Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 30
Aplicaciones de inteligencia artificial en la auditoría
financiera contemporánea
Artificial intelligence applications in contemporary financial auditing
Casanova-Villalba, César Iván
1
Herrera-Sánchez, Maybelline
Jaqueline
2
https://orcid.org/0000-0001-6486-1334
https://orcid.org/0000-0001-6840-3891
cesar.casanova.villalba@utelvt.edu.ec
maybelline.herrera.sanchez@utelvt.edu.ec
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, Santo Domingo.
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, Santo Domingo.
Almeida-Blacio, Jorge Hernan
3
https://orcid.org/0000-0002-6716-9113
us.jorgealmeida@uniandes.edu.ec
Universidad Regional Autónoma de Los Andes,
Ecuador, Santo Domingo.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v3/n2/3
Resumen: La investigación analiza el papel emergente de
la inteligencia artificial (IA) en la auditoría financiera
contemporánea, en respuesta a la creciente complejidad
de los entornos empresariales y el volumen masivo de
datos financieros. A través de una revisión bibliográfica
cualitativa de fuentes académicas indexadas, se
identifican las principales aplicaciones actuales de la IA,
como la automatización de procesos rutinarios, la
evaluación de riesgos y el análisis continuo de
transacciones en tiempo real. Los hallazgos revelan que
estas tecnologías optimizan la eficiencia y precisión del
trabajo auditor, aunque su implementación enfrenta
importantes desafíos, como la falta de regulación
específica, la opacidad algorítmica y la resistencia
profesional al cambio. Se concluye que la IA transforma
sustancialmente el rol del auditor y exige nuevas
competencias, así como reformas normativas y culturales.
El estudio propone un abordaje integral que articule
innovación tecnológica, gobernanza ética y desarrollo
profesional para consolidar auditorías más confiables y
transparentes.
Palabras clave: auditoría financiera; inteligencia artificial;
automatización contable; riesgos; auditoría digital.
Artículo Científico
Received: 29/Mar/2025
Accepted: 15/Abr/2025
Published: 02/May/2025
Cita: 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/v
3/n2/3
Revista Científica Ciencia y Método
(RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2025. Este artículo es un documento de
acceso abierto distribuido bajo los
términos y condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional.
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 31
Abril – Junio 2025
Abstract:
The research analyzes the emerging role of artificial intelligence (AI) in contemporary
financial auditing in response to the increasing complexity of business environments
and the massive volume of financial data. Through a qualitative literature review of
indexed academic sources, the main current applications of AI are identified, such as
automation of routine processes, risk assessment, and continuous real-time
transaction analysis. The findings reveal that these technologies optimize the efficiency
and accuracy of audit work, although their implementation faces significant challenges,
such as lack of specific regulation, algorithmic opacity, and professional resistance to
change. It is concluded that AI substantially transforms the role of the auditor and
requires new competencies, as well as regulatory and cultural reforms. The study
proposes a comprehensive approach that articulates technological innovation, ethical
governance and professional development to consolidate more reliable and
transparent audits.
Keywords: financial auditing; artificial intelligence; accounting automation; risks;
digital auditing.
1. Introducción
En las últimas décadas, la transformación digital ha remodelado profundamente la
forma en que se llevan a cabo las operaciones empresariales, particularmente en el
ámbito de la auditoría financiera. Este cambio se ha visto intensificado con la
incorporación progresiva de tecnologías emergentes, siendo la inteligencia artificial
(IA) una de las más influyentes. La auditoría financiera, tradicionalmente caracterizada
por procedimientos manuales y el juicio profesional del auditor, está experimentando
una evolución paradigmática hacia modelos más automatizados, basados en
algoritmos avanzados que permiten un análisis más eficiente, preciso y en tiempo real
de grandes volúmenes de datos financieros (Appelbaum et al., 2017). Sin embargo, a
pesar de sus beneficios potenciales, la integración de la IA en los procesos de
auditoría plantea desafíos significativos, especialmente en lo que respecta a la
transparencia, la interpretación de resultados y la confianza en los sistemas
automatizados.
El principal problema que enfrenta actualmente la auditoría financiera contemporánea
radica en la necesidad de responder con eficacia a la creciente complejidad de las
transacciones financieras y a la velocidad con la que se generan los datos. Los
métodos convencionales de auditoría, aunque todavía vigentes, muestran limitaciones
al enfrentarse a entornos empresariales cada vez más digitalizados y dinámicos
(Yoon, Hoogduin & Zhang, 2015). Este desfase entre la capacidad de los enfoques
tradicionales y las exigencias del entorno financiero moderno puede comprometer la
calidad de las auditorías, dificultando la detección oportuna de errores significativos o
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 32
Abril – Junio 2025
fraudes financieros. Así, surge una necesidad crítica de explorar herramientas
tecnológicas que puedan complementar y fortalecer los procesos actuales.
Diversos factores han contribuido a la necesidad de incorporar la IA en la auditoría
financiera. En primer lugar, el crecimiento exponencial del volumen y variedad de
datos financieros —fenómeno conocido como "big data"— supera la capacidad de
análisis humano tradicional (Richins et al., 2017). En segundo lugar, las expectativas
de los stakeholders, incluidos los reguladores, inversionistas y órganos de control, se
han incrementado en términos de exactitud, eficiencia y capacidad predictiva de las
auditorías. En tercer lugar, la presión competitiva exige a las firmas auditoras adoptar
soluciones tecnológicas que mejoren la calidad del servicio y reduzcan los costos
operativos. Además, las reformas normativas y la creciente demanda por mayor
transparencia y rendición de cuentas también impulsan la adopción de tecnologías
innovadoras en la práctica contable y de auditoría (Moffitt, Rozario & Vasarhelyi,
2018).
La justificación del presente trabajo de revisión bibliográfica radica en la necesidad de
sistematizar y analizar el estado del arte respecto al uso de la inteligencia artificial en
la auditoría financiera, identificando sus aplicaciones actuales, beneficios, desafíos y
tendencias futuras. Aunque existe una creciente producción académica sobre este
tema, los estudios suelen centrarse en áreas específicas como la automatización de
tareas o el análisis de datos, sin ofrecer una visión integradora de las implicaciones
técnicas, éticas y profesionales del uso de IA en auditoría. En este contexto, el
presente artículo se propone cubrir este vacío, proporcionando un análisis
comprensivo y crítico de la literatura científica reciente indexada en bases como
Scopus y Web of Science. Esta revisión permitirá comprender no solo el grado de
adopción tecnológica en el sector, sino también los obstáculos regulatorios y
epistemológicos que aún limitan su implementación a gran escala.
La viabilidad de esta investigación está respaldada por la abundancia y accesibilidad
de literatura académica sobre el tema en revistas científicas especializadas en
contabilidad, auditoría, sistemas de información y tecnología financiera. Asimismo, el
carácter bibliográfico del estudio evita restricciones logísticas o de recursos, ya que
se basa en el análisis documental y no requiere recolección de datos empíricos. El
enfoque metodológico se sustenta en criterios de selección rigurosos que priorizan
publicaciones revisadas por pares, con un enfoque crítico y actual, lo que asegura la
validez y pertinencia de los hallazgos.
El objetivo general del presente artículo es analizar las aplicaciones actuales y
potenciales de la inteligencia artificial en la auditoría financiera contemporánea, a
partir de una revisión crítica de la literatura científica indexada en bases académicas
internacionales. Específicamente, se pretende: a) describir las tecnologías de IA más
utilizadas en auditoría financiera; b) identificar los beneficios concretos reportados en
la práctica profesional; c) explorar los principales desafíos técnicos, éticos y
regulatorios asociados a su uso; y d) esbozar las tendencias emergentes que podrían
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 33
Abril – Junio 2025
redefinir la práctica de la auditoría en los próximos años. A través de este análisis, se
espera contribuir al debate académico y profesional sobre la transformación digital de
la auditoría, proporcionando un marco conceptual que permita comprender las
oportunidades y riesgos de la incorporación de inteligencia artificial en este campo.
La creciente interdependencia entre tecnología e información financiera no solo
transforma la forma en que se auditan los estados financieros, sino que también
redefine el rol del auditor en el entorno digital. Por tanto, entender las implicaciones
de la inteligencia artificial en este contexto se vuelve imperativo para garantizar
prácticas de auditoría más eficientes, transparentes y confiables en el siglo XXI.
2. Materiales y métodos
La presente investigación se desarrolló bajo un enfoque cualitativo de tipo
exploratorio, centrado en la revisión bibliográfica de fuentes académicas
especializadas, con el objetivo de analizar de manera sistemática las aplicaciones
actuales y emergentes de la inteligencia artificial en la auditoría financiera
contemporánea. Dado el carácter dinámico y multidisciplinario del tema, se adoptó un
diseño metodológico orientado a la identificación, selección, organización y análisis
crítico de literatura científica proveniente de revistas indexadas en bases de datos
reconocidas internacionalmente, como Scopus y Web of Science.
El proceso de recolección de información se realizó entre enero y mayo del año 2025,
utilizando como criterios de búsqueda términos clave tales como “inteligencia
artificial”, “auditoría financiera”, “machine learning”, “auditoría digital” y
“automatización contable”, combinados mediante operadores booleanos para acotar
los resultados relevantes. Se incluyeron únicamente artículos revisados por pares,
publicados entre 2015 y 2025, que abordaran de manera explícita la aplicación de
tecnologías basadas en inteligencia artificial en los procesos de auditoría. Se
excluyeron textos duplicados, artículos de divulgación sin respaldo metodológico, y
documentos cuyo enfoque estuviera centrado exclusivamente en disciplinas
tecnológicas sin vinculación directa con la auditoría financiera.
La selección final de documentos se realizó en dos fases: una revisión preliminar
basada en los títulos y resúmenes para filtrar los estudios pertinentes, seguida de una
lectura detallada del contenido completo para verificar su relevancia temática,
actualidad y calidad científica. Se organizaron los textos seleccionados en categorías
temáticas que abarcan las principales áreas de aplicación de la inteligencia artificial
en auditoría, tales como la automatización de pruebas sustantivas, la evaluación de
riesgos, la detección de anomalías, y la mejora de la eficiencia en los procesos de
revisión contable.
El análisis de la información se desarrolló de manera inductiva, permitiendo identificar
patrones, tendencias y vacíos existentes en la literatura, con el fin de construir una
síntesis interpretativa que refleje el estado actual del conocimiento y sus implicaciones
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 34
Abril – Junio 2025
para la práctica profesional. Esta metodología permitió no solo consolidar los
hallazgos empíricos reportados en distintos contextos, sino también establecer un
marco conceptual útil para comprender las oportunidades y desafíos asociados al uso
de inteligencia artificial en la auditoría financiera.
La estrategia metodológica adoptada garantiza la rigurosidad académica del estudio,
al fundamentarse en fuentes válidas, actuales y pertinentes, permitiendo una
aproximación integral al fenómeno investigado desde una perspectiva crítica, sin
recurrir a trabajo de campo o recolección de datos primarios, conforme a los
lineamientos de una revisión bibliográfica académica.
3. Resultados
3.1. Aplicaciones actuales de la inteligencia artificial en auditoría financiera
La auditoría financiera se encuentra en una fase de transformación estructural sin
precedentes, impulsada por la digitalización acelerada y el desarrollo de tecnologías
avanzadas como la inteligencia artificial (IA). Esta disciplina, tradicionalmente
fundamentada en técnicas manuales, revisión documental y el juicio profesional, ha
comenzado a incorporar herramientas inteligentes que permiten optimizar la calidad
del análisis, reducir tiempos operativos y fortalecer la capacidad de detección de
riesgos. La implementación de IA en la auditoría no solo ha modificado la manera en
que se ejecutan los procedimientos de revisión, sino que también ha reconfigurado los
perfiles de competencias requeridos a los profesionales del sector. Entre las
aplicaciones actuales más destacadas se encuentran la automatización de
procedimientos rutinarios, la evaluación y monitoreo de riesgos, y el análisis continuo
y en tiempo real de datos financieros (Andrade Cedeño, 2025).
3.1.1. Automatización de procedimientos rutinarios
La inteligencia artificial ha demostrado un impacto transformador en la automatización
de tareas repetitivas, que históricamente han absorbido una proporción significativa
del tiempo y esfuerzo de los auditores. Estas tareas incluyen, entre otras, la revisión
de facturas, conciliaciones bancarias, verificación de asientos contables, análisis de
cuentas por pagar y por cobrar, y generación de informes preliminares. Tecnologías
como la Automatización Robótica de Procesos (RPA, por sus siglas en inglés) y el
Procesamiento del Lenguaje Natural (PLN) permiten replicar acciones humanas en la
manipulación de datos financieros, lo cual se traduce en una reducción drástica de los
errores humanos, una mejora en la consistencia de los procesos y una liberación de
recursos para tareas de mayor complejidad (Moffitt, Rozario, & Vasarhelyi, 2018).
La RPA, en particular, ha ganado un protagonismo considerable en firmas de auditoría
de gran escala, ya que posibilita el diseño de flujos automatizados que realizan
validaciones cruzadas entre sistemas contables, ERP (Enterprise Resource Planning)
y documentos de respaldo como contratos, facturas y recibos electrónicos. Esta
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 35
Abril – Junio 2025
tecnología, al operar las 24 horas del día, acelera los tiempos de cierre contable y
mejora la trazabilidad de las acciones realizadas, aportando una capa adicional de
control interno. Además, el uso de PLN permite extraer información estructurada de
documentos no estructurados, como correos electrónicos, archivos PDF o
comunicaciones contractuales, facilitando la auditoría de entornos altamente
digitalizados.
Esta transformación no solo implica una mejora operativa, sino que redefine el rol del
auditor, quien pasa de ser un ejecutor manual a un analista estratégico con capacidad
de interpretar resultados generados por sistemas inteligentes. La automatización, por
tanto, no elimina la necesidad del juicio profesional, sino que lo potencia, al permitir
que el auditor se enfoque en actividades de análisis crítico, interpretación contextual
y toma de decisiones basadas en evidencia (Andrade Cedeño, 2025).
3.1.2. Evaluación y monitoreo de riesgos
Otra aplicación relevante de la IA en la auditoría financiera es la mejora en la
capacidad de evaluar y monitorear riesgos. En el modelo tradicional, la identificación
de riesgos dependía en gran medida del conocimiento acumulado del auditor, del
análisis de estados financieros históricos y de entrevistas con el personal clave de la
organización. Este enfoque, aunque útil, presenta limitaciones frente a entornos
empresariales altamente complejos, dinámicos y globalizados. Los algoritmos de
aprendizaje automático, entrenados con datos históricos y actuales, permiten superar
estas limitaciones al identificar patrones anómalos, relaciones no evidentes y
tendencias emergentes que podrían pasar desapercibidas con técnicas
convencionales (Richins et al., 2017).
Por ejemplo, los modelos de clasificación pueden analizar millones de transacciones
en tiempo real y asignarles un nivel de riesgo basado en variables como monto,
frecuencia, naturaleza del proveedor, geolocalización, entre otras. Estas
clasificaciones permiten al auditor priorizar sus pruebas en función del riesgo
inherente de cada operación, optimizando así la asignación de recursos y la cobertura
del trabajo de auditoría. Asimismo, los modelos predictivos permiten anticipar posibles
desviaciones en indicadores financieros clave, proporcionando alertas tempranas que
ayudan a prevenir fraudes, errores materiales o incumplimientos normativos (Yoon,
Hoogduin, & Zhang, 2015).
Además, el monitoreo de riesgos mediante IA no se limita a los datos estructurados.
Actualmente, se están desarrollando sistemas capaces de integrar fuentes de datos
no estructuradas, como comentarios en redes sociales, noticias económicas, y
registros de atención al cliente, lo que amplía considerablemente la capacidad de
detección de señales débiles. Esta visión integral del riesgo transforma la auditoría en
una actividad más prospectiva que retrospectiva, y promueve una cultura
organizacional orientada al control preventivo en lugar de reactivo (Barrios & Martínez,
2023).
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 36
Abril – Junio 2025
3.1.3. Análisis continuo y en tiempo real
Una de las contribuciones más disruptivas de la inteligencia artificial en auditoría es la
capacidad de realizar análisis continuo y en tiempo real de los registros financieros.
Este enfoque contrasta con los métodos tradicionales de auditoría basados en
muestreo y revisiones periódicas, los cuales pueden ser insuficientes para captar
desviaciones que ocurren entre los intervalos de revisión. El análisis continuo,
sustentado en tecnologías como redes neuronales, análisis de series temporales y
minería de datos, permite supervisar transacciones a medida que se generan, lo cual
incrementa notablemente la efectividad del control financiero (Issa, Sun, & Vasarhelyi,
2016).
El concepto de auditoría continua no es nuevo, pero su viabilidad práctica ha sido
potenciada por los avances recientes en IA y computación en la nube. Mediante el uso
de sensores digitales integrados a los sistemas contables y financieros, los auditores
pueden establecer reglas de negocio que, al activarse ante determinadas condiciones,
generan alertas automáticas o incluso ejecutan acciones correctivas preprogramadas.
Este modelo permite una auditoría más dinámica, que se ajusta a la velocidad del
entorno empresarial moderno.
Asimismo, el análisis continuo favorece la transparencia interna y externa de las
organizaciones, al permitir la generación de reportes casi en tiempo real para los
distintos stakeholders. En el caso de empresas cotizadas en bolsa o entidades
reguladas, esta capacidad adquiere un valor adicional, ya que facilita el cumplimiento
de requerimientos normativos cada vez más exigentes en términos de divulgación y
monitoreo de riesgos financieros (Kokina & Davenport, 2017).
En conclusión, la inteligencia artificial está revolucionando la auditoría financiera
mediante aplicaciones que abarcan desde la automatización de procesos hasta la
detección proactiva de riesgos y la supervisión en tiempo real. Estas capacidades
mejoran significativamente la eficiencia, la cobertura y la precisión de las auditorías,
al tiempo que requieren una evolución en los marcos normativos, los modelos de
negocio de las firmas auditoras y las competencias profesionales de los auditores del
siglo XXI.
3.2. Desafíos y limitaciones en la adopción de inteligencia artificial en auditoría
La integración de la inteligencia artificial (IA) en los procesos de auditoría financiera
representa una transformación profunda con el potencial de redefinir las prácticas
tradicionales del aseguramiento contable. Sin embargo, su implementación efectiva
enfrenta una serie de desafíos multidimensionales que impiden su adopción plena y
homogénea en el sector. Estos desafíos no solo son de carácter técnico, sino también
normativo, ético y sociocultural, lo que evidencia que la transformación digital en
auditoría no es un proceso meramente instrumental, sino que implica un cambio
estructural en el paradigma profesional. Entre los obstáculos más relevantes se
encuentran: la falta de estandarización y criterios regulatorios específicos, la
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 37
Abril – Junio 2025
dependencia crítica del diseño algorítmico y los sesgos inherentes a los sistemas
inteligentes, y la resistencia al cambio por parte de los profesionales del área (Guzmán
Ortiz, 2025).
3.2.1. Falta de estandarización y criterios regulatorios
Uno de los principales obstáculos para la adopción de tecnologías de IA en auditoría
radica en la ausencia de marcos regulatorios integrales que definan criterios claros
para su uso ético, técnico y profesional. Las Normas Internacionales de Auditoría
(NIA), así como otras guías emitidas por organismos reguladores nacionales, no han
sido aún actualizadas de forma sustantiva para reflejar las implicaciones del uso de
algoritmos de IA en los procedimientos de auditoría. Esta falta de estandarización
genera incertidumbre sobre la legitimidad de las pruebas obtenidas mediante
tecnologías avanzadas, y sobre cómo deben ser interpretados y documentados los
resultados producidos por sistemas automatizados (Appelbaum, Kogan & Vasarhelyi,
2017).
La ausencia de normas específicas para validar y verificar los algoritmos utilizados —
por ejemplo, los modelos de machine learning aplicados a la clasificación de riesgos
o a la detección de anomalías— plantea un problema de trazabilidad y transparencia
en la labor del auditor. Si bien existen iniciativas como las propuestas del International
Auditing and Assurance Standards Board (IAASB) para modernizar las normas
internacionales, el proceso avanza con lentitud, y no todos los países han adoptado
dichas guías de manera uniforme. Esta heterogeneidad normativa obstaculiza la
interoperabilidad y dificulta la evaluación comparativa de auditorías realizadas con
herramientas de IA, especialmente en contextos de auditoría transnacional o en
conglomerados empresariales con presencia global (Yoon, Hoogduin & Zhang, 2015).
Además, el vacío normativo actual impide establecer responsabilidades claras en
casos de errores, omisiones o fallos asociados al uso de IA en auditoría. ¿Debe
responder el auditor que interpretó los resultados? ¿El equipo de TI que desarrolló el
algoritmo? ¿El proveedor externo de la herramienta? Estas preguntas aún carecen de
respuestas jurídicas estandarizadas, lo cual representa un riesgo legal y reputacional
significativo tanto para los auditores como para las firmas que los emplean (Krahel &
Titera, 2015).
3.2.2. Dependencia del diseño algorítmico y sesgos
Otro de los retos cruciales en la aplicación de IA en auditoría es la fuerte dependencia
del diseño algorítmico y la susceptibilidad de estos sistemas a reflejar o amplificar
sesgos preexistentes en los datos o en la lógica de programación. En contextos donde
las decisiones deben basarse en la neutralidad, la objetividad y la evidencia
verificable, como es el caso de la auditoría, cualquier sesgo algorítmico compromete
directamente la calidad y fiabilidad del trabajo realizado (Jessica del Milagro, 2024).
Los sistemas de IA, particularmente aquellos basados en aprendizaje automático
supervisado, requieren grandes volúmenes de datos históricos para su entrenamiento.
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 38
Abril – Junio 2025
Si estos datos presentan distorsiones, están desactualizados o no son representativos
del entorno actual, el algoritmo puede aprender patrones erróneos y tomar decisiones
incorrectas (Cowgill, Dell’Acqua & Deng, 2020). Por ejemplo, un modelo que se
entrene solo con transacciones de empresas de gran escala podría no funcionar
adecuadamente al auditar una pequeña empresa, generando falsos positivos o
pasando por alto irregularidades relevantes.
Además, muchas herramientas de IA utilizadas en auditoría, especialmente aquellas
que incorporan redes neuronales profundas, presentan problemas de opacidad en sus
procesos de decisión, lo que se conoce como el fenómeno de la “caja negra”. Esta
falta de explicabilidad impide que el auditor comprenda cómo se llegó a una
determinada conclusión, lo cual contraviene el principio de fundamentación del juicio
profesional. En este contexto, la auditoría no puede limitarse a aceptar ciegamente los
resultados producidos por la IA, sino que debe contar con mecanismos para auditar al
algoritmo, verificar su consistencia lógica y comprobar la validez de sus salidas
(Barredo Arrieta et al., 2020).
Para mitigar estos riesgos, se requiere avanzar en el desarrollo e implementación de
modelos de Explainable Artificial Intelligence (XAI), que permitan hacer
comprensibles, interpretables y verificables los resultados generados por los sistemas
inteligentes. A su vez, las firmas auditoras deben establecer comités de ética
algorítmica y diseñar protocolos de validación cruzada entre el juicio humano y la
evidencia automatizada.
3.2.3. Resistencia al cambio por parte de profesionales
Un aspecto frecuentemente subestimado, pero con gran impacto en la adopción
efectiva de la IA en auditoría, es la resistencia al cambio entre los profesionales del
sector. Esta resistencia se manifiesta de diversas formas: desde una reticencia
psicológica a incorporar nuevas tecnologías, hasta una falta de competencias técnicas
para operar, supervisar o interpretar herramientas basadas en IA. Muchos auditores,
particularmente aquellos formados bajo esquemas tradicionales, perciben estas
tecnologías como una amenaza directa a su rol profesional, al temer la sustitución por
sistemas automatizados (Sutton, Holt & Arnold, 2016).
Este temor, si bien comprensible, no responde necesariamente a una realidad
inmediata. En lugar de reemplazar al auditor, la IA redefine sus funciones,
desplazando su foco desde la ejecución mecánica de tareas hacia el análisis crítico,
la interpretación contextual y la toma de decisiones basadas en un enfoque
multidimensional. No obstante, este cambio de paradigma requiere una actualización
sustancial en los programas de formación académica y en los esquemas de
capacitación profesional continua, que muchas instituciones aún no han implementado
de manera sistemática (Kokina & Davenport, 2017).
Por otro lado, existen también barreras organizacionales y culturales dentro de las
firmas de auditoría que dificultan la adopción de IA. La estructura jerárquica, la rigidez
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 39
Abril – Junio 2025
de los procedimientos internos, y la falta de incentivos para la innovación limitan la
implementación ágil de tecnologías disruptivas. En este sentido, es necesario que las
organizaciones promuevan una cultura de cambio, donde se incentive la formación
técnica, la experimentación responsable y el trabajo colaborativo entre auditores,
ingenieros, estadísticos y especialistas en ética tecnológica (Jessica del Milagro,
2024).
En conclusión, aunque la inteligencia artificial ofrece oportunidades innegables para
mejorar la auditoría financiera en términos de eficiencia, cobertura y calidad del
análisis, su adopción enfrenta desafíos que deben ser abordados desde múltiples
dimensiones. La superación de estos obstáculos requiere una estrategia integral que
articule esfuerzos regulatorios, avances técnicos, reformas en la formación profesional
y una transformación cultural profunda en el ejercicio de la auditoría. Solo de este
modo será posible garantizar una implementación responsable, efectiva y sostenible
de la inteligencia artificial en esta disciplina fundamental para la confianza en la
información financiera (Tapia-Marcial & Sánchez-Quinde, 2025).
3. Discusión
La incorporación de inteligencia artificial (IA) en la auditoría financiera constituye un
fenómeno disruptivo que plantea una profunda redefinición de las prácticas
tradicionales, no solo en términos técnicos, sino también metodológicos, normativos y
éticos. Los hallazgos derivados de esta revisión bibliográfica evidencian que la IA ha
comenzado a ejercer un impacto significativo en la forma en que los auditores
recopilan, procesan y analizan la información financiera, aportando mejoras
sustantivas en cuanto a eficiencia, cobertura y precisión del aseguramiento contable
(Appelbaum, Kogan & Vasarhelyi, 2017). No obstante, estos avances no están
exentos de complejidades, y su aplicación plantea desafíos que requieren un abordaje
multidimensional, particularmente en lo relativo a la regulación, la fiabilidad algorítmica
y la adaptación profesional.
En términos operativos, las aplicaciones actuales de IA han permitido automatizar
procedimientos rutinarios, como la conciliación de cuentas, el análisis de
transacciones o la verificación de registros contables. Esta automatización no solo
reduce el margen de error humano, sino que optimiza los tiempos de auditoría y
permite a los profesionales enfocarse en tareas analíticas de mayor valor agregado
(Moffitt, Rozario & Vasarhelyi, 2018). Asimismo, la IA ha mejorado la capacidad de los
auditores para detectar riesgos, mediante el uso de algoritmos de machine learning
que identifican patrones anómalos y señales de alerta temprana que podrían pasar
desapercibidas mediante enfoques tradicionales (Richins et al., 2017). A ello se suma
la posibilidad de implementar auditorías continuas en tiempo real, gracias al
procesamiento masivo y simultáneo de grandes volúmenes de datos financieros, lo
que favorece una vigilancia más dinámica y proactiva del entorno corporativo (Issa,
Sun & Vasarhelyi, 2016).
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 40
Abril – Junio 2025
No obstante, a pesar de sus beneficios, la adopción de IA en auditoría enfrenta
limitaciones estructurales significativas. Una de las más relevantes es la ausencia de
un marco regulatorio específico que oriente el uso de estas tecnologías en los
procesos de aseguramiento. Las Normas Internacionales de Auditoría, así como otros
cuerpos normativos locales, no contemplan de manera explícita las implicaciones
metodológicas y éticas del uso de algoritmos en la ejecución y documentación de
procedimientos, lo cual genera ambigüedad y fragmentación en su aplicación práctica
(Krahel & Titera, 2015). Esta situación se agrava ante la falta de mecanismos
institucionales que permitan auditar los propios algoritmos utilizados, evaluar su
desempeño, y garantizar la trazabilidad y explicabilidad de sus resultados (Barredo
Arrieta et al., 2020).
Además, la dependencia del diseño algorítmico introduce riesgos considerables. La
calidad y objetividad de los resultados generados por IA están directamente
influenciadas por la estructura del modelo utilizado y por los datos con los cuales fue
entrenado. En este sentido, los sistemas pueden reflejar sesgos ocultos, producir
inferencias erróneas o carecer de capacidad interpretativa ante contextos atípicos, lo
que compromete la integridad del juicio auditor (Cowgill, Dell’Acqua & Deng, 2020).
Este problema se ve exacerbado por la naturaleza opaca de muchos modelos de
aprendizaje profundo, cuyos mecanismos de decisión no son fácilmente
comprensibles ni auditables, contraviniendo los principios de transparencia y
responsabilidad profesional.
A ello se suma la resistencia al cambio por parte de los profesionales, quienes en
muchos casos carecen de la formación técnica necesaria para comprender, operar o
interpretar herramientas basadas en IA. Esta brecha de competencias constituye un
obstáculo importante para su adopción efectiva, ya que el éxito de la implementación
tecnológica depende no solo de la infraestructura disponible, sino también de la
preparación del capital humano (Sutton, Holt & Arnold, 2016). La transformación
digital, por tanto, exige una reforma profunda en los programas de formación
universitaria, así como una reestructuración de los planes de capacitación continua en
las firmas de auditoría. Solo mediante una estrategia educativa integral será posible
dotar a los auditores de las habilidades técnicas, analíticas y éticas que demanda el
uso de IA en contextos profesionales (Tapia-Marcial & Sánchez-Quinde, 2025).
En este contexto, resulta imperativo avanzar hacia una gobernanza algorítmica que
articule la innovación tecnológica con principios normativos claros, modelos de
transparencia algorítmica y marcos de rendición de cuentas. Esto implica el desarrollo
de estándares internacionales específicos para la validación de sistemas de IA en
auditoría, así como la incorporación de modelos de IA explicables (XAI) que permitan
justificar y auditar las decisiones generadas por dichos sistemas (Barredo Arrieta et
al., 2020). Asimismo, se requiere fomentar una cultura organizacional orientada al
aprendizaje, la interdisciplinariedad y la mejora continua, donde la IA no sea vista
como una amenaza, sino como una herramienta para potenciar el juicio profesional y
fortalecer la confianza en la información financiera.
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 41
Abril – Junio 2025
En síntesis, la inteligencia artificial ofrece oportunidades sin precedentes para
modernizar la auditoría financiera, pero su implementación efectiva exige una visión
estratégica que integre innovación tecnológica, actualización normativa, desarrollo
profesional y una gobernanza ética sólida. La transición hacia una auditoría digital,
automatizada y basada en datos no debe limitarse a una adopción superficial de
herramientas, sino que debe constituir un cambio de paradigma fundado en el rigor
metodológico, la transparencia y la responsabilidad profesional.
5. Conclusiones
La incorporación de la inteligencia artificial en la auditoría financiera contemporánea
representa un avance tecnológico de gran envergadura que redefine las prácticas
tradicionales del aseguramiento contable. A través de la automatización de
procedimientos rutinarios, el análisis continuo de datos y la evaluación inteligente de
riesgos, la IA permite mejorar significativamente la eficiencia, la precisión y la
cobertura de los procesos de auditoría. Estas capacidades fortalecen la función del
auditor al proporcionarle herramientas que amplían su capacidad analítica y optimizan
la toma de decisiones basadas en datos.
No obstante, el proceso de adopción de estas tecnologías se enfrenta a limitaciones
estructurales que requieren atención prioritaria. La falta de estandarización normativa
y de marcos regulatorios específicos para el uso de IA en auditoría genera
incertidumbre sobre la validez y trazabilidad de los procedimientos automatizados.
Además, la dependencia del diseño algorítmico, junto con la posibilidad de sesgos
inherentes en los modelos de aprendizaje automático, plantea serios desafíos para la
objetividad y fiabilidad de los resultados. Estos riesgos se ven agravados por la
opacidad de algunos sistemas inteligentes y la escasa disponibilidad de mecanismos
de auditoría algorítmica.
Por otro lado, la resistencia al cambio por parte de los profesionales del sector,
derivada tanto de factores culturales como de brechas en la formación técnica, limita
la adopción plena de la IA. La transformación digital de la auditoría requiere no solo
herramientas tecnológicas avanzadas, sino también un cambio profundo en la
mentalidad profesional y organizacional. Esto incluye la actualización de los
programas de formación, el desarrollo de competencias digitales específicas y la
promoción de una cultura de innovación y aprendizaje continuo.
En consecuencia, la aplicación efectiva de la inteligencia artificial en auditoría debe
ser abordada como un proceso integral que combine innovación tecnológica,
desarrollo normativo, ética profesional y gestión del cambio. Solo mediante una
articulación coherente entre estos elementos será posible garantizar que la IA actúe
como un complemento robusto al juicio profesional del auditor, consolidando prácticas
de auditoría más transparentes, oportunas y confiables, acordes a las exigencias del
entorno financiero global contemporáneo.
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 42
Abril – Junio 2025
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Andrade Cedeño, M. E. (2025). La inteligencia artificial y la transformación en la
auditoría forense para la detección de fraudes y errores [Tesis de licenciatura,
Universidad Politécnica Salesiana]. Repositorio Institucional UPS.
http://dspace.ups.edu.ec/handle/123456789/29789
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
Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado,
A., ... & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts,
taxonomies, opportunities and challenges toward responsible AI. Information
Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012
Barrios, C., & Martínez, J. (2023, diciembre 12). Utilidad de la herramienta de
inteligencia artificial en la profesión del contador público y su afectación ética
[Tesis de grado, Universidad Cooperativa de Colombia]. Repositorio
Institucional UCC. https://hdl.handle.net/20.500.12494/53810
Casanova-Villalba, C. I., Proaño-González, E. A., Macias-Loor, J. M., & Ruiz-López,
S. E. (2023). La contabilidad de costos y su incidencia en la rentabilidad de las
PYMES. Journal of Economic and Social Science Research, 3(1), 17–30.
https://doi.org/10.55813/gaea/jessr/v3/n1/59
Cowgill, B., Dell’Acqua, F., & Deng, S. (2020). Biased Programmers? Or Biased Data?
A Field Experiment in Operationalizing AI Ethics. National Bureau of Economic
Research Working Paper No. 29680. https://doi.org/10.1145/3391403.3399545
Guzmán Ortiz, N. H. (2025). La Inteligencia Artificial en las líneas de Investigación
Contable. Revista Colombiana De Contabilidad - ASFACOP, 13(26), 19-36.
https://doi.org/10.56241/asf.v13n26.327
Herrera Sánchez, M. J., Casanova Villalba, C. I., Mendoza Armijos, H. E., Rivilla
Requelme, S. E., & Cevallos Farías, J. J. (2021). El Crédito de Desarrollo
Humano como estrategia de la Economía Popular y Solidaria para combatir la
pobreza. Visionario Digital, 5(1), 52-69.
https://doi.org/10.33262/visionariodigital.v5i1.1540
Herrera-Sánchez, M. J. (2021). Estrategias de Gestión Administrativa para el
Desarrollo Sostenible de Emprendimientos en La Concordia. Journal of
Economic and Social Science Research, 1(4), 56–69.
https://doi.org/10.55813/gaea/jessr/v1/n4/42
Herrera-Sánchez, M. J., Navarrete-Zambrano, C. M., Núñez-Liberio, R. V., & López-
Pérez, P. J. (2023). Elementos de un sistema de costeo para la producción de
Sacha Inchi. Journal of Economic and Social Science Research, 3(1), 1–16.
https://doi.org/10.55813/gaea/jessr/v3/n1/58
Revista Científica Ciencia y Método | Vol.03 | Núm.02 | Abr – Jun | 2025 | www.revistacym.com pág. 43
Abril – Junio 2025
Hurtado-Guevara, R. F., & Casanova-Villalba, C. I. (2022). La Auditoría Forense como
Herramienta para la Detección de Fraudes Financieros en Ecuador. Revista
Científica Zambos, 1(1), 33-50. https://doi.org/10.69484/rcz/v1/n1/52
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
Jessica del Milagro, P. T. (2024). Inteligencia Artificial en Auditoría Gubernamental:
Desafíos Éticos Emergentes. Ciencia Latina Revista Científica
Multidisciplinar, 8(4), 5984-5998. https://doi.org/10.37811/cl_rcm.v8i4.12812
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
Krahel, J. P., & Titera, W. R. (2015). Consequences of big data and formalization on
accounting and auditing standards. Accounting Horizons, 29(2), 409–422.
https://doi.org/10.2308/acch-51065
López-Pérez, P. J., Casanova-Villalba, C. I., & Muñoz-Intriago, K. R. . (2022). La
Evolución de la Contabilidad Ambiental en Empresas Ecuatorianas. Revista
Científica Zambos, 1(3), 44-59. https://doi.org/10.69484/rcz/v1/n3/32
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
Navarrete Zambrano, C. M., & Herrera-Sánchez, M. J. (2023). Impacto de la
Contabilidad Ambiental en las Empresas del Sector Minero en Ecuador. Revista
Científica Zambos, 2(2), 37-49. https://doi.org/10.69484/rcz/v2/n2/42
Richins, G., Stapleton, R. C., 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
Sánchez-Caguana, D. F., Landázuri-Álvarez, M. B., Ramírez-Martínez, S. L., &
Acosta-Muñoz, M. M. (2024). Desarrollo Sostenible y Contabilidad: Integrando
la Contabilidad Ambiental en Prácticas Empresariales. Journal of Economic and
Social Science Research, 4(2), 157–177.
https://doi.org/10.55813/gaea/jessr/v4/n2/105
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
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
Yoon, K., Hoogduin, L., & Zhang, L. (2015). Big data as complementary audit evidence.
Accounting Horizons, 29(2), 431–438. https://doi.org/10.2308/acch-51068