence in accounting and auditing: A bibliometric
analysis. Meditari Accountancy Research,
29(5), 1117–1147. https://doi.org/10.1108/MEDAR-06-2020-0916
Moll, J., & Yigitbasioglu, O. (2019). The
role of internet-related technologies in shaping the work of accountants: New
directions for accounting research. The British Accounting Review, 51(6),
Article 100833. https://doi.org/10.1016/j.bar.2019.04.002
Munoko, I., Brown-Liburd, H. L., & Vasarhelyi,
M. A. (2020). The ethical implications of using artificial intelligence in
auditing. Journal of Business Ethics, 167(2), 209–234. https://doi.org/10.1007/s10551-019-04407-1
Okoli, C. (2023). A guide to conducting a standalone systematic
literature review. Communications of the Association for Information
Systems, 52(1), 413–439. https://doi.org/10.17705/1CAIS.05219
Organisation for Economic Co-operation and Development. (2019). OECD Principles on Artificial Intelligence. https://oecd.ai/en/ai-principles
Page, M. J., McKenzie, J. E., Bossuyt,
P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L.,
Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw,
J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson,
E., McDonald, S., … Moher, D.
(2021). The PRISMA 2020 statement: An updated guideline for reporting
systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Raisch, S., & Krakowski, S. (2021). Artificial intelligence and
management: The automation–augmentation paradox. Academy of Management
Review, 46(1), 192–210. https://doi.org/10.5465/amr.2018.0072
Rikhardsson, P., & Yigitbasioglu, O.
(2018). Business intelligence and analytics in management accounting research:
Status and future focus. International Journal of Accounting Information
Systems, 29, 37–58. https://doi.org/10.1016/j.accinf.2018.03.001
Russell, S., & Norvig, P. (2021). Artificial intelligence: A
modern approach (4th ed.). Pearson.
Snyder, H. (2019). Literature review as a research methodology: An
overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Sutton, S. G., Holt, M., & Arnold, V. (2023). "The reports of
my death are greatly exaggerated"—Artificial intelligence research in
accounting. International Journal of Accounting Information Systems, 48,
Article 100598. https://doi.org/10.1016/j.accinf.2022.100598
Xiao, Y., & Watson, M. (2019). Guidance on conducting a systematic literature review. Journal of Planning Education and Research, 39(1), 93–112. https://doi.org/10.1177/0739456X17723971