Uso de la inteligencia artificial en el proceso de auditoría

Una de las preguntas que se vienen planteando profesionales de todas las áreas es ¿si la Inteligencia Artificial (IA) puede utilizarse para hacer más eficiente su trabajo?. La respuesta es un rotundo sí. En este caso, abordaremos este concepto desde la perspectiva de la auditoría financiera, analizando algunos de los aspectos más relevantes en los que esta tecnología impacta el ejercicio profesional.

En primer lugar, la inteligencia artificial se ha incorporado progresivamente al proceso de auditoría como un mecanismo de apoyo a la planeación, ejecución y conclusión del encargo, permitiendo mejorar la eficiencia, la cobertura y la calidad del juicio profesional. Al respecto, la IA se define como un conjunto de técnicas computacionales capaces de “imitar funciones cognitivas humanas como el aprendizaje, el razonamiento y la detección de patrones” (Russell & Norvig, 2021, p. 1).

Desde la fase de planeación de la auditoría, la IA se utiliza para el análisis masivo de datos históricos y actuales del ente auditado. Mediante algoritmos de machine learning, es posible identificar áreas con mayor probabilidad de riesgo inherente y riesgo de control. Según Issa et al., (2016), “los sistemas inteligentes permiten priorizar cuentas y transacciones con base en patrones de riesgo previamente aprendidos”, lo que fortalece el enfoque basado en riesgos exigido por la NIA 315 (IAASB, 2019).

Posteriormente, durante la fase de ejecución, la IA resulta especialmente útil en los procedimientos sustantivos. Herramientas de análisis de datos y deep learning permiten examinar el 100 % de las transacciones, superando el enfoque tradicional de muestreo. En este sentido, se ha evidenciado que “la auditoría continua basada en inteligencia artificial incrementa la capacidad de detección de anomalías y fraudes” (Vasarhelyi et al., 2015, p. 38). Por ejemplo, un algoritmo puede detectar pagos duplicados, facturas atípicas o desviaciones inusuales en ingresos, alertando al auditor para aplicar procedimientos adicionales.

Asimismo, en la evaluación del fraude, la IA se convierte en una herramienta clave. Modelos predictivos pueden identificar comportamientos anómalos asociados a fraude financiero, apoyando la aplicación de la NIA 240. De acuerdo con Appelbaum et al., (2017), “los modelos de aprendizaje automático superan a los métodos estadísticos tradicionales en la detección temprana de fraude” (p. 78), lo cual refuerza la capacidad preventiva y correctiva del auditor.

Finalmente, en la fase de conclusión y emisión del informe, la IA puede asistir en la revisión de consistencia de los papeles de trabajo, la coherencia entre hallazgos y conclusiones, e incluso en el análisis de lenguaje natural (Natural Language Processing – NLP) para revisar notas a los estados financieros. No obstante, es fundamental destacar que la IA no sustituye el juicio profesional, ya que “la responsabilidad final de la opinión de auditoría recae exclusivamente en el auditor” (IAASB, 2020, p. 12).

Ejemplo práctico para profesional en ejercicio y/o estudiantes de auditoría

Como ejercicio aplicado, profesional en ejercicio y/o los estudiantes pueden utilizar una base de datos contable (por ejemplo, registros de ventas) y emplear un algoritmo simple de machine learning (como Isolation Forest o K-means) para:

Identificar transacciones atípicas.
Clasificar riesgos potenciales.
Proponer procedimientos de auditoría adicionales con base en los hallazgos.

Este ejercicio permite comprender cómo la IA apoya la toma de decisiones, sin reemplazar el criterio ético y profesional del auditor.

Conclusión

En síntesis, la inteligencia artificial transforma el proceso de auditoría al permitir un análisis integral de datos, mejorar la identificación de riesgos y fortalecer la detección de fraudes. Sin embargo, su uso debe integrarse de manera responsable, ética y alineada con las Normas Internacionales de Auditoría, manteniendo siempre el juicio profesional como eje central del aseguramiento.

Referencias

Appelbaum, D., Kogan, A., & Vasarhelyi, M. A. (2017). Big data and analytics in the modern audit engagement: Research needs. Auditing: A Journal of Practice & Theory, 36(4), 1–27.
https://doi.org/10.2308/ajpt-51684
https://publications.aaahq.org/accounting-review/article/92/2/1/5284/Big-Data-and-Analytics-in-the-Modern-Audit

IAASB. (2019). Norma Internacional de Auditoría 315: Identificación y valoración de los riesgos de incorrección material.
https://www.ifac.org/system/files/publications/files/NIA-315-Revisada.pdf

IAASB. (2020). Technology and the future of audit.
https://www.ifac.org/system/files/publications/files/Technology-and-the-Future-of-Audit.pdf

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
https://meridian.allenpress.com/jeta/article/13/2/1/75742

Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
https://www.pearson.com/en-us/subject-catalog/p/artificial-intelligence-a-modern-approach/P200000003295

Vasarhelyi, M. A., Kogan, A., & Tuttle, B. M. (2015). Big data in accounting: An overview. Accounting Horizons, 29(2), 381–396.
https://doi.org/10.2308/acch-51071
https://publications.aaahq.org/accounting-horizons/article/29/2/381/2160

Vistas de página en total

jueves, 18 de diciembre de 2025