Mejorar la calidad de la auditoría con aprendizaje automático

19 MAR 2026
IA
Aseguramiento
Adopción y transformación digital

La rápida digitalización de los sistemas financieros ha cambiado de raíz la naturaleza de la evidencia de auditoría. Las organizaciones actuales generan enormes volúmenes de datos transaccionales estructurados y no estructurados, muy por encima de lo que el muestreo tradicional y los procedimientos manuales fueron concebidos para manejar. Por eso, las metodologías de auditoría incorporan cada vez más la analítica avanzada, la inteligencia artificial (IA) y, en particular, el aprendizaje automático (ML).

Para marcar la diferencia: la IA en auditoría es la tecnología que imita el pensamiento analítico humano en las tareas de auditoría.

El aprendizaje automático, por su parte, es la técnica dentro de la IA que aprende patrones a partir de los datos financieros para mejorar el análisis de auditoría.

Mientras que la IA suele debatirse en términos generales, el aprendizaje automático representa el subconjunto más práctico y aplicable hoy para una firma de auditoría. Estas técnicas permiten analizar poblaciones completas de transacciones, detectar anomalías y descubrir patrones de riesgo ocultos que no se aprecian con pruebas basadas en reglas. La investigación académica y sectorial muestra de forma constante que la IA y el aprendizaje automático mejoran la eficiencia, la evaluación del riesgo y la detección del fraude, sin desplazar el papel central del juicio profesional[1].

Conviene señalar que grandes firmas como Deloitte, PwC, EY y KPMG han invertido ya con fuerza en tecnologías de auditoría basadas en IA, lo que demuestra que estos métodos no son teóricos, sino operativamente viables en entornos de auditoría a gran escala[2].

Este artículo examina casos de uso realistas y prácticos del aprendizaje automático que una firma de auditoría puede implantar hoy, con el foco puesto en cómo complementa —y no sustituye— las metodologías tradicionales.

Entender el aprendizaje automático en el contexto de la auditoría

El aprendizaje automático designa a los algoritmos que aprenden patrones de datos históricos y los emplean para hacer predicciones o clasificaciones sobre datos nuevos. A diferencia de la analítica basada en reglas sencillas, estos modelos se adaptan a relaciones complejas, correlaciones y comportamientos inusuales dentro de los conjuntos de datos financieros.

En la práctica, significa que, en lugar de definir manualmente cada regla de riesgo (por ejemplo, «señalar los asientos contabilizados en fin de semana»), el modelo puede aprender por sí solo qué constituye actividad «normal» y qué resulta «inusual» en el conjunto de las transacciones.

La investigación en auditoría confirma que el aprendizaje automático puede procesar datos financieros complejos y de gran volumen e identificar transacciones de alto riesgo con más precisión que el muestreo manual3. Debe verse, por tanto, como una extensión analítica avanzada de las técnicas existentes, y no como un sustituto de las normas profesionales ni del juicio del auditor.

Casos de uso realistas del aprendizaje automático en auditoría

  1. Detección de anomalías en los asientos contables

Una de las aplicaciones más maduras es la detección de anomalías. Con algoritmos de agrupamiento o modelos de aislamiento, es posible identificar asientos que se desvían de forma significativa de los patrones habituales en atributos como el importe, el momento de contabilización, el comportamiento del usuario o la combinación de cuentas.

Esto respalda los objetivos de auditoría relativos a la evaluación del riesgo de fraude y a la identificación de transacciones inusuales. Diversos estudios muestran que estos modelos descubren patrones y correlaciones ocultos en los datos financieros y mejoran la detección de operaciones irregulares frente a la revisión manual[3].

  1. Clasificación de transacciones por riesgo

El aprendizaje automático puede clasificar las transacciones según su probabilidad de ser de alto riesgo. Por ejemplo, un modelo supervisado puede entrenarse con hallazgos de auditorías anteriores para predecir qué operaciones nuevas requerirán pruebas sustantivas adicionales.

Esto encaja con los enfoques modernos de auditoría basada en riesgos y permite concentrar el esfuerzo donde la probabilidad de incorrección material es mayor. La investigación indica que el muestreo asistido por aprendizaje automático mejora la representatividad y la orientación al riesgo frente al muestreo aleatorio o de criterio[4].

  1. Reconocimiento de patrones en poblaciones completas

La auditoría tradicional se apoya mucho en el muestreo por limitaciones de tiempo y recursos. El aprendizaje automático permite analizar poblaciones completas e identificar patrones que de otro modo pasarían inadvertidos.

Por ejemplo, puede detectar:

  • Combinaciones inusuales de cuentas
  • Comportamientos de contabilización infrecuentes
  • Tendencias incoherentes entre periodos
  • Relaciones ocultas entre atributos de las transacciones

La capacidad de analizar conjuntos de datos completos, y no muestras, puede mejorar notablemente la cobertura y la calidad de la auditoría, una transformación que la investigación sobre IA y auditoría cita con frecuencia[5].

  1. Análisis de texto de las descripciones de las transacciones

Otra aplicación práctica es el procesamiento del lenguaje natural aplicado a las descripciones de los asientos y a los textos de apoyo. Estos modelos detectan palabras sospechosas, explicaciones inusuales o redacciones incoherentes que pueden apuntar a riesgos de elusión de controles o a ajustes manuales.

Las grandes firmas han implantado ya herramientas de IA capaces de analizar contratos, facturas y evidencia documental para identificar cláusulas clave y anomalías a gran escala, lo que demuestra el valor práctico de estas técnicas en encargos reales[6].

  1. Auditoría y supervisión continuas

El aprendizaje automático sostiene también los modelos de auditoría continua, en los que las transacciones se analizan a lo largo del año y no solo al cierre. Los algoritmos pueden vigilar flujos de datos en vivo y señalar riesgos emergentes casi en tiempo real.

Este cambio encaja con la evolución de la auditoría hacia una vigilancia proactiva del riesgo, un enfoque cada vez más explorado por las grandes firmas que invierten en metodologías apoyadas en IA[7].

Requisitos de datos y limitaciones prácticas

Pese a sus ventajas, un uso eficaz del aprendizaje automático en auditoría depende en gran medida de la calidad y la estructura de los datos. Unos conjuntos mal formateados, unas correspondencias de cuentas incoherentes o la falta de campos reducen de forma notable la precisión de los modelos.

La literatura académica subraya de forma constante que el gobierno, la validación y la normalización de los datos son requisitos previos para una analítica de auditoría fiable basada en IA[8].

Además, su implantación exige:

  • Datos estructurados del mayor
  • Conjuntos históricos coherentes
  • Objetivos de auditoría claros, alineados con los resultados del modelo

Sin esas bases, los resultados pueden generar ruido en lugar de información útil.

Integración en la metodología de auditoría

El aprendizaje automático no sustituye los procedimientos esenciales de auditoría: refuerza varias fases del encargo:

  • Planificación: identificar áreas de riesgo con modelos predictivos
  • Evaluación del riesgo: detectar anomalías y patrones inusuales
  • Pruebas sustantivas: dirigirse a las transacciones de mayor riesgo
  • Cierre: apoyar la revisión analítica y las conclusiones globales

La investigación con auditores en ejercicio señala que la adopción de la IA resulta más eficaz cuando se integra en las metodologías existentes, en lugar de usarse como herramienta aislada[9].

Limitaciones y papel del juicio profesional

Pese a sus fortalezas, el aprendizaje automático tiene limitaciones importantes. Los modelos pueden producir falsos positivos, reflejar sesgos de los datos históricos o carecer de comprensión del contexto de las operaciones. Por eso sus resultados deben interpretarlos siempre auditores con experiencia.

Reguladores y organismos profesionales advierten asimismo de que, si bien la inteligencia artificial mejora la eficiencia y la profundidad analítica, la supervisión humana sigue siendo imprescindible para garantizar fiabilidad, ética y cumplimiento de las normas de auditoría[10].

El aprendizaje automático debe considerarse, por tanto, un mecanismo avanzado de apoyo a la decisión, y no un decisor autónomo de auditoría.

 

El aprendizaje automático es uno de los avances tecnológicos más realistas y de mayor impacto de los que dispone hoy una firma de auditoría. A diferencia de los conceptos de IA futuristas o experimentales, aplicaciones como la detección de anomalías, la clasificación por riesgo, el análisis de texto y la supervisión continua están ya desplegadas en las grandes firmas y validadas por la investigación académica.

Si lo emplean de forma responsable, las firmas pueden pasar de las pruebas por muestreo al análisis de poblaciones completas, mejorar la identificación del riesgo y elevar la calidad global de la auditoría. Ahora bien, el éxito exige un gobierno de datos sólido, una integración cuidadosa en la metodología existente y una dependencia permanente del juicio profesional.

En definitiva, el aprendizaje automático no sustituirá al auditor. Lo que hará será permitirle ofrecer un análisis más profundo, unas pruebas mejor dirigidas y un aseguramiento de mayor calidad en un entorno empresarial cada vez más guiado por los datos.

 

Referencias

  1. Kokina, J. et al. (2025). Adoption of Artificial Intelligence in Auditing – Opportunities and Challenges. ScienceDirect. (sciencedirect.com)
  2. Documento de investigación de SSRN: The Impact of Artificial Intelligence on Financial Auditing. (SSRN)
  3. Yuan, T. (2025). Machine Learning Based Enterprise Financial Audit Framework. arXiv. (arXiv)
  4. Sheu, G. y Liu, N. (2024). Sampling Audit Evidence Using a Naive Bayes Classifier. arXiv. (arXiv)
  5. Thomson Reuters (2025). How the Big Four Accounting Firms Use AI. (Thomson Reuters Tax)
  6. Lombardi, D.R. (2025). Technology Adoption in Internal Audit and Risk Modeling. ScienceDirect. (sciencedirect.com)
  7. Fyle (2025). How Accounting Firms Use AI for Automation and Risk Management. (fylehq.com)
  8. Caso práctico de Deloitte: análisis documental con IA (Argus). (Quality Tax Plus)
  9. Integration of AI in Auditing: Efficiency and Risk Detection Impacts. (IITASA)
  10. Revisión del Financial Reporting Council sobre el uso de IA en las firmas de auditoría. (Financial Times)

[1] Documento de investigación de SSRN: The Impact of Artificial Intelligence on Financial Auditing. (SSRN)

[2] Thomson Reuters (2025). How the Big Four Accounting Firms Use AI. (Thomson Reuters Tax)

[3] Yuan, T. (2025). Machine Learning Based Enterprise Financial Audit Framework. arXiv. (arXiv)

[4] Sheu, G. y Liu, N. (2024). Sampling Audit Evidence Using a Naive Bayes Classifier. arXiv. (arXiv)

[5] Documento de investigación de SSRN: The Impact of Artificial Intelligence on Financial Auditing. (SSRN

[6] Caso práctico de Deloitte: análisis documental con IA (Argus). (Quality Tax Plus

[7] Fyle (2025). How Accounting Firms Use AI for Automation and Risk Management. (fylehq.com

[8] Documento de investigación de SSRN: The Impact of Artificial Intelligence on Financial Auditing. (SSRN)

[9] Lombardi, D.R. (2025). Technology Adoption in Internal Audit and Risk Modeling. ScienceDirect. (sciencedirect.com

[10] Revisión del Financial Reporting Council sobre el uso de IA en las firmas de auditoría. (Financial Times)

Análisis relacionados