Saltar al artículo
Revista Minerva · Artículo 20 · Investigación
Vol. 7 · Núm. 21 · Septiembre–diciembre de 2026 · pp. 206–216 · ISSN-e 2697-3650
Inicio
Introducción
Marco teórico
Metodología
Resultados
Conclusiones
Referencias
DOI
−
+
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
Art´ıculo de investigaci´on
https://doi.org/10.47460/minerva.v7i21.372
Evaluaci´on del impacto de la inteligencia artificial en la calidad de la
informaci´on contable y la eficiencia de las decisiones organizacionales
Elaine Sandra Monterroso Achahui*
https
:
//orcid.org/0009-0004-3360-2224
elaine.monterroso@gmail.com
Universidad Nacional San Antonio Abad del
Cusco
Cusco, Per´u
Magaly Pezo Zegarra
https
:
//orcid.org/0009-0002-8549-5251
mpezozegarra@gmail.com
Universidad Nacional San Antonio Abad del
Cusco
Cusco, Per´u
*Autora de correspondencia: elaine.monterroso@gmail.com
Recibido: (11/08/2026), Aceptado: (31/10/2026)
Resumen.
La investigaci´on tuvo como objetivo evaluar el desempe˜no de estrategias de inteligencia
artificial en la detecci´on de anomal´ıas contables y su contribuci´on a la eficiencia de los procesos de
revisi´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, Isolation
Forest, Random Forest y un modelo h´ıbrido, mediante indicadores de precisi´on promedio, ´area bajo
la curva ROC y cobertura de anomal´ıas bajo diferentes presupuestos de inspecci´on. Random Forest
obtuvo el mejor desempe˜no, con una precisi´on promedio de 0,5392 y un ´area ROC de 0,9517. Con un
presupuesto de revisi´on del 2 %, identific´o 379 de 427 anomal´ıas (88,76 %). Los resultados evidencian
el potencial de la inteligencia artificial para priorizar registros contables, sin embargo, se sugiere su
aplicaci´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 Accounting
Information and the Efficiency of Organizational Decisions
Abstract.
This study aimed to evaluate the performance of artificial intelligence strategies in detecting
accounting anomalies and their contribution to the efficiency of review processes.
A quantitative
experimental study was conducted using synthetic accounting records from two fiscal years.
Four
strategies 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 coverage
under different inspection budgets. Random Forest achieved the best overall performance, with an
average precision of 0.5392 and a ROC-AUC of 0.9517. Under a 2% review budget, it identified 379
out of 427 anomalies (88.76%). The results show the potential of artificial intelligence to prioritize
accounting records, however, its organizational application is suggested after having been empirically
verified.
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
Página 206
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
I.
INTRODUCCI
´
ON
La transformaci´on digital de los procesos contables ha incrementado la disponibilidad de informaci´on
financiera y las posibilidades de automatizar su procesamiento, an´alisis y verificaci´on. Sin embargo, el
crecimiento del volumen de transacciones tambi´en plantea dificultades para identificar oportunamente
registros inconsistentes, operaciones at´ıpicas y patrones que requieren revisi´on. Desde la perspectiva
de la informaci´on financiera, la utilidad de los datos contables depende de caracter´ısticas como la
relevancia, la representaci´on fiel, la comparabilidad, la verificabilidad y la oportunidad [1]. En este
contexto, los sistemas de informaci´on contable desempe˜nan un papel fundamental en la generaci´on de
informaci´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 reconocer
patrones 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 que
Appelbaum et al. [4] destacaron la importancia de integrar procedimientos anal´ıticos en los procesos
de revisi´on financiera.
Las investigaciones sobre detecci´on computacional de irregularidades financieras han mostrado que
los 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 aprendizaje
autom´atico para identificar fraude en estados financieros, mientras que Bao et al. [6] desarrollaron un
enfoque predictivo para detectar fraude contable en empresas cotizadas. No obstante, la identificaci´on
de 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 casos
an´omalos.
En los procesos de control contable, la disponibilidad de recursos de inspecci´on constituye una
restricci´on operativa relevante. Un sistema capaz de identificar anomal´ıas puede resultar poco ´util si
genera 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´ogica
ha se˜nalado que las curvas precisi´on-recall proporcionan informaci´on especialmente relevante cuando
las clases presentan distribuciones desequilibradas [7], [8]. Este enfoque permite analizar la utilidad de
los modelos bajo diferentes capacidades de inspecci´on y establecer comparaciones m´as pr´oximas a las
necesidades de priorizaci´on contable.
En este contexto, el objetivo de la investigaci´on fue evaluar el desempe˜no de diferentes estrategias
de inteligencia artificial en la identificaci´on de anomal´ıas contables y determinar su contribuci´on a la
eficiencia de las decisiones de revisi´on mediante un dise˜no experimental computacional. Se compararon
procedimientos 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 estudio
consiste en integrar la evaluaci´on predictiva con indicadores de cobertura y capacidad de inspecci´on, as´ı
como examinar las diferencias de desempe˜no entre categor´ıas de anomal´ıas. De esta manera, se busca
establecer evidencia cuantitativa sobre las condiciones en las que la inteligencia artificial puede mejorar
la priorizaci´on de registros contables y las limitaciones que deben considerarse para su aplicaci´on en
sistemas de apoyo a las decisiones organizacionales.
II.
MARCO TE
´
ORICO
A.
Calidad de la informaci´on contable y utilidad para las decisiones organizacionales
La 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´on
para 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 la
informaci´on ´util, mientras que la comparabilidad, verificabilidad, oportunidad y comprensibilidad con-
tribuyen a incrementar su utilidad [1]. Estas caracter´ısticas permiten comprender la calidad contable
como 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
Página 207
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 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 de
la confiabilidad de los registros y de la posibilidad de transformar los datos disponibles en informaci´on
pertinente para las decisiones. La calidad de estos sistemas se relaciona con la utilidad de la informaci´on
producida y con las condiciones en que los responsables organizacionales pueden utilizarla para evaluar
alternativas [2].
La presencia de operaciones at´ıpicas, inconsistencias o registros que requieren verificaci´on puede
afectar 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 comportamientos
fraudulentos. Una operaci´on puede presentar caracter´ısticas estad´ısticas poco frecuentes y, al mismo
tiempo, corresponder a una transacci´on leg´ıtima. En consecuencia, los procedimientos de detecci´on
deben interpretarse como mecanismos de identificaci´on de riesgos y selecci´on de registros para an´alisis
posterior, sin sustituir la valoraci´on profesional de su naturaleza y consecuencias.
B.
Inteligencia artificial y detecci´on de anomal´ıas en registros contables
La inteligencia artificial ha ampliado las posibilidades de automatizaci´on de los procesos de auditor´ıa
y an´alisis contable mediante herramientas capaces de procesar grandes vol´umenes de informaci´on e
identificar 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, destacando
su potencial para modificar la distribuci´on de tareas entre sistemas automatizados y profesionales.
De manera complementaria, Appelbaum et al. [4] sistematizaron las aplicaciones de procedimientos
anal´ıticos en auditor´ıa externa y propusieron un marco para comprender su integraci´on en actividades
de 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 la
singularidad 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 temporales
entre la documentaci´on y la contabilizaci´on. Estas estrategias ofrecen criterios comprensibles y pueden
resultar ´utiles cuando los riesgos se encuentran claramente definidos. Sin embargo, su capacidad para
identificar 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 de
evaluaci´on.
Los algoritmos supervisados utilizan observaciones previamente clasificadas para aprender relaciones
entre 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 evidencia
sobre 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 predicciones
para obtener resultados de clasificaci´on [9]. Su estructura permite representar relaciones no lineales e
interacciones entre variables sin requerir una especificaci´on funcional ´unica.
Por su parte, los m´etodos no supervisados identifican patrones at´ıpicos sin depender de etiquetas
de 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 del
conjunto de datos [10]. Esta caracter´ıstica lo convierte en una alternativa para escenarios en los que
las 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 las
puntuaciones, los criterios de integraci´on y las propiedades de los datos. La combinaci´on de modelos
no garantiza una mejora autom´atica, especialmente cuando sus errores presentan patrones semejantes
o 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
Página 208
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 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 y
cr´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´ıas
identificadas de anomal´ıas, permitiendo evaluar diferentes estrategias de detecci´on bajo condiciones
experimentales controladas.
C.
Desempe˜no predictivo y eficiencia de la revisi´on contable
La evaluaci´on de algoritmos de detecci´on de anomal´ıas requiere considerar tanto su capacidad para
distinguir registros normales y an´omalos como su utilidad dentro de procesos de revisi´on con recursos
limitados. En conjuntos de datos con baja proporci´on de anomal´ıas, la exactitud global puede ofrecer
una interpretaci´on insuficiente del desempe˜no, debido a que un clasificador puede alcanzar valores
elevados al identificar correctamente la clase mayoritaria sin reconocer adecuadamente los casos de
inter´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 como
positivos, mientras que la sensibilidad representa la proporci´on de anomal´ıas existentes que fueron
identificadas. 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, Saito
y 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 deben
identificar 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 la
organizaci´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 limitaciones
de 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 resulta
necesario para establecer la consistencia de los procedimientos y evitar que los indicadores agregados
oculten deficiencias relevantes para el control contable.
III.
METODOLOG
´
IA
A.
Dise˜no de la investigaci´on
La 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 en
registros contables y su contribuci´on a la eficiencia de los procesos de revisi´on. Se estableci´o un dise˜no
comparativo 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 contables
previamente clasificadas como an´omalas, considerando tanto el rendimiento predictivo como la cantidad
de registros que deb´ıan examinarse para alcanzar determinados niveles de detecci´on. La eficiencia de las
decisiones se operacionaliz´o mediante la selecci´on priorizada de asientos para revisi´on, bajo restricciones
de capacidad de inspecci´on.
B.
Fuente de datos y unidad de an´alisis
Se utiliz´o el conjunto de datos DIB General Ledger Data, publicado en Zenodo, compuesto por registros
contables sint´eticos correspondientes a dos ejercicios fiscales consecutivos, 2023 y 2024. El conjunto
reproduce operaciones de partida doble e incorpora diferentes categor´ıas de anomal´ıas identificadas
mediante 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.
La
proporci´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´on
Monterroso E. y Pezo M.
Evaluaci´on del impacto de la inteligencia artificial en la calidad...
209
Página 209
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
permiti´o conservar la estructura transaccional de las operaciones y evitar que las l´ıneas pertenecientes
a 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 la
identificaci´on del usuario responsable.
C.
Preparaci´on y verificaci´on de los datos
El 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, la
consistencia de las etiquetas y el equilibrio entre los importes registrados al debe y al haber. No se
identificaron valores ausentes en las 19 variables originales. Asimismo, la comprobaci´on de los asientos
agrupados no identific´o diferencias entre d´ebitos y cr´editos superiores a una tolerancia de 0,01 unidades
monetarias.
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 fueron
codificadas 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 directamente
las anomal´ıas, incluidas las etiquetas de clasificaci´on y sus categor´ıas, se excluyeron de los atributos
predictivos. 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 el
entrenamiento.
D.
Dise˜no experimental y modelos de comparaci´on
Se estableci´o una partici´on temporal de los datos. Los 51 064 asientos correspondientes a 2023, entre
ellos 423 anomal´ıas, se utilizaron para el entrenamiento de los modelos y la determinaci´on de los
par´ametros de referencia. Los 51 365 asientos de 2024, que inclu´ıan 427 anomal´ıas, se reservaron para
la evaluaci´on. Se implementaron cuatro estrategias de identificaci´on y priorizaci´on. El primer m´etodo
consisti´o en un sistema de reglas tradicionales que asign´o puntuaciones de riesgo seg´un retrasos de
registro, importes elevados, operaciones realizadas fuera del horario habitual, contabilizaciones durante
fines de semana y tasas impositivas diferentes del valor de referencia. Los umbrales correspondientes al
retraso 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 obtenidas
se utilizaron para ordenar los asientos seg´un su prioridad de revisi´on. El tercer m´etodo emple´o Random
Forest, 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 y
an´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 una
combinaci´on ponderada de sus posiciones relativas en la clasificaci´on. Se utilizaron pesos de 0,80 y
0,20, respectivamente, para explorar el comportamiento de una estrategia h´ıbrida de priorizaci´on.
E.
Indicadores de desempe˜no y eficiencia
El desempe˜no de los modelos se evalu´o mediante el ´area bajo la curva precisi´on-recall, el ´area bajo la
curva 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 del
conjunto de prueba. Para cada presupuesto se seleccionaron los registros con mayores puntuaciones de
riesgo y se contabiliz´o la cantidad de anomal´ıas correctamente identificadas. La precisi´on de revisi´on
se defini´o como:
P
k
=
TP
k
k
(1)
donde
TP
k
representa el n´umero de asientos an´omalos identificados entre los
k
registros seleccionados
para 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
Página 210
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
R
k
=
TP
k
N
a
(2)
donde
N
a
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´ıas
disponibles, 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´on
El dise˜no permiti´o evaluar la capacidad de diferentes procedimientos computacionales para identificar
y priorizar registros contables an´omalos, utilizando un conjunto de datos con etiquetas conocidas. La
calidad de la informaci´on contable se examin´o desde la perspectiva de la detecci´on de irregularidades y
de la utilidad de las alertas generadas para orientar procesos de revisi´on. La eficiencia de las decisiones
organizacionales se represent´o mediante la asignaci´on de capacidades limitadas de inspecci´on a los
registros 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 financieros
ni decisiones efectivamente adoptadas por organizaciones reales.
IV.
RESULTADOS
A.
Desempe˜no comparativo de los modelos
El conjunto de prueba comprendi´o 51 365 asientos contables, de los cuales 427 (0,83 %) estaban
etiquetados como an´omalos.
La evaluaci´on de los cuatro procedimientos mostr´o diferencias en la
capacidad para ordenar los registros seg´un su riesgo de anomal´ıa. Random Forest alcanz´o la mayor
precisi´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 Isolation
Forest obtuvieron valores AP de 0,0434 y 0,0540, respectivamente. La tabla 1 presenta los indicadores
predictivos y la cantidad de anomal´ıas identificadas cuando se inspecciona el 2 % de los asientos. La
Fig. 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.
Modelo
AP
AUC-ROC Detectadas al 2 %
Reglas tradicionales
0.0434
0.7786
51
Isolation Forest
0.0540
0.8656
87
Random Forest
0.5392
0.9517
379
H´ıbrido (RF + reglas)
0.4300
0.9449
270
La Fig. 1 permite visualizar las diferencias en la precisi´on promedio alcanzada por los modelos
evaluados, destacando el desempe˜no del algoritmo Random Forest frente a los m´etodos tradicionales y
no supervisados.
La estrategia h´ıbrida no super´o al clasificador supervisado independiente. Este comportamiento
indica que la incorporaci´on de una puntuaci´on adicional basada en reglas no mejor´o la clasificaci´on
obtenida con la configuraci´on ensayada.
B.
Eficiencia de la priorizaci´on de revisiones
La 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 427
anomal´ıas (88,76 %), frente a 51 (11,94 %) para las reglas tradicionales, 87 (20,37 %) para Isolation
Forest y 270 (63,23 %) para el modelo h´ıbrido. La diferencia de cobertura entre Random Forest y las
reglas fue de 76,81 puntos porcentuales. La tabla 2 resume el n´umero de anomal´ıas recuperadas seg´un
la capacidad de revisi´on.
El aumento del presupuesto no produjo incrementos uniformes: Random
Monterroso E. y Pezo M.
Evaluaci´on del impacto de la inteligencia artificial en la calidad...
211
Página 211
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
Fig. 1.
Precisi´on promedio seg´un el tipo de modelo empleado
Forest recuper´o 386 anomal´ıas con el 5 % y 390 con el 10 %, lo que sugiere rendimientos marginales
decrecientes dentro de este conjunto de prueba.
Tabla 2.
Anomal´ıas detectadas seg´un el presupuesto de revisi´on contable.
Modelo
1 % 2 % 5 % 10 %
Reglas tradicionales
36
51
105
275
Isolation Forest
46
87
163
241
Random Forest
277
379
386
390
H´ıbrido (RF + reglas)
250
270
386
390
La 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 una
mayor 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´on
observada de tiempos o costos de auditor´ıa en una organizaci´on real.
C.
Comportamiento por categor´ıa de anomal´ıa
La capacidad de identificaci´on no fue homog´enea entre las ocho categor´ıas de anomal´ıas. Al revisar el
2 % 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 los
modelos. Esta heterogeneidad limita la interpretaci´on de un indicador agregado elevado como evidencia
de 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. 3
presenta las tasas de detecci´on correspondientes a cada categor´ıa, permitiendo reconocer los tipos de
irregularidades 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 de
los modelos y permite identificar limitaciones relevantes para su aplicaci´on en los procesos de revisi´on
contable.
Monterroso E. y Pezo M.
Evaluaci´on del impacto de la inteligencia artificial en la calidad...
212
Página 212
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
Fig. 2.
Cobertura seg´un el presupuesto
Tabla 3.
Desempe˜no de los modelos seg´un la categor´ıa de anomal´ıa contable.
Categor´ıa
Casos
Reglas
tradicionales
Isolation Forest
Random Forest
H´ıbrido (RF +
reglas)
1
60
20
10
60
60
2
30
3
7
30
29
3
60
2
15
54
13
4
60
4
34
60
60
5
50
8
9
50
47
6
125
13
12
125
61
7
30
0
0
0
0
8
12
1
0
0
0
Fig. 3.
Detecci´on por categor´ıa
Monterroso E. y Pezo M.
Evaluaci´on del impacto de la inteligencia artificial en la calidad...
213
Página 213
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
D.
Incertidumbre de la precisi´on promedio
Se estimaron intervalos percentiles del 95 % para la precisi´on promedio mediante 400 remuestreos
bootstrap 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.
Modelo
AP
IC 95 % inferior IC 95 % superior
Reglas tradicionales
0.0434
0.0371
0.0520
Isolation Forest
0.0540
0.0468
0.0642
Random Forest
0.5392
0.4907
0.5907
H´ıbrido (RF + reglas)
0.4300
0.3834
0.4798
Estos intervalos describen la variabilidad del indicador ante el remuestreo de las observaciones de
prueba, condicionada a los modelos ya entrenados. No cuantifican la incertidumbre del reentrenamiento
ni permiten extrapolar directamente los resultados a registros contables reales.
E.
Discusi´on
Los resultados evidenciaron que Random Forest present´o un desempe˜no superior al de los procedimientos
tradicionales, Isolation Forest y el enfoque h´ıbrido, alcanzando una precisi´on promedio de 0,5392 y una
cobertura del 88,76 % de las anomal´ıas con un presupuesto de revisi´on del 2 %. Este comportamiento
es consistente con el potencial de los algoritmos supervisados para identificar patrones complejos en
informaci´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 complementarias
cuando las anomal´ıas representan una proporci´on reducida del conjunto de datos, como plantean Davis
y 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 todas
las irregularidades. Adem´as, la estrategia h´ıbrida no super´o a Random Forest, evidenciando que la
combinaci´on de procedimientos no asegura mejoras predictivas. Estos hallazgos resaltan la necesidad
de evaluar los algoritmos considerando tanto su capacidad discriminativa como la cobertura alcanzada
bajo restricciones de inspecci´on, especialmente cuando su finalidad es orientar la selecci´on de registros
contables 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, no
demuestra directamente mejoras en la calidad integral de la informaci´on financiera ni en los resultados
de 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, cuya
transferencia a entornos operativos requiere validaciones adicionales.
CONCLUSIONES
La investigaci´on permiti´o evaluar comparativamente el desempe˜no de cuatro estrategias de detecci´on
de anomal´ıas contables y su contribuci´on a la priorizaci´on de registros para revisi´on. Los resultados
evidenciaron 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 los
algoritmos 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 y
una precisi´on promedio de 0,5392. Bajo un presupuesto de revisi´on equivalente al 2 % de los asientos
contables, 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 supervisada
Monterroso E. y Pezo M.
Evaluaci´on del impacto de la inteligencia artificial en la calidad...
214
Página 214
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
puede concentrar una proporci´on elevada de operaciones an´omalas dentro de un grupo reducido de
registros, 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´on
uniforme de todas las irregularidades. Las diferencias observadas entre tipos de anomal´ıas confirman la
necesidad de complementar los indicadores agregados con evaluaciones desagregadas, particularmente
cuando determinados patrones presentan mayores dificultades de reconocimiento.
La comparaci´on de los modelos tambi´en permiti´o establecer que la incorporaci´on de estrategias
h´ıbridas no produce necesariamente mejoras respecto de los algoritmos individuales. Su utilidad depende
de los criterios de integraci´on y de la capacidad complementaria de los procedimientos combinados, por
lo que su aplicaci´on requiere validaci´on experimental espec´ıfica.
Los hallazgos respaldan el potencial de la inteligencia artificial como herramienta de apoyo a los
procesos de control contable, especialmente mediante la priorizaci´on de operaciones que requieren
verificaci´on. No obstante, al utilizar registros sint´eticos, las conclusiones se circunscriben al entorno
experimental evaluado.
La comprobaci´on de beneficios sobre la calidad integral de la informaci´on
financiera 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 and
non-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 is
changing 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: A
comprehensive literature survey and framework for external audit analytics,”
Journal of Accounting
Literature
, 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 learning
algorithms,”
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 plot
when 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 entries
for 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
Página 215
ISSN-e: 2697-3650
Per´ıodo: septiembre–diciembre, 2026
Revista Minerva
Vol. 7, N´umero 21. (pp. 206–216)
[12] F. T. Liu, K. M. Ting, and Z.-H. Zhou, “Isolation-based anomaly detection,”
ACM Transactions
on 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 in
large 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
Página 216