Análisis de técnicas de inteligencia artificial aplicadas a la detección de fraudes

Analysis of artificial intelligence techniques applied to the detection of

accounting fraud in financial auditing

Juan Carlos Michel Porcel [1]

Jorge Bejarano Torres [2]

Gustavo William Gómez Arce [3]

Recibido: 11 octubre 2025 / Revisado: 14 octubre 2025 / Aceptado: 15 octubre 2025 / Publicado: 20 octubre 2025.

Resúmen

Este estudio analiza el impacto de las técnicas de inteligencia artificial (IA) en la detección de fraudes contables dentro del contexto de la auditoría financiera. A partir de una investigación documental y bibliográfica, se revisó literatura académica reciente e informes técnicos que abordan tanto las ventajas como los desafíos de investigación asociados con la incorporación de IA en procesos de auditoría. Los hallazgos destacan que la IA incrementa significativamente la eficiencia, precisión y cobertura de la auditoría, permitiendo procesar la totalidad de los datos y reducir falsos positivos en comparación con métodos tradicionales. Sin embargo, el éxito de estas tecnologías depende de la calidad de los datos y del mantenimiento de un juicio sólido profesional.

Asimismo, se aborda el rol redefinido del auditor en una era tecnológicamente avanzada, donde la automatización de tareas rutinarias permite un enfoque mayor en la interpretación crítica y gestión estratégica de riesgos, requiriendo nuevas competencias y formación continua. Se discuten también las tensiones éticas generadas por la opacidad algorítmica y la ausencia de marcos regulatorios claros que limitan la aplicación práctica y la confianza sobre los resultados generados por la IA. Finalmente, se plantea la necesidad de investigaciones empíricas en contextos locales, especialmente en Latinoamérica, para validar y contextualizar la adopción efectiva de estas tecnologías, balanceando capacidades disruptivas con el juicio humano para preservar la integridad y credibilidad de la auditoría financiera.

Palabras Claves: Inteligencia Artificial, fraude contable, auditoría financiera, aprendizaje automático, big data.

Astract

This study analyzes the impact of artificial intelligence (AI) techniques on accounting fraud detection within the context of financial auditing. Based on documentary and bibliographic research, recent academic literature and technical reports were reviewed, addressing both the advantages and research challenges associated with incorporating AI into audit processes. The findings highlight that AI significantly increases audit efficiency, accuracy, and coverage, allowing for the processing of all data and reducing false positives compared to traditional methods. However, the success of these technologies depends on data quality and sound professional judgment.

The study also addresses the redefined role of the auditor in a technologically advanced era, where the automation of routine tasks allows for a greater focus on critical interpretation and strategic risk management, requiring new skills and ongoing training. The ethical tensions generated by algorithmic opacity and the absence of clear regulatory frameworks, which limit the practical application of and confidence in the results generated by AI, are also discussed. Finally, empirical research in local contexts, especially in Latin America, is needed to validate and contextualize the effective adoption of these technologies, balancing disruptive capabilities with human judgment to preserve the integrity and credibility of financial audits.

Keywords: Artificial Intelligence, accounting fraud, financial auditing, machine learning, big data.

Introducción

n la última década, los avances en inteligencia artificial (IA) y aprendizaje automático (ML, por sus siglas en inglés) han generado una transformación profunda en diversas industrias, entre ellas la contabilidad. El área de auditoría financiera y análisis contable, caracterizada históricamente por procesos manuales y el empleo de algoritmos estáticos, enfrenta una transformación sin precedentes impulsada por estas tecnologías emergentes. A pesar de los beneficios evidentes relacionados con la adopción de IA y ML, persisten interrogantes significativos sobre su impacto en los procesos de auditoría, la toma de decisiones contables y la calidad de la información financiera (Kholod et al., 2021).

La automatización de tareas rutinarias mediante IA y ML ha permitido una reducción considerable en el tiempo y los recursos dedicados a actividades como la verificación de transacciones, la detección de fraudes y la revisión de informes financieros. Sin embargo, se plantean dudas sobre la confiabilidad de estos modelos automatizados. ¿Es factible confiar plenamente en que las máquinas puedan realizar auditorías con la misma precisión y exhaustividad que los auditores humanos? La opacidad de algunos algoritmos de IA, que funcionan como "cajas negras", representa un reto particular, especialmente para profesionales sin formación técnica suficiente para comprender los procesos que generan los resultados (Boy Barreto et al., 2024).

Un aspecto crucial es el efecto de estas tecnologías en el juicio profesional de los auditores. Aunque el aprendizaje automático es capaz de identificar patrones y anomalías que podrían pasar desapercibidos para el ser humano, una dependencia excesiva en estos sistemas podría erosionar habilidades esenciales, comprometiendo la capacidad de los auditores para interpretar situaciones contables complejas. Por ello, es imprescindible encontrar un equilibrio que permita utilizar las herramientas de IA preservando el juicio humano profesional en los procesos de auditoría (Jardón Gallegos, 2025).

La IA está facilitando el desarrollo de análisis predictivos en auditoría, lo que plantea retos éticos y sociales que requieren abordarse rigurosamente. La profesión de auditoría combina análisis financiero, juicio profesional y evaluación de riesgos, exigiendo una comprensión profunda y contextualizada. Implementar IA en este ámbito implica integrar herramientas que no solo automatizan tareas, sino que también respetan la complejidad inherente al proceso (Instituto de Contabilidad y Auditoría de Cuentas,2025)

En términos técnicos, la IA comprende sistemas informáticos capaces de ejecutar funciones típicas asociadas con la inteligencia humana, tales como el aprendizaje, la resolución de problemas y la toma de decisiones, mediante herramientas como aprendizaje automático, procesamiento de lenguaje natural y análisis avanzado de datos (Anantharaman et al., 2023). Estos sistemas pueden detectar irregularidades en grandes volúmenes de información financiera, liberando a los auditores de tareas repetitivas para que puedan concentrarse en el análisis de las anomalías identificadas con su criterio profesional

Dentro de los sistemas de información, la auditoría se ha consolidado como un elemento clave para mitigar manipulaciones indebidas en software, particularmente ante el aumento del uso de transacciones electrónicas, tanto en volumen como en alcance geográfico. En este contexto, la IA ha surgido como una herramienta transformadora que apoya la identificación de irregularidades y la automatización de tareas repetitivas con el fin de proporcionar evaluaciones más precisas sobre la salud de los sistemas de información (Aros et al., 2023).

La IA, compuesta por diversas plataformas y tecnologías, permite llevar a cabo actividades análogas a funciones cognitivas humanas. En auditoría, esto se traduce en avances destinados a mejorar los resultados y reducir los riesgos inherentes al proceso, garantizando a los directivos un nivel razonable de seguridad en relación con la información evaluada (Castillo & De la A-Muñoz, 2023).

El impacto de la IA en la auditoría también se vincula con cambios en el mercado laboral, donde simultáneamente contribuirá a la creación y destrucción de empleo. La creación se dará mediante la aparición de nuevas áreas de negocio, mientras que la destrucción obedecerá a la sustitución de mano de obra por procesos mecanizados más eficientes, innovadores y rentables (Rodríguez, Pereira, Da Silva, & Ribeiro, 2023)

En suma, la IA representa una fuerza disruptiva que transforma los procesos de verificación y evaluación en la auditoría, permitiendo la identificación más precisa y eficiente de anomalías y la automatización de tareas que antes demandaban recursos significativos. Esto posibilita evaluaciones más completas y exactas del estado de los sistemas de información en las organizaciones auditadas (Aros et al., 2023).

Pese a estos avances, el problema central radica en cómo integrar estas tecnologías sin comprometer la calidad del juicio profesional y la ética en la auditoría, asegurando una adecuada adversidad entre automatización y supervisión humana. El objetivo de este estudio es analizar el impacto de la adopción de Inteligencia Artificial (IA) y aprendizaje automático (ML) en los procesos de auditoría, evaluando sus beneficios, riesgos y desafíos para la profesión, así como su efecto en la toma de decisiones y la calidad de la información financiera.

Inteligencia Artificial en Auditoría Financiera

La inteligencia artificial (IA) se define como un conjunto de sistemas informáticos capaces de realizar tareas que normalmente requieren inteligencia humana, tales como aprendizaje, resolución de problemas y toma de decisiones. Estas capacidades se materializan a través de múltiples técnicas, entre ellas el aprendizaje automático, el procesamiento de lenguaje natural y el análisis avanzado de datos (Anantharaman et al., 2023). En el contexto de la auditoría financiera, la IA se introduce como una herramienta innovadora con el potencial de transformar los procesos tradicionales, anteriormente basados en métodos manuales y muestreos parciales, hacia procedimientos más automatizados, rápidos y exhaustivos.

El aprendizaje automático, una rama fundamental de la IA, permite detectar irregularidades y patrones inusuales en grandes volúmenes de información financiera, facilitando la identificación de fraudes de manera más precisa que los métodos convencionales (Guzmán Guzmán et al., 2025). Gracias a esto, la auditoría puede extender su cobertura a la totalidad de los datos, en lugar de limitarse a muestras selectivas, lo cual aumenta la confiabilidad y reduce la probabilidad de falsos positivos. Sin embargo, la eficacia de estas técnicas depende en gran medida de la calidad y homogeneidad de los datos manejados, así como del correcto juicio profesional al interpretar los resultados generados (Alcocer Yunda et al., 2025).

No obstante, la complejidad tecnológica introducida por la IA implica ciertos riesgos y desafíos. La “caja negra” algorítmica, término que alude a la opacidad en los procesos internos de algunos modelos, dificulta la transparencia y la explicación de los resultados, lo que puede afectar la confianza en los informes emitidos y generar cuestionamientos éticos (Alcocer Yunda et al., 2025; Castillo & De la A-Muñoz, 2023). Por ello, la necesidad de desarrollar modelos explicables de IA (XAI) es un área crítica para que estas tecnologías puedan integrarse de manera confiable y ética en la práctica auditoria.

Rol del Auditor en la era de la Inteligencia Artificial

La irrupción de la IA no elimina la relevancia del auditor humano; al contrario, redefine su rol profesional. La automatización de tareas rutinarias y repetitivas libera al auditor para que pueda concentrarse en actividades de mayor valor agregado, tales como la interpretación crítica de resultados, la gestión estratégica de riesgos y la toma de decisiones complejas (Jardón Gallegos, 2025). Esta transformación implica un cambio en el perfil del auditor, quien debe desarrollar nuevas competencias digitales, tecnológicas y éticas para interactuar efectivamente con estas herramientas avanzadas (Casanova-Villalba et al., 2025).

Sin embargo, la adaptación del auditor a esta nueva realidad enfrenta desafíos significativos, entre ellos la resistencia al cambio y la insuficiencia de formación especializada en IA y ética digital (Santander Salmon et al., 2025). Capacitar a los profesionales en estas áreas es indispensable para aprovechar completamente las ventajas de la IA sin comprometer la calidad y la integridad de la auditoría. De esta forma, el auditor pasa de ser un ejecutor mecánico a un facilitador estratégico y ético, capaz de supervisar y validar los resultados generados por los sistemas automatizados.

Además, el marco ético y normativo debe evolucionar para acompañar esta transición tecnológica. Es fundamental establecer reglas claras relativas a la responsabilidad, la transparencia y el control del uso de IA en auditoría, garantizando la confiabilidad y legitimidad de los procesos (Tapia-Marcial & Sánchez-Quinde, 2025). Solo con un equilibrio adecuado entre automatización tecnológica y juicio humano, la auditoría podrá mantener su credibilidad y aportar valor estratégico en un entorno cada vez más digitalizado.

Metodologia

l presente estudio se enmarca dentro de un enfoque de investigación documental y bibliográfica, centrado en la recopilación, revisión y análisis riguroso de literatura académica, así como de informes técnicos y normativos relacionados con el uso de la inteligencia artificial en la detección de fraudes contables. Esta estrategia metodológica permite la construcción de un marco teórico robusto y actualizado, que facilita la identificación de tendencias emergentes y la comparación crítica entre los resultados derivados de métodos tradicionales y aquellos potenciados por tecnologías de Inteligencia Artificial.

Desde el punto de vista teórico, se aplican métodos como el análisis y la síntesis para descomponer la información en categorías específicas que posteriormente fueron integradas en un sustento teórico coherente. Asimismo, se emplearon la inducción y la deducción para derivar conclusiones fundamentadas en la evidencia recopilada. El método comparativo jugó un papel clave en contrastar distintos enfoques y resultados sobre la adopción de IA en auditoría financiera. El estudio se desarrolló bajo un enfoque cualitativo, orientado a la comprensión profunda de conceptos, opiniones y experiencias documentadas sobre la temática.

El diseño del estudio es descriptivo y comparativo, de carácter no experimental y transversal, dado que se limita a la observación y análisis de la información disponible en un momento específico. Esta característica permite identificar coincidencias, diferencias y tendencias dominantes en la literatura especializada sobre la aplicación de IA en auditoría financiera y detección de fraudes.

Las fuentes documentales utilizadas corresponden principalmente a bibliográficos, normativos y académicos especializados. Se priorizó la revisión de artículos científicos publicados entre 2020 y 2025, accesibles en bases de datos indexadas como Scielo, los cuales abordan tópicos relevantes como machine learning, minería de datos y algoritmos predictivos aplicados a auditoría financiera. Estas fuentes secundarias proporcionan un soporte sólido para fundamentar el análisis y la discusión del estudio.

Cuadro 1: Fuentes de información

Tema central	Relevancia para el estudio	Región	Fuente
Impacto de la IA en prevención de fraude y corrupción	Confirma la superioridad de la IA frente a métodos tradicionales.	México	Guzmán et al. (2025)
IA y transformación digital en auditoría	Refuerza la importancia del juicio humano en procesos de auditoría.	Ecuador	Alcocer Yunda et al. (2025)
Impacto de la IA en auditoría contable	Aporta al análisis del cambio de rol del auditor.	Chile	Santander Salmon et al. (2025)
Aplicaciones de IA en auditoría financiera	Sustenta la discusión sobre capacitación profesional.	Venezuela	Casanova-Villalba et al. (2025)
IA y procesos de auditoría contable	Relevante para el contexto latinoamericano y boliviano.	Ecuador	Tapia-Marcial & Sánchez-Quinde (2025)
IA en la toma de decisiones	Sustenta la discusión sobre ética y transparencia.	Colombia	Boy Barreto et al. (2024)
Auditoría del futuro y prospectiva con IA	Aporta al análisis de tendencias futuras en auditoría.	México	Castillo & De la AMuñoz (2023)
IA y mercado laboral en auditoría	Importante para comprender los efectos socio-laborales.	Brasil	Rodríguez, Pereira, Da Silva, & Ribeiro (2023)
IA y calidad del reporte financiero	Refuerza la importancia de la calidad en datos y resultados.	India	Anantharaman et al. (2023)
IA en auditoría de sistemas de información	Ejemplifica usos aplicados de IA.	Chile	Aros et al. (2023)
Transformación digital y procesos contables	Aporta antecedentes conceptuales al marco teórico.	Rusia	Kholod et al., (2021)
Retos de la IA para la auditoría	Fundamenta la discusión sobre ética y regulación en Europa.	España	Instituto de Contabilidad y Auditoría de Cuentas (2025)

Nota. Fuente: Elaboración propia con base a información científica relacionada

Tabla 2. Herramientas de IA y su efectividad en la detección de fraudes contables

Herramienta	Beneficio principal	Efectividad	Fuente
Velocidad y automatización	Procesa datos hasta 500% más rápido y reduce tareas manuales repetitivas.	Más ágil que métodos convencionales.	Guzmán Guzmán et al., (2025)
Precisión en detección de fraude	Alcanza 92% de precisión.	Superior al 78% tradicional.	Guzmán Guzmán et al., (2025)
Reducción de falsos positivos	Disminuye en un 40%.	Minimiza investigaciones innecesarias.	Alcocer Yunda et al., (2025)
Cobertura de auditoría	Revisión del 100% de los datos.	Tradicionalmente 5–10%.	Alcocer Yunda et al., (2025)
Análisis predictivo	Identifica patrones de riesgo y anomalías contables.	Los métodos clásicos son más limitados.	Alcocer Yunda et al., (2025)

Nota. Fuente: Elaboración propia con base a información científica relacionada

La Tabla 2 resume estas contribuciones, mostrando que la IA no solo fortalece la detección de fraudes al incrementar la precisión y minimizar errores, sino que también amplía el alcance de las auditorías, permitiendo la revisión completa de los registros financieros (Guzmán Guzmán et al., 2025; Alcocer Yunda et al., 2025).

No obstante, el impacto positivo de estas herramientas depende en gran medida de la calidad de los datos y del nivel de preparación de los profesionales responsables de su manejo, lo que enfatiza la importancia de complementar la implementación tecnológica con capacitación continua y actualización normativa.

En conjunto, estos resultados evidencian que la IA ofrece beneficios claros en términos de eficiencia y confiabilidad, al tiempo que resaltan desafíos éticos, regulatorios y formativos que deberán abordarse para garantizar su correcta integración en la auditoría financiera.

Discusión

a llegada de la inteligencia artificial (IA) al ámbito de la auditoría financiera representa un fenómeno en constante evolución y de gran impacto. Este proceso no es lineal, pues conviven consensos claros con tensiones éticas y vacíos normativos que dificultan su plena integración. El análisis documental realizado no solo permitió describir el escenario actual, sino también cuantificar empíricamente el impacto de la IA, aportando solidez a la evidencia necesaria para discutir sus implicaciones.

Impacto operacional, precisión y cobertura

Los resultados muestran que la IA representa un salto operativo que va más allá de la simple rapidez: se traduce en precisión y cobertura amplia. Tal como reflejar los datos sintetizados en la Tabla 2, la IA incrementa significativamente la eficiencia y exactitud en los procesos de auditoría, procesando la totalidad de los datos y reduciendo los errores en comparación con los métodos convencionales basados en muestras parciales. Esto no solo optimiza tiempos y recursos, sino que también fortalece la calidad de la evidencia contable, aunque esta mejora depende principalmente de la calidad de los datos y de la adecuada interpretación que haga el auditor, reafirmando que la tecnología debe ir acompañada siempre de juicio profesional (Guzmán Guzmán et al., 2025; Alcocer Yunda et al., 2025).

Rol profesional humano estratégico

En cuanto al rol profesional, la IA no elimina al auditor humano; por el contrario, redefina su función hacia tareas de mayor valor agregado. La automatización de actividades rutinarias permite al auditor concentrarse en la interpretación crítica, la toma de decisiones y la gestión estratégica de riesgos. Esta complementariedad configura un nuevo perfil profesional que requiere competencias tecnológicas y éticas para potenciar las capacidades humanas, no para sustituirlas (Santander Salmon et al., 2025; Casanova-Villalba et al., 2025).

Ética y fiabilidad tecnológico

No obstante, este avance tecnológico plantea importantes retos éticos y de confiabilidad. La opacidad de algunos algoritmos la llamada “caja negra” y la posibilidad de sesgos generan incertidumbre acerca de la objetividad y la confiabilidad de los hallazgos. Ello subraya la necesidad imperiosa de mantener un control humano crítico y de avanzar hacia modelos de IA explicable (XAI) que permitan entender y justificar las decisiones automáticas, garantizando así la transparencia y la confianza en los informes financieros (Alcocer Yunda et al., 2025).

Desafío regulatorio y legal

Además, la regulación limitada específica sobre el uso de IA en auditoría genera incertidumbre legal y práctica. La ausencia de marcos normativos claros afecta la validez jurídica de las pruebas obtenidas mediante algoritmos y dificulta la asignación de responsabilidades ante errores o fallos. Esta brecha normativa evidencia la urgencia de actualizar estándares y guías profesionales para dotar de seguridad jurídica a los procesos asistidos por IA y preservar la confiabilidad institucional (Tapia-Marcial & Sánchez-Quinde, 2025).

Brechas de Investigación y Tendencias Futuras

Finalmente, se constata que la mayoría de los estudios y avances provienen de contextos internacionales con alta capacidad tecnológica y regulatoria, lo que limita la aplicabilidad concreta de estos hallazgos en regiones como Latinoamérica, donde recursos y normativas son más restrictivos. Se requieren investigaciones empíricas y longitudinales que validen los beneficios de la IA en entornos reales y diversos, superando así el predominio teórico actual y orientando mejor a países en desarrollo hacia una adopción efectiva y contextualizada de estas tecnologías.

Conclusiones

a aplicación de técnicas de inteligencia artificial en la auditoría financiera constituye una de las innovaciones más poderosas y, a la vez, desafiantes para la detección de fraudes contables. La literatura revisada evidencia beneficios claros, como la mayor velocidad, una precisión superior y la capacidad de procesar grandes volúmenes de información, superando así las limitaciones históricas de los métodos tradicionales. Sin embargo, este potencial no se materializa de manera automática; requiere un marco normativo actualizado, reglas claras sobre responsabilidades y estrategias de implementación que mantengan la supervisión humana crítica y profesional.

Además, la adopción de la IA trasciende el ámbito técnico para involucrar dimensiones profesionales y culturales. La resistencia al cambio, la carencia de competencias digitales en muchos equipos auditorios y la necesidad de formación continua representan desafíos cruciales para la evolución del rol del auditor. Ya no basta con ejecutar pruebas mecánicas o rutinarias, sino que el auditor debe desempeñar una función más estratégica, interpretativa y, en última instancia, ética. Este cambio exige una transformación integral en perfiles, competencias y prácticas profesionales.

Se concluye que la IA no reemplaza al auditor, sino que amplía sus capacidades, otorgándole herramientas novedosas para mejorar la calidad y alcance de las auditorías. El reto principal consiste en encontrar un equilibrio adecuado entre las capacidades disruptivas y el mantenimiento del juicio humano, la transparencia en los procesos y la confianza, elementos que sostienen la credibilidad de la auditoría. En este sentido, resulta fundamental que futuras investigaciones superen el enfoque teórico y se orienten hacia estudios empíricos, longitudinales y aplicados a contextos reales, especialmente en regiones como Latinoamérica, donde las condiciones tecnológicas y regulatorias presentan particularidades que desafían la adopción plena de la IA.

Como pregunta abierta para investigaciones futuras queda planteado: ¿cómo pueden diseñarse e implementarse modelos de inteligencia artificial explicables y estrategias formativas efectivas que permitan una integración ética, transparente y contextualizada de la IA en la auditoría financiera en países en desarrollo?

Bibliografia

Alcocer Yunda, V. H., Ausay Carrillo, C. F., Ávila Pita, S. P., & Sani Paguay, A. A. (2025).

INTELIGENCIA ARTIFICIAL Y TRANSFORMACIÓN DIGITAL EN AUDITORÍA PARA COMBATIR FRAUDE Y CORRUPCIÓN. Revista Científica Multidisciplinaria InvestiGo, 6(15), 316-328. https://doi.org/10.56519/39hf4095

Anantharaman, D., Rozario, A., & Zhang, C. (Abigail). (2023). Artificial Intelligence and

Financial Reporting Quality. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4625279

Aros, L. H., Varón, V. A., Oviedo, M. A. M., & Ospina, L. N. P. (s. f.). Uso de la IA en un encargo de auditoría a los sistemas de información: Un estudio de caso Use of AI in an information systems audit engagement: A case study.

Boy Barreto, A. M., Osorio Arrascue, E. D., Rodríguez Alegre, L. R., & López Padilla, R. D. P. (2024). Inteligencia artificial en la toma de decisiones: Implicaciones éticas y eficiencia. Revista Venezolana de Gerencia, 29(Especial 11), 342-355. https://doi.org/10.52080/rvgluz.29.e11.20

Casanova-Villalba, C. I., Herrera-Sánchez, M. J., & Almeida-Blacio, J. H. (2025).

Aplicaciones de inteligencia artificial en la auditoría financiera contemporánea.

Revista Científica Ciencia y Método, 3(2), 30-43. https://doi.org/10.55813/gaea/rcym/v3/n2/3

Castillo, J. E., & De la A-Muñoz, S. (2023). Auditoría del futuro, la prospectiva y la inteligencia artificial para anticipar riesgos en las organizaciones. NOVASINERGIA REVISTA DIGITAL DE CIENCIA, INGENIERÍA Y TECNOLOGÍA, 6(1), 105-119. https://doi.org/10.37135/ns.01.11.07

El Reto de la Inteligencia Artificial para la Auditoría | ICAC. (s. f.). Recuperado 4 de octubre de 2025, de https://www.icac.gob.es/publicaciones/el-reto-de-la-inteligenciaartificial-para-la-auditoria

Guzmán Guzmán, G. S., Yánez Carrasco, J. C., Fierro Torres, H. W., & García Ortega, I. L. (2025). IMPACTO LEGAL Y REGULATORIO EN LA PREVENCIÓN DEL FRAUDE Y LA CORRUPCIÓN MEDIANTE LA INTELIGENCIA ARTIFICIAL. Revista Científica Multidisciplinaria InvestiGo, 6(16), 585-601. https://doi.org/10.56519/s9w1cq21

Jardón Gallegos, M. D. C. (2025). El impacto de la inteligencia artificial y el aprendizaje automático en la auditoría financiera y el análisis contable. Reincisol., 4(7), 3732-

3758. https://doi.org/10.59282/reincisol.V4(7)3732-3758

Kholod, S., Pavlova, V., Spitsyna, A., Maistrenko, Y., Anufrieva, O., & Lukianykhin, V. (2021). Transformation of the Personnel Management System in the Conditions of Digitalization of HR Processes. Studies of Applied Economics, 39(6). https://doi.org/10.25115/eea.v39i6.5015

Rodrigues, L., Pereira, J., Da Silva, A. F., & Ribeiro, H. (2023). The impact of artificial intelligence on audit profession. Journal of Information Systems Engineering and Management, 8(1), 19002. https://doi.org/10.55267/iadt.07.12743

Santander Salmon, E. S., Choez Calderón, C. J., Mora Olivero, A. P., Bedoya Flores, M. C., & Chamorro Quiñónez, J. G. (2025). Impacto de la inteligencia artificial en la auditoría contable: Precisión, eficiencia y nuevos desafíos. Código Científico Revista de Investigación, 6(E1), 989-1012. https://doi.org/10.55813/gaea/ccri/v6/nE1/729

Tapia-Marcial, J. K., & Sánchez-Quinde, M. A. (2025). Incidencia de la Inteligencia Artificial en los procesos de auditoría contable. Código Científico Revista de Investigación, 6(E1), 234-258. https://doi.org/10.55813/gaea/ccri/v6/nE1/671.

[1] Juan Carlos Michel Porcel / michel.cayus@gmail.com / https://orcid.org/0000-0111-0002-5684 / Facultad de Contaduría Pública y Ciencias Financieras, Investigador Independiente.

[2] Jorge Bejarano Torres / jorgebejarano123456789@gmail.com / https://orcid.org/0009-0004-6532-0862 / investigador independiente.

[3] Gustavo William Gómez Arce / tavo123peritopro@gmail.com / https://orcid.org/0009-0001-9767-1833 / investigador independiente.

Tema identificado	Principales hallazgos	Fuente
Eficiencia y precisión	La IA puede procesar datos hasta un 500% más rápido que los métodos tradicionales, con mayor exactitud en la detección de fraudes.	Guzmán Guzmán et al., (2025)
Limitaciones éticas y necesidad de supervisión humana	Riesgo de sesgos algorítmicos, falta de transparencia en los modelos y la obligación de mantener el juicio profesional humano en decisiones críticas.	Alcocer Yunda et al., (2025)
Resistencia al cambio	Auditores perciben la IA como amenaza; urge capacitación y cambio cultural.	Santander Salmon et al., (2025)
Nuevas competencias	Se requiere formación en herramientas tecnológicas y ética digital.	Casanova-Villalba et al., (2025)