Evaluación del impacto de la inteligencia artificial en la calidad de la información contable y la eficiencia de las decisiones organizacionales
PDF (English)
HTML (English)

Palabras clave

inteligencia artificial
información contable
detección de anomalías
aprendizaje automático

Cómo citar

Monterroso Achahui, E. S., & Pezo Zegarra, M. (2026). Evaluación del impacto de la inteligencia artificial en la calidad de la información contable y la eficiencia de las decisiones organizacionales. Minerva, 7(21), 206-216. https://doi.org/10.47460/minerva.v7i21.372

Resumen

La investigación tuvo como objetivo evaluar el desempeño de estrategias de inteligencia artificial en la detección de anomalías contables y su contribución a la eficiencia de los procesos de revisión. Se desarrolló un estudio cuantitativo experimental con registros contables sintéticos correspondientes a dos ejercicios fiscales. Se compararon cuatro estrategias: reglas tradicionales, Isolation Forest, Random Forest y un modelo híbrido, mediante indicadores de precisión promedio, área bajo la curva ROC y cobertura de anomalías bajo diferentes presupuestos de inspección. Random Forest obtuvo el mejor desempeño, con una precisión promedio de 0,5392 y un área ROC de 0,9517. Con un presupuesto de revisión del 2 %, identificó 379 de 427 anomalías (88,76 %). Los resultados evidencian el potencial de la inteligencia artificial para priorizar registros contables, sin embargo, se sugiere su aplicación organizacional luego de haberse verificado empíricamente.

https://doi.org/10.47460/minerva.v7i21.372
PDF (English)
HTML (English)

Citas

[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, Art. no. 2447913, 2025, 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 Proc. 23rd Int. Conf. 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, Art. no. e0118432, 2015, doi: 10.1371/journal.pone.0118432.

[9] J. Gronewald, S. Stephan, A. Rombach, and P. Fettke, “Generating synthetic journal entries for audit analytics: Method and dataset,” Data in Brief, vol. 69, Art. no. 113257, 2026, doi: 10.1016/j.dib.2026.113257.

[10] L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.

[11] F. T. Liu, K. M. Ting, and Z.-H. Zhou, “Isolation forest,” in Proc. 8th IEEE Int. Conf. Data Mining, Pisa, Italy, 2008, pp. 413–422, doi: 10.1109/ICDM.2008.17.

[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, Art. no. 3, 2012, 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, [Data set], doi: 10.5281/zenodo.22014653.
Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.

Descargas

La descarga de datos todavía no está disponible.
tangkubanperahu.com
sibolangit.com
siguragura.com
simanindo.com
padarincang.com
kolektor.id
pelukis.id
pancoran.id
jasmani.id
cipanas.id
eksklusif.id
inovatif.id
xenia.id
wamena.id
parapat.id
penatapan.id
balige.id
topthreenews.com
aaatrucksandautowreckings.com
arbirate.com
playoutworlder.com
temeculabluegrass.com
eldesigners.com
cheklani.com
totodal.com
apkcrave.com
bestcarinsurancewsa.com
complidia.com
eveningupdates.com
mcochacks.com
mostcreativeresumes.com
oxcarttavern.com
riceandshinebrunch.com
shoesknowledge.com
aktualinformasi.id
faktadunia.id
gapurainformasi.id
gariscakrawala.id
helvetianews.id
langitcakrawala.id
langitinformasi.id
pintucakrawala.id
wawasancakrawala.id
aktualberita.id
cakrawalafakta.id
pintuinformasi.id
wawasaninformasi.id
horizonberita.id
portalcakrawala.id
spektruminformasi.id
aktualwawasan.id
gerbangfakta.id
infodinamika.id
narsis.id
pansos.id
forensik.id
hardiknas.com
pakcoy.com
http://mostravirtual.aip.pt
ACCSLOT88
accslot88
VIPBET76 VIPBET76 VIPBET76 OLXBET288 OLXBET288 Toto Slot Toto Slot Toto Slot