MULTIVERSO JOURNAL | ISSN: 2792-3681

Volumen 6, Número 10, Edición Enero-junio de 2026

https://doi.org/10.46502/issn.2792-3681/2026.10.3

Cómo citar:

Aguirre Urdaneta, L.J. (2026). Modelos actúales de inteligencia artificial para la auditoría: Automatización, riesgos y transformación digital del control financiero. Multiverso Journal, 6(10), 31-42. https://doi.org/10.46502/issn.2792-3681/2026.10.3

 

Modelos actúales de inteligencia artificial para la auditoría: Automatización, riesgos y transformación digital del control financiero

 

Current Artificial Intelligence Models for Auditing: Automation, Risks, and the Digital Transformation of Financial Control

 

Lorena Jhoise Aguirre Urdaneta

Universidad José Gregorio Hernández, Venezuela. https://orcid.org/0009-0001-2236-0432 - Email: lorjagui@gmail.com

 

 

Recibido el 14/03/2026 - Aceptado el 22/04/2026

 

Resumen

 

La era digital ha modificado radicalmente la auditoría financiera al incorporar diversos modelos de inteligencia artificial (IA) en empresas grandes, medianas y pequeñas, ampliando la capacidad de control más allá de las limitadas muestras tradicionales y, al mismo tiempo, facilitando el análisis de grandes volúmenes de datos en tiempo real. Ante esta realidad internacional, el objetivo de esta investigación consiste en analizar los modelos actuales de IA aplicados a la auditoría financiera, con el fin de evaluar su contribución a la automatización de procesos, identificar los riesgos asociados y comprender su impacto en la transformación digital del control financiero. En consideración de la naturaleza de este objetivo se implementó una metodología documental basada en la interpretación de fuentes de reconocido valor científico. A modo de conclusión se afirma que, la digitalización del control financiero, impulsada por la IA, puede potenciar, bajo ciertas condiciones, la racionalidad instrumental de la auditoría —más rápida, más extensa y eficiente—, pero a la vez socavar la capacidad crítica si el auditor se transforma en un simple usuario de “cajas negras” que determina qué y dónde examinar.

 

Palabras clave: modelos de IA, auditoria, control financiero, transformación digital, automatización y riesgos.

 

Abstract

 

The digital age has radically transformed financial auditing by incorporating various artificial intelligence (AI) models into large, medium, and small businesses, expanding audit capabilities beyond traditional limited sampling while facilitating the analysis of large volumes of data in real time. Given this global reality, the objective of this research is to analyze current AI models applied to financial auditing in order to assess their contribution to process automation, identify associated risks, and understand their impact on the digital transformation of financial control. In light of this objective, a documentary methodology was implemented based on the interpretation of sources of recognized scientific value. In conclusion, it is asserted that the digitization of financial control, driven by AI, can enhance—under certain conditions—the instrumental rationality of auditing—making it faster, more extensive, and more efficient—but at the same time undermine critical capacity if the auditor becomes a mere user of “black boxes” that determine what and where to examine.

 

Keywords: AI models, auditing, financial control, digital transformation, automation and risks.

 

Introducción


La era digital ha transformado profundamente la auditoría financiera al integrar diversidad de modelos de inteligencia artificial (IA) en empresas grandes, medianas y pequeñas, ampliando el alcance del control más allá de las muestras tradicionales y permitiendo analizar volúmenes masivos de datos en tiempo real.

 

Tal como afirman Johri et al. (2026), en grandes corporaciones, algoritmos de aprendizaje automático, procesamiento de lenguaje natural y automatización robótica revisan transacciones, contratos y saldos, mientras que medianas y pequeñas empresas recurren, comúnmente, a plataformas en la nube para incorporar herramientas de detección de fraudes y análisis predictivo sin una infraestructura propia compleja.

 

Para quienes suscriben esta investigación, estas capacidades permiten a los auditores concentrarse en riesgos emergentes y juicios contables complejos, pero también introducen nuevos riesgos, entre los que se destacan: sesgos en los modelos, dependencia de sistemas opacos y la propagación rápida de errores sistémicos, como advierten revisiones recientes sobre la gobernanza de IA en procesos financieros (Organisation for Economic Co-operation and Development, 2023).

 

De cualquier modo, la automatización impulsada por la IA redefine no solo la eficiencia del control financiero, sino también su arquitectura de riesgos. En palabras de Dos Santos & Dos Santos (2025), herramientas de procesamiento de lenguaje natural escudriñan contratos, políticas y memorias anuales, mientras los sistemas de automatización robótica ejecutan reconciliaciones, validan saldos y generan evidencias de prueba de forma semiautomática, enriqueciendo así el trabajo estratégico del auditor.

 

Sin embargo, esta misma capacidad para procesar y decidir sobre flujos masivos de datos, incrementa la dependencia de algoritmos cuya lógica interna no siempre es transparente para los profesionales, lo que plantea desafíos graves de interpretabilidad, supervisión y responsabilidad cuando se producen errores o sesgos. Estudios recientes sobre auditoría alimentada por IA y gobernanza de modelos, tal como el de Laine et al. (2024), subrayan la necesidad de diseños ético-técnicos que garanticen verificación humana crítica y límites claros a la autonomía de los sistemas.

 

La transformación digital del control financiero no se limita a la adopción de tecnologías, sino que implica reconfigurar la cultura de control, las competencias de los auditores y los marcos regulatorios, especialmente a medida que la auditoría se vuelve continua y más orientada al análisis de patrones. Al decir de Sanz Martín et al. (2026), en grandes corporaciones, la IA se integra en sistemas de gestión de riesgos, comités de auditoría y flujos de reporting regulatorio, configurando entornos de auditoría continua y alto volumen de datos, donde la supervisión humana se vuelve estratégica más que operativa.

 

Por su parte, en medianas y pequeñas empresas, la adopción suele ser más fragmentada, con módulos puntuales de análisis de datos o automatización de ciertos ciclos contables, lo que, aunque democratiza el acceso a capacidades avanzadas, exacerba problemas de gobernanza, formación y transparencia. Ante esta realidad ineludible, la evolución de tecnologías avanzadas en auditoría financiera muestra que la integración de IA obliga a repensar la formación profesional, los procedimientos de control interno y la actualización de normativas de supervisión.


En este contexto, el objetivo general de la investigación consiste en analizar los modelos actuales de IA aplicados a la auditoría financiera, con el fin de evaluar su contribución a la automatización de procesos, identificar los riesgos asociados y comprender su impacto en la transformación digital del control financiero. Más allá de un mapeo técnico de herramientas, se busca dilucidar cómo la presencia creciente de algoritmos cambia la relación entre certeza y verificación en la auditoría, y qué implicaciones éticas y epistemológicas implica delegar parte del juicio profesional, en modelos que aprenden de datos históricos, pero no comprenden normas, instituciones ni contextos sociales.

 

Dos preguntas filosóficas atraviesan el análisis, en primer lugar, ¿hasta qué punto la automatización de pruebas de auditoría redefine la noción de responsabilidad del auditor cuando las decisiones emergen de sistemas cuya lógica interna es parcialmente opaca?; en segundo lugar, ¿qué tipo de racionalidad se promueve en el control financiero cuando la IA prioriza correlaciones estadísticas antes que interpretaciones normativas y contextuales de la realidad económica?

 

La investigación se organiza en cinco secciones articuladas de forma lógica. En la primera se presentan los fundamentos teóricos, integrando teorías clásicas de control interno, modelos de riesgo de auditoría y enfoques de IA aplicada a procesos financieros, con el propósito de construir una base conceptual sólida para comprender cómo la IA se inserta en el marco de la auditoría financiera.

 

La segunda sección, describe la metodología adoptada, especificando el diseño de la revisión de modelos, la selección de casos representativos y la articulación entre fuentes primarias y secundarias para garantizar rigurosidad y trazabilidad.

 

En la tercera parte se desarrolla el análisis y la discusión de los hallazgos, contrastando la promesa de automatización y eficiencia con los riesgos éticos, técnicos y regulatorios detectados en la literatura y en prácticas recientes. La cuarta sección reúne las conclusiones y recomendaciones dirigidas a reguladores, cuerpos profesionales y equipos de auditoría interna y externa, proponiendo líneas de acción para gobernar la transformación digital del control financiero, sin erosionar la calidad ética y técnica de la auditoría.

 

Finalmente, se incluye una lista de obras consultadas organizadas alfabéticamente, que integra artículos de acceso abierto indexados en Scopus y Web of Science, así como referencias clásicas del campo, asegurando la trazabilidad y el rigor académico del trabajo.

 

Fundamentos teóricos

 

El marco teórico de la investigación se articula en torno a tres ejes centrales: los modelos clásicos de control interno, el esquema de riesgo de auditoría y los enfoques de inteligencia artificial, aplicada a procesos financieros. Tal como explica el International Organization of Supreme Audit Institutions – INTOSAI (2020), la teoría del control interno, como se sintetiza en marcos como COSO, concibe el control como un proceso dinámico basado en entornos del control, evaluación de riesgos, actividades de control, información y comunicación, y monitoreo, cuyo objetivo es garantizar una confianza razonable sobre la información financiera y la legalidad de las operaciones.

 

No obstante, conviene aclarar que, en la era digital, buena parte de estos controles se materializan en algoritmos y sistemas de IA, lo que exige reinterpretar la auditoría como una actividad que ya no solo evalúa procedimientos humanos, sino también modelos de datos y automatizaciones (Sanz Martín et al., 2026).

 

En este orden de ideas, el modelo de riesgo de auditoría, que articula riesgo inherente, riesgo de control y riesgo de detección, sigue siendo el eje para dimensionar pruebas y profundidad de revisión. Sin embargo, la IA introduce una tensión fundamental: al permitir el análisis del 100 % de las transacciones, reduce el riesgo de detección mecánico, pero incrementa la posibilidad de errores algorítmicos, sesgos de datos o sobreajustes (Letelier, 2025).

 

De hecho, tal como indica Fajardo (2024), la IA en auditoría financiera supone un riesgo de auditoría, ya no se concentra solo en la muestra humana, sino en la fiabilidad de los modelos que procesan masivamente los datos, lo que exige, como mucho rigor, una nueva dimensión de evaluación ética y técnica del diseño algorítmico.

 

En cuanto a la IA aplicada a procesos financieros, la literatura en español e inglés de los últimos años muestra que su función principal es la de “sistema de alerta temprana” que automatiza tareas repetitivas, detecta anomalías con mayor sensibilidad y posibilita auditorías continúas basadas en aprendizaje automático y procesamiento de lenguaje natural (Casanova-Villalba et al., 2025).

 

Lejos de reemplazar al auditor, la IA potencia su juicio al liberarlo de labores mecánicas, pero al mismo tiempo exige nuevas competencias, marcos de gobernanza y conciencia ética, respecto a cómo los modelos influyen en la interpretación de los estados financieros (Johri et al., 2026). Esta convergencia entre control interno, riesgo de auditoría y enfoques de IA configura la base conceptual sobre la que se construye el marco teórico de la investigación.

 

Tal como sostiene Letelier (2025), en líneas genérales, la relación entre IA, auditoría, automatización, riesgos y transformación digital del control financiero puede pensarse en tres niveles articulados. En el operativo, la IA se inserta en ciclos de reconciliación, validación documental y detección de fraude, ampliando la cobertura de datos y permitiendo auditorías más cercanas en tiempo a las operaciones, lo que incrementa eficiencia y anticipación de riesgos.

 

Por su parte, en el de riesgo, la IA transforma la matriz de amenazas: reduce errores humanos, pero introduce riesgos algorítmicos, como dependencia de sistemas opacos y propagación de sesgos, lo que obliga a repensar la noción de control interno como algo que ya no reside solo en personas y procedimientos, sino también en modelos y arquitecturas técnicas (Letelier, 2025).

 

En el estratégico, la transformación digital del control financiero se configura como un reordenamiento de la gobernanza, la cultura organizacional y el propio rol del auditor, quien pasa de revisor manual a intérprete y regulador de sistemas semi-autónomos (Organisation for Economic Co-operation and Development, 2023).

 

En función de estos ejes, la arquitectura teórica de la investigación se condensa en un cuadro integrado (tabla 1) que articula control interno, riesgo de auditoría y IA aplicada a auditoría financiera. El control interno (marco COSO) se vincula con IA al incorporar algoritmos de análisis continuo y monitoreo automatizado, lo que reconfigura la supervisión y monitoreo, pero también añade riesgos de opacidad y dependencia tecnológica.

 

En palabras de Baquero y Delgado (2025), el modelo de riesgo de auditoría se modifica porque la IA amplía la cobertura de datos, reduce el riesgo de detección mecánico y a la vez incrementa la vulnerabilidad ante errores algorítmicos y sesgos, redefiniendo la idea de “incorrección material” en entornos de IA. La IA aplicada a auditoría, por su parte, se entiende como un conjunto de aplicaciones de auditoría continua, análisis predictivo y detección de fraude, que exigen nuevas competencias, responsabilidad ética y marcos normativos adaptados a la transformación digital.

 

Tabla 1.

Arquitectura teórica de la investigación.

 

Unknown

Image

 

Filosóficamente, la Tabla 1 revela una tensión estructural entre racionalidad técnica y racionalidad ético-crítica. La IA, en su faceta de automatización, se inscribe en una racionalidad instrumental orientada a la eficiencia, la precisión y la ampliación de la cobertura, mientras que el control interno y el modelo de riesgo de auditoría, expresan una racionalidad normativa, centrada en la confiabilidad, la independencia y la responsabilidad profesional.

 

La transformación digital del control financiero, tal como se organiza en la tabla 1, no es simplemente una modernización técnica, sino un reordenamiento de la legitimidad, y es que, la confianza pública en los estados financieros depende cada vez más de la transparencia de los algoritmos, de la capacidad de los auditores para interpretar y cuestionar modelos “caja negra” y de la capacidad de las instituciones para regular un universo de decisiones parcialmente no humanas.

 

En este sentido, la arquitectura teórica aquí propuesta invita a leer la IA no solo como herramienta, sino como una extensión simbólica de la razón de auditoría, cuya legitimidad surge del diálogo entre la potencia técnica del algoritmo y la capacidad ética del auditor para gobernarla.

 

Metodología

 

La investigación se sustenta en una concepción constructivista del conocimiento, según la cual la ciencia no es, tal como argumenta Foucault (2002), un reflejo neutral de la realidad, sino una construcción social que busca responder a los problemas, necesidades y, más aún, a las configuraciones de saber y poder de un tiempo y un espacio concretos.

 

En este marco conceptual, la auditoría, la inteligencia artificial y la transformación digital del control financiero, no se entienden como entidades objetivas y fijas, sino como construcciones discursivas, prácticas organizacionales e interpretaciones normativas que se renegocian continuamente. Tal como agrega Ortiz Granja (2015), el paradigma constructivista subraya, en cada momento, la interacción entre el investigador, las fuentes y el contexto histórico, lo que resulta especialmente pertinente para analizar fenómenos emergentes como la IA aplicada a la auditoría, donde la teoría, la normativa y la práctica se actualizan e imbrican de forma simultánea.

 

Desde esta perspectiva, el presente estudio se articula como una investigación documental basada en la selección y análisis de fuentes en formato digital, de probada solidez académica, priorizando revistas indexadas en bases como Web of Science, Scopus y Scielo, así como libros de autores reconocidos en control interno, auditoría financiera e inteligencia artificial.


La selección incluyó, en este caso de estudio, artículos científicos en español e inglés y tesis de posgrado, con el fin de integrar tantos aportes locales cuantos debates internacionales recientes, sin recurrir a literatura gris, informes de consultoría o documentos de circulación interna privados. En la lógica de Arias (2006), esta estrategia permite construir una base teórica consistente, al tiempo que se asegura la trazabilidad de cada afirmación mediante citación directa de fuentes abiertas revisadas por pares.

 

En este hilo conductor, la interpretación de la información se orienta mediante un procedimiento hermenéutico que entiende los textos no solo como conjuntos de datos, sino como expresiones de significados históricos, institucionales y éticos. Por estas razones, al decir de Gadamer (2004), el investigador se mueve en un “círculo hermenéutico” que articula la comprensión local de cada fuente con el marco teórico general, revisando, en este caso, de forma recurrente, los conceptos de control interno, riesgo de auditoría, IA y transformación digital, a la luz de las nuevas evidencias encontradas.

 

Aunado a todo lo anterior, en la hermenéutica en ciencias sociales se destaca que este enfoque permite a los investigadores reconocer la multiplicidad de sentidos en un texto y reconstruir interpretaciones que integran contexto, lenguaje normativo y prácticas organizacionales. Más allá de la simple lectura descriptiva Losada y Casas sostienen que ante esta realidad metodológica:

 

…el macromolde hermeneútico postula que la última razón de ser de los fenómenos sociales debe buscarse en la compleja intencionalidad de las acciones humanas, dentro del contexto social en el cual ellas tienen lugar, o sea, en las motivaciones de la acción, en los intereses en juego y en las consecuencias de los procesos en términos de quien gana y quien pierde. En otras palabras, dado que cada acción humana refleja una forma muy personal de entender el propio yo de quien la ejecuta y de interpretar el sentido de las acciones de los otros seres humanos, la preocupación central de los "hermeneutas" o "hermenéuticos" es llegar a una comprensión profunda de los fenómenos, entendida no en términos de empatía o de actitud tolerante, sino de un comprender el significado de las acciones desde el punto de vista de quien las lleva a cabo, habida cuenta del contexto dentro del cual tienen lugar y en cuanto condicionadas por este (2008, pp. 52-53).

 

En términos de etapas, la investigación se desarrolló en varios momentos articulados. En primer lugar, se definió y delimitó el objeto de estudio, articulando la relación entre IA, auditoría, automatización, riesgos y transformación digital del control financiero; luego, se realizó una revisión sistemática de fuentes en bases de datos WOS, Scopus y Scielo, entre otras, aplicando criterios de pertenencia, actualidad y calidad metodológica.

 

A continuación, se procedió a la lectura analítica y la codificación temática de los textos, diferenciando aportes sobre control interno, riesgo de auditoría y aplicaciones de IA, y estableciendo lazos conceptuales entre ellos. En una cuarta etapa, se construyó la discusión interpretativa, articulando hallazgos recientes con enfoques clásicos, y finalmente se elaboraron las conclusiones y recomendaciones, siempre ancladas en las fuentes documentales seleccionadas.

 

Finalmente, se debe aclarar que, entre las principales limitaciones de la investigación, se encuentra la naturaleza documental y no empírica, que impide contrastar directamente los hallazgos con la práctica de auditoría, la dinámica de decisión de los auditores o la configuración interna de las organizaciones (Arias, 2006). Asimismo, la selección de fuentes, aunque prioriza bases indexadas, sigue siendo condicionada por la disponibilidad de acceso abierto y la producción científica en español e inglés, lo que puede dejar fuera de la revisión discusiones relevantes publicadas solo en formato restringido.

 

De cualquier modo, estas limitaciones, aunque reducen la capacidad de generalización, no invalidan el análisis, sino que señalan la necesidad de futuras investigaciones de corte empírico, cualitativo y cuantitativo, que completen la línea de investigación iniciada aquí.

 

Análisis y discusión de los hallazgos

 

Esta sección, el “plato fuerte” de la investigación, se articula alrededor de la tarea de responder, a la luz de la literatura consultada, a las dos preguntas planteadas en la introducción: ¿hasta qué punto la automatización de pruebas de auditoría redefine la noción de responsabilidad del auditor cuando las decisiones emergen de sistemas cuya lógica interna es parcialmente opaca? y ¿qué tipo de racionalidad se promueve en el control financiero cuando la IA prioriza correlaciones estadísticas antes que interpretaciones normativas y contextuales de la realidad económica?

 

La revisión de fuentes recientes permite avanzar en una lectura crítica: la auditoría alimentada por IA no simplemente automatiza tareas, sino que reconstruye la relación entre error, certeza, juicio y responsabilidad, al tiempo que traslada la racionalidad económica del auditor de un esquema normativo interpretativo a un esquema basado en datos y patrones estadísticos, con consecuencias profundas para la legitimidad del control financiero (Chicaiza, 2024).

 

En torno a la primera pregunta concretamente, la evidencia muestra que la automatización de pruebas de auditoría no elimina la responsabilidad del auditor, pero sí la concentra en un nuevo nivel de supervisión: la del diseño, implementación y supervisión de los sistemas de IA que ejecutan gran parte del trabajo empírico (Casanova-Villalba & Almeida-Blacio, 2025).

 

En este escenario, al decir de Johri et al. (2026), las implicaciones éticas de la IA en auditoría subrayan que la responsabilidad profesional se desplaza del control de cada prueba específica, hacia el control del marco de decisión algorítmica, es decir, la elección de datos, modelos, umbrales y criterios de detección de anomalías, que configuran la “lente invisible” a través de la cual se revisa la realidad financiera.

 

Para la autora de este artículo de investigación, esta redistribución de la responsabilidad implica una paradoja evidente: el auditor delega decisiones técnicas, pero se ve obligado a responder por ellas, sin que siempre disponga de la competencia técnica para interpretar completamente la lógica de los modelos, lo que exige la construcción de un nuevo ethos de responsabilidad “híbrida”, capaz de integrar la competencia técnica, ética y normativa.

 

Al mismo tiempo, la opacidad de los modelos, la dependencia de proveedores externos de plataformas de IA y la posibilidad de errores sistémicos generados por sesgos en los datos o en el diseño de algoritmos, obligan a repensar la noción de culpabilidad y responsabilidad en el contexto de auditoría.

 

De hecho, en obras como Agencia Española de Protección de Datos (2021), se afirma que la IA en el sector financiero, acentúa que la delegación de decisiones en sistemas algorítmicos plantea retos de rendición de cuentas, ya que resulta difícil atribuir intención, negligencia o imprudencia a un programa que “aprende” y se ajusta sin que el auditor tenga un dominio pleno de su comportamiento evolutivo.

 

De nuevo, esta situación recurrente lleva a defender un modelo de responsabilidad “corporativa y compartida”, donde no solo el auditor individual, sino también la firma, los desarrolladores de software y los reguladores están implicados en la gobernanza de la IA, y donde además la transparencia, la trazabilidad y la capacidad de auditoría de los propios modelos se convierten en criterios éticos clave de imputación y prevención de daños (Sanz Martín et al., 2026).


En cuanto a la segunda pregunta, la investigación de la autoría de Casanova-Villalba y Almeida-Blacio (2025), muestra con claridad que la IA promueve en el control financiero una racionalidad centrada en la eficiencia estadística, la anticipación de patrones y la reducción de incertidumbre por medio de datos, más que en la interpretación normativa contextual de la realidad económica.

 

En suma, la IA en la auditoría financiera contemporánea indica que los algoritmos excelentes en la detección de correlaciones y señales de riesgo tienden a priorizar aquellas variables que son fácilmente cuantificables, dejando en la sombra dimensiones cualitativas, históricas y normativas de la actividad económica, como la intención de la gestión, la cultura corporativa o el entorno institucional (Organisation for Economic Co-operation and Development, 2025).

 

Así, la IA reconfigura la lógica de la auditoría como una práctica de “interpretación de datos” más que de “interpretación de contextos”, lo que, aunque mejora la capacidad de respuesta técnica, puede debilitar la capacidad crítica frente a estructuras de poder, desigualdades y tensiones institucionales presentes en la información financiera.

 

En este sentido, la racionalidad de control financiero impulsada por la IA se inclina hacia una lógica predictiva y proactiva, que busca anticipar riesgos, fraude y errores antes de que se materialicen, y que se sostiene en la capacidad de la IA de identificar patrones en el tiempo real (Fajardo, 2024).

 

Sin embargo, esta racionalidad predictiva encierra tensiones normativas, dado que, la anticipación de riesgos puede convertirse en una lógica de vigilancia permanente que, en ausencia de límites claros, erosiona la autonomía de las organizaciones, introduce sesgos regulatorios y favorece la estandarización de comportamientos empresariales conforme a lo que resulta “predecible” y “controlable” por el algoritmo más que a lo que es ética o socialmente deseable (Laine et al., 2024).

      

En otras palabras, el control financiero guiado por IA se ve impulsado por una racionalidad de eficiencia y predicción, cuya virtud de mayor precisión técnica se paga, a menudo, con una menor capacidad de deliberación normativa y de juicio situado, lo que redefine no solo el rol del auditor, sino también la forma en que la sociedad organiza la confianza en la información financiera. Para sintetizar los principales argumentos de esta cuestión, la tabla 2, siguiente, organiza de forma estructurada los ejes conceptuales que emergen del análisis y la discusión de la investigación.

 

Tabla 2.

Argumentos clave sobre IA, responsabilidad del auditor y racionalidad del control financiero.

 

Image


La información de la tabla 2 permite leer, en clave teórica, la articulación entre factores como: técnica, responsabilidad y racionalidad en el contexto de la auditoría mediada por IA. Además, la tabla muestra que la automatización no puede ser interpretada como una simple mejora de eficiencia, sino como un reordenamiento de la distribución de la responsabilidad, que exige la construcción de nuevas competencias, marcos de gobernanza y criterios éticos.

 

Asimismo, la tabla 2 deja ver que la racionalidad instrumental del control financiero impulsada por la IA, aunque eficaz en términos de predictibilidad y cobertura de datos, presenta un sesgo hacia la cuantificación y la estandarización, que puede diluir la capacidad de la auditoría para interpretar la realidad económica en su dimensión normativa y contextual. En este sentido, la discusión que se deriva del análisis de los hallazgos invita a interrogar, no solo cómo se audita con IA, sino, y esto es lo fundamental, según qué criterios de justicia, transparencia y responsabilidad se construye la confianza pública en los estados financieros, en la era de la inteligencia artificial.

 

Conclusiones y recomendaciones

 

Un primer balance de la investigación muestra que los modelos actuales de inteligencia artificial, aplicados a la auditoría, abren un escenario de ventajas significativas, tanto en el plano operativo como en el de la calidad de la información financiera. Sin duda, la automatización de procesos permite ampliar el alcance de una revisión más allá de las muestras tradicionales, reducir errores mecánicos, anticipar riesgos de fraude y acercar la auditoría a la lógica de “auditoría continua”, integrada a sistemas de gestión y control en tiempo real.

 

Esta capacidad de procesar poblaciones completas de datos y detectar patrones sutiles, reconfigura la noción clásica de incertidumbre en el control financiero, al menos en términos de cobertura de evidencia, lo que constituye un avance indiscutible respecto a la auditoría basada, exclusivamente, en muestras y juicio humano fragmentado. Sin embargo, estas ventajas no vienen solas, sino acompañadas de una nueva geografía de riesgos que merece ser contemplada con seriedad.

 

En el contexto contemporáneo, los riesgos de la IA en auditoría no se limitan a la posibilidad de errores técnicos, sino que se extienden a la opacidad de los modelos, la dependencia de sistemas complejos que escapan a la comprensión directa de los auditores y, en algunos casos, a la delegación de decisiones críticas en algoritmos sin suficiente supervisión ética. En consecuencia, la dependencia de modelos de aprendizaje automático puede generar sesgos estructurales, ya sea por la historia de datos utilizados para entrenarlos, por la ausencia de criterios normativos explícitos o por la mercantilización de las plataformas que proveen la tecnología.

      

Simultáneamente, la transformación digital del control financiero, guiada por la IA, puede reforzar, bajo determinadas condiciones, la racionalidad instrumental de la auditoría —más rápido, más amplio y eficiente—, pero al mismo tiempo debilitar la capacidad crítica si el auditor se convierte en simple usuario de “cajas negras” que decide dónde y qué revisar. En este sentido, la técnica no resuelve la tensión entre eficiencia y prudencia, sino que la desplaza hacia un nuevo terreno: la gobernanza algorítmica.

 

Por estas y otras razones, en una mirada prospectiva tal como la configura Godet (2007), en el futuro próximo, puede esperarse que la auditoría ejecutada o mediada por IA se vuelva más común, especialmente en grandes corporaciones, sectores altamente regulados y organizaciones con alta intensidad de datos, donde la auditoría continua, la detección predictiva de riesgos y el análisis de datos no estructurados (como contratos, comunicados o documentos legales textuales) se integren como parte de la arquitectura de control interno de empresas públicas y privadas.

      

No obstante, esta tendencia no indica un reemplazo automático del auditor humano, sino una reconfiguración de su rol que van, de ejecutor de pruebas rutinarias a intérprete de señales algorítmicas, mediador entre máquinas y normas, y garante de que la lógica de los modelos se alinee con principios éticos, democráticos y de transparencia. La auditoría del futuro, aunque mediada por IA, seguirá siendo un ejercicio de juicio y responsabilidad, sólo que ahora deberá asumir la responsabilidad sobre sistemas que, en ciertos momentos, comprendemos solo parcialmente.

 

Para quienes se interesen en seguir investigando el tema de los modelos actuales de inteligencia artificial, para la auditoría, resulta estratégico no reducir el análisis a una simple evaluación de herramientas técnicas, sino ampliar el marco a la filosofía de la tecnología, la ética de los algoritmos y la sociología de la auditoría. De modo que, sería deseable también que futuras investigaciones combinen la revisión documental con estudios de caso etnográficos, dentro de firmas de auditoría y entidades auditadas, para observar cómo se negocian las decisiones alrededor de “la máquina que decide qué revisar”.

 

Igualmente, resulta pertinente explorar la construcción de marcos de auditoría específica de IA, que integren criterios de interpretabilidad, equidad y responsabilidad, y que se articulen, no sólo con normas locales, sino con estándares internacionales de gobernanza digital. Por lo tanto, la investigación científica debe ser capaz de hablar a auditores, reguladores, diseñadores de sistemas y, en última instancia, a la sociedad: ¿quién responde cuando un algoritmo de auditoría comete un error que afecta la confianza pública en los estados financieros?

 

 

Precisamente, en este sentido, la pregunta cardinal que deberán responder las próximas investigaciones podría formularse del siguiente modo: ¿cómo puede la auditoría, mediada por inteligencia artificial, reivindicar y preservar la capacidad crítica, la responsabilidad profesional y la transparencia normativa, sin caer en la simple instrumentalización de la tecnología como dispositivo de optimización? Obviamente no puede haber respuestas simples a esta cuestión que posee una dimensión general y otra particular, según sea la realidad especifica de cada empresa en su contexto histórico.

 

Declaración de Conflictos de Interés:

 

No declara conflictos de interés.

 

Financiamiento:

 

Ninguno.

 

Referencias Bibliográficas

 

Agencia Española de Protección de Datos. (2021). Requisitos para auditorías de tratamientos que incluyan IA. Gobierno de España. https://www.aepd.es/guias/requisitos-auditorias-tratamientos-incluyan-ia.pdf

Arias, F. G. (2006). El proyecto de investigación. Introducción a la metodología científica (3ra ed.). Editorial Episteme. https://abacoenred.org/wp-content/uploads/2019/02/El-proyecto-de-investigación-F.G.-Arias-2012-pdf-1.pdf

Baquero, K. L., & Delgado, J. A. (2025). Inteligencia artificial en los procesos de auditoría financiera, una revisión sistemática de literatura sobre la gestión humana en el control financiero. (tesis de grado). Universidad Nacional Abierta y a Distancia – UNAD. https://repository.unad.edu.co/bitstream/handle/10596/73936/klbaquerop.pdf?sequence=1&isAllowed=y

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

Chicaiza, W. (2024). La inteligencia artificial en auditoría: riesgos éticos y requisitos normativos. ECiencia, 1(3), 31–44. https://doi.org/10.71022/jtl1iy06

Dos Santos, D., & Dos Santos, G. C. (2025). Technological convergence in financial auditing: A systematic literature review. Data Science in Finance and Economics, 5(4), 440–465. https://doi.org/10.3934/DSFE.2025018

Fajardo, J. (2024). Inteligencia Artificial en los procesos de auditoría financiera en el sector empresarial de Montería – Colombia. Revista Electrónica de Estudios Telemáticos, 23(1), 30–45. https://ojs.urbe.edu/index.php/telematique/es/article/view/3773/5930

Foucault, M. (2002). Las palabras y las cosas: Una arqueología de las ciencias humanas. Siglo XXI Editores Argentina.

Gadamer, H.-G. (2004). Truth and method (2nd rev. ed.). Continuum.

Godet, M. (2007). Prospectiva estratégica: Problemas y métodos [Strategic foresight: Problems and methods]. Donostia-San Sebastián: Laboratoire d’Investigation Prospective et Stratégique,

International Organization of Supreme Audit Institutions. (2020). ISSAI 200 – Principios de auditoria financiera. International Standards of Supreme Audit Institutions. https://www.issai.org/wp-content/uploads/2020/12/ISSAI-200-Principios-de-auditoria-financeira.pdf

Johri, A., Sayal, A., Chong, K. M., Khoja, M., N, C., Jha, J., & Tyagi, N. (2026). Enhancing audit quality and reducing costs: The impact of AI in banking and financial services. Frontiers in Artificial Intelligence, 8, 1718854. https://doi.org/10.3389/frai.2025.1718854

Laine, J., Minkkinen, M., & Mäntymäki, M. (2024). Ethics-based AI auditing: A systematic literature review on conceptualizations of ethical principles and knowledge contributions to stakeholders. Information & Management, 61(5), 103969. https://doi.org/10.1016/j.im.2024.103969

Letelier, S. J. (2025). El uso de inteligencia artificial en auditoría: riesgos y oportunidades. Consensus, 9(2), 17–35. https://doi.org/10.55917/consensus.v9i2.187

Losada, R., & Casas, A. (2008). Enfoques para el análisis político: Historia, epistemología y perspectivas de la ciencia política. Bogotá, Colombia: Pontificia Universidad Javeriana. https://marchadelpoeta.wordpress.com/wp-content/uploads/2013/07/52693302-enfoques-para-el-analisis-politico.pdf

Organisation for Economic Co-operation and Development. (2023). Uso estratégico y responsable de la inteligencia artificial en el sector público de América Latina y el Caribe. Casos prácticos de uso de la IA en los gobiernos de América Latina y el Caribe. OECD. https://www.oecd.org/es/publications/uso-estrategico-y-responsable-de-la-inteligencia-artificial-en-el-sector-publico-de-america-latina-y-el-caribe_5b189cb4-es.html

Organisation for Economic Co-operation and Development. (2025). Gobernar con inteligencia artificial: La situación actual y el camino a seguir en las funciones gubernamentales clave [Governing with artificial intelligence: The current situation and the way forward in key government functions]. OECD. https://www.oecd.org/es/publications/gobernar-con-la-inteligencia-artificial_dc00e56a-es.html

Ortiz Granja, D. (2015). El constructivismo como teoría y método de enseñanza. Sophia, Colección de Filosofía de la Educación, 19, 93–110. DOI: 10.17163/soph.n19.2015.04

Sanz Martín, L., Parra Dominguez, J., Corchado, J. M., Zafra-Gómez, E., Castillo-Ramos, V., & Zafra-Gómez, J. L.  (2026). Recent evolution and growth of AI and advanced technologies in accounting and finance: Systematic review and bibliometric analysis. Revista Española de Financiación y Contabilidad, 55(1), 47–88. https://doi.org/10.1080/02102412.2025.2582120

 

 

Image

Este artículo no presenta ningún conflicto de intereses. Este artículo está bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Se permite la reproducción, distribución y comunicación pública de la obra, así como la creación de obras derivadas, siempre que se cite la fuente original.