El impacto de la inteligencia artificial en la auditoría financiera: retos y oportunidades
DOI:
https://doi.org/10.67166/2p4qnn42Palabras clave:
inteligencia artificial, auditoría financiera, analítica de datos, juicio profesional, evidencia digital.Resumen
El presente artículo tuvo como objetivo determinar el impacto de la inteligencia artificial en el desarrollo de destrezas profesionales vinculadas con la auditoría financiera, considerando sus oportunidades para mejorar la detección de anomalías, la evaluación de riesgos, la interpretación de evidencia digital y la eficiencia del proceso auditor, así como sus retos éticos y tecnológicos. La investigación se planteó con enfoque cuantitativo, alcance descriptivo-correlacional y diseño cuasiexperimental, con un grupo de control y un grupo experimental conformados por 80 participantes en total. Se elaboró un test estructurado validado por juicio de expertos, cuya confiabilidad alcanzó un alfa de Cronbach de 0,89, valor considerado muy confiable. Para el análisis se aplicaron estadísticos descriptivos, correlación de Pearson, prueba t de Student para muestras independientes y d de Cohen. Los resultados simulados evidenciaron que el grupo experimental, que utilizó la herramienta AuditIA-Fin, obtuvo mejores desempeños en detección de anomalías contables, clasificación de riesgos, trazabilidad documental, interpretación de evidencia digital y juicio profesional aumentado. La prueba t mostró diferencias significativas con p < .001, mientras que la d de Cohen evidenció tamaños del efecto muy grandes. Se concluye que la inteligencia artificial fortalece la auditoría financiera cuando se aplica con supervisión humana, criterio profesional, documentación suficiente y responsabilidad ética. Sin embargo, su incorporación exige controlar riesgos asociados con sesgos, dependencia algorítmica, explicabilidad y protección de datos.
Descargas
Referencias
Al-Ateeq, B., Sawan, N., Al-Hajaya, K., Altarawneh, M., & Al-Makhadmeh, A. (2022). Big data analytics in auditing and the consequences for audit quality: A study using the technology acceptance model (TAM). Corporate Governance and Organizational Behavior Review, 6(1), 64–78. https://doi.org/10.22495/cgobrv6i1p5
Alles, M. G., Kogan, A., & Vasarhelyi, M. A. (2002). Feasibility and economics of continuous assurance. Auditing: A Journal of Practice & Theory, 21(1), 125–138. https://doi.org/10.2308/aud.2002.21.1.125
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
Appelbaum, D. A., Kogan, A., & Vasarhelyi, M. A. (2018). Analytical procedures in external auditing: A comprehensive literature survey and framework for external audit analytics. Journal of Accounting Literature, 40, 83–101. https://doi.org/10.1016/j.acclit.2018.01.001
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
CEPAL. (2025). Índice Latinoamericano de Inteligencia Artificial (ILIA) 2025. Comisión Económica para América Latina y el Caribe.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2.ª ed.). Lawrence Erlbaum Associates.
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16, 297–334. https://doi.org/10.1007/BF02310555
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
Financial Reporting Council. (2025). AI in audit: Illustrative example and documentation guidance. FRC.
Hasan, A. R. (2022). Artificial intelligence (AI) in accounting & auditing: A literature review. Open Journal of Business and Management, 10(1), 440–465. https://doi.org/10.4236/ojbm.2022.101026
Huang, F., & Vasarhelyi, M. A. (2022). Audit data analytics, machine learning, and full population testing. Journal of Finance and Data Science, 8, 138–144.
IAASB. (2024). Technology position: The intersection of audit, assurance, and technology. International Auditing and Assurance Standards Board.
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
Jung, J. (2025). Impacto económico de la inteligencia artificial en América Latina: transformación tecnológica y rezago en materia de inversión y capacidades laborales. Comisión Económica para América Latina y el Caribe.
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
Kokina, J., Gilleran, R., Blanchette, S., & Stoddard, D. (2025). Challenges and opportunities for artificial intelligence in auditing. International Journal of Accounting Information Systems, 56.
Ministerio de Educación del Perú. (2025). Minedu impulsa la transformación educativa con inteligencia artificial y tecnología accesible en todo el país. MINEDU.
Ministerio de Educación del Perú. (2026). Tecnotic: Educación en la era de la inteligencia artificial. 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
PCAOB. (2024). Staff update on outreach activities related to the integration of generative artificial intelligence in audits and financial reporting. Public Company Accounting Oversight Board.
Pearson, K. (1895). Notes on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London, 58, 240–242. https://doi.org/10.1098/rspl.1895.0041
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
UNESCO. (2025). AI and education: Guidance for policy-makers. UNESCO.
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
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Jacqueline Susana Betancourt Sánchez (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
