https://doi.org/10.37815/rte.v37n2.1328
ArtÃculos originales
The adoption of Artificial Intelligence in external audit processes:
barriers, challenges and opportunities
Juan
Ignacio Ruiz
Verónica
Olocco1Â =
https://orcid.org/0009-0001-2097-85=
97
=
1Uni=
versidad
Siglo 21, Córdoba, Argentina
ignacio.ruiz@ues21.edu.ar,
veronica.olocco@ues21.=
edu.ar
Enviado:Â Â Â Â=
  2025/06/01
Aceptado:Â Â Â Â Â Â 2025/09/04
Publicado:
    2025/12/15
Resumen
Sumario: Introducción, =
Materiales y Métodos, Resultados y Discusión, Conclusiones. Como citar:<=
/span> Ruiz, J. & Olocco, V. (2025). =
La
adopción de la Inteligencia Artificial en procesos de auditorÃa exte=
rna:
barreras, desafÃos y oportunidades. Revista
Tecnológica - Espol, 37(2), 285-299. https://rte.espol.edu.ec/index.php/tecnologica/article/view/1328=
El objet=
ivo
general de esta investigación es analizar el fenómeno de la adopción de
tecnologÃas de inteligencia artificial en la auditorÃa externa, asà como
identificar las razones que motivan o impiden su uso por parte de los
profesionales. El estudio se desarrolló en Argentina, entre noviembre de 2=
024 y
febrero de 2025. Se utilizó una metodologÃa de enfoque cuantitativo y
cualitativo, con un diseño no experimental de tipo descriptivo y transvers=
al.
Las variables principales fueron el nivel de conocimiento de las tecnologÃ=
as
emergentes, su implementación práctica y la percepción de impacto en la
eficiencia del trabajo de auditorÃa. Para la recolección de datos se apli=
caron
encuestas y entrevistas semiestructuradas a profesionales del ámbito conta=
ble
de diversas firmas del paÃs. Los resultados evidenciaron una marcada brecha
entre el conocimiento teórico y la aplicación práctica de la inteligencia
artificial: aunque el 96 % de los encuestados reconoce su relevancia, solo =
un
14 % ha logrado integrarla en sus procesos de auditorÃa. Se identificaron
barreras como la falta de infraestructura tecnológica, la escasa capacitac=
ión y
la resistencia al cambio organizacional, especialmente en pequeñas y medianas firmas. Por otro lado, se des=
tacó
que las grandes firmas ya emplean estas tecnologÃas para algunas tareas co=
mo
redacción de memos y análisis ágiles. Se concluye que, si bien la inteli=
gencia
artificial representa una oportunidad concreta para optimizar la calidad y
efectividad de la auditorÃa externa, su adopción generalizada requiere su=
perar
desafÃos tecnológicos, regulatorios y culturales. Se recomienda avanzar en
programas de formación profesional y en marcos normativos que promuevan su
integración en distintos contextos organizacionales.
=
Pa=
labras
clave: =
análisis de r=
iesgos,
automatización inteligente, detección de fraudes, innovación tecnológic=
a,
resistencia al cambio.
Abstract
The general objective of this
research was to analyze the phenomenon of artificial intelligence (AI) adop=
tion
in external auditing and to identify the factors that encourage or hinder i=
ts
use by accounting professionals. The study was held in Argentina between
November 2024 and February 2025. A mixed-method approach was employed, usin=
g a
non-experimental, descriptive, and cross-sectional research design. The main
variables included the level of knowledge regarding emerging technologies,
their practical implementation, and the perceived impact on audit efficienc=
y.
Data was collected through surveys and semi-structured interviews with
accounting professionals from various firms across the country. The results
revealed a significant gap between theoretical knowledge and practical
application of AI: 96% of respondents acknowledged its importance, whereas =
only
14% had implemented it in their audit processes. Key barriers identified
include lack of technological infrastructure, limited training, and organiz=
ational
resistance to change, particularly in small and medium-sized firms. In
contrast, larger firms are already utilizing these technologies for tasks s=
uch
as memo production and fast analysis. Although artificial intelligence pres=
ents
a concrete opportunity to improve the quality and effectiveness of external
audits, it is concluded that its widespread adoption requires overcoming
technological, regulatory, and cultural challenges. This study recommends
developing professional training programs and regulatory frameworks that
facilitate its integration across different organizational contexts.
Introducción
En las últimas décadas, el avance= acelerado de la tecnologÃa ha transformado profundamente las prácticas contables y financieras, dando lugar a un nuevo paradigma en el ejercicio profesional d= e la auditorÃa. En particular, la auditorÃa externa —entendida como el proce= so independiente de evaluación de los estados financieros de una entidad para emitir una opinión sobre su razonabilidad— se ha visto influenciada por = la irrupción de herramientas digitales avanzadas que permiten automatizar tar= eas, aumentar la cobertura de revisión y reducir significativamente los errores humanos. En este escenario de cambio, la inteligencia artificial (IA) emerge como una tecnologÃa disruptiva con potencial para redefinir las dinámicas tradicionales de control y aseguramiento.
La IA, al integrar algoritmos de aprendizaje automático, procesamiento del lenguaje natural y análisis predictivo, permite a los auditores procesar grandes volúmenes de datos en tiempo real, identificar patrones anómalos y predecir riesgos financieros = con una precisión superior a los métodos convencionales. Este tipo de capacid= ades representa una oportunidad única para elevar la calidad, eficiencia y profundidad del trabajo del auditor, especialmente en contextos de creciente complejidad financiera y mayores demandas regulatorias (Zhang, 2019; Mpofu, 2023). Sin embargo, a pesar del interés que g= enera su potencial, la adopción de estas tecnologÃas en el ámbito profesional = no se ha dado de manera uniforme ni sistemática.
Diversos estudios coinciden en que = existen importantes barreras que dificultan la integración efectiva de la IA en los procesos de auditorÃa externa. Entre ellas se destacan la falta de capacit= ación técnica, la resistencia cultural al cambio, las limitaciones presupuestari= as en pequeñas y medianas firmas, y las preocupaciones éticas vinculadas al ree= mplazo de funciones humanas por decisiones automatizadas (Can= er & Bhatti, 2020; Longo et al., 2020). En este sentido, la IA no solo plantea una evolución técnica en la auditorÃa, si= no también un profundo desafÃo epistemológico, ético y organizacional.
A partir de este enfoque, se plante= a la siguiente pregunta general de investigación: ¿Cómo es la adopción de tecnologÃas de IA en la auditorÃa externa y qué factores influyen en su = uso por parte de los profesionales? De esta derivan otras preguntas especÃficas: Â= ¿Cuál es el nivel de conocimiento y familiaridad con las tecnologÃas de IA entre= los profesionales de auditorÃa externa?, ¿Qué casos o tecnologÃas especÃfi= cas de IA están siendo utilizadas en la auditorÃa externa y cómo se están impleme= ntando?, y ¿Cómo perciben los profesionales el impacto de la IA en la eficiencia y efectividad de los procesos de auditorÃa externa?
El presente estudio se inscribe den= tro de esta problemática, con el objetivo general de analizar el fenómeno de la adopción de tecnologÃas de IA en la auditorÃa externa, asà como identif= icar las razones que motivan o impiden su uso por parte de los profesionales. Este objetivo se articula en tres propósitos especÃficos: determinar el nivel = de conocimiento y familiaridad con las tecnologÃas de IA entre los profesiona= les; identificar casos concretos de su uso en auditorÃa; y evaluar el impacto percibido de estas herramientas en la eficiencia y efectividad de los proce= sos de auditorÃa externa. Este planteamiento se justifica en la necesidad de generar conocimiento empÃrico y contextualizado sobre cómo los profesiona= les de la auditorÃa están enfrentando los desafÃos que plantea el avance de la = IA. La literatura especializada advierte una brecha entre el avance tecnológico y= su aplicación práctica en este tema. Por ejemplo, Erazo-Castillo y A-Muñoz = (2023) advierten que, si bien la IA podrÃa mejorar la calidad de los procesos de auditorÃa, reducir costos y brindar información más confiable, su enseñ= anza aún no está integrada de forma sistemática en la formación universitaria en contabilidad, por ejemplo. Del mismo modo, GarcÃa et al. (2024) detectaron= que el 80 % de las empresas que han adoptado soluciones basadas en IA han obs= ervado mejoras en su eficiencia operativa, pero enfrentan dificultades asociadas a= la falta de talento capacitado y a la resistencia organizacional al cambio. Mo= lina (2024), por su parte, enfatiza que la IA puede complementar y no reemplazar= al auditor, reforzando su juicio profesional al facilitar el tratamiento de grandes volúmenes de información.
El marco teórico de esta investiga=
ción se
sustenta en tres ejes conceptuales: la auditorÃa externa como proceso de
control y aseguramiento, la IA como tecnologÃa emergente aplicada a la
contabilidad, y las teorÃas de adopción tecnológica en organizaciones. L=
a IA se
ha convertido en una tecnologÃa transformadora en múltiples campos, inclu=
ida la
auditorÃa externa. Definida como un conjunto de técnicas capaces de emular
procesos cognitivos humanos como el aprendizaje, la toma de decisiones y la
resolución de problemas, su evolución ha estado marcada por avances en
algoritmos, potencia computacional y disponibilidad de datos (Rai, 2024;
Para analizar el proceso de adopciÃ= ³n de tecnologÃas de IA en la auditorÃa externa, esta investigación toma como referencia el modelo unificado de aceptación y uso de la tecnologÃa (UTAU= T), propuesto por Venkatesh et al. (2003). Este mod= elo plantea que la intención de uso de una tecnologÃa por parte de los indivi= duos está determinada por cuatro constructos clave: el desempeño esperado (expectativa de que la tecnologÃa mejorará los resultados laborales), el = esfuerzo esperado (facilidad percibida en su uso), la influencia social (percepción= de que personas importantes consideran que se debe usar la tecnologÃa) y las condiciones facilitadoras (infraestructura técnica y organizacional que ap= oya el uso). En el contexto de la auditorÃa externa, estos factores permiten comprender cómo los profesionales evalúan las herramientas basadas en IA = no solo por su funcionalidad, sino también por su accesibilidad, apoyo institucional y validación social dentro de sus entornos laborales.=
Este enfoque resulta especialmente relevante para interpretar los hallazgos de la investigación, ya que mucha= s de las barreras identificadas —como la falta de capacitación, la escasa infraestructura tecnológica o la percepción de resistencia al cambio orga= nizacional— pueden ser comprendidas como limitaciones en las condiciones facilitadoras = o en la percepción de esfuerzo y desempeño esperados. Asimismo, el modelo UTAUT permite integrar variables moderadoras como la edad, la experiencia, el niv= el educativo o el tipo de organización, que ayudan a explicar las diferencias= en la aceptación de la IA entre distintos grupos de auditores. De esta manera= , el uso del modelo propuesto por Venkatesh et al. (= 2003) ofrece un marco sólido para interpretar el fenómeno de adopción tecnoló= gica desde una perspectiva conductual y contextualizada, en lÃnea con los objet= ivos de este estudio.
En auditorÃa externa, la IA permit= e una reconfiguración de los métodos tradicionales, al ofrecer mayor capacidad = de análisis, automatización de tareas repetitivas y mejora en la detección = de fraudes. Las tecnologÃas más relevantes incluyen el aprendizaje automáti= co (machine learning), la automatización robótic= a de procesos (RPA) y la inteligencia artificial explicable (XAI). Estas herramientas no solo mejoran la precisión y eficiencia, sino que además b= uscan garantizar transparencia en la toma de decisiones automatizadas (Longo et a= l., 2020; Mpofu, 2023).
El aprendizaje automático, como de= staca Zhang (2019), permite a los auditores procesar grandes volúmenes de datos = para identificar patrones y anomalÃas en tiempo real. Esto amplÃa la cobertura= y profundidad de las auditorÃas, optimizando el análisis de riesgos. La RPA= , por su parte, automatiza tareas estructuradas como conciliaciones y revisión documental, aumentando la productividad y reduciendo la carga operativa del auditor (Rojas Amado & Escobar Ãvila, 2021; Mpofu= , 2023).
La IA explicable (XAI) surge como r= espuesta a una de las principales barreras de adopción: la falta de claridad sobre = cómo los algoritmos generan resultados. Longo et al. (2020) sostienen que, para asegurar la aceptación de estas tecnologÃas en entornos regulados como la auditorÃa, es indispensable que sus decisiones sean comprensibles y trazab= les. Esto permite que los auditores mantengan el control y la responsabilidad profesional frente a los hallazgos generados.
Otro aspecto central es la interrel= ación entre IA, aprendizaje automático (ML) y aprendizaje profundo (DL). Mientra= s que el ML permite a los sistemas aprender de datos estructurados, el DL amplÃa estas capacidades mediante redes neuronales profundas aplicadas al análisi= s de datos no estructurados, como imágenes o texto. Según Caner y Bhatti (2020), esta evolución técnica forta= lece el trabajo del auditor, permitiéndole obtener insights más complejos y estratégicos.
Las tecnologÃas predictivas, como herramientas tecnológicas, también han demostrado ser clave para anticipar riesgos y apoyar auditorÃas continuas. Estas herramientas permiten identif= icar desviaciones significativas antes de que se materialicen, brindando a los auditores la posibilidad de actuar preventivamente (Zhang, 2019; Longo et a= l., 2020). Combinadas con sistemas de RPA, estas tecnologÃas posibilitan un monitoreo constante de los procesos financieros y aumentan la calidad de las auditorÃas.
No obstante, la implementación de = estas tecnologÃas presenta barreras técnicas y económicas importantes. Entre e= llas destacan los costos de infraestructura, la integración con sistemas hereda= dos y la necesidad de capacitación especializada. Tal como advierte el Informe N= ° 25 de la Federación Argentina de Consejos Profesionales de Ciencias Económic= as (FACPCE) (2022), la adopción de IA requiere inversiones en tecnologÃa y c= apital humano, lo que limita su aplicación en firmas pequeñas y medianas.=
Desde una perspectiva normativa, la= s Normas Internacionales de AuditorÃa (NIAs) ofrecen un= marco que permite incorporar tecnologÃas emergentes al proceso auditor sin comprometer su rigor metodológico. En particular, la NIA 315 establece la obligación del auditor de identificar y valorar los riesgos de incorrecciÃ= ³n material mediante la comprensión de la entidad y su entorno, incluidos los aspectos tecnológicos del sistema de control interno. Esta norma reconoce = que herramientas como la IA, el análisis de datos y los sistemas automatizados= de procesamiento de información pueden influir en los riesgos de auditorÃa y= deben ser evaluados cuidadosamente en términos de diseño, implementación y efectividad (International Federation of Accountants [IFAC], 20= 21a).
Por su parte, la NIA 500 enfatiza la necesidad de obtener evidencia de auditorÃa suficiente y adecuada, y admite expresamente que esta puede provenir de tecnologÃas avanzadas, siempre que= el auditor evalúe su relevancia y fiabilidad. La norma permite el uso de procedimientos automatizados para la obtención de evidencia, incluyendo herramientas analÃticas, siempre que se mantenga la calidad, trazabilidad y suficiencia de la misma (IFAC, 2021b). En conjunto, ambas NIAs no solo habilitan el uso de tecnologÃas emergentes en la auditorÃa extern= a, sino que promueven su integración responsable, bajo principios de competen= cia profesional, escepticismo profesional y juicio fundamentado.
En cuanto a la función del auditor= , la IA no busca reemplazar el juicio profesional, sino complementarlo. Las herramientas tecnológicas automatizan tareas operativas, permitiendo que l= os auditores se concentren en análisis de alto valor agregado, como la evalua= ción de riesgos estratégicos y el diseño de recomendaciones (Román-Acosta, 20= 24; KPMG, 2023). Esta complementariedad fortalece la percepción de la auditorÃ= a como una función moderna, dinámica y adaptada a las exigencias del entorno digital.
Finalmente, el uso ético de estas tecnologÃas requiere garantizar la seguridad de los datos y el cumplimient= o de normas de privacidad. Longo et al. (2020) destacan que el éxito de la integración de IA en auditorÃa depende no solo de su capacidad técnica, = sino de la confianza que genera en los usuarios. La transparencia algorÃtmica, la gobernanza de datos y la formación profesional continua son condiciones necesarias para avanzar hacia una auditorÃa más eficiente, confiable y al= ineada con los desafÃos de la era digital.
Este estudio, por tanto, busca apor=
tar
evidencia actualizada y contextual sobre estas dinámicas de adopción,
centrándose en el caso de la auditorÃa externa en Argentina, en el marco =
de un
entorno económico emergente y profesional en transición hacia la digitali=
zación.
Su importancia radica en que los resultados permitirán no solo comprender =
las
limitaciones actuales, sino también diseñar estrategias de capacitación,=
marcos
regulatorios y polÃticas institucionales que fomenten una integración más
efectiva de la IA, maximizando su potencial como herramienta de mejora cont=
inua
en los procesos de control financiero.
Materiales y Mét=
odos
El diseño metodológico adoptado f= ue de tipo exploratorio con enfoque mixto, combinando estrategias cuantitativas y cualitativas para obtener una visión integral del fenómeno investigado: la adopción de tecnologÃas de IA en la auditorÃa externa y los factores que motivan o dificultan su uso por parte de los profesionales. Este enfoque fue adecuado para abordar un tema emergente, caracterizado por su novedad, complejidad y escasa investigación empÃrica previa en el contexto latinoamericano.
La investigación se desarrolló en Argentina, entre noviembre de 2024 y febrero de 2025. El contexto estuvo marcado por una creciente adopción de tecnologÃas digitales avanzadas en = el sector contable, aunque con importantes asimetrÃas en términos de infraes= tructura tecnológica y capacidades profesionales entre firmas grandes y pequeñas. = Estas condiciones ofrecieron un terreno fértil para explorar las percepciones, conocimientos y experiencias de los auditores externos frente a la adopció= n de IA en su práctica profesional.
Para determinar el nivel de conocim= iento y familiaridad con las tecnologÃas de IA entre los profesionales de auditorÃ= a externa, se diseñó una encuesta estructurada que permitió obtener datos cuantificables sobre este aspecto. El instrumento incluyó preguntas cerrad= as de opción múltiple y preguntas abiertas, orientadas a medir el grado de conocimiento, la experiencia previa, el nivel de formación tecnológica y = la disposición a capacitarse en herramientas de IA.
La encuesta fue distribuida mediante formularios digitales a través de redes profesionales y canales institucio= nales académicos. Se utilizó un muestreo no probabilÃstico intencional, enfoca= do en auditores, contadores públicos y especialistas vinculados al área de audi= torÃa externa. Se recolectaron 51 respuestas válidas, que fueron analizadas medi= ante técnicas de estadÃstica descriptiva, como frecuencias, porcentajes y cruc= es simples por edad, tipo de firma y nivel de experiencia.
Los resultados de esta fase evidenc= iaron un alto nivel de conocimiento teórico sobre la IA, pero una baja aplicación práctica, lo que permitió identificar una brecha importante entre la familiaridad conceptual y la implementación profesional. Además, se detec= taron diferencias relevantes según el tipo de organización: los profesionales q= ue trabajan en grandes firmas mostraron mayor exposición a la IA, mientras qu= e los de pequeñas firmas reportaron menores oportunidades de formación.<= /p>
Para identificar casos o tecnologÃ= as especÃficas del uso de IA en auditorÃa externa, la cuestión se abordó a= través de entrevistas semiestructuradas, que permitieron acceder a experiencias concretas de implementación y a relatos sobre buenas prácticas o fracasos= en el uso de IA. Se seleccionaron cinco participantes mediante muestreo por conveniencia, priorizando a profesionales con experiencia laboral en firmas= que están explorando tecnologÃas emergentes o con trayectoria académica en auditorÃa digital.
Las entrevistas fueron conducidas d= e forma virtual, grabadas con consentimiento y transcritas para su análisis. Las preguntas abordaron el tipo de tecnologÃas utilizadas (RPA, machine learning, software de análisis de datos), las áreas= de aplicación dentro del proceso de auditorÃa (pruebas sustantivas, revisión documental, evaluación de riesgos), asà como los factores facilitadores y limitantes que condicionaron su uso. Este enfoque permitió identificar herramientas especÃficas en uso y mapear el grado de avance respecto de la adopción de tecnologÃas digitales avanzadas en distintos entornos organizacionales.
En relación a la evaluación del i= mpacto percibido de la IA en la eficiencia y efectividad de los procesos de audito= rÃa externa, tanto la encuesta como las entrevistas abordaron esta dimensión de manera complementaria. En la encuesta se incluyeron preguntas sobre benefic= ios percibidos, como reducción de tiempos, mejora en la calidad del análisis y ampliación de la cobertura de auditorÃa. En las entrevistas se profundizÃ= ³ sobre la utilidad práctica de estas herramientas y su efecto en el trabajo cotid= iano del auditor.
El análisis de contenido de las en= trevistas se realizó mediante codificación temática, identificando patrones recurr= entes en torno a la percepción del valor agregado de la IA. Los entrevistados señalaron que, aunque su uso aún es incipiente, las tecnologÃas tienen potencial para transformar radicalmente la auditorÃa externa, especialment= e en tareas repetitivas y en el tratamiento de grandes volúmenes de informació= n. También se destacó que el impacto positivo está condicionado por la cali= dad de los datos disponibles, la capacitación del personal y la compatibilidad de= los sistemas tecnológicos.
La integración de los datos obteni=
dos
permitió cumplir con los objetivos empÃricos planteados, proporcionando u=
na
visión robusta, multidimensional y contextualizada sobre la percepción
generalizada o aceptación inicial de IA en la auditorÃa externa en Argent=
ina.
La triangulación de métodos permitió contrastar percepciones generales c=
on
experiencias concretas, generando hallazgos relevantes tanto para la teorÃa
como para la práctica profesional y las polÃticas de formación y transfo=
rmación
digital del sector.
Al analizar con mayor detalle el nivel de
experiencia, se observó que los profesionales que trabajan en grandes firm=
as
(principalmente multinacionales o del grupo Big Four)
reportan un mayor grado de exposición a tecnologÃas digitales avanzadas,
particularmente en áreas como minerÃa de datos, conciliaciones automatiza=
das y
detección de fraudes. En contraste, quienes se desempeñan en estudios con=
tables
medianos o pequeños manifiestan menor familiaridad con estas herramientas,=
lo
que evidencia una importante brecha tecnológica entre tipos de organizacio=
nes.
En cuanto a la formación profesional, un 68=
% de
los encuestados consideró que su preparación actual no es suficiente para
aplicar herramientas de IA en auditorÃa, mientras que un 81% expresó inte=
rés en
capacitarse en el tema. Esto indica una actitud favorable hacia la
actualización, pero también pone de manifiesto la ausencia de programas
especÃficos en muchos entornos laborales y educativos. Los entrevistados
coincidieron en que la falta de capacitación es una de las barreras centra=
les
para la adopción efectiva de estas tecnologÃas.
Respecto al segundo objetivo —identificar =
casos de
utilización concreta de herramientas de IA en auditorÃa—, los datos mue=
stran
que las aplicaciones reales aún son limitadas, aunque comienzan a emerger =
en
ciertas organizaciones. Los entrevistados señalaron el uso de RPA para tar=
eas
repetitivas, como conciliaciones bancarias, verificación de documentos y
validaciones cruzadas en bases de datos. También se mencionó la utilizaci=
ón de
software especializado que integra algoritmos de detección de riesgos y an=
álisis
predictivo.
En las entrevistas se identificaron experien=
cias
incipientes con herramientas de machine learning para
el análisis de patrones en transacciones contables, orientadas principalme=
nte a
detectar posibles fraudes o irregularidades. Sin embargo, su implementación
suele estar restringida a proyectos piloto en firmas con mayores recursos
tecnológicos. A pesar del interés, la mayorÃa de los entrevistados recon=
oció
que no existen aún protocolos estandarizados ni marcos regulatorios claros=
para
su uso sistemático en auditorÃa externa.
Otro hallazgo relevante en esta dimensión f=
ue la
percepción de que la IA, en su estado actual, opera como un complemento de=
las
metodologÃas tradicionales, más que como una herramienta autónoma. Los
entrevistados indicaron que las decisiones finales siguen dependiendo del
juicio profesional del auditor, y que la IA, aunque útil, requiere validac=
ión
humana para asegurar su aplicabilidad y coherencia con los criterios ético=
s y
normativos del trabajo auditor.
En relación a la evaluación del impacto pe=
rcibido
de la IA en la eficiencia y efectividad de los procesos de auditorÃa exter=
na,
los resultados fueron mayormente positivos. Un 72% de los encuestados consi=
deró
que la utilización de herramientas de IA podrÃa reducir significativament=
e el
tiempo de ejecución de una auditorÃa, mientras que un 65% opinó que podr=
Ãa
mejorar la detección de errores y fraudes. Además, un 68% valoró su capa=
cidad
para ampliar la cobertura de revisión, analizando el 100% de las transacci=
ones
en lugar de usar métodos de muestreo.
Estos datos se vieron reforzados por los
testimonios recogidos en las entrevistas, donde los participantes destacaro=
n la
utilidad de las herramientas de IA para optimizar tareas rutinarias y liber=
ar
tiempo del auditor para actividades de mayor valor estratégico. Asimismo,
algunos señalaron que la tecnologÃa permite una mejor trazabilidad de los
procedimientos, mejora la consistencia en la aplicación de metodologÃas y
ofrece mayor confiabilidad en los hallazgos.
No obstante, también surgieron preocupacion=
es
vinculadas a la explicabilidad de los algoritmo=
s. Un
59% de los encuestados manifestó dudas respecto a la transparencia de cómo
operan las herramientas de IA, en particular aquellos basados en aprendizaje
automático, lo que puede generar desconfianza en su uso profesional. Esta =
inquietud
fue especialmente enfatizada en las entrevistas, donde se insistió en la
necesidad de herramientas explicables (XAI) que permitan comprender cómo se
llega a ciertos resultados.
Otro punto crÃtico identificado fue la pote=
ncial
resistencia al cambio dentro de las organizaciones que perciben los
consultados. Varios encuestados y entrevistados mencionaron que, si bien
reconocen los beneficios de la IA, existe una cultura conservadora en el á=
mbito
de la auditorÃa que privilegia los métodos manuales o tradicionales, lo q=
ue
obstaculiza la adopción de nuevas tecnologÃas. Esta resistencia suele est=
ar
acompañada por la falta de incentivos institucionales para innovar y por la
incertidumbre sobre los impactos laborales de la automatización.
En términos de infraestructura tecnológica=
, el 58%
de los encuestados señaló que su organización no cuenta con las condicio=
nes
adecuadas para implementar soluciones bastadas en la utilización de
herramientas de IA. Este dato pone de relieve una de las principales barrer=
as
estructurales para su adopción en este sector. Las entrevistas confirmaron=
esta
percepción, apuntando a limitaciones presupuestarias, problemas de
compatibilidad con los sistemas contables existentes y ausencia de polÃtic=
as
institucionales de digitalización.
Finalmente, los resultados sugieren que el i=
mpacto
positivo de la IA en la auditorÃa externa está condicionado por una serie=
de
factores interdependientes: acceso a infraestructura, formación técnica,
cultura organizacional y marcos normativos claros. Si bien los profesionales
perciben a la IA como una oportunidad para aumentar la calidad y eficiencia=
de
las auditorÃas, su adopción efectiva aún enfrenta desafÃos que requieren
abordajes integrales y estratégicos para lograr una implementación ética=
, sostenible
y equitativa en el sector.
Los resultados de esta investigación aportan
evidencia empÃrica clave sobre el fenómeno de la adopción de herramienta=
s de IA
en la auditorÃa externa, cumpliendo con el objetivo general planteado. Se
constató un alto nivel de conocimiento teórico entre los profesionales, p=
ero
una implementación práctica todavÃa incipiente. Esta brecha refuerza lo
señalado por Rai (2024) y Mpofu (2023), quienes
advierten que, si bien la IA es conocida y valorada en el discurso profesio=
nal,
su adopción efectiva se ve obstaculizada por factores técnicos, estructur=
ales y
culturales.
El hallazgo de que el 96% de los encuestados
reconoce el concepto de IA coincide con las tendencias globales de
concientización tecnológica en auditorÃa. Sin embargo, solo el 14% ha ut=
ilizado
estas herramientas en auditorÃas externas, lo que refleja una desconexión=
entre
el discurso y la práctica. Esta situación ya fue anticipada por Asif (2020), quien argumenta que la familiaridad teó=
rica no
garantiza la implementación real si no se acompaña de polÃticas
institucionales, formación técnica y soporte tecnológico adecuado.
La literatura consultada resalta que tecnolo=
gÃas
como el aprendizaje automático (machine learning), la
automatización robótica de procesos (RPA) y la IA explicable (XAI) son
especialmente prometedoras para transformar la auditorÃa (Longo et al., 20=
20;
Zhang, 2019). No obstante, en este estudio, los casos concretos de uso se
limitaron a tareas rutinarias como conciliaciones o revisión de documentos=
, lo
que indica que aún no se han explotado las capacidades más avanzadas de l=
a IA.
Este hallazgo pone en evidencia que, aunque la tecnologÃa está disponible=
, su
adopción sigue siendo conservadora.
Una posible explicación a este retraso es l=
a falta
de formación técnica especÃfica, mencionada por el 74% de los encuestado=
s como
una barrera crÃtica. Esto está en lÃnea con lo planteado por Vásquez et=
al.
(2022) y Salvatierra (2024), quienes destacan la necesidad de programas de
capacitación continua para que los profesionales puedan utilizar de manera
efectiva las herramientas digitales en entornos de auditorÃa. La disposici=
ón
positiva de los participantes a capacitarse sugiere una ventana de oportuni=
dad para
el diseño de estrategias institucionales de actualización profesional.
El estudio también identificó que los bene=
ficios
percibidos de la IA son consistentes con la literatura especializada. Un am=
plio
porcentaje de participantes consideró que la IA puede reducir tiempos, mej=
orar
la detección de fraudes y ampliar la cobertura de las auditorÃas. Estos
resultados coinciden con los planteamientos de Zhang (2019) y KPMG (2023),
quienes afirman que el análisis automatizado y los algoritmos predictivos
permiten mejorar significativamente la eficiencia y efectividad de los proc=
esos
auditorios.
Sin embargo, el uso avanzado de estas tecnol=
ogÃas
aún está lejos de ser la norma, especialmente en firmas pequeñas y media=
nas.
Como indica el Informe 25 de la FACPCE (2022), la adopción de IA requiere
inversiones importantes en infraestructura y recursos humanos que muchas
organizaciones no pueden afrontar. Este hallazgo se confirma en el presente
estudio, donde el 58% de los participantes afirmó que su organización no
dispone de los medios tecnológicos necesarios para implementar IA.
Una dimensión crÃtica abordada en las entr=
evistas
fue la necesidad de explicabilidad en relación=
a cómo
operan las herramientas de IA. Los participantes manifestaron preocupación
sobre el uso de algoritmos como "cajas negras", lo que puede pone=
r en
riesgo la transparencia de los procedimientos y la confianza en los resulta=
dos.
Este punto es central en los trabajos de Longo et al. (2020) y Mpofu (2023), quienes insisten en el desarrollo de mo=
delos
de IA explicables (XAI) que permitan a los auditores comprender y justificar
las decisiones automatizadas en entornos regulados.
Además, la percepción de existencia de res=
istencia
al cambio apareció como un obstáculo transversal. Aunque los profesionales
reconocen el potencial de la IA, también manifestaron que sus organizacion=
es
muestran reticencia a modificar procesos establecidos. Esta resistencia, de
carácter cultural, ha sido ampliamente documentada por Vásquez et al. (20=
22),
quienes destacan que las barreras de adopción tecnológica no solo son té=
cnicas,
sino también actitudinales y organizacionales.
Un resultado inesperado fue la baja cantidad=
de
experiencias concretas con tecnologÃas de machine lea=
rning
o deep learning, a =
pesar de
su amplio desarrollo en otros sectores. Esto sugiere que, aunque la auditor=
Ãa
tiene un alto potencial para beneficiarse de estas herramientas, persisten
dudas sobre su aplicabilidad o fiabilidad en contextos contables. Tal como
plantean Caner y Bhatti
(2020), la integración de herramientas de IA avanzada requiere entornos con
altos niveles de madurez digital y marcos normativos adaptados.
Desde el marco normativo, el estudio confirm=
a la
relevancia de las Normas Internacionales de AuditorÃa (NIAs)
como facilitadoras de la transformación tecnológica. Normas como la NIA 5=
00 o
la NIA 315 fomentan el uso de herramientas digitales para obtener evidencia
suficiente y adecuada. Sin embargo, el desarrollo normativo aún no ha
acompañado completamente la evolución tecnológica, lo que genera incerti=
dumbre
entre los profesionales sobre los lÃmites y condiciones del uso de IA en
auditorÃa externa (Salvatierra, 2024).
En términos de limitaciones, este estudio r=
econoce
que el tamaño de la muestra fue reducido, lo cual limita la generalizació=
n de
los hallazgos. Esta investigación estuvo limitada a profesionales de Argen=
tina,
que además es un mercado emergente. Además, la dificultad para acceder a
entrevistados con experiencia directa en el uso de herramientas de IA en
auditorÃa refleja la misma escasez de casos documentados, lo que evidencia=
la
necesidad de ampliar la investigación empÃrica en esta área. No obstante=
, los resultados
obtenidos permiten identificar patrones relevantes y formular hipótesis pa=
ra
futuras investigaciones.
Este trabajo también aporta valor al resalt=
ar la
complementariedad entre el juicio profesional del auditor y el uso de
herramientas inteligentes. Como sostiene KPMG (2023), la IA no reemplaza el
criterio humano, sino que lo potencia, automatizando tareas operativas y
liberando tiempo para el análisis estratégico. Esta visión fue compartid=
a por
los participantes, quienes conciben la IA como una aliada, no como una amen=
aza
a su rol profesional.
Las implicancias prácticas del estudio son
significativas. Los resultados pueden servir como insumo para instituciones
educativas, organismos reguladores y firmas de auditorÃa interesadas en di=
señar
polÃticas de adopción tecnológica. Promover la formación en IA, fomenta=
r la
inversión en infraestructura y desarrollar estándares especÃficos puede
contribuir a cerrar la brecha entre conocimiento y aplicación, y fortalece=
r el
rol de la auditorÃa externa en un entorno digital.
Además, el hecho de que esta investigación=
se haya
desarrollado en un paÃs emergente como Argentina representa una fortaleza
analÃtica que enriquece los hallazgos. En contextos caracterizados por una
economÃa inestable, una infraestructura desigual y marcos regulatorios en
transformación, el estudio permite observar con mayor claridad los desafÃ=
os
reales y las oportunidades concretas que enfrentan los profesionales de
auditorÃa frente a la adopción de nuevas tecnologÃas. Estos entornos, le=
jos de
ser una limitación, ofrecen un terreno fértil para evaluar la flexibilida=
d, la
resiliencia y la capacidad de adaptación de las organizaciones frente a ca=
mbios
tecnológicos. AsÃ, los resultados no solo aportan a la comprensión del f=
enómeno
en economÃas similares, sino que también ofrecen claves para diseñar
estrategias de adopción tecnológica más ágiles, inclusivas y sostenible=
s,
aprovechando la capacidad innovadora que suelen desarrollar los profesional=
es y
las instituciones en contextos de escasez o incertidumbre estructural.
Por último, los resultados obtenidos en esta
investigación evidenciaron que, si bien la IA está transformando la audit=
orÃa
externa, las aplicaciones concretas siguen siendo en gran medida
confidenciales, lo que dificulta su estudio detallado. Ante esta limitació=
n,
una lÃnea futura de investigación podrÃa centrarse en el análisis de ca=
sos
prácticos en empresas que ya han implementado IA en sus procesos de audito=
rÃa.
Esto permitirÃa evaluar de manera empÃrica el impacto de estas tecnologÃ=
as en
términos de eficiencia y calidad, asà como identificar los desafÃos y
beneficios percibidos por los profesionales que las utilizan. La posibilida=
d de
acceso a información real contribuirÃa a cerrar la brecha entre la teorÃ=
a y la
práctica, ofreciendo datos concretos sobre la viabilidad y efectividad de =
la IA
en auditorÃa.
Otro aspecto clave identificado en la
investigación es la disparidad en la adopción de IA entre firmas de disti=
ntos
tamaños. Mientras que las grandes auditoras han liderado la integración de
estas tecnologÃas, las firmas medianas y pequeñas enfrentan obstáculos
significativos, principalmente en términos de inversión, capacitación y
adaptación de procesos. Esta brecha se acentúa aún más en el contexto d=
e paÃses
emergentes, donde las limitaciones estructurales, la inestabilidad económi=
ca y
la menor disponibilidad de infraestructura tecnológica dificultan la
incorporación sistemática de innovaciones. En este sentido, una futura
investigación podrÃa desarrollar un modelo práctico de adopción de IA
especÃficamente diseñado para firmas con menores recursos. Este modelo se=
rvirÃa
como una guÃa para la implementación progresiva de herramientas inteligen=
tes,
maximizando su utilidad y minimizando las barreras de entrada, lo que
contribuirÃa a una democratización del acceso a la tecnologÃa en el sect=
or y a
una mayor equidad digital en entornos caracterizados por su dinamismo y
capacidad de adaptación.
Asimismo, la creciente automatización de los
procesos de auditorÃa plantea interrogantes en torno a la regulación y la=
ética
del uso de IA en este ámbito. La investigación ha revelado que la falta d=
e explicabilidad de los algoritmos y la incertidumbre s=
obre
la responsabilidad en la toma de decisiones generan preocupación entre los
profesionales. Por ello, resulta fundamental explorar en profundidad el imp=
acto
normativo y ético de la IA en auditorÃa externa, con el fin de desarrollar
marcos regulatorios que aseguren la transparencia y confiabilidad del proce=
so.
Una lÃnea de investigación en esta dirección permitirÃa generar recomen=
daciones
que orienten a los reguladores y a las firmas auditoras en la implementaciÃ=
³n de
IA de manera ética y alineada con las normativas vigentes, garantizando su
aceptación y uso responsable.
La aplicación del modelo UTAUT (Venkatesh et al., 2003) en esta investigación permite
comprender con mayor profundidad los factores que influyen en la adopción =
de
tecnologÃas de inteligencia artificial por parte de los profesionales de
auditorÃa externa. En cuanto al desempeño esperado, se observa que una gr=
an
mayorÃa de los encuestados percibe que la IA puede mejorar significativame=
nte
los resultados de su trabajo. El 72% cree que estas herramientas podrÃan
reducir los tiempos de auditorÃa y un 68% considera que permitirÃan ampli=
ar la
cobertura, lo que evidencia una valoración positiva respecto al impacto en=
la
eficiencia y efectividad del proceso auditor.
Respecto al esfuerzo esperado, los resultados
indican que, si bien existe un interés genuino en capacitarse (81% de los
encuestados), aún hay percepciones de dificultad asociadas al uso práctic=
o de
la IA. Esto se refleja en la baja tasa de utilización efectiva (14%) y en =
la
falta de formación técnica reportada por el 68% de los participantes. La
percepción de complejidad y la necesidad de comprender los procesos
algorÃtmicos subyacentes —especialmente en herramientas como el aprendiz=
aje
automático— pueden estar limitando la adopción, lo cual resalta la impo=
rtancia
de estrategias de capacitación accesibles y progresivas.
En cuanto a la influencia social, se identif=
icó
que el entorno profesional también tiene un rol importante en la adopción
tecnológica. Las entrevistas revelaron que, en contextos donde los lÃderes
promueven la innovación tecnológica o donde colegas ya utilizan herramien=
tas de
IA, hay una mayor disposición a explorar estas tecnologÃas. Esta presión=
social
positiva puede ser un factor clave para impulsar cambios culturales en
organizaciones tradicionalmente conservadoras, facilitando una adopción mÃ=
¡s
rápida y extendida.
Finalmente, las condiciones facilitadoras
emergieron como una de las principales barreras para la implementación
efectiva. El 58% de los participantes señaló que sus organizaciones no cu=
entan
con la infraestructura necesaria para aplicar herramientas de IA, y las
entrevistas apuntaron a la falta de compatibilidad entre sistemas contables=
y
nuevas soluciones tecnológicas. Esto pone en evidencia que, más allá de =
la
voluntad individual, el entorno técnico y organizacional sigue siendo
determinante para que los profesionales puedan incorporar de manera efectiva
estas innovaciones en su práctica cotidiana. Por ello, el modelo UTAUT ofr=
ece
una lente integral que permite interpretar los hallazgos y orientar futuras
polÃticas institucionales que promuevan una adopción tecnológica sosteni=
ble y
contextualizada.
Los hallazgos de
esta investigación permiten arribar a conclusiones coherentes con el objet=
ivo
general propuesto: analizar el fenómeno de la adopción de tecnologÃas de=
IA en
la auditorÃa externa e identificar las razones que motivan o impiden su us=
o por
parte de los profesionales del sector. El estudio confirmó que existe un a=
lto
nivel de conocimiento teórico sobre la IA entre los auditores, pero que su
implementación práctica en auditorÃas externas es todavÃa limitada y de=
sigual,
lo que revela una brecha significativa entre el discurso profesional y la
acción concreta.
Este desfase en=
tre
conocimiento y uso efectivo puede explicarse por una combinación de factor=
es
identificados tanto en la literatura como en el trabajo empÃrico: falta de
formación técnica, carencias en infraestructura tecnológica, ausencia de=
marcos
regulatorios especÃficos y resistencia organizacional al cambio. Estos
resultados respaldan lo señalado por autores como Asi=
f
(2020), Mpofu (2023) y Longo et al. (2020), y
refuerzan la necesidad de polÃticas institucionales e iniciativas formativ=
as
que acompañen la adopción de herramientas digitales avanzadas en auditorÃ=
a.
En lo que respe=
cta
al primer objetivo especÃfico, se constató que, si bien la mayorÃa de los
profesionales encuestados manifiesta conocer el concepto de IA, solo una
minorÃa ha utilizado herramientas de IA avanzadas en auditorÃas reales. E=
sta
situación se vincula directamente con el segundo objetivo, ya que el uso
concreto de tecnologÃas como el aprendizaje automático, la RPA o el anál=
isis
predictivo como herramienta tecnológica fue reportado casi exclusivamente =
en
firmas grandes o multinacionales, con recursos suficientes para afrontar su
incorporación.
Por tanto, la
adopción de IA en auditorÃa externa no solo está condicionada por el niv=
el de
conocimiento individual, sino también por el contexto organizacional. Las
pequeñas y medianas firmas enfrentan limitaciones estructurales que dificu=
ltan
el acceso a herramientas avanzadas, replicando una desigualdad tecnológica=
ya
evidenciada en otros estudios. Esto refuerza la importancia de diseñar mod=
elos
de adopción adaptados a distintos perfiles de organizaciones, tal como se
sugiere en la literatura reciente (Salvatierra, 2024; Vásquez et al., 2022=
).
En relación co=
n el
impacto percibido de la IA, los participantes valoraron de forma positiva su
potencial para reducir los tiempos de auditorÃa, mejorar la cobertura y
fortalecer la detección de fraudes. Sin embargo, también emergieron
preocupaciones relevantes sobre la fiabilidad de los algoritmos, la falta d=
e explicabilidad y el riesgo de perder trazabilidad en =
los
procedimientos. Estos aspectos destacan la importancia de avanzar en el
desarrollo e implementación de modelos de IA explicables (XAI) dentro de l=
os
entornos profesionales regulados, como propusieron Longo et al. (2020).
El estudio tamb=
ién
evidenció que el juicio profesional del auditor sigue siendo central en la=
toma
de decisiones. La IA, más que un sustituto, es concebida por los profesion=
ales
como una herramienta complementaria que puede potenciar su trabajo, automat=
izando
tareas rutinarias y facilitando el análisis de grandes volúmenes de
información. Esta visión integradora promueve un enfoque de adopción
tecnológica que preserve la ética profesional y refuerce el rol estratég=
ico del
auditor.
Las entrevistas
permitieron identificar que las experiencias más avanzadas en el uso de IA=
en
auditorÃa están ligadas a entornos donde existe una cultura organizacional
abierta a la innovación y donde los liderazgos han impulsado procesos de
digitalización. Esto indica que la tecnologÃa por sà sola no transforma =
el
proceso auditor, sino que requiere una gestión activa del cambio y una vis=
ión
estratégica para su integración exitosa.
En términos
normativos, el estudio señaló la necesidad de actualizar los marcos
regulatorios para acompañar el uso de IA en auditorÃa externa. Si bien las
Normas Internacionales de AuditorÃa (NIAs) per=
miten
el uso de tecnologÃas, aún no ofrecen lineamientos claros sobre su aplica=
ción
especÃfica, especialmente en relación con la evidencia obtenida mediante
algoritmos. Este vacÃo normativo genera incertidumbre y limita el
aprovechamiento de las herramientas disponibles.
Una conclusión
relevante es que el proceso de adopción de IA debe contemplar no solo aspe=
ctos
técnicos, sino también formativos, organizacionales y éticos. La capacit=
ación
permanente, la transparencia algorÃtmica y la responsabilidad profesional =
deben
ser principios rectores en el diseño de auditorÃas tecnológicamente asis=
tidas.
Asimismo, es fundamental promover la equidad en el acceso a estas tecnologÃ=
as,
para que su uso no reproduzca ni profundice desigualdades existentes en el
ejercicio profesional.
Finalmente, esta
investigación ofrece un punto de partida para futuras lÃneas de indagaciÃ=
³n más
profundas. Se recomienda avanzar en estudios de caso sobre la aplicación r=
eal
de IA en auditorÃa, desarrollar modelos de adopción diferenciados para di=
versos
tipos de firmas, e investigar los efectos normativos y éticos de estas
tecnologÃas. De esta manera, se podrá contribuir al fortalecimiento de una
auditorÃa más eficaz, transparente y adaptada a los desafÃos de la era d=
igital.
Reconocimient=
os y
Declaraciones
Este trabajo ha sido financiado por= los propios investigadores y forma parte del Trabajo Final de Graduación para = el tÃtulo de Especialista en Contabilidad y AuditorÃa. Posteriormente, se ra= dicó como proyecto de investigación bajo el tÃtulo “La aplicación de la Int= eligencia Artificial en la auditorÃa externa†en la Universidad Siglo 21, Córdoba, Argentina, con Resolución Rectoral de aprobación pendiente.
Se reconoce la participación equit= ativa de los autores en el desarrollo de la investigación presentada en esta publicación.
De la misma manera, se declara el n=
o uso,
de la inteligencia artificial en el desarrollo de la presente investigació=
n.
Referencias
Asif Qureshi,
M. (2020). AuditorÃa de tecnolo=
gÃas
emergentes: Afrontar los desafÃos de la nueva era. ISACA Journ=
al.
Caner, S., y
Bhatti, F. (2020). A conceptual
framework on defining businesses strategy for artificial intelligence. =
Contemporary Management Research, 16(3), 175-206. https://cmr-journal.org/article/download/19970/13775
Erazo-Castillo, J=
., y la
A-Muñoz, D. (2023). AuditorÃa =
del
futuro, la prospectiva y la inteligencia artificial para anticipar riesgos =
en
las organizaciones. Revista Digital Novasine=
rgia,
6(1), 105-119. https://doi.org/=
10.37135/ns.01.11.07
FACPCE - (CENCyA). (2022). Informe
N° 25 CENCyA - Aplicación de nuevas tecnologÃ=
as en el
trabajo del auditor. Federación Argentina de Consejos Profesionales de
Ciencias Económicas (FACPCE). https://www.facpce.org.ar/wp-content/uploads/2022/03/INFORME_No_25.pd=
f
GarcÃa, J. S. C.=
, Andi, A. S. S., Arias, G. N. G., y Tuares,
R. R. V. (2024). Inteligencia
artificial y su contribución a la innovación en las empresas. C=
iencia
y Desarrollo, 27(2), 245-253. https://revistas.uap.edu.pe/ojs/index.php/CYD/article/viewFile/2618/2=
606
Internation=
al
Auditing and Assurance Standards Board. (2009). Norma
Internacional de AuditorÃa 500: Evidencia de auditorÃa. Instituto de
Censores Jurados de Cuentas de España. https://www.icjc=
e.es/adjuntos/niaes-500.pdf
Internation=
al
Auditing y Assurance Standards Board. (2009).
Norma Internacional de AuditorÃa 401: AuditorÃa en un ambiente de sistema=
s de
información computarizada. Grupo Miranda. https://www.grupomiranda.co.cr/despachos/nias_400_499_pdf/NIA_401.pdf=
Internation=
al
Auditing y Assurance Standards Board. (2009). Norma
Internacional de AuditorÃa 315: Identificación y valoración de los riesg=
os de
incorrección material mediante el entendimiento de la entidad y su entorno=
.
Instituto de Censores Jurados de Cuentas de España. https://www.icjc=
e.es/adjuntos/niaes-315.pdf
KPMG. (2023). El desafÃo de las nuevas tecnologÃas
aplicadas en la auditorÃa. Redactado por Augusto Damiani, Socio de
AuditorÃa de KPMG Argentina. https://assets.kpmg.com/content/dam/kpmg/ar/pdf/2023/el-desafio-de-la=
s-nuevas-tecnologias-aplicadas-en-la-auditoria.pdf
Longo, L., =
Goebel,
R., Lecue, F., Kieseberg,
P., y Holzinger, A. (2020).
Molina, M. =
(2024). Incidencia
de la inteligencia artificial en los sistemas de información y las compete=
ncias
de los auditores. Facultad de Ciencias Económicas y Sociales. Comunicación y Geren=
cia, 4(1).
https://revistasuba.com/index.php/COMUNICACIONYGERENCIA/article/downl=
oad/943/578#page=3D83
Mpofu, F. (=
2023). The application of Artificial Intellig=
ence
in external auditing and its implications on audit quality? A review of the
ongoing debates. International Journal of Research in Business and
Social Science (2147-4478), 12(9), 496-512. https://www.ssbfnet.com/ojs/index.php/ijrbs/article/download/2737/213=
9
Rai, D. H. =
(2024). Artificial Intelligence Through Time A
Comprehensive Historical Review. https://www.researchgate.net/prof=
ile/Dilli-Hang
Rai/publication/385939923_Artificial_Intelligence_Through_Time_A_Comprehens=
ive_Historical_Review/links/676fb15600aa3770e0c2516f/Artificial-Intelligenc=
e-Through-Time-A-Comprehensive-Historical-Review.pdf
Rojas Amado, J. C=
., y
Escobar Ãvila, M. E. E. (2021). Beneficios
del uso de tecnologÃas digitales en la auditorÃa externa: una revisión d=
e la
literatura. Revista Facultad de Ciencias Económicas: Investigaci=
ón y
Reflexión, 29(2), 45-65. http://www.scielo.org.co/scielo.php?pid=3DS0121-68052021000200045&=
;script=3Dsci_arttext
Román-Acosta, D.=
(2024). Exploración filosófica de la epistemologÃa de la inteligencia
artificial: Una revisión sistemática. Uniandes Episteme, 11=
(1),
101-122.  https://revista.uniandes.edu.ec/ojs/index.php/EPISTEME/article/downlo=
ad/3388/3932
Salvatierra, A. J=
. T.
(2024). Impacto de la Inteligenc=
ia
Artificial, Blockchain y Contabilidad en la Nub=
e en
la Transformación de las Prácticas Contables y AuditorÃas en México:
Oportunidades, DesafÃos y Estrategias de Integración. Ciencia L=
atina:
Revista Multidisciplinar, 8(4), 12491-12510. https://dialnet.unirioja.es/descarga/articulo/9742329.pdf<=
/span>
Vásquez, A. C., =
Conde, R.
G., y Vásquez, M. C. (2022). La=
s TICs como parte del proceso de auditorÃa. =
Perfiles
de IngenierÃa, 18(18), 115-128. http://revistas.urp.edu.pe/index.php/Perfiles_Ingenieria/article/down=
load/5403/7098
Venkatesh, =
V.,
Morris, M. G., Davis, G. B., y Davis, F. D. (2003). User acceptance of information technology: Toward a unified view.
MIS quarterly, 425-478. https://www.jstor.org/stable/30036540
Zhang, C. (=
2019). Intelligent Process Automation in Audi=
t
(July 19, 2019). Forthcoming, Journal of Emerging Technologies in Accoun=
ting,
5
La adopción de la Inteligencia Artificial en
procesos de auditorÃa externa: barreras, desafÃos y oportunidades