Automatización de auditoría de costos con IA: mejorando la precisión y reducción de errores
DOI:
https://doi.org/10.67166/2dvkz518Palabras clave:
auditoría de costos; inteligencia artificial; automatización; reducción de errores; precisión contableResumen
El objetivo del artículo fue analizar de qué manera una propuesta de automatización de auditoría de costos con inteligencia artificial (IA) puede mejorar la precisión y reducir errores en procesos de validación, conciliación y documentación contable. La metodología se diseñó como un estudio cuasi experimental de enfoque correlacional descriptivo, con grupo de control y grupo experimental, integrado por 80 empresas participantes. Se elaboró un test de base estructurada para medir destrezas de auditoría de costos, validado por expertos y con confiabilidad alta mediante alfa de Cronbach de 0.89. Se aplicaron correlación de Pearson, prueba t de Student para muestras independientes, análisis de varianza descriptivo y d de Cohen para estimar el tamaño del efecto. Los resultados simulados muestran que el grupo experimental alcanzó mayores niveles de precisión global, reducción de inconsistencias y trazabilidad documental frente al grupo de control. La ganancia más relevante se observó en detección de anomalías e identificación de variaciones, con diferencias estadísticamente significativas y tamaños de efecto muy altos. La conclusión sostiene que la IA, aplicada con supervisión humana, reglas contables claras y documentación verificable, fortalece la auditoría de costos al transformar grandes volúmenes de datos en alertas útiles para el juicio profesional. Se advierte que los resultados deben reemplazarse por datos reales antes de su publicación, pues el presente documento funciona como modelo académico de estructura, análisis estadístico y redacción científica.
Descargas
Referencias
Alles, M. G., Kogan, A., & Vasarhelyi, M. A. (2008). Putting continuous auditing theory into practice: Lessons from two pilot implementations. Journal of Information Systems, 22(2), 195–214. https://doi.org/10.2308/jis.2008.22.2.195
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
Bakumenko, A., & Elragal, A. (2022). Detecting anomalies in financial data using machine learning algorithms. Systems, 10(5), 130. https://doi.org/10.3390/systems10050130
Brown-Liburd, H., Issa, H., & Lombardi, D. (2015). Behavioral implications of big data’s impact on audit judgment and decision making and future research directions. Accounting Horizons, 29(2), 451–468. https://doi.org/10.2308/acch-51023
Cao, M., Chychyla, R., & Stewart, T. (2015). Big data analytics in financial statement audits. Accounting Horizons, 29(2), 423–429. https://doi.org/10.2308/acch-51068
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
Comisión Económica para América Latina y el Caribe. (2025). Latin American Artificial Intelligence Index (ILIA) 2025: Executive summary. CEPAL. https://www.cepal.org
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555
Dai, J., & Vasarhelyi, M. A. (2016). Imagineering audit 4.0. Journal of Emerging Technologies in Accounting, 13(1), 1–15. https://doi.org/10.2308/jeta-10494
Earley, C. E. (2015). Data analytics in auditing: Opportunities and challenges. Business Horizons, 58(5), 493–500. https://doi.org/10.1016/j.bushor.2015.05.002
El-Gharib, N. M., & Amyot, D. (2022). Robotic process automation using process mining: A systematic literature review. arXiv. https://doi.org/10.48550/arXiv.2204.00751
Gepp, A., Linnenluecke, M. K., O’Neill, T. J., & Smith, T. (2018). Big data techniques in auditing research and practice: Current trends and future opportunities. Journal of Accounting Literature, 40, 102–115. https://doi.org/10.1016/j.acclit.2017.05.003
Gmyrek, P., Winkler, H., & Garganta, S. (2024). Buffer or bottleneck? Employment exposure to generative AI and the digital divide in Latin America. ILO Working Paper 121. https://doi.org/10.54394/TFZY768101
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., & 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
Li, J. C. H. (2016). Effect size measures in a two-independent-samples case with nonnormal and nonhomogeneous data. Behavior Research Methods, 48, 1560–1574. https://doi.org/10.3758/s13428-015-0667-z
Ministerio de Educación del Perú. (2016). Currículo Nacional de la Educación Básica. MINEDU. https://www.gob.pe/minedu
Moffitt, K. C., Rozario, A. M., & Vasarhelyi, M. A. (2018). Robotic process automation for auditing. Journal of Emerging Technologies in Accounting, 15(1), 1–10. https://doi.org/10.2308/jeta-10589
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), 100833. https://doi.org/10.1016/j.bar.2019.04.002
Organisation for Economic Co-operation and Development. (2026). The state of artificial intelligence in public audit. OECD Publishing. https://doi.org/10.1787/f4a6c658-en
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000380455
Richins, G., Stapleton, A., Stratopoulos, T. C., & Wong, C. (2017). Big data analytics: Opportunity or threat for the accounting profession? Journal of Information Systems, 31(3), 63–79. https://doi.org/10.2308/isys-51805
Sun, T. (2019). Applying deep learning to audit procedures: An illustrative framework. Accounting Horizons, 33(3), 89–109. https://doi.org/10.2308/acch-52455
Sutton, S. G., Holt, M., & Arnold, V. (2016). ‘The reports of my death are greatly exaggerated’: Artificial intelligence research in accounting. International Journal of Accounting Information Systems, 22, 60–73. https://doi.org/10.1016/j.accinf.2016.07.005
Tavakol, M., & Dennick, R. (2011). Making sense of Cronbach’s alpha. International Journal of Medical Education, 2, 53–55. https://doi.org/10.5116/ijme.4dfb.8dfd
Van der Aalst, W. M. P. (2016). Process mining: Data science in action (2nd ed.). Springer. https://doi.org/10.1007/978-3-662-49851-4
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
Warren, J. D., Moffitt, K. C., & Byrnes, P. (2015). How big data will change accounting. Accounting Horizons, 29(2), 397–407. https://doi.org/10.2308/acch-51069
Wewerka, J., & Reichert, M. (2020). Robotic process automation: A systematic literature review and assessment framework. arXiv. https://doi.org/10.48550/arXiv.2012.11951
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Darwin Fabricio Sánchez Caguana, Juan Carlos Pico Lescano (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
