Revista Minerva · Artículo 20 · InvestigaciónVol. 7 · Núm. 21 · Septiembre–diciembre de 2026 · pp. 206–216 · ISSN-e 2697-3650
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)Art´ıculo de investigaci´onhttps://doi.org/10.47460/minerva.v7i21.372Evaluaci´on del impacto de la inteligencia artificial en la calidad de lainformaci´on contable y la eficiencia de las decisiones organizacionalesElaine Sandra Monterroso Achahui*https://orcid.org/0009-0004-3360-2224elaine.monterroso@gmail.comUniversidad Nacional San Antonio Abad delCuscoCusco, Per´uMagaly Pezo Zegarrahttps://orcid.org/0009-0002-8549-5251mpezozegarra@gmail.comUniversidad Nacional San Antonio Abad delCuscoCusco, Per´u*Autora de correspondencia: elaine.monterroso@gmail.comRecibido: (11/08/2026), Aceptado: (31/10/2026)Resumen. La investigaci´on tuvo como objetivo evaluar el desempe˜no de estrategias de inteligenciaartificial en la detecci´on de anomal´ıas contables y su contribuci´on a la eficiencia de los procesos derevisi´on. Se desarroll´o un estudio cuantitativo experimental con registros contables sint´eticos corre-spondientes a dos ejercicios fiscales. Se compararon cuatro estrategias: reglas tradicionales, IsolationForest, Random Forest y un modelo h´ıbrido, mediante indicadores de precisi´on promedio, ´area bajola curva ROC y cobertura de anomal´ıas bajo diferentes presupuestos de inspecci´on. Random Forestobtuvo el mejor desempe˜no, con una precisi´on promedio de 0,5392 y un ´area ROC de 0,9517. Con unpresupuesto de revisi´on del 2 %, identific´o 379 de 427 anomal´ıas (88,76 %). Los resultados evidencianel potencial de la inteligencia artificial para priorizar registros contables, sin embargo, se sugiere suaplicaci´on organizacional luego de haberse verificado emp´ıricamente.Palabras clave: inteligencia artificial; informaci´on contable; detecci´on de anomal´ıas; aprendizaje au-tom´atico.Assessing the Impact of Artificial Intelligence on the Quality of AccountingInformation and the Efficiency of Organizational DecisionsAbstract. This study aimed to evaluate the performance of artificial intelligence strategies in detectingaccounting anomalies and their contribution to the efficiency of review processes.A quantitativeexperimental study was conducted using synthetic accounting records from two fiscal years.Fourstrategies were compared: traditional rules, Isolation Forest, Random Forest, and a hybrid model.Performance was assessed using average precision, area under the ROC curve, and anomaly coverageunder different inspection budgets. Random Forest achieved the best overall performance, with anaverage precision of 0.5392 and a ROC-AUC of 0.9517. Under a 2% review budget, it identified 379out of 427 anomalies (88.76%). The results show the potential of artificial intelligence to prioritizeaccounting records, however, its organizational application is suggested after having been empiricallyverified.Keywords: artificial intelligence; accounting information; anomaly detection; machine learning.Monterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...206
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)I.INTRODUCCI ´ONLa transformaci´on digital de los procesos contables ha incrementado la disponibilidad de informaci´onfinanciera y las posibilidades de automatizar su procesamiento, an´alisis y verificaci´on. Sin embargo, elcrecimiento del volumen de transacciones tambi´en plantea dificultades para identificar oportunamenteregistros inconsistentes, operaciones at´ıpicas y patrones que requieren revisi´on. Desde la perspectivade la informaci´on financiera, la utilidad de los datos contables depende de caracter´ısticas como larelevancia, la representaci´on fiel, la comparabilidad, la verificabilidad y la oportunidad [1]. En estecontexto, los sistemas de informaci´on contable desempe˜nan un papel fundamental en la generaci´on deinformaci´on que respalde los procesos de control y las decisiones organizacionales [2].La incorporaci´on de inteligencia artificial en los procedimientos contables ha ampliado las posi-bilidades de analizar grandes conjuntos de transacciones mediante algoritmos capaces de reconocerpatrones y detectar comportamientos inusuales.Kokina y Davenport [3] identificaron la automati-zaci´on inteligente como una transformaci´on relevante para las actividades de auditor´ıa, mientras queAppelbaum et al. [4] destacaron la importancia de integrar procedimientos anal´ıticos en los procesosde revisi´on financiera.Las investigaciones sobre detecci´on computacional de irregularidades financieras han mostrado quelos algoritmos de aprendizaje autom´atico pueden aportar capacidades anal´ıticas adicionales a los pro-cedimientos estad´ısticos convencionales.Perols [5] compar´o m´etodos estad´ısticos y de aprendizajeautom´atico para identificar fraude en estados financieros, mientras que Bao et al. [6] desarrollaron unenfoque predictivo para detectar fraude contable en empresas cotizadas. No obstante, la identificaci´onde anomal´ıas en asientos contables representa un problema diferente, debido a la estructura transa-ccional de los registros, la heterogeneidad de las operaciones y la baja frecuencia relativa de los casosan´omalos.En los procesos de control contable, la disponibilidad de recursos de inspecci´on constituye unarestricci´on operativa relevante. Un sistema capaz de identificar anomal´ıas puede resultar poco ´util sigenera una cantidad excesiva de alertas o si las operaciones de mayor inter´es quedan fuera de las prior-idades de revisi´on. Por esta raz´on, la evaluaci´on de los algoritmos debe incorporar indicadores que rela-cionen el desempe˜no predictivo con la proporci´on de registros examinados. La literatura metodol´ogicaha se˜nalado que las curvas precisi´on-recall proporcionan informaci´on especialmente relevante cuandolas clases presentan distribuciones desequilibradas [7], [8]. Este enfoque permite analizar la utilidad delos modelos bajo diferentes capacidades de inspecci´on y establecer comparaciones m´as pr´oximas a lasnecesidades de priorizaci´on contable.En este contexto, el objetivo de la investigaci´on fue evaluar el desempe˜no de diferentes estrategiasde inteligencia artificial en la identificaci´on de anomal´ıas contables y determinar su contribuci´on a laeficiencia de las decisiones de revisi´on mediante un dise˜no experimental computacional. Se compararonprocedimientos basados en reglas tradicionales, Isolation Forest, Random Forest y una estrategia h´ıbrida,utilizando registros correspondientes a dos ejercicios fiscales consecutivos. La contribuci´on del estudioconsiste en integrar la evaluaci´on predictiva con indicadores de cobertura y capacidad de inspecci´on, as´ıcomo examinar las diferencias de desempe˜no entre categor´ıas de anomal´ıas. De esta manera, se buscaestablecer evidencia cuantitativa sobre las condiciones en las que la inteligencia artificial puede mejorarla priorizaci´on de registros contables y las limitaciones que deben considerarse para su aplicaci´on ensistemas de apoyo a las decisiones organizacionales.II.MARCO TE ´ORICOA.Calidad de la informaci´on contable y utilidad para las decisiones organizacionalesLa calidad de la informaci´on contable constituye un componente fundamental de los sistemas de gesti´on,debido a su funci´on en la representaci´on de las operaciones econ´omicas y en el suministro de informaci´onpara los procesos de control, evaluaci´on y toma de decisiones. El marco conceptual de informaci´on fi-nanciera establece que la relevancia y la representaci´on fiel son caracter´ısticas fundamentales de lainformaci´on ´util, mientras que la comparabilidad, verificabilidad, oportunidad y comprensibilidad con-tribuyen a incrementar su utilidad [1]. Estas caracter´ısticas permiten comprender la calidad contablecomo un concepto multidimensional que no depende exclusivamente de la exactitud de los registros,sino tambi´en de su capacidad para representar adecuadamente los fen´omenos econ´omicos.Monterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...207
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)Los sistemas de informaci´on contable integran procedimientos de registro, clasificaci´on, proce-samiento y comunicaci´on de datos financieros. Su contribuci´on a la gesti´on organizacional depende dela confiabilidad de los registros y de la posibilidad de transformar los datos disponibles en informaci´onpertinente para las decisiones. La calidad de estos sistemas se relaciona con la utilidad de la informaci´onproducida y con las condiciones en que los responsables organizacionales pueden utilizarla para evaluaralternativas [2].La presencia de operaciones at´ıpicas, inconsistencias o registros que requieren verificaci´on puedeafectar la confiabilidad de los procesos contables y aumentar las necesidades de revisi´on. Sin embargo,no todas las anomal´ıas representan errores materiales, incumplimientos normativos o comportamientosfraudulentos. Una operaci´on puede presentar caracter´ısticas estad´ısticas poco frecuentes y, al mismotiempo, corresponder a una transacci´on leg´ıtima. En consecuencia, los procedimientos de detecci´ondeben interpretarse como mecanismos de identificaci´on de riesgos y selecci´on de registros para an´alisisposterior, sin sustituir la valoraci´on profesional de su naturaleza y consecuencias.B.Inteligencia artificial y detecci´on de anomal´ıas en registros contablesLa inteligencia artificial ha ampliado las posibilidades de automatizaci´on de los procesos de auditor´ıay an´alisis contable mediante herramientas capaces de procesar grandes vol´umenes de informaci´on eidentificar relaciones dif´ıciles de establecer a trav´es de procedimientos manuales. Kokina y Davenport[3] examinaron las implicaciones de las tecnolog´ıas cognitivas en las actividades de auditor´ıa, destacandosu potencial para modificar la distribuci´on de tareas entre sistemas automatizados y profesionales.De manera complementaria, Appelbaum et al. [4] sistematizaron las aplicaciones de procedimientosanal´ıticos en auditor´ıa externa y propusieron un marco para comprender su integraci´on en actividadesde evaluaci´on financiera.La detecci´on de anomal´ıas constituye una aplicaci´on particularmente relevante del aprendizaje auto-m´atico en el ´ambito contable. Su prop´osito consiste en identificar observaciones que presentan diferen-cias respecto de patrones considerados habituales. Estas diferencias pueden relacionarse con importes,frecuencias, fechas, cuentas involucradas, usuarios responsables o combinaciones de caracter´ısticas ope-rativas. La interpretaci´on de una anomal´ıa requiere considerar el contexto contable, debido a que lasingularidad estad´ıstica no determina necesariamente la existencia de una irregularidad financiera.Los m´etodos tradicionales de revisi´on suelen fundamentarse en reglas previamente establecidas,como l´ımites monetarios, operaciones registradas fuera de horarios habituales o diferencias temporalesentre la documentaci´on y la contabilizaci´on. Estas estrategias ofrecen criterios comprensibles y puedenresultar ´utiles cuando los riesgos se encuentran claramente definidos. Sin embargo, su capacidad paraidentificar relaciones complejas entre m´ultiples variables puede ser limitada. Perols [5] examin´o dife-rentes algoritmos estad´ısticos y de aprendizaje autom´atico para detectar fraude en estados financieros,evidenciando que el desempe˜no depende de las caracter´ısticas de los modelos y de las condiciones deevaluaci´on.Los algoritmos supervisados utilizan observaciones previamente clasificadas para aprender relacionesentre las caracter´ısticas de entrada y las categor´ıas de inter´es. Bao et al. [6] aplicaron t´ecnicas de apren-dizaje autom´atico a la identificaci´on de fraude contable en empresas cotizadas, proporcionando evidenciasobre las posibilidades de estos procedimientos para complementar el an´alisis financiero. Entre los al-goritmos supervisados, Random Forest combina m´ultiples ´arboles de decisi´on y agrega sus prediccionespara obtener resultados de clasificaci´on [9]. Su estructura permite representar relaciones no lineales einteracciones entre variables sin requerir una especificaci´on funcional ´unica.Por su parte, los m´etodos no supervisados identifican patrones at´ıpicos sin depender de etiquetasde anomal´ıa durante el entrenamiento. Isolation Forest utiliza particiones aleatorias para aislar observa-ciones, bajo el principio de que los casos an´omalos pueden requerir menos divisiones para separarse delconjunto de datos [10]. Esta caracter´ıstica lo convierte en una alternativa para escenarios en los quelas irregularidades conocidas son escasas o no existe una clasificaci´on previa suficientemente confiable.Los enfoques h´ıbridos combinan diferentes procedimientos con el prop´osito de aprovechar sus ca-racter´ısticas complementarias. No obstante, su rendimiento depende de la compatibilidad entre laspuntuaciones, los criterios de integraci´on y las propiedades de los datos. La combinaci´on de modelosno garantiza una mejora autom´atica, especialmente cuando sus errores presentan patrones semejanteso cuando alguno de los componentes incorpora informaci´on poco discriminativa.Monterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...208
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)En el an´alisis de registros contables, la estructura de los asientos introduce consideraciones adi-cionales. Cada operaci´on puede comprender varias l´ıneas relacionadas mediante cuentas de d´ebito ycr´edito, por lo que su evaluaci´on requiere preservar la unidad transaccional. Gronewald et al. [11]desarrollaron un conjunto de datos sint´eticos que reproduce esta estructura e incorpora categor´ıasidentificadas de anomal´ıas, permitiendo evaluar diferentes estrategias de detecci´on bajo condicionesexperimentales controladas.C.Desempe˜no predictivo y eficiencia de la revisi´on contableLa evaluaci´on de algoritmos de detecci´on de anomal´ıas requiere considerar tanto su capacidad paradistinguir registros normales y an´omalos como su utilidad dentro de procesos de revisi´on con recursoslimitados. En conjuntos de datos con baja proporci´on de anomal´ıas, la exactitud global puede ofreceruna interpretaci´on insuficiente del desempe˜no, debido a que un clasificador puede alcanzar valoreselevados al identificar correctamente la clase mayoritaria sin reconocer adecuadamente los casos deinter´es.Las medidas de precisi´on y sensibilidad permiten examinar aspectos complementarios del rendimiento.La precisi´on expresa la proporci´on de anomal´ıas verdaderas entre los registros seleccionados comopositivos, mientras que la sensibilidad representa la proporci´on de anomal´ıas existentes que fueronidentificadas. Davis y Goadrich [7] estudiaron la relaci´on entre las curvas precisi´on-recall y ROC, es-tableciendo fundamentos para interpretar estas representaciones del desempe˜no. Posteriormente, Saitoy Rehmsmeier [8] destacaron la utilidad de las curvas precisi´on-recall en conjuntos de datos con dis-tribuciones desequilibradas.En los procesos de revisi´on contable, la capacidad de inspecci´on puede expresarse como una pro-porci´on del total de operaciones disponibles. Bajo esta condici´on, los modelos no solamente debenidentificar anomal´ıas, sino tambi´en ordenarlas seg´un su prioridad estimada.La selecci´on de los re-gistros con mayores puntuaciones permite analizar cu´antas anomal´ıas pueden identificarse cuando laorganizaci´on dispone de recursos para examinar ´unicamente una fracci´on de las operaciones.La evaluaci´on por categor´ıas de anomal´ıa proporciona informaci´on adicional sobre las limitacionesde los modelos.Un algoritmo puede presentar un desempe˜no global elevado y, simult´aneamente,dificultades para identificar determinados tipos de registros. Por ello, el an´alisis desagregado resultanecesario para establecer la consistencia de los procedimientos y evitar que los indicadores agregadosoculten deficiencias relevantes para el control contable.III.METODOLOG´IAA.Dise˜no de la investigaci´onLa investigaci´on se desarroll´o mediante un enfoque cuantitativo, de car´acter experimental computa-cional, orientado a evaluar el desempe˜no de diferentes m´etodos de identificaci´on de anomal´ıas enregistros contables y su contribuci´on a la eficiencia de los procesos de revisi´on. Se estableci´o un dise˜nocomparativo que incluy´o procedimientos basados en reglas tradicionales, algoritmos de aprendizaje au-tom´atico y una estrategia h´ıbrida de priorizaci´on de registros.La evaluaci´on se fundament´o en la capacidad de los m´etodos para identificar operaciones contablespreviamente clasificadas como an´omalas, considerando tanto el rendimiento predictivo como la cantidadde registros que deb´ıan examinarse para alcanzar determinados niveles de detecci´on. La eficiencia de lasdecisiones se operacionaliz´o mediante la selecci´on priorizada de asientos para revisi´on, bajo restriccionesde capacidad de inspecci´on.B.Fuente de datos y unidad de an´alisisSe utiliz´o el conjunto de datos DIB General Ledger Data, publicado en Zenodo, compuesto por registroscontables sint´eticos correspondientes a dos ejercicios fiscales consecutivos, 2023 y 2024. El conjuntoreproduce operaciones de partida doble e incorpora diferentes categor´ıas de anomal´ıas identificadasmediante etiquetas que permiten evaluar los procedimientos de detecci´on.La base original conten´ıa 256 232 l´ıneas contables, agrupadas en 102 429 asientos ´unicos. De estos,101 579 correspond´ıan a operaciones clasificadas como normales y 850 presentaban anomal´ıas.Laproporci´on global de asientos an´omalos fue del 0,83 %. La unidad de an´alisis fue el asiento contable,definido como el conjunto de l´ıneas asociadas a un mismo identificador de registro.Esta decisi´onMonterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...209
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)permiti´o conservar la estructura transaccional de las operaciones y evitar que las l´ıneas pertenecientesa un mismo asiento fueran tratadas como observaciones independientes.La informaci´on se organiz´o en una matriz anal´ıtica que incorpor´o caracter´ısticas temporales, mone-tarias y operativas de cada asiento. Se incluyeron el n´umero de l´ıneas, la cantidad de cuentas involu-cradas, el importe de la operaci´on, la tasa impositiva m´axima registrada, el mes y d´ıa de contabilizaci´on,la hora de registro, el tiempo transcurrido entre la fecha documental y el ingreso de la operaci´on, y laidentificaci´on del usuario responsable.C.Preparaci´on y verificaci´on de los datosEl procesamiento inicial comprendi´o la lectura de los registros originales, su agrupaci´on por identifi-cador de asiento y la construcci´on de variables agregadas. Se verific´o la integridad de los campos, laconsistencia de las etiquetas y el equilibrio entre los importes registrados al debe y al haber. No seidentificaron valores ausentes en las 19 variables originales. Asimismo, la comprobaci´on de los asientosagrupados no identific´o diferencias entre d´ebitos y cr´editos superiores a una tolerancia de 0,01 unidadesmonetarias.Para reducir la asimetr´ıa de los importes, se aplic´o una transformaci´on logar´ıtmica a la magni-tud monetaria de las operaciones.Las variables categ´oricas correspondientes a los usuarios fueroncodificadas mediante representaci´on binaria, mientras que los valores num´ericos se incorporaron al pro-ceso de modelado conservando sus respectivas escalas. Las variables que identificaban directamentelas anomal´ıas, incluidas las etiquetas de clasificaci´on y sus categor´ıas, se excluyeron de los atributospredictivos. Tambi´en se excluyeron indicadores derivados del mecanismo de generaci´on de anomal´ıas,con el prop´osito de reducir el riesgo de incorporar informaci´on sobre la respuesta esperada durante elentrenamiento.D.Dise˜no experimental y modelos de comparaci´onSe estableci´o una partici´on temporal de los datos. Los 51 064 asientos correspondientes a 2023, entreellos 423 anomal´ıas, se utilizaron para el entrenamiento de los modelos y la determinaci´on de lospar´ametros de referencia. Los 51 365 asientos de 2024, que inclu´ıan 427 anomal´ıas, se reservaron parala evaluaci´on. Se implementaron cuatro estrategias de identificaci´on y priorizaci´on. El primer m´etodoconsisti´o en un sistema de reglas tradicionales que asign´o puntuaciones de riesgo seg´un retrasos deregistro, importes elevados, operaciones realizadas fuera del horario habitual, contabilizaciones durantefines de semana y tasas impositivas diferentes del valor de referencia. Los umbrales correspondientes alretraso y al importe se establecieron utilizando el percentil 95 de los datos de entrenamiento.El segundo m´etodo utiliz´o Isolation Forest, un algoritmo no supervisado de detecci´on de anomal´ıas,configurado con 150 estimadores y una semilla aleatoria de 42. Las puntuaciones de anomal´ıa obtenidasse utilizaron para ordenar los asientos seg´un su prioridad de revisi´on. El tercer m´etodo emple´o RandomForest, mediante un modelo supervisado de clasificaci´on con 180 ´arboles, un m´ınimo de tres obser-vaciones por hoja y ponderaci´on de clases para considerar el desequilibrio entre registros normales yan´omalos. El modelo gener´o una puntuaci´on predictiva para cada asiento del per´ıodo de prueba.El cuarto m´etodo integr´o las puntuaciones de Random Forest y del sistema de reglas mediante unacombinaci´on ponderada de sus posiciones relativas en la clasificaci´on. Se utilizaron pesos de 0,80 y0,20, respectivamente, para explorar el comportamiento de una estrategia h´ıbrida de priorizaci´on.E.Indicadores de desempe˜no y eficienciaEl desempe˜no de los modelos se evalu´o mediante el ´area bajo la curva precisi´on-recall, el ´area bajo lacurva ROC y los indicadores de precisi´on y sensibilidad calculados para diferentes capacidades de revisi´on.Se establecieron presupuestos de inspecci´on equivalentes al 1 %, 2 %, 5 % y 10 % de los asientos delconjunto de prueba. Para cada presupuesto se seleccionaron los registros con mayores puntuaciones deriesgo y se contabiliz´o la cantidad de anomal´ıas correctamente identificadas. La precisi´on de revisi´onse defini´o como:Pk =TPkk(1)donde TPk representa el n´umero de asientos an´omalos identificados entre los k registros seleccionadospara revisi´on. La cobertura de anomal´ıas se calcul´o mediante:Monterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...210
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)Rk =TPkNa(2)donde Na corresponde al n´umero total de asientos an´omalos presentes en el conjunto de prueba.Adicionalmente, se examin´o el comportamiento de los m´etodos en las ocho categor´ıas de anomal´ıasdisponibles, con el prop´osito de identificar diferencias en su capacidad de detecci´on y posibles limita-ciones de las estrategias de priorizaci´on.F.Alcance de la evaluaci´onEl dise˜no permiti´o evaluar la capacidad de diferentes procedimientos computacionales para identificary priorizar registros contables an´omalos, utilizando un conjunto de datos con etiquetas conocidas. Lacalidad de la informaci´on contable se examin´o desde la perspectiva de la detecci´on de irregularidades yde la utilidad de las alertas generadas para orientar procesos de revisi´on. La eficiencia de las decisionesorganizacionales se represent´o mediante la asignaci´on de capacidades limitadas de inspecci´on a losregistros considerados de mayor riesgo.Dado el car´acter sint´etico del conjunto de datos, los resultados corresponden a un entorno experi-mental y no constituyen mediciones directas de productividad, calidad integral de los estados financierosni decisiones efectivamente adoptadas por organizaciones reales.IV.RESULTADOSA.Desempe˜no comparativo de los modelosEl conjunto de prueba comprendi´o 51 365 asientos contables, de los cuales 427 (0,83 %) estabanetiquetados como an´omalos.La evaluaci´on de los cuatro procedimientos mostr´o diferencias en lacapacidad para ordenar los registros seg´un su riesgo de anomal´ıa. Random Forest alcanz´o la mayorprecisi´on promedio (AP = 0,5392) y el mayor AUC-ROC (0,9517), seguido por el modelo h´ıbrido (AP= 0,4300; AUC-ROC = 0,9449). Los procedimientos basados en reglas tradicionales y en IsolationForest obtuvieron valores AP de 0,0434 y 0,0540, respectivamente. La tabla 1 presenta los indicadorespredictivos y la cantidad de anomal´ıas identificadas cuando se inspecciona el 2 % de los asientos. LaFig. 1 permite comparar visualmente la precisi´on promedio de los cuatro m´etodos.Tabla 1. Desempe˜no comparativo de los modelos de detecci´on de anomal´ıas contables.ModeloAPAUC-ROC Detectadas al 2 %Reglas tradicionales0.04340.778651Isolation Forest0.05400.865687Random Forest0.53920.9517379H´ıbrido (RF + reglas)0.43000.9449270La Fig. 1 permite visualizar las diferencias en la precisi´on promedio alcanzada por los modelosevaluados, destacando el desempe˜no del algoritmo Random Forest frente a los m´etodos tradicionales yno supervisados.La estrategia h´ıbrida no super´o al clasificador supervisado independiente. Este comportamientoindica que la incorporaci´on de una puntuaci´on adicional basada en reglas no mejor´o la clasificaci´onobtenida con la configuraci´on ensayada.B.Eficiencia de la priorizaci´on de revisionesLa eficiencia de la selecci´on se examin´o mediante presupuestos de revisi´on equivalentes al 1 %, 2 %, 5% y 10 % de los asientos de prueba. En el presupuesto del 2 %, Random Forest identific´o 379 de las 427anomal´ıas (88,76 %), frente a 51 (11,94 %) para las reglas tradicionales, 87 (20,37 %) para IsolationForest y 270 (63,23 %) para el modelo h´ıbrido. La diferencia de cobertura entre Random Forest y lasreglas fue de 76,81 puntos porcentuales. La tabla 2 resume el n´umero de anomal´ıas recuperadas seg´unla capacidad de revisi´on.El aumento del presupuesto no produjo incrementos uniformes: RandomMonterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...211
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)Fig. 1. Precisi´on promedio seg´un el tipo de modelo empleadoForest recuper´o 386 anomal´ıas con el 5 % y 390 con el 10 %, lo que sugiere rendimientos marginalesdecrecientes dentro de este conjunto de prueba.Tabla 2. Anomal´ıas detectadas seg´un el presupuesto de revisi´on contable.Modelo1 % 2 % 5 % 10 %Reglas tradicionales3651105275Isolation Forest4687163241Random Forest277379386390H´ıbrido (RF + reglas)250270386390La Fig. 2 muestra la evoluci´on de la cobertura de anomal´ıas en funci´on del presupuesto de inspecci´on,permitiendo comparar la eficiencia de las estrategias de priorizaci´on y determinar cu´ales concentran unamayor proporci´on de registros an´omalos con un menor esfuerzo de revisi´on.Los indicadores representan eficiencia en la priorizaci´on experimental de registros y no una reducci´onobservada de tiempos o costos de auditor´ıa en una organizaci´on real.C.Comportamiento por categor´ıa de anomal´ıaLa capacidad de identificaci´on no fue homog´enea entre las ocho categor´ıas de anomal´ıas. Al revisar el2 % de los asientos, Random Forest recuper´o la totalidad de los casos de las categor´ıas 1, 2, 4, 5 y 6,e identific´o 54 de los 60 casos de la categor´ıa 3. En cambio, no recuper´o casos de las categor´ıas 7 y 8,que reun´ıan 30 y 12 anomal´ıas, respectivamente.La tabla 3 detalla los resultados por categor´ıa y la Fig. 3 compara las tasas de detecci´on de losmodelos. Esta heterogeneidad limita la interpretaci´on de un indicador agregado elevado como evidenciade desempe˜no uniforme ante todas las clases de irregularidad.Para profundizar en las diferencias observadas entre los modelos, se analiz´o su capacidad de de-tecci´on seg´un las categor´ıas de anomal´ıas contables identificadas en el conjunto de datos. La Fig. 3presenta las tasas de detecci´on correspondientes a cada categor´ıa, permitiendo reconocer los tipos deirregularidades que fueron identificados con mayor eficacia y aquellos que representaron mayores dificul-tades para los algoritmos. Este an´alisis proporciona una perspectiva m´as detallada del desempe˜no delos modelos y permite identificar limitaciones relevantes para su aplicaci´on en los procesos de revisi´oncontable.Monterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...212
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)Fig. 2. Cobertura seg´un el presupuestoTabla 3. Desempe˜no de los modelos seg´un la categor´ıa de anomal´ıa contable.Categor´ıaCasosReglastradicionalesIsolation ForestRandom ForestH´ıbrido (RF +reglas)1602010606023037302936021554134604346060550895047612513121256173000008121000Fig. 3. Detecci´on por categor´ıaMonterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...213
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)D.Incertidumbre de la precisi´on promedioSe estimaron intervalos percentiles del 95 % para la precisi´on promedio mediante 400 remuestreosbootstrap del conjunto de prueba. Random Forest present´o un intervalo de 0,4907 a 0,5907; el h´ıbrido,de 0,3834 a 0,4798; Isolation Forest, de 0,0468 a 0,0642; y las reglas tradicionales, de 0,0371 a 0,0520.La tabla 4 presenta los valores puntuales y sus intervalos.Tabla 4. Precisi´on promedio e intervalos de confianza del 95 % de los modelos evaluados.ModeloAPIC 95 % inferior IC 95 % superiorReglas tradicionales0.04340.03710.0520Isolation Forest0.05400.04680.0642Random Forest0.53920.49070.5907H´ıbrido (RF + reglas)0.43000.38340.4798Estos intervalos describen la variabilidad del indicador ante el remuestreo de las observaciones deprueba, condicionada a los modelos ya entrenados. No cuantifican la incertidumbre del reentrenamientoni permiten extrapolar directamente los resultados a registros contables reales.E.Discusi´onLos resultados evidenciaron que Random Forest present´o un desempe˜no superior al de los procedimientostradicionales, Isolation Forest y el enfoque h´ıbrido, alcanzando una precisi´on promedio de 0,5392 y unacobertura del 88,76 % de las anomal´ıas con un presupuesto de revisi´on del 2 %. Este comportamientoes consistente con el potencial de los algoritmos supervisados para identificar patrones complejos eninformaci´on financiera, se˜nalado por Perols [5] y Bao et al. [6]. Asimismo, la diferencia entre los indi-cadores ROC-AUC y precisi´on promedio confirma la importancia de emplear m´etricas complementariascuando las anomal´ıas representan una proporci´on reducida del conjunto de datos, como plantean Davisy Goadrich [7] y Saito y Rehmsmeier [8].La evaluaci´on por categor´ıas mostr´o diferencias en la capacidad de identificaci´on de los modelos,lo que indica que un desempe˜no global favorable no garantiza resultados uniformes frente a todaslas irregularidades. Adem´as, la estrategia h´ıbrida no super´o a Random Forest, evidenciando que lacombinaci´on de procedimientos no asegura mejoras predictivas. Estos hallazgos resaltan la necesidadde evaluar los algoritmos considerando tanto su capacidad discriminativa como la cobertura alcanzadabajo restricciones de inspecci´on, especialmente cuando su finalidad es orientar la selecci´on de registroscontables para revisi´on.Los resultados deben interpretarse dentro de las condiciones del conjunto de datos sint´eticos uti-lizado [11]. Aunque el experimento permiti´o comparar estrategias bajo condiciones reproducibles, nodemuestra directamente mejoras en la calidad integral de la informaci´on financiera ni en los resultadosde decisiones organizacionales reales. Su principal contribuci´on consiste en aportar evidencia cuantita-tiva sobre la eficiencia de la priorizaci´on de anomal´ıas contables mediante inteligencia artificial, cuyatransferencia a entornos operativos requiere validaciones adicionales.CONCLUSIONESLa investigaci´on permiti´o evaluar comparativamente el desempe˜no de cuatro estrategias de detecci´onde anomal´ıas contables y su contribuci´on a la priorizaci´on de registros para revisi´on. Los resultadosevidenciaron diferencias significativas en t´erminos operativos entre los procedimientos basados en reglas,Isolation Forest, Random Forest y el enfoque h´ıbrido, destacando la importancia de seleccionar losalgoritmos seg´un su capacidad de identificaci´on y las restricciones de inspecci´on disponibles.Random Forest present´o el mejor desempe˜no global, con un ´area bajo la curva ROC de 0,9517 yuna precisi´on promedio de 0,5392. Bajo un presupuesto de revisi´on equivalente al 2 % de los asientoscontables, permiti´o identificar 379 de las 427 anomal´ıas presentes en el conjunto de evaluaci´on, corres-pondientes a una cobertura del 88,76 %. Estos resultados muestran que la clasificaci´on supervisadaMonterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...214
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)puede concentrar una proporci´on elevada de operaciones an´omalas dentro de un grupo reducido deregistros, favoreciendo la eficiencia de los procedimientos de revisi´on.El an´alisis por categor´ıas evidenci´o que un rendimiento global elevado no garantiza una identificaci´onuniforme de todas las irregularidades. Las diferencias observadas entre tipos de anomal´ıas confirman lanecesidad de complementar los indicadores agregados con evaluaciones desagregadas, particularmentecuando determinados patrones presentan mayores dificultades de reconocimiento.La comparaci´on de los modelos tambi´en permiti´o establecer que la incorporaci´on de estrategiash´ıbridas no produce necesariamente mejoras respecto de los algoritmos individuales. Su utilidad dependede los criterios de integraci´on y de la capacidad complementaria de los procedimientos combinados, porlo que su aplicaci´on requiere validaci´on experimental espec´ıfica.Los hallazgos respaldan el potencial de la inteligencia artificial como herramienta de apoyo a losprocesos de control contable, especialmente mediante la priorizaci´on de operaciones que requierenverificaci´on. No obstante, al utilizar registros sint´eticos, las conclusiones se circunscriben al entornoexperimental evaluado.La comprobaci´on de beneficios sobre la calidad integral de la informaci´onfinanciera y la eficiencia de las decisiones organizacionales requiere estudios posteriores con datos reales,participaci´on de profesionales contables e indicadores operativos y econ´omicos de desempe˜no.REFERENCIAS[1] International Accounting Standards Board, Conceptual Framework for Financial Reporting.London, U.K.:IFRS Foundation, 2018. [Online]. Available:https://www.ifrs.org/issued-standards/list-of-standards/conceptual-framework/[2] N. T. T. Thuy, “Effect of accounting information system quality on decision-making success andnon-financial performance: Does non-financial information quality matter?” Cogent Business &Management, vol. 12, no. 1, 2025, art. no. 2447913, doi: 10.1080/23311975.2024.2447913.[3] J. Kokina and T. H. Davenport, “The emergence of artificial intelligence: How automation ischanging auditing,” Journal of Emerging Technologies in Accounting, vol. 14, no. 1, pp. 115–122,2017, doi: 10.2308/jeta-51730.[4] D. A. Appelbaum, A. Kogan, and M. A. Vasarhelyi, “Analytical procedures in external auditing: Acomprehensive literature survey and framework for external audit analytics,” Journal of AccountingLiterature, vol. 40, pp. 83–101, 2018, doi: 10.1016/j.acclit.2018.01.001.[5] J. Perols, “Financial statement fraud detection: An analysis of statistical and machine learningalgorithms,” Auditing: A Journal of Practice & Theory, vol. 30, no. 2, pp. 19–50, 2011, doi:10.2308/ajpt-50009.[6] Y. Bao, B. Ke, B. Li, Y. J. Yu, and J. Zhang, “Detecting accounting fraud in publicly traded U.S.firms using a machine learning approach,” Journal of Accounting Research, vol. 58, no. 1, pp.199–235, 2020, doi: 10.1111/1475-679X.12292.[7] J. Davis and M. Goadrich, “The relationship between precision-recall and ROC curves,” in Pro-ceedings of the 23rd International Conference on Machine Learning, Pittsburgh, PA, USA, 2006,pp. 233–240, doi: 10.1145/1143844.1143874.[8] T. Saito and M. Rehmsmeier, “The precision-recall plot is more informative than the ROC plotwhen evaluating binary classifiers on imbalanced datasets,” PLOS ONE, vol. 10, no. 3, 2015, art.no. e0118432, doi: 10.1371/journal.pone.0118432.[9] L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001, doi:10.1023/A:1010933404324.[10] F. T. Liu, K. M. Ting, and Z.-H. Zhou, “Isolation forest,” in Proceedings of the 8th IEEE Interna-tional Conference on Data Mining, Pisa, Italy, 2008, pp. 413–422, doi: 10.1109/ICDM.2008.17.[11] J. Gronewald, S. Stephan, A. Rombach, and P. Fettke, “Generating synthetic journal entriesfor audit analytics: Method and dataset,” Data in Brief, vol. 69, 2026, art. no. 113257, doi:10.1016/j.dib.2026.113257.Monterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...215
ISSN-e: 2697-3650Per´ıodo: septiembre–diciembre, 2026Revista MinervaVol. 7, N´umero 21. (pp. 206–216)[12] F. T. Liu, K. M. Ting, and Z.-H. Zhou, “Isolation-based anomaly detection,” ACM Transactionson Knowledge Discovery from Data, vol. 6, no. 1, 2012, art. no. 3, doi: 10.1145/2133360.2133363.[13] M. Schreyer, T. Sattarov, D. Borth, A. Dengel, and B. Reimer, “Detection of anomalies inlarge scale accounting data using deep autoencoder networks,” arXiv:1709.05254, 2017, doi:10.48550/arXiv.1709.05254.[14] J. Gronewald, S. Stephan, A. Rombach, and P. Fettke, “DIB General Ledger Data,” Zenodo, 2026,doi: 10.5281/zenodo.22014653.Monterroso E. y Pezo M.Evaluaci´on del impacto de la inteligencia artificial en la calidad...216