Inteligencia artificial al servicio de la auditoría: Una revisión sistemática de literatura

Abstract

Abstract: Applying artificial intelligence techniques in the field of auditing promises to be an effective strategy when improving efficiency and productivity in these processes and therefore in the organization. Considering the above, a review of the current state of the use of intelligence is presented artificial in the field of auditing, based on the review of what is published in the SCOPUS, WoS and IEEE databases, through the application of a systematic review of descriptive and integrative literature. At the end of the process, the reader is provided with a general scheme of the artificial intelligence techniques applied in the audit field, its benefits, risks, future challenges and other elements of interest. Sin embargo fue en el año 2016 donde se incrementó el uso de técnicas de inteligencia artificial, en especial por grandes empresas de tecnología como Google, Microsoft Corporation y Baidu, Inc. (Issa, Sun, & Vasarhelyi,2016).

Headnote

Resumen: Aplicar técnicas de inteligencia artificial en el campo de la auditoría promete ser una estrategia efectiva al momento de mejorar la eficiencia y productividad en estos procesos y por ende en la organización. El desarrollo de este tipo de actividades se ha registrado desde hace algunas décadas, no obstante, la ultima recopilación de literatura realizada alrededor del tema data del año 2012. Teniendo en cuenta lo anterior, se presenta una revisión del estado actual del uso de la inteligencia artificial en el campo de la auditoría, a partir de la revisión de lo publicado en las bases de datos SCOPUS, WoS e IEEE, mediante la aplicación de una revisión sistemática de literatura de tipo descriptiva e integradora. Al finalizar el proceso se proporciona al lector un esquema general de las técnicas de inteligencia artificial aplicadas en el campo de auditoría, sus beneficios, riesgos, retos a futuro y demás elementos de interés.

Palabras clave: Inteligencia artificial; auditoría; revisión sistemática.

Abstract: Applying artificial intelligence techniques in the field of auditing promises to be an effective strategy when improving efficiency and productivity in these processes and therefore in the organization. The development of this type of activities has been recorded for some decades, however, the last compilation of literature made around the subject dates from 2012. Considering the above, a review of the current state of the use of intelligence is presented artificial in the field of auditing, based on the review of what is published in the SCOPUS, WoS and IEEE databases, through the application of a systematic review of descriptive and integrative literature. At the end of the process, the reader is provided with a general scheme of the artificial intelligence techniques applied in the audit field, its benefits, risks, future challenges and other elements of interest.

Keywords: Artificial intelligence; audit; systematic review.

1. Introducción

Con el constante cambio y evolución de la tecnología, los temas de inteligencia artificial no son considerados como elementos de un futuro lejano; por el contrario, cada vez se toma más conciencia de que la tecnología es un factor cambiante que se involucra en la mayoría de los procesos de la industria y del sector económico. Pricewaterhousecoopers (2018a) sostiene que la Inteligencia Artificial (IA) será el elemento transformador en las organizaciones, aportando mejoras sustanciales en la toma de decisiones.

Particularmente en el área de auditoría existen diversas investigaciones alrededor del uso de la inteligencia artificial en procesos de auditoria, abordados desde una perspectiva teórica y práctica y en diferentes sectores, tal como lo establece The Institute of Internal Auditors (2017a) quien sostiene que la inteligencia artificial se aplica de manera generalizada en sectores públicos, privados, industriales, gubernamentales y sin fines de lucro, considerando que esta área de investigación habilita una serie de elementos y capacidades nuevas que hace algunos años no eran posibles.

La incorporación de la inteligencia artificial en auditoria permite obtener múltiples beneficios entre los que se encuentran el incremento en la eficiencia de los procesos, la disminución de costos a largo plazo y el decremento de la posibilidad de errores mediante la automatización, además de contar con sistemas capaces de realizar procesos de inferencia, de retroalimentarse y construir conocimiento a partir de las actividades realizadas previamente. Es precisamente esto, lo que la convierte en un área de especial interés en la actualidad.

Este articulo expone el estado actual de la inteligencia artificial al servicio de la auditoría, para lo cual se parte de una conceptualización básica, las técnicas y herramientas que se han estudiado hasta el momento y previa presentación de la metodología de revisión sistemática de literatura utilizada, exponer los resultados encontrados alrededor de sus riesgos, beneficios y roles que juegan los auditores en su implementación.

2. Conceptos básicos de Inteligencia artificial

La inteligencia artificial tiene su origen en el año 1950 cuando Alan Turing publicó su artículo titulado "Computing Machinery and Intelligence", en el cual hace referencia a la posibilidad de que una máquina logre imitar el comportamiento de la mente de las personas, para ello se propone el test de Turing; una prueba orientada a definir si una máquina es o no inteligente (Villena, Crespo, & Garcia, 2012a). En 1984 se realizó la primera publicación de inteligencia artificial aplicada, a partir de esta fecha la participación se tornó cada vez más activa.

Son diversas las técnicas utilizadas en inteligencia artificial, entre las que se destacan los sistemas expertos, las redes neuronales, la lógica difusa, los sistemas basados en conocimiento y los agentes inteligentes.

Los sistemas expertos (SE) son definidos como software especializado que emula los procesos de aprendizaje y comunicación experimentados por el ser humano, lo que se busca con este tipo de sistemas es obtener el conocimiento de un experto en un área determinada, de modo que pueda convertirse en un apoyo para la toma de decisiones (Duque, Chavarro, & Moreno, 2007).

Las redes neuronales artificiales (RNA) por su parte, son entendidas por Sosa (2007) como "una técnica de procesamiento masivo y paralelo de la información que emula las características esenciales de la estructura neuronal del cerebro biológico" (p.167). Se componen de un conjunto de capas, neuronas y conexiones que le permiten obtener y procesar datos de entrada para generar un conjunto de salidas.

La lógica difusa se sostiene sobre la base de que todo es cuestión de grado, por lo tanto, se puede manejar información imprecisa que permita dar solución a algún problema mediante la aplicación de un conjunto de reglas definidas por un experto, sin importar que la información con la que se cuenta no sea exacta (Sosa, 2007). Aunque es una técnica que puede hacer aportes importantes en diferentes áreas, su uso aún no es muy popular.

Los sistemas basados en conocimiento (SBC) se caracterizan porque el experto provee la información y el sistema la integra de forma directa a la aplicación; aunque este tipo de sistemas son similares a los sistemas expertos, se plantea una diferencia fundamental y es el hecho de que en los SE es necesario definir la representación del conocimiento, la forma en que se va a interactuar con él y la secuencia de instrucción que se van a emplear (Villena, Crespo, & Garcia, 2012b).

Por último, los agentes inteligentes (AG): "Son entidades de software que ejecutan un conjunto de operaciones en nombre de un usuario u otro programa" (Duque et al., 2007, p.393). Es decir, son módulos de software independientes, configurados con una serie de tareas o actividades que estarán en capacidad de ejecutar, pero que deberán estar orientadas a un tema específico.

Piñeiro Sánchez, de Llano Monelos, & Rodríguez López (2013) establecen alrededor de las técnicas de inteligencia artificial que una gran parte del esfuerzo de investigación se ha orientado al desarrollo de herramientas basadas en sistemas expertos y redes neuronales artificiales que demuestran una singular capacidad de adaptación a las particularidades de un problema. Sin embargo fue en el año 2016 donde se incrementó el uso de técnicas de inteligencia artificial, en especial por grandes empresas de tecnología como Google, Microsoft Corporation y Baidu, Inc. (Issa, Sun, & Vasarhelyi,2016).

3.Metodologia

Para abordar el desarrollo de esta investigación, se acudirá al método de revisión sistemática de la literatura (Systematic Literature Review - SLR) tomando como referencia el proceso metodológico propuesto por (Velásquez, 2014, 2015).

Las revisiones sistemáticas de literatura tienen como objetivo resumir, agrupar y criticar la información y material bibliográfico existente sobre un tema o situación de interés, aplicando un proceso de búsqueda, clasificación, análisis, critica y síntesis (Velásquez, 2014). Dentro de las diversas tipologías de SLR existentes, se acudirá a una revisión de tipo descriptiva e integradora. Descriptivo, dado que se dará mayor importancia a la metodología, los descubrimientos y las conclusiones de cada estudio y se complementa con la revisión de tipo integradora, cuando se hace énfasis en encontrar los puntos de coincidencia y divergencia entre los documentos estudiados.

Para llevar a cabo la revisión, se acudió a las bases de datos SCOPUS, IEE y Web of Science, adicionalmente se tomaron en consideración documentos obtenidos con la herramienta POP (Publish or Perish) y algunos encontrados en otras fuentes. En la Tabla 1 se pueden observar las ecuaciones de búsqueda aplicadas a cada una de las bases de datos.

4.Inteligencia artificial en auditoría

Las tecnologías están llegando a revolucionar la forma en que se ejecutan los procesos dentro de las organizaciones, presentando diferentes opciones y funcionalidades. Hoy en día es casi imposible encontrar una rama de la actividad humana donde no estén involucradas las tecnologías de la información (Kozhakhmet, Bortsova, Inoue, & Atymtayeva,2012). Las sociedades están llegando a un punto en que las tecnologías emergentes dan a las organizaciones la posibilidad de incrementar su productividad y crecimiento, al mismo tiempo que se crean productos, servicios y campos de acción nuevos (Pricewaterhousecoopers, 2018b).

El campo de auditoría no es indiferente a los cambios tecnológicos que se presentan y a las nuevas demandas del mercado, es así como Pedrosa, Laureano, & Costa (2015) sostienen que desde hace ya algún tiempo el uso de la tecnología de información en auditoría ha sido considerada importante por los organismos y entidades encargadas de regular esta profesión, dado que la inclusión de estas herramientas genera efectividad y eficiencia en los procesos de auditoría. Dentro de este segmento se incluyen aplicaciones, herramientas de auditoría automatizada, software de soporte, entre otras.

A nivel general, se tienen aportes importantes relacionados con la aplicación de inteligencia artificial en auditoría, ya sea abordando sus ventajas y desventajas, los riesgos, el rol del auditor, el uso de una técnica en particular o la recopilación de los trabajos desarrollados previamente por otros autores. En este último caso se pudieron encontrar 3 referencias: el primero de ellos publicado por Meservy, Denna, & Hansen (1992) quienes presentan la recopilación y análisis de algunos de los sistemas expertos desarrollados por miembros de la Universidad Brigham Young, el segundo construido por Pejic-Bach (2010) quien realiza una revisión bibliográfica comprendida entre los años 1956-2009, con el fin de indagar como se ha abordado el desarrollo de aplicaciones de sistemas inteligentes en el campo de la detección y prevención de fraudes, tomando en consideración tres categorías: redes neuronales, lógica difusa e inteligencia computacional y finalmente se tiene el texto publicado por Omoteso (2012) en el cual se revisan los trabajos y debates actuales sobre el uso de sistemas inteligentes por parte de los auditores, con el fin de establecer la orientación de las investigaciones futuras y el desarrollo de software en el área, enfocándose especialmente en el uso de sistemas expertos y redes neuronales.

Las investigaciones relacionadas con la inteligencia artificial en auditoría datan del año 1991 cuando autores como Denna, Hansen, & Meservy (1991) y Vasarhelyi & Kogan (1997) llevaron a cabo los primeros trabajos.

Desde el año 1991 hasta la fecha el panorama no ha cambiado, y no se evidencia, al menos en el ámbito productivo un uso incremental de las técnicas de inteligencia artificial, no obstante la aparición constante de nuevos requerimientos y restricciones que deben contemplarse en los procesos de auditoría, tal como lo afirma Khodakivska (2018), quien manifiesta:

La auditoría actual incluye la clasificación, el análisis y el consumo de una gran cantidad de datos en diferentes formatos. Se vuelve cada vez más difícil, sino imposible que el ser humano procese esa avalancha de datos y forme una opinión basada en hechos o encuentre un patrón en los datos aparentemente no relacionados, aquí es donde la inteligencia artificial viene a ayudar (p.5).

Y complementa:

La inteligencia artificial puede señalar a los auditores en las direcciones donde los estados financieros pueden necesitar correcciones, o representar un posible riesgo financiero, o incluso un posible rastro de un fraude. En otras palabras, la inteligencia artificial en el nuevo mundo de auditoría puede automatizar procesos tan cruciales como el cierre de la cartera de clientes, la comunicación con los clientes en los procesos repetidos, la recopilación y el análisis de la información de auditoría, la prevención de fraudes y muchas otras cosas con una velocidad que no se puede alcanzar. (p.5)

Aunque la inteligencia artificial se encuentra en una etapa baja de desarrollo, ya está siendo usada para modificar y ajustar procesos de auditoría, se está aplicando para detectar patrones y anomalías en cantidades proporcionalmente altas de datos, los problemas son descubiertos y recordados por el equipo, para tomarlos como referencia en la resolución de conflictos futuros que presenten la misma o similar estructura, es decir que la máquina está en capacidad de aprender y aplicar dichos conocimientos al siguiente conjunto de datos (Pricewaterhousecoopers, 2017).

En términos generales la aplicación de técnicas de aprendizaje automático en el área de interés de esta investigación está empezando a posicionarse, generando mayor satisfacción, eficiencia y utilidad para las industrias y organizaciones que las implementan. Se espera que las organizaciones logren comprender y aplicar las herramientas que les proporciona la tecnología, de modo que puedan adaptarse a los cambios. Pricewaterhousecoopers (2018b) establece que el 46% de las áreas de auditoría interna reconocen los beneficios del uso de tecnología dentro de sus actividades y se apropian de ella, mientras que el 37% conservan una posición aislada en la que únicamente observan.

A efectos de determinar los avances de las diferentes técnicas de inteligencia artificial en auditoria, a continuación, se presentarán por cada una de ellas, los estudios desarrollados a partir de la revisión bibliográfica llevada a cabo.

4.1.Sistemas expertos (SE) en auditoría

Tal como se cita en Dillard & Yuthas (2001) los sistemas expertos están diseñados para elegir entre varias opciones, aquella que sea la mejor dentro de un área de conocimiento particular; esta técnica se ha aplicado en diversos campos, orientada a la toma de decisiones operativas, de gestión y estratégicas. Por lo tanto, las principales firmas de auditoría han invertido en su desarrollo y uso, argumentando que este tipo de tecnologías serán cada vez más importantes para garantizar la supervivencia de las compañías en entornos altamente competitivos.

Los sistemas expertos para auditoría se han aplicado en diferentes etapas del proceso de aseguramiento, entre las que se mencionan la evaluación de controles, el análisis de riesgos, el seguimiento al plan de auditoría, entre otros. Vasarhelyi & Kogan (1997) sostienen que los SE pueden ser de utilidad en casi todas las tareas del proceso de auditoría, dado que muchos de ellos han sido desarrollados en este campo. Como muestra de ello se presenta a continuación, una relación de los SE encontrados en la revisión bibliográfica: AUDITPLANNER, RISK ADVISOR, RICE, ARISC, INTERNAL CONTROL ANALIZER, TICOM, DECISION SUPORT DS, EXPERTEST, COMPAS, AUDITOR, CFILE, EXPERTAX, GC-X, AOD, CHECKGAAP, AUDI EXPERT, AUDIT MASTERPLAN Y EDP-EXPERT. Como complemento al anterior aporte Dillard & Yuthas (2001) presentan alrededor de 13 sistemas expertos dirigidos al campo de auditoría, con enfoques diferentes y utilizados en actividades diversas durante el desarrollo de una auditoría; algunos de ellos son LOAN PROBE, CONTROL PLAN, RIC, ASISTENTE DE AUDITOR, ICE, y XINFO.

En este orden de ideas Atymtayeva, Bortsova, Inoue, & Kozhakhmet (2012) proponen la creación de sistemas expertos, cuya base de conocimiento este constituida con los estándares internacionales de seguridad y el conocimiento del experto, de modo que se unifiquen en un solo lugar las normas, regulaciones y el conocimiento que el auditor transmitirá al sistema. Proaño, Saguay, Jacome, & Sandoval (2017) afirman que el uso de sistemas expertos supone una ayuda importante en la auditoría de sistemas de información, dado que se puede aprovechar el conocimiento de un experto para desarrollar este tipo de sistemas y aplicarlos mediante herramientas informáticas que faciliten la toma de decisiones en el proceso de auditoría de sistemas.

Issa et al. (2016) establece que la aplicación de un sistema experto en auditoría aporta beneficios importantes, como la comprensión automática de los procesos y tareas de auditoría y un mayor nivel de conocimiento y capacidad de transferencia del mismo. No obstante, tambien suelen presentarse fallas o criticas a su funcionamiento, tal como lo sostienen, Denna et al. (1991) y Davis, Massey, & Lovell (1997), quienes coinciden en que el desempeño de estos sistemas es bueno con entradas literales y precisas pero disminuye cuando se enfrentan a problemas para los que no están programados. Los defectos identificados tienen la posibilidad de solucionarse ya sea mezclando varias técnicas (sistemas híbridos) o desarrollando nuevas propuestas de investigación enfocadas en líneas particulares.

4.2.Redes Neuronales Artificiales (RNA) en auditoría

Las redes neuronales artificiales están en capacidad de analizar y estudiar la estructura de la información y elaborar patrones o secuencias de datos que sean útiles para realizar clasificaciones predictivas o exploratorias (Piñeiro Sánchez et al., 2013). Tal como lo describe el autor las redes neuronales tienen una importante capacidad para detectar datos similares, crear patrones y realizar una serie de acciones que permita generar como resultado datos importantes para ser estudiados y aplicados por expertos de diferentes áreas. Con relación al campo de aplicación de esta técnica dentro de los procesos organizacionales, según Sosa (2007) se habla de 3 grupos que son: optimización, reconocimiento y generalización.

Algunos de los estudios orientados a evaluar el nivel de rendimiento de las redes neuronales artificiales se encuentran enfocados en llevar a cabo una comparación entre el rendimiento de esta técnica y el rendimiento de los métodos estadísticos; tanto Koskivaara (2003) como Rodríguez López, Piñeiro Sánchez, & De Llano Monelos (2014) coinciden en que las RNA ofrecen una mayor capacidad y rendimiento que los métodos estadísticos ante la detección de fraude. En general se plantean buenos resultados con relación a la aplicación de esta técnica, incluso cuando se compara con otras; la única deficiencia que se encuentra está relacionada con el modo en que el usuario interactúa con los resultados de la red, dado que un usuario que no sea experto no comprende el modo en que esta llego a una conclusión; sin embargo, se está buscando la manera de que los resultados generados por esta técnica sean comprensibles para los usuarios (Davis et al., 1997).

El estudio desarrollado por Susanne O'Callaghan, John Paul Walker and J. Timothy Sale y citado en Vasarhelyi & Kogan (1997) estuvo dirigido a investigar las diferencias existentes entre las evaluaciones realizadas por un auditor de control interno y aquellas efectuadas por la RNA, para ello se utilizó el modelo COSO (Committee of Sponsoring Organizations). Los resultados obtenidos indican que las RNA pueden simular las evaluaciones de control interno el 65% de las veces, adicionalmente se identificó que tanto la red como el auditor coinciden en los resultados de la evaluación ya sea de operaciones, de información financiera o de cumplimiento de normas y reglamentos en el 59.3%, 68.9% y 55.3% de las veces respectivamente. Como puede observarse, el uso de redes neuronales en auditoría toma un papel importante dado que estas pueden utilizarse de distintas maneras, ya sea dentro del proceso de auditoría en alguna de las actividades o para evaluar el desarrollo de este.

4.3.Agentes Inteligentes (AG) en auditoría

Si bien la técnica de agentes inteligentes se ha utilizado en algunas áreas de la industria, aún no ha adoptado una posición dominante en el campo de la auditoría; sin embargo, si se reconoce su importancia. Por ejemplo Issa et al. (2016) plantea que los agentes inteligentes son unidades capaces de recolectar datos de diferentes fuentes de manera permanente, dichos datos proveen al auditor de evidencia e información adicional que podrá ser usada para construir su informe y establecer o confirmar juicios.

Aunque se ha dicho que los agentes inteligentes presentan beneficios para el área de auditoría y se han aplicado modificaciones y adaptaciones a estos de modo que puedan funcionar en entornos diferentes como el internet, esta técnica aun presenta fallas; es decir, el uso de un único agente mejora el proceso, pero podría hacerse mucho más eficiente si se utilizaran varios agentes, cada uno especializado en algún elemento particular de la auditoría, es precisamente esto lo que proponen algunos investigadores dentro de sus estudios sobre el tema. Por consiguiente se hace necesario definir claramente que es un sistema multiagente, según Duque et al. (2007) "Los sistemas multiagente (SMA), son sociedades de agentes que se orientan a fines comunes y mediante coordinación y colaboración distribuyen las tareas" (p.393).

En cuanto a la aplicación práctica o experimental de esta técnica Zuoming, Qiao-Ling, & Ji-Bing (2011) hablan de sistemas de auditoría que hagan uso de agentes, con funciones lógicas, interactivos y autónomos, que se complementen para establecer y mantener un sistema solido; al mismo tiempo el sistema propuesto debe vincular múltiples agentes con altos niveles de calidad. Adicionalmente Zhu', Huang, & Zhoul (2016) presentan los resultados de su investigación, definiendo un sistema multiagente como aquel en el que sus agentes están articulados, colaboran entre ellos, son flexibles y poseen capacidades importantes; deben interactuar, cooperar y adaptarse de modo que unos puedan suplir las posibles fallas de otros en la resolución de problemas. Dentro de la investigación desarrollada por estas personas se propone el uso de 2 agentes, un agente de detección y un agente de aprendizaje, lo que se busca con esto es disminuir la tasa de errores, ya que los agentes cooperan y se comunican cuando trabajan en alguna actividad. De modo que puede demostrarse que el uso de varios agentes de aprendizaje mejora el problema que suponía utilizar solo un agente, ya que aprenden y filtran capa sobre capa haciéndolo un método muy factible y eficiente.

4.4.Sistemas Basados en Conocimiento (SBC) en auditoría

Para justificar el uso de SBC, Proaño et al. (2017) establecen las falencias que pueden presentarse cuando el profesional de auditoría formula su juicio u opinión frente a algún hallazgo; los errores en este proceso pueden darse por varias circunstancias, entre las que se mencionan características subjetivas y capacidades profesionales o técnicas deficientes. Justamente en este punto aparecen los SBC, con la intención de generar juicios más objetivos.

Este tipo de sistemas son usados para resolver situaciones complejas en las cuales no se pueden aplicar sistemas convencionales dado que implican un mayor consumo de recursos como tiempo, costos, memoria y procesamiento. Abordan temas de un área particular sobre la cual se especializan y trabajan continuamente mejorando sus resultados en base a los aprendizajes generados durante el proceso de solución de problemas (Proaño et al., 2017; Montoya, Giraldo, & Perdomo, 2016).

La aplicación de los SBC en el campo de la auditoría pueden proveer soluciones efectivas y eficientes en el área, al mismo tiempo que amplían las bases de conocimiento y las posibles soluciones a situaciones que pueden presentarse en este campo; de igual manera pueden ser utilizados para instruir a nuevos auditores dentro de una organización, ya que simula los conceptos y experiencias de un experto sin características emotivas propias de los seres humanos, contribuyendo a la formación de otras personas en una menor proporción de tiempo y familiarizándolas con el uso de tecnologías dentro del proceso de auditoría, especialmente sistemas inteligentes. Giraldo, Perdomo, Lopera, & Montoya (2016) reafirman este planteamiento, al manifestar:

La implementáción de sistemas basados en conocimiento permitirá a las organizaciones y a los auditores garantizar la suficiencia, validez y relevancia, necesarios en el proceso de validación de hallazgos. Igualmente se ganará en tener una nueva herramienta de apoyo en el proceso de auditoría. (p.59)

5.Contribuciones y retos de la IA a la auditoría

El auditor ha desempeñado un papel protagónico en los procesos de auditoría, dado que el trabajo de campo y las demás actividades o acciones relacionadas con este, deben realizarse directamente por él. Sin embargo, esta profesión no está exenta de sufrir los cambios que se presentan en el mercado, específicamente los cambios tecnológicos; así lo corrobora The Institute of Internal Auditors (2017a) cuando sostiene que la profesión de auditoría no puede rezagarse en lo que parece ser la siguiente frontera digital: la inteligencia artificial. Por lo tanto, para estar preparados, los auditores deben conocer y entender las bases de la inteligencia artificial, el rol que desempeñaran en la auditoría, sus riesgos y oportunidades.

Carataş, Spătariu, & Gheorghiu (2018) coincide con The Institute of Internal Auditors (2017a) al afirmar que la auditoría interna se encuentra en un proceso de cambio y por ello los auditores necesitan identificar elementos basicos e importantes de la inteligencia artificial, asi como su rol, las futuras modificaciones del mismo, los retos y las oporunidades de la IA. Ademas el auditor necesitara prepararse para las variaciones que sufrira su rol y estar en la capacidad de adaptarse a la automatización de procesos que tendran lugar al incorporar tecnicas de inteligencia artifcial dentro de las actividades de auditoría.

Después de hacer claridad en que la auditoría no es una profesión estática y reconociendo que el rol del auditor es susceptible de cambios, se puede hablar de algunas de esas modificaciones, que serán producidas al incorporar IA en sus actividades. Se tienen aportes que defienden el uso de técnicas de IA y aseguran que la profesión de auditoría no será reemplazada por las máquinas inteligentes, sino que por el contrario, se verá complementada, haciendo que el auditor pueda explotar de mejor manera sus capacidades, disminuyendo los sesgos u omisiones que pueden presentarse al desarrollar trabajos manualmente, tomando mejores decisiones dado que tendrá a su disposición un conjunto más completo de datos; lo cual generara mayores niveles de seguridad, eficiencia y satisfacción (Omoteso, 2012; Issa et al., 2016a).

Aunque se reconocen todos los factores que la IA tiene a su favor en el ámbito de la auditoría, existen ciertas inconformidades por parte de los auditores, ya que al realizar la automatización de procesos mediante técnicas de inteligencia artificial surge la idea de que la profesión de auditoría podría ser reemplazada por máquinas inteligentes; sin embargo, en cuanto a este tema se han realizado numerosos aportes (Pricewaterhousecoopers, 2017; Proaño et al., 2017; Carataş et al., 2018; Nelson, Kogan, Srivastava, Vasarhelyi, & Lu, 2000; Davenport, 2016; The Institute of Internal Auditors, 2017b) sostienen que el rol del auditor se verá modificado y será necesario que aquellos que deseen permanecer en la profesión se capaciten y se adapten a los cambios; no obstante, el auditor humano no será reemplazado por las máquinas dado que su juicio, experiencia y creatividad son necesarios en las diferentes etapas del proceso de aseguramiento y hasta el momento estos elementos no han podido ser emulados por los sistemas inteligentes.

En cuanto a las responsabilidades que tendrá el auditor, Omoteso (2012) describe las siguientes: asegurar la importancia, confiabilidad y efectividad del uso de técnicas de inteligencia artificial en los procesos propios del campo de auditoría; como puede verse para el año 2012 se habla de la situación y de su importancia pero no se profundiza en ello. Sin embargo, como es de esperarse, con el transcurrir del tiempo los requerimientos alrededor del tema varían y se hacen más descriptivos, así lo demuestra The Institute of Internal Auditors (2017b) al plantear que el auditor deberá contribuir en el diseño responsable de los sistemas basados en inteligencia artificial, de modo que se garantice el cumplimiento de estos con las leyes y reglamentos internacionales que trabajan en pro de la dignidad humana, sus derechos y libertades; adicionalmente deberán identificar, evaluar y comunicar los posibles riesgos que implica al uso de IA y las soluciones que se plantean para enfrentar dichos riesgos, garantizando la seguridad dentro del proceso.

Uno de los principales beneficios descritos dentro de la literatura analizada es que se podrán contemplar todos los datos y no solo una muestra de ellos, lo que lleva a disminuir posibles sesgos en los informes presentados y las decisiones tomadas. Tal como se menciona en Issa et al. (2016), Davenport (2016) y The Institute of Internal Auditors (2017b) al aplicar inteligencia artificial en el análisis de datos o información, se podrá examinar la población completa y no solo una parte de ella, con lo que se logrará extraer las características de la misma. Del mismo modo se asegura que al automatizar alguna tarea la productividad tiende a incrementar, dado que las máquinas realizan cálculos de manera más rápida y eficiente que las personas, lo que implica una disminución en costos.

The Institute of Internal Auditors (2017a) sostiene que las instituciones que comprenden y usan a su favor la inteligencia artificial, estarán en capacidad de generar ventajas competitivas prolongadas; lo que se corresponde con lo citado en Carataş et al. (2018) quienes sostienen que ocasionalmente la IA podrá lograr que la profesión de auditoría sea más efectiva ofreciendo niveles más altos de cobertura y estabilidad, de modo que se pueda dar un valor agregado a todo el proceso.

Por otra parte Nelson et al. (2000) menciona que, al hacer uso de inteligencia artificial para el desarrollo de tareas repetitivas, los auditores tendrán la posibilidad de ampliar sus conocimientos, capacidades y habilidades en pro de un mejor desempeño dentro de su profesión. La mayoría de los estudios coinciden en que los beneficios que traerá el uso de sistemas inteligentes van desde disminución en tiempos de ejecución, automatización de tareas, incremento en productividad, análisis de mayor proporción de datos, menores costos de ejecución y disminución en los niveles de error; hasta beneficios para el auditor quien podrá dedicar su atención, juicio, conocimientos y creatividad al análisis de los datos arrojados por la máquina, fortaleciendo su experiencia, capacidades y profesión.

En cuanto a los riesgos que enfrentara el campo de auditoría con la aplicación de IA The Institute of Internal Auditors (2017a) menciona 4 riesgos puntuales que considera importantes; el primero de ellos enfocado en los posibles daños a productos o servicios en los que puede incurrir la IA, lo que finalmente se reflejara en el área financiera y en la reputación y buen nombre de la firma de auditoría. El segundo hace referencia a la posibilidad de que los clientes o partes interesadas no acepten el uso de inteligencia artificial; en tercer lugar, la posibilidad de que la organización quede rezagada ante sus competidores por no invertir en IA y en último lugar, pero no menos importante, el hecho de que la inversión realizada en IA no genere los resultados esperados. Carataş et al. (2018) propone algunos riesgos adicionales; modificaciones en las organizaciones y en el perfil de los profesionales, así como la consideración de cuestiones éticas que pueden afectar el proceso y que no se han estudiado a profundidad.

6.Conclusiones

Los sistemas inteligentes suponen numerosas ventajas para la profesión de auditoría, que se traducen en modificaciones tecnológicas y culturales importantes; sin embargo, se deben considerar los costos y beneficios en que posiblemente se incurrirá antes de implantar estos sistemas en las organizaciones.

El rol del auditor si tendrá modificaciones, pero los profesionales de esta área no serán reemplazados por las máquinas, será necesario que se capaciten y adapten a las nuevas situaciones, dado que sus capacidades, habilidades, y conocimientos no pueden ser emulados por la máquina, siempre será necesario el juicio del auditor y su creatividad.

Dentro de la revisión llevada a cabo se identificaron aspectos éticos y legales que deben considerarse al hacer uso de técnicas de inteligencia artificial en auditoría, aunque no se observa un análisis a profundidad; por lo tanto, es necesario prestar más atención a estos aspectos, de modo que se pueda regular el uso de sistemas inteligentes y no se incurra en problemas legales o éticos

Las empresas interesadas en aplicar técnicas de inteligencia artificial, deberán desarrollar estudios previos que les permitan identificar la posición actual de la organización y la forma en que se verá afectada con los cambios, de modo que se puedan prevenir algunos de los riesgos descritos en este documento y se tomen en consideración las opiniones y perspectivas de todos los actores vinculados en los procesos organizacionales, esto con el fin de que las modificaciones aplicadas sean aceptadas y todos puedan trabajar orientados a un mismo objetivo. En general queda un amplio camino por explorar en relación con la aplicación de la IA en el campo de auditoría.

References

Referencias

Atymtayeva, L. B., Bortsova, G. K., Inoue, A., & Kozhakhmet, K. T. (2012). Methodology and ontology of expert system for information security audit. 6th International Conference on Soft Computing and Intelligent Systems, and 13th International Symposium on Advanced Intelligence Systems, SCIS/ISIS 2012, 238-243. https:// doi.org/10.1109/SCIS-ISIS.2012.6505287

Carataş, M., Spătariu, E., & Gheorghiu, G. (2018). Internal Audit Role in Artificial Intelligence. "Ovidius" University Annals, Economic Sciences Series, XVIII(i /2018), 441-445. Retrieved from www.tradingeconomics.com,

Davenport, T. (2016). La innovacion en la auditoria asume las analíticas, la ruta de la inteligencia artificial. Retrieved from https://www2.deloitte.com/co/es/pages/ audit/articles/innovacio_auditoria_analiticas.html

Davis, J. T., Massey, A. P., & Lovell, R. E. R. (1997). Supporting a complex audit judgment task: An expert network approach. European Journal of Operational Research, 103(2), 350-372. https://doi.org/10.1016/S0377-2217(97)00125-2

Denna, E. L., Hansen, J. V., & Meservy, R. D. (1991). Development and Application of Expert Systems in Audit Services. IEEE Transactions on Knowledge and Data Engineering, 3(2), 172-184. https://doi.org/10.1109/69.87997

Dillard, J. F., & Yuthas, K. (2001). A responsibility ethic for audit expert systems. Journal of Business Ethics, 30(4), 337-359. https://doi.org/10.1023/A:1010720630914

Duque, N., Chavarro, J., & Moreno, R. (2007). Seguridad inteligente. Scientia et Technica, XIII(35), 389-394. https://doi.org/10.22517

Giraldo, J. C., Perdomo, W., Lopera, J. A., & Montoya, D. M. (2016). Método para auditorias de sistemas de gestión de calidad aplicando ingeniería de conocimiento. Ingenierías USBmed, 7(2), 54-60. https://doi.org/10.21500/20275846.2037

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, 12(2), 1-20. https://doi.org/10.2308/jeta10511

Khodakivska, L. (2018). COMPUTER AUDIT USING ARTIFICIAL INTELLIGENCE. Ыфраструκтура Ринκу, 20, 290-293. Retrieved from http://www.market-infr. od.ua/journals/2018/20_2018_ukr/20_2018.pdf

Koskivaara, E. (2003). Artificial Neural Networks in Auditing: State of the Art Data.

Kozhakhmet, K., Bortsova, G., Inoue, A., & Atymtayeva, L. (2012). Expert system for security audit using fuzzy logic.

Meservy, R. D., Denna, E. L., & Hansen, J. V. (1992). Application of artificial intelligence to accounting, tax, and audit services: Research at Brigham Young University. Expert Systems With Applications, 4, 213-218. https://doi.org/10.1016/09574174(92)90112-6

Montoya, D., Giraldo, J., & Perdomo, W. (2016). Caracterización, Arquitectura de los SBC, y el proceso de realización de las auditorias en Colombia. Retrieved from http://www.iiis.org/CDs2013/CD2013SCI/CISCI_2013/PapersPdf/CA923DT.pdf

Nelson, K. M., Kogan, A., Srivastava, R. P., Vásárhelyi, M. A., & Lu, H. (2000). Virtual auditing agents: The EDGAR Agent challenge. Decision Support Systems, 28(3), 241-253. https://doi.org/10.1016/S0167-9236(99)00088-3

Omoteso, K. (2012). The application of artificial intelligence in auditing: Looking back to the future. Expert Systems with Applications, 39, 8490-8495. https://doi. org/10.1016/j.eswa.2012.01.098

Pedrosa, I., Laureano, R. M. S., & Costa, C. J. (2015). Motivaçoes dos auditores para o uso das Tecnologias de Informaçâo na sua profissăo: Aplicaçâo aos Revisores Oficiais de Contas. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, 15(06), 101-118. https://doi.org/10.17013/risti.15.101-118

Pejic-Bach, M. (2010). Profiling intelligent systems applications in fraud detection and prevention: Survey of research articles. ISMS 2010 - UKSim/AMSS 1st International Conference on Intelligent Systems, Modelling and Simulation, 80-85. https://doi. org/10.1109/ISMS.2010.26

Piñeiro Sánchez, C., de Llano Monelos, P., & Rodríguez López, M. (2013). ¿Proporciona la auditoría evidencias para detectar y evaluar tensiones financieras latentes? Un diagnóstico comparativo mediante técnicas econométricas e inteligencia artificial. Revista Europea de Dirección y Economía de La Empresa, 22, 115-130. https:// doi.org/10.1016/j.redee.2012.10.001

Pricewaterhousecoopers. (2017). Confianza en el futuro. El humano y la maquina colaborando en la auditoria (pp. 1-9). pp. 1-9. Retrieved from https://www.pwc. com/ia/es/publicaciones/assets/el-humano-y-la-maquina-colaborando-en-laauditoria.pdf

Pricewaterhousecoopers. (2018a). Bots, Machine Learning, Servicios Cognitivos Realidad y perspectivas de la Inteligencia Artificial en España, 2018 (pp. 1-35). pp. 1-35.

Pricewaterhousecoopers. (2018b). Moving at the speed of innovation The foundational tools and talents of technology-enabled Internal Audit 2018 State of the Internal Audit Profession Study (pp. 1-28). pp. 1-28.

Proaño, R., Saguay, C., Jacome, S., & Sandoval, F. (2017). sistemas basados en conocimiento como herramienta de ayuda en la auditoria de sistemas de información (Knowledge based systems as an aid in information systems audit). Enfoque UTE, 7, 148-159. https://doi.org/10.29019

Rodríguez López, M., Piñeiro Sánchez, C., & De Llano Monelos, P. (2014). Determinación del riesgo de fracaso financiero mediante la utilización de modelos paramétricos, de inteligencia artificial, y de información de auditoría· Financial risk determination of failure by using parametric model, artificial intelligence and audit. Estudios de Economía, 41, 187-217.

Sosa, M. del C. (2007). Inteligencia artificial en la gestión financiera empresarial. Pensamiento y Gestión, 23, 153-186. https://doi.org/10.14482

The Institute of Internal Auditors. (2017a). GLOBAL PERSPECTIVES AND INSIGHTS Artificial Intelligence - Considerations for the Profession of Internal Auditing Part I (pp. 1-8). pp. 1-8. Retrieved from www.theiia.org/gpi.

The Institute of Internal Auditors. (2017b). Inteligencia Artificial: El futuro de la auditoría interna. (Vol. 85, pp. 1-4). Vol. 85, pp. 1-4. Retrieved from https:// global.theiia.org/translations/PublicDocuments/TaT-December-2017-Spanish.pdf

Vasarhelyi, M. A., & Kogan, A. (1997). Artificial Intelligence in Accounting and Auditing: Towards New Paradigms. In Artificial Intelligence In Accounting and Auditing (Vol. 4).

Velásquez, J. D. (2014). Una guía corta para escribir revisiones sistemáticas de literatura parte 1. DYNA (Colombia), 82(190), 9-12. https://doi.org/10.15446/dyna. v82n190.49511

Villena, J., Crespo, R., & Garcia, J. (2012a). Historia de la Inteligencia Artificial (pp. 1-20). pp. 1-20.

Villena, J., Crespo, R., & Garcia, J. (2012b). Inteligencia en Redes de Comunicaciones - Sistemas Basados en Conocimiento (pp. 1-52). pp. 1-52. Retrieved from http://www. ghbook.ir/index.php?name=^jO^ j j^o> cjsc & option= com_dbook&task= readonline&book_id= 13650&page= 73&chkhashk= ED9C9491B4&Itemid= 218&lang=fa&tmpl=component

Zhu', X., Huang, Z., & Zhoul, H. (2016). Design of a Multi-agent Based Intelligent Intrusion Detection System. 1 St International Symposium on Pervasive Computing and Applications, 290-295.

Zuoming, H., Qiao-Ling, L., & Ji-Bing, H. (2011). Web-service oriented computer audit system based on agents. International Conference on Management and Service Science, MASS 2011, 1-4. https://doi.org/10.1109/ICMSS.2011.5999077