Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 4, 2026, octubre-diciembre
DOI: https://doi.org/10.71112/yr7jt244
INTELIGENCIA ARTIFICIAL EN LOS SISTEMAS DE INFORMACIÓN CONTABLE:
DESAFÍOS Y OPORTUNIDADES PARA LA AUDITORÍA INTERNA
ARTIFICIAL INTELLIGENCE IN ACCOUNTING INFORMATION SYSTEMS:
CHALLENGES AND OPPORTUNITIES FOR INTERNAL AUDITING
Imelda Adela Roberts Pineda
Panamá
DOI: https://doi.org/10.71112/yr7jt244
1020 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Inteligencia artificial en los sistemas de información contable: desafíos y
oportunidades para la auditoría interna
Artificial intelligence in accounting information systems: challenges and
opportunities for internal auditing
Imelda Adela Roberts Pineda
a,*
imelda.pineda@up.ac.pa
https://orcid.org/0000-0003-4476-4830
*
Autor de correspondencia: imelda.pineda@up.ac.pa,
a
Universidad de Panamá, Panamá
RESUMEN
Las organizaciones contemporáneas enfrentan exigencias crecientes de trazabilidad,
oportunidad y confiabilidad en su información financiera, en un entorno donde los Sistemas de
Información Contable (SIC) tradicionales muestran limitaciones estructurales para procesar
volúmenes crecientes de datos heterogéneos y para sostener esquemas de control interno
eficaces. Este artículo, de naturaleza teórica y documental, analiza el potencial de la
Inteligencia Artificial (IA) para optimizar los SIC y fortalecer la auditoría interna como
mecanismo de control de la calidad de la información financiera. Mediante una revisión
sistemática de literatura científica publicada entre 2021 y 2026 en bases indexadas (Scopus,
Web of Science, ScienceDirect, Springer, Emerald, MDPI), se sintetizan los principales
hallazgos sobre auditoría continua, aprendizaje automático, minería de procesos y cadena de
bloques aplicados a la contabilidad. Como resultado, se propone un modelo conceptual
integrador, el Modelo IASIC, que articula componentes tecnológicos, de control, de gobernanza
de datos y de calidad de la información financiera, de aplicación general a organizaciones de
DOI: https://doi.org/10.71112/yr7jt244
1021 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
distintos sectores económicos. Se concluye que la integración de la IA en los SIC constituye
una condición necesaria, aunque no suficiente, para elevar la calidad de la información
financiera.
Palabras clave: inteligencia artificial; sistemas de información contable; auditoría interna;
calidad de la información financiera; transformación digital contable.
ABSTRACT
Contemporary organizations face growing demands for traceability, timeliness, and reliability in
their financial information, in an environment where traditional Accounting Information Systems
(AIS) show structural limitations in processing increasingly heterogeneous data volumes and in
sustaining effective internal control schemes. This theoretical and documentary article analyzes
the potential of Artificial Intelligence (AI) to optimize AIS and strengthen internal auditing as a
control mechanism for financial information quality. Through a systematic review of scientific
literature published between 2021 and 2026 in indexed databases (Scopus, Web of Science,
ScienceDirect, Springer, Emerald, MDPI), the main findings on continuous auditing, machine
learning, process mining, and blockchain applied to accounting are synthesized. As a result, an
integrative conceptual model, the IASIC Model, is proposed, articulating technological, control,
data governance, and financial information quality components, of general application to
organizations across economic sectors. It is concluded that AI integration into AIS is a
necessary, though not sufficient, condition for improving financial information quality.
Keywords: artificial intelligence; accounting information systems; internal auditing; financial
information quality; accounting digital transformation.
Recibido: 12 octubre 2026 | Aceptado: 3 noviembre 2026 | Publicado: 4 noviembre 2026
DOI: https://doi.org/10.71112/yr7jt244
1022 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
INTRODUCCIÓN
La calidad de la información financiera constituye uno de los pilares sobre los cuales se
sostiene la confianza de inversionistas, entidades reguladoras, entidades bancarias y demás
grupos de interés en la actividad empresarial (International Accounting Standards Board [IASB],
2018). Las organizaciones contemporáneas, con independencia de su sector de actividad,
operan en entornos de creciente complejidad transaccional, interconexión digital y exigencia
regulatoria, lo que intensifica la necesidad de contar con información financiera confiable,
oportuna, comparable y verificable (Moll & Yigitbasioglu, 2019). En este contexto, los Sistemas
de Información Contable (SIC) tradicionales, diseñados originalmente para el registro histórico y
la consolidación periódica de transacciones, muestran limitaciones estructurales para
responder a la velocidad, el volumen y la heterogeneidad de los datos que genera la actividad
económica contemporánea, así como para sostener esquemas de control interno capaces de
anticipar riesgos antes de que se materialicen en errores o irregularidades (Yoshikuni et al.,
2023).
La irrupción de la Inteligencia Artificial (IA) y de sus tecnologías asociadas —aprendizaje
automático (machine learning), minería de procesos (process mining), automatización robótica
de procesos (RPA), analítica de macrodatos (Big Data) y cadena de bloques (blockchain)— ha
modificado sustancialmente el paradigma de procesamiento, control y auditoría de la
información contable (Kokina & Davenport, 2017; Duan et al., 2025). La literatura reciente
documenta que estas tecnologías permiten transitar de esquemas de auditoría retrospectiva,
basada en muestreo, hacia esquemas de auditoría continua y en tiempo real, capaces de
identificar anomalías, inconsistencias y riesgos de manera proactiva (Minkkinen et al., 2022;
Leocádio et al., 2024). Sin embargo, dicha transición no está exenta de tensiones: la evidencia
empírica sobre los beneficios reales de la IA en auditoría es todavía heterogénea (Fedyk et al.,
2022), y su adopción plantea interrogantes éticos, de gobernanza de datos y de
DOI: https://doi.org/10.71112/yr7jt244
1023 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
responsabilidad profesional que la profesión contable apenas comienza a sistematizar (Munoko
et al., 2020).
Pese al creciente volumen de investigación internacional sobre IA aplicada a la
contabilidad y a la auditoría, se observa una fragmentación relevante en la literatura: buena
parte de los estudios disponibles abordan tecnologías específicas de manera aislada —minería
de procesos, blockchain, aprendizaje automático— sin integrarlas en un marco conceptual
único que permita a las organizaciones comprender cómo estas tecnologías interactúan entre
sí y con los mecanismos de gobernanza de datos y de control interno (Gepp et al., 2018;
Appelbaum et al., 2017). Esta fragmentación resulta particularmente limitante para
organizaciones de economías emergentes, donde las decisiones de inversión tecnológica
deben priorizarse cuidadosamente ante restricciones de capacidad técnica, financiera y de
talento humano especializado. Esta brecha de conocimiento —la ausencia de un modelo
integrador y de aplicación general— constituye el problema científico que da origen al presente
artículo.
En consecuencia, el objetivo general de este trabajo es analizar, a partir de una revisión
sistemática de la literatura científica publicada entre 2021 y 2026, el potencial de la Inteligencia
Artificial para optimizar los Sistemas de Información Contable y fortalecer la función de
auditoría interna, con el propósito de proponer un modelo conceptual integrador y de aplicación
general —denominado Modelo IASIC (Inteligencia Artificial para Sistemas de Información
Contable)— orientado a mejorar la calidad de la información financiera en organizaciones de
distintos sectores económicos. De manera específica, se persigue: (a) sistematizar el estado
del arte sobre auditoría continua, analítica de datos, minería de procesos y cadena de bloques
aplicados a la contabilidad; (b) identificar las dimensiones críticas de la calidad de la
información financiera que pueden ser intervenidas mediante IA; y (c) diseñar un modelo
conceptual integrador, con sus componentes, dimensiones y flujo operativo, aplicable
DOI: https://doi.org/10.71112/yr7jt244
1024 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
transversalmente a distintos tipos de organización y susceptible de validación empírica
posterior.
Es pertinente advertir, desde ahora, que el presente estudio tiene una naturaleza teórica
y documental. No se presentan datos empíricos primarios recolectados en campo; el modelo
propuesto constituye una construcción conceptual derivada del análisis crítico de la literatura,
cuya validación empírica en organizaciones de distintos sectores económicos se plantea como
línea de investigación futura.
METODOLOGÍA
El presente estudio se enmarca en un paradigma interpretativo-analítico y adopta un
enfoque cualitativo de tipo documental, orientado a la construcción teórica más que a la
contrastación estadística de hipótesis (Hernández-Sampieri & Mendoza Torres, 2018). El
diseño corresponde a una revisión sistemática de literatura de carácter narrativo-integrador,
que combina criterios de sistematicidad en la búsqueda con un análisis interpretativo orientado
a la síntesis conceptual, siguiendo lineamientos compatibles con el protocolo PRISMA para la
identificación, el cribado y la selección de fuentes (Gepp et al., 2018).
Fuentes de información. Se consultaron bases de datos académicas indexadas de alto
factor de impacto: Scopus, Web of Science, ScienceDirect (Elsevier), SpringerLink, Emerald
Insight, Taylor & Francis Online y MDPI, complementadas con repositorios de acceso abierto
(Google Scholar) para la localización de versiones de manuscritos y metadatos bibliográficos.
Se priorizó la literatura publicada entre 2021 y 2026; adicionalmente, se incorporaron
referencias seminales publicadas entre 2017 y 2020 por su relevancia teórica y su carácter
fundacional para la construcción del marco conceptual (p. ej., los trabajos fundacionales sobre
auditoría continua y cadena de bloques aplicada a la contabilidad).
DOI: https://doi.org/10.71112/yr7jt244
1025 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Estrategia de búsqueda. Las ecuaciones de búsqueda combinaron, mediante
operadores booleanos, los descriptores: "artificial intelligence", "machine learning", "accounting
information systems", "internal audit" OR "internal auditing", "continuous auditing", "process
mining", "blockchain accounting", "big data analytics auditing" y "financial reporting quality". La
búsqueda se restringió a artículos publicados en revistas arbitradas en inglés y español,
excluyendo actas de congreso sin arbitraje, capítulos de libro sin revisión por pares y
publicaciones sin acceso verificable a su metadato bibliográfico completo (autoría, año,
volumen, DOI).
Criterios de inclusión y exclusión. Se incluyeron artículos que: (a) abordaran de manera
sustantiva la aplicación de IA, aprendizaje automático, minería de procesos, RPA o blockchain
en contextos contables o de auditoría; (b) estuvieran publicados en revistas indexadas en
Scopus o Web of Science, o en editoriales académicas de reconocido prestigio (Springer,
Elsevier, Emerald, Wiley, MDPI, American Accounting Association); y (c) contaran con
identificador DOI verificable. Se excluyeron los documentos cuya autoría, año de publicación o
datos bibliográficos no pudieron ser corroborados de manera independiente a través de al
menos dos fuentes editoriales o bibliométricas coincidentes, en cumplimiento del principio de
integridad referencial que rige el presente estudio.
Procedimiento de análisis. Los documentos seleccionados fueron sometidos a un
proceso de lectura analítica y codificación temática manual, organizándose en categorías
correspondientes a las tecnologías analizadas (IA/machine learning, auditoría continua, minería
de procesos, blockchain, Big Data, RPA) y a las dimensiones de la calidad de la información
financiera afectadas (confiabilidad, oportunidad, comparabilidad, verificabilidad y
representación fiel, conforme al Marco Conceptual del IASB, 2018). A partir de esta codificación
se realizó un análisis de contenido cualitativo orientado a identificar patrones recurrentes,
vacíos científicos y relaciones causales plausibles entre la adopción tecnológica y la calidad de
DOI: https://doi.org/10.71112/yr7jt244
1026 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
la información financiera, lo que permitió la construcción inductivo-deductiva del modelo
conceptual propuesto en la sección de resultados. Cabe reiterar que, dado el carácter teórico
del estudio, no se aplicaron instrumentos de recolección de datos primarios (encuestas,
entrevistas) ni pruebas estadísticas inferenciales; el rigor metodológico descansa, en cambio,
en la trazabilidad, transparencia y verificabilidad del proceso documental descrito.
RESULTADOS
Estado del arte: tecnologías de Inteligencia Artificial aplicadas a los Sistemas de
Información Contable y la auditoría
La revisión de literatura permitió identificar cinco líneas tecnológicas dominantes en la
investigación reciente sobre IA aplicada a la contabilidad y la auditoría, cuyos hallazgos
centrales se sintetizan en la Tabla 1.
Tabla 1.
Síntesis de líneas tecnológicas identificadas en la literatura (2017–2026)
Línea tecnológica
Hallazgos principales
Fuentes
Auditoría continúa
basada en IA
Permite el monitoreo cuasi permanente de
sistemas y transacciones, superando el modelo
de auditoría periódica por muestreo; su madurez
de implementación aún es desigual entre
organizaciones
Minkkinen et al. (2022);
Moh'd Abderrahman &
Makarem (2026)
Aprendizaje
automático y
detección de fraude
Los modelos de machine learning mejoran la
sensibilidad para detectar anomalías e
irregularidades en estados financieros frente a
métodos estadísticos tradicionales, aunque
persisten desafíos de interpretabilidad
Hernandez Aros et al.
(2024); Fedyk et al. (2022)
Minería de procesos
Posibilita reconstruir el flujo real de los procesos
transaccionales a partir de registros de eventos
(event logs), facilitando la evaluación del control
interno
Duan et al. (2025)
DOI: https://doi.org/10.71112/yr7jt244
1027 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Cadena de bloques
(blockchain)
Ofrece un potencial teórico relevante para la
trazabilidad e inmutabilidad de los registros
contables, aunque la evidencia empírica de
implementación sigue siendo
predominantemente conceptual
Moh'd Abderrahman &
Makarem (2026)
Analítica de
macrodatos (Big
Data)
Amplía la capacidad de los auditores para
examinar poblaciones completas de
transacciones en lugar de muestras, con
implicaciones directas sobre el alcance y la
profundidad de la auditoría
Appelbaum et al. (2017);
Gepp et al. (2018)
Fuente: Elaboración propia a partir de la revisión sistemática de literatura científica
desarrollada para la presente investigación (2026).
Un segundo hallazgo relevante se refiere al papel de los modelos de lenguaje de gran
escala e IA generativa en la práctica contable y de auditoría. La evidencia reciente sugiere que
estas herramientas pueden asistir en tareas de análisis documental, redacción de papeles de
trabajo y evaluación preliminar de riesgos, si bien su desempeño en exámenes de certificación
profesional exhibe todavía márgenes de mejora que condicionan su adopción sin supervisión
humana (Eulerich et al., 2024). Este hallazgo resulta especialmente relevante para el diseño del
modelo propuesto, en la medida en que sugiere que la IA generativa debe concebirse como un
mecanismo de apoyo a la decisión profesional, y no como un sustituto del juicio del auditor, en
cualquier tipo de organización.
Un tercer eje de hallazgos corresponde a la dimensión ética y de gobernanza. Munoko
et al. (2020) advierten que la introducción de IA en la auditoría plantea riesgos de sesgo
algorítmico, opacidad decisional ("caja negra") y erosión de la responsabilidad profesional si no
se acompaña de marcos de gobernanza de datos robustos. Este hallazgo es coherente con la
evidencia de Moll y Yigitbasioglu (2019), quienes documentan que la investigación contable ha
tendido a rezagarse frente a la velocidad de adopción tecnológica en la práctica profesional,
generando una brecha entre la evidencia científica disponible y las decisiones de
DOI: https://doi.org/10.71112/yr7jt244
1028 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
implementación que efectivamente toman las organizaciones, cualquiera sea su naturaleza. En
respuesta a esta preocupación, la literatura más reciente ha comenzado a desarrollar
soluciones técnicas de interpretabilidad: Faccia (2026) demuestra, mediante un estudio
aplicado a la detección de fraude transaccional, que la combinación de modelos de aprendizaje
automático con técnicas de Inteligencia Artificial Explicable (XAI) permite conciliar el
desempeño predictivo con los requisitos de auditabilidad, documentación y transparencia
regulatoria, lo que convierte a la explicabilidad algorítmica en un componente cada vez más
exigible dentro de la gobernanza de datos de cualquier organización.
El Modelo IASIC: propuesta conceptual de optimización
A partir de la síntesis anterior, se propone el Modelo IASIC (Inteligencia Artificial para
Sistemas de Información Contable), un modelo conceptual de naturaleza integradora y de
aplicación general, orientado a optimizar los SIC y fortalecer la auditoría interna en cualquier
tipo de organización. El modelo se estructura en cuatro componentes interrelacionados (Figura
1): (1) Componente Tecnológico, (2) Componente de Control y Auditoría, (3) Componente de
Gobernanza de Datos, y (4) Componente de Calidad de la Información Financiera, entendido
este último como la variable de resultado que el modelo busca optimizar.
Tabla 2.
Componentes, dimensiones estratégicas e indicadores propuestos del Modelo IASIC
Componente
Dimensiones
Indicadores propuestos
Tecnológico
Automatización (RPA); Analítica
predictiva (machine learning);
Trazabilidad (blockchain)
Porcentaje de transacciones
automatizadas; Precisión de
modelos predictivos; Nivel de
inmutabilidad de registros
Control y auditoría
Auditoría continua; Minería de
procesos; Evaluación de riesgos
asistida por IA
Frecuencia de monitoreo;
Porcentaje de procesos mapeados;
Tiempo de detección de anomalías
DOI: https://doi.org/10.71112/yr7jt244
1029 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Gobernanza de datos
Calidad del dato de origen; Seguridad
y ciberseguridad; Marco ético de uso
de IA
Tasa de errores en captura de
datos; Incidentes de seguridad;
Existencia de política de uso de IA
Calidad de la
información financiera
Confiabilidad; Oportunidad;
Comparabilidad; Verificabilidad
Tiempo de cierre contable; Número
de reprocesos; Hallazgos de
auditoría externa
Fuente: elaboración propia, adaptado del Marco Conceptual del IASB (2018) y de la
síntesis de literatura presentada en la Tabla 1.
Figura 1
Flujo operativo del Modelo IASIC
DATOS ORGANIZACIONALES
Procesos contables · Procesos financieros · Procesos administrativos · Procesos operacionales
▼
SISTEMAS DE INFORMACIÓN CONTABLE (SIC)
Núcleo de captura, registro y procesamiento de datos de la organización
▼
PROCESAMIENTO INTELIGENTE
IA / ML
Detección de
anomalías y
fraude
Minería de
Procesos
Reconstrucción
del flujo
transaccional
RPA
Automatización
de procesos
repetitivos
Big Data
Analítica
Análisis de
poblaciones
completas
Blockchain
Trazabilidad
Inmutabilidad
y verificación
de registros
▼
CONTROL Y AUDITORÍA CONTINUA
Auditoría continua · Minería de procesos · Evaluación de riesgos asistida por IA · Detección de anomalías
▼
GOBERNANZA DE DATOS
Calidad del dato de origen · Seguridad y ciberseguridad · Marco ético de uso de IA · Explicabilidad algorítmica
▼
INFORMACIÓN FINANCIERA DE ALTA CALIDAD
Confiable · Oportuna · Comparable · Verificable · Representación fiel
DOI: https://doi.org/10.71112/yr7jt244
1030 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
↕ RETROALIMENTACIÓN CONTINUA ↕
El flujo operativo del modelo (Figura 1) parte de la captura de datos propios de los
procesos organizacionales, contables, financieros y administrativos de la entidad, los cuales
son procesados mediante herramientas de automatización robótica y analítica predictiva
integradas al SIC. Dicho procesamiento se somete a un régimen de control continuo, apoyado
en minería de procesos y auditoría basada en IA, que opera bajo un marco de gobernanza de
datos que garantiza la calidad de origen, la ciberseguridad y el cumplimiento de principios
éticos en el uso de la IA. El resultado del proceso es información financiera cuya calidad puede
verificarse en tiempo cuasi real, generándose un ciclo de retroalimentación continua hacia el
componente de gobernanza.
En cuanto a su proceso de implementación, el modelo contempla tres etapas
secuenciales: (a) diagnóstico de madurez digital y de control interno de la organización; (b)
integración tecnológica progresiva, priorizando primero la automatización de procesos
transaccionales de alto volumen y, posteriormente, la incorporación de capacidades analíticas y
de auditoría continua; y (c) evaluación y retroalimentación periódica del desempeño del modelo
frente a los indicadores de calidad de la información financiera definidos en la Tabla 2. Entre los
factores de factibilidad más relevantes identificados en la literatura destacan la disponibilidad
de infraestructura tecnológica, la capacitación del personal contable y de auditoría, y el
compromiso de la alta dirección con la gobernanza de datos (Yoshikuni et al., 2023). Entre los
riesgos, se identifican la resistencia al cambio organizacional, los costos de implementación —
particularmente relevantes para pequeñas y medianas empresas de cualquier sector— y los
riesgos éticos y de ciberseguridad ya señalados por Munoko et al. (2020).
Por su diseño modular, el Modelo IASIC admite distintos niveles de profundidad de
implementación según el sector, el tamaño organizacional y la complejidad transaccional de la
DOI: https://doi.org/10.71112/yr7jt244
1031 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
entidad. Así, por ejemplo, una organización del sector servicios podría priorizar la
automatización de la facturación, la conciliación bancaria y la gestión de cuentas por cobrar;
una empresa manufacturera podría priorizar el control de inventarios y la determinación de
costos por orden de producción; y una empresa constructora podría priorizar el control
presupuestario por proyecto y la gestión de subcontratistas, sin que ello modifique la
arquitectura conceptual del modelo ni sus cuatro componentes estructurales. Esta flexibilidad
de aplicación constituye, precisamente, uno de los aportes distintivos del Modelo IASIC frente a
propuestas previas de alcance sectorial más estrecho.
DISCUSIÓN
Los hallazgos de la presente revisión son consistentes con la literatura internacional en
cuanto a que la Inteligencia Artificial posee un potencial significativo para transformar los
Sistemas de Información Contable y la función de auditoría interna, con independencia del tipo
de organización en que se implemente (Kokina & Davenport, 2017; Duan et al., 2025). Esta
consistencia es relevante porque sugiere que los mecanismos causales documentados por la
literatura —mayor cobertura analítica, detección más temprana de anomalías, reducción de la
dependencia del muestreo— no están condicionados por características sectoriales
específicas, sino por la arquitectura tecnológica y de gobernanza que la organización sea
capaz de construir alrededor de sus SIC.
En primer término, existe coincidencia entre los estudios revisados en que la auditoría
continua y la analítica de macrodatos amplían sustancialmente el alcance del control interno, al
permitir el análisis de poblaciones completas de transacciones en lugar de muestras
(Appelbaum et al., 2017; Gepp et al., 2018). Esta coincidencia respalda la pertinencia del
Componente de Control y Auditoría del Modelo IASIC y es consistente con los hallazgos de
Fedyk et al. (2022), quienes documentan mejoras medibles en la eficiencia del proceso de
DOI: https://doi.org/10.71112/yr7jt244
1032 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
auditoría asociadas a la adopción de herramientas analíticas avanzadas. No obstante, se
observa una diferencia relevante respecto de la velocidad de adopción entre tipos de
organización: mientras la literatura internacional documenta implementaciones ya consolidadas
en grandes firmas de auditoría y corporaciones multinacionales (Eulerich et al., 2024), la
evidencia disponible sobre pequeñas y medianas empresas de economías emergentes es
considerablemente más escasa, lo que constituye un vacío científico que el Modelo IASIC
contribuye a delimitar —al proponer una arquitectura escalable— más que a resolver
empíricamente en esta etapa del estudio.
En segundo término, la discusión sobre blockchain revela una tensión entre el potencial
teórico ampliamente documentado —trazabilidad, inmutabilidad, desintermediación de la
verificación— y su nivel real de madurez de implementación, que la literatura reciente describe
todavía como predominantemente conceptual (Moh'd Abderrahman & Makarem, 2026). Esta
tensión es consistente con los hallazgos de Duan et al. (2025) sobre minería de procesos, en el
sentido de que las tecnologías de trazabilidad avanzada tienden a adoptarse después, y no
antes, de que la organización haya consolidado capacidades básicas de automatización y de
control continuo. Esta constatación justifica que, en el Modelo IASIC, el blockchain se incorpore
como una dimensión del Componente Tecnológico de carácter prospectivo, cuya priorización
de implementación debe ser posterior a la automatización de procesos transaccionales de
base, en lugar de constituir un punto de partida, independientemente del sector de actividad de
la organización.
En tercer término, la dimensión ética y de gobernanza —enfatizada por Munoko et al.
(2020) y coherente con la brecha entre investigación y práctica documentada por Moll y
Yigitbasioglu (2019)— sugiere que el aporte científico más relevante del Modelo IASIC no
reside únicamente en la incorporación de tecnología, sino en la articulación explícita de un
componente de gobernanza de datos como condición habilitante de la calidad de la información
DOI: https://doi.org/10.71112/yr7jt244
1033 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
financiera. Esta articulación diferencia al modelo propuesto de enfoques previos centrados casi
exclusivamente en la dimensión técnica de la automatización contable (Kokina & Davenport,
2017), y es coherente con la advertencia de Eulerich et al. (2024) sobre los límites actuales de
la IA generativa en tareas que requieren juicio profesional, lo que refuerza la necesidad de
mantener supervisión humana activa en cualquier esquema de automatización contable, con
independencia de la madurez tecnológica de la organización. En esta misma línea, la evidencia
de Faccia (2026) sobre Inteligencia Artificial Explicable (XAI) sugiere que el Componente de
Gobernanza de Datos del Modelo IASIC debería incorporar, en desarrollos futuros, criterios
explícitos de explicabilidad algorítmica, de manera que las decisiones generadas por los
módulos de analítica predictiva del modelo puedan ser auditadas y documentadas conforme a
estándares regulatorios crecientes en materia de IA responsable.
En cuarto término, es pertinente discutir la generalización del Modelo IASIC frente a la
literatura que ha abordado estas tecnologías en sectores específicos. Yoshikuni et al. (2023)
documentan que la contribución de las tecnologías emergentes a la flexibilidad estratégica y al
desempeño decisional de las organizaciones de América del Norte y del Sur no depende de un
sector particular, sino de la capacidad organizacional para integrar dichas tecnologías en los
procesos de decisión. Este hallazgo respalda directamente la decisión de diseñar el Modelo
IASIC como un marco de aplicación general: la evidencia disponible no sustenta la necesidad
de modelos distintos para cada sector económico, sino la necesidad de un marco común cuyos
parámetros de implementación —alcance, prioridad, profundidad— se adapten a las
características de cada organización, tal como se describió en la sección de resultados.
Finalmente, es necesario reconocer las limitaciones del presente estudio. Al tratarse de
una revisión teórica y documental, sus conclusiones no pueden generalizarse empíricamente
sin la validación posterior del modelo mediante datos primarios recolectados en organizaciones
de distintos sectores y tamaños, tarea que se plantea como continuación natural de esta línea
DOI: https://doi.org/10.71112/yr7jt244
1034 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
de investigación. Asimismo, la revisión de literatura, aunque sistemática, se circunscribió a un
número acotado de bases de datos y a fuentes con metadatos bibliográficos verificables, lo que
pudo excluir contribuciones relevantes publicadas en revistas regionales de menor indexación.
Una limitación adicional es que el Modelo IASIC, en su formulación actual, no incorpora
todavía indicadores de costo-beneficio cuantificados, cuya estimación requeriría
necesariamente de datos empíricos de implementación real.
Desde una perspectiva científica, el principal aporte del Modelo IASIC radica en integrar,
en una sola arquitectura conceptual y de aplicación transversal, los componentes tecnológicos,
los mecanismos de control y auditoría continua, la gobernanza de datos y los atributos de
calidad de la información financiera. Esta integración no ha sido abordada de manera
sistemática en la literatura previa, que tiende a tratar dichos componentes de forma
fragmentada o circunscrita a sectores económicos específicos. La aplicabilidad transectorial del
Modelo IASIC constituye, en sí misma, una contribución científica diferenciadora, en la medida
en que propone un lenguaje común y una estructura de referencia que puede ser utilizada por
investigadores y profesionales de distintos contextos organizacionales. En términos de agenda
futura, el modelo ofrece una plataforma sólida para el diseño de estudios de caso, instrumentos
de medición y validaciones empíricas, tanto en organizaciones del sector privado como del
sector público, en economías emergentes y en distintos niveles de madurez digital, lo que
amplía significativamente el alcance potencial de esta línea de investigación.
CONCLUSIONES
El análisis de la literatura científica publicada entre 2021 y 2026 permite concluir que la
Inteligencia Artificial posee un potencial sustantivo para optimizar los Sistemas de Información
Contable y fortalecer la auditoría interna como mecanismo de control de la calidad de la
información financiera, en organizaciones de cualquier sector económico. Las tecnologías de
DOI: https://doi.org/10.71112/yr7jt244
1035 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
auditoría continua, aprendizaje automático, minería de procesos y analítica de macrodatos
muestran, de manera convergente, capacidad para mejorar la oportunidad, la confiabilidad y la
verificabilidad de la información contable, mientras que el blockchain, pese a su relevancia
teórica, permanece en una fase predominantemente conceptual de desarrollo.
El Modelo IASIC propuesto en este artículo constituye un aporte científico original en
tanto integra, en un solo marco conceptual de aplicación general, los componentes tecnológico,
de control y auditoría, de gobernanza de datos y de calidad de la información financiera. A
diferencia de los modelos existentes en la literatura internacional, que abordan estas
tecnologías de manera fragmentada o circunscrita a sectores económicos específicos, el
Modelo IASIC ofrece una arquitectura modular capaz de adaptarse a organizaciones de distinto
tamaño, sector y nivel de madurez digital, sin alterar su estructura conceptual de base.
Se recomienda, como línea de investigación futura, la validación empírica del Modelo
IASIC mediante estudios de caso y encuestas estructuradas aplicadas a organizaciones de
distintos sectores económicos, así como el desarrollo de instrumentos de medición específicos
para cada uno de los indicadores propuestos en la Tabla 2. Asimismo, se recomienda
profundizar en investigaciones comparativas entre sectores y entre países de la región
latinoamericana que permitan identificar factores contextuales diferenciales en la adopción de
estas tecnologías. Finalmente, se sugiere que los organismos profesionales contables y los
reguladores de la región incorporen, en sus marcos normativos, lineamientos específicos sobre
gobernanza ética de la Inteligencia Artificial aplicada a la auditoría, en línea con las
preocupaciones ya identificadas por la literatura internacional.
Finalmente, el Modelo IASIC constituye una propuesta conceptual innovadora que
integra, en un marco unificado y de aplicación general, la Inteligencia Artificial, los Sistemas de
Información Contable y la Auditoría Interna, orientado al fortalecimiento de la calidad de la
información financiera organizacional. Su arquitectura modular permite su adaptación a
DOI: https://doi.org/10.71112/yr7jt244
1036 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
organizaciones de distintos sectores económicos y niveles de madurez digital, sin alterar su
estructura conceptual de base, lo que amplía su potencial de transferencia a múltiples
contextos institucionales. El modelo constituye, asimismo, una base robusta para futuras
investigaciones empíricas que permitan evaluar su pertinencia, ajustar sus componentes y
medir el impacto real de la integración de la IA en los sistemas contables sobre la calidad de la
información financiera, contribuyendo así al desarrollo científico de la contabilidad en la era
digital.
Declaración de conflicto de interés
La autora declara no tener ningún conflicto de interés relacionado con esta
investigación.
Declaración de contribución a la autoría
Imelda Roberts Pineda: conceptualización, curación de datos, análisis formal,
investigación, metodología, desarrollo del modelo conceptual IASIC, redacción del borrador
original, revisión crítica y edición final del manuscrito.
Declaración de uso de inteligencia artificial
La autora declara que utilizó inteligencia artificial (modelo de lenguaje Claude,
Anthropic) como apoyo para la búsqueda, verificación y organización de fuentes bibliográficas y
para la redacción del borrador de este manuscrito, bajo su dirección, revisión y responsabilidad
intelectual directa. Esta herramienta no sustituye en modo alguno la labor ni el juicio intelectual
de la autora: todo el contenido, el modelo conceptual propuesto, las decisiones metodológicas y
las conclusiones son responsabilidad exclusiva de la autora, quien revisó, validó y verificó de
manera independiente la totalidad de las referencias citadas y el contenido científico del
manuscrito.
DOI: https://doi.org/10.71112/yr7jt244
1037 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
REFERENCIAS
Appelbaum, D., Kogan, A., & Vasarhelyi, M. A. (2017). Big data and analytics in the modern
audit engagement: Research needs. Auditing: A Journal of Practice & Theory, 36(4), 1-
27. https://doi.org/10.2308/ajpt-51684
Duan, H. K., Vasarhelyi, M. A., & Codesso, M. (2025). Integrating process mining and machine
learning for advanced internal control evaluation in auditing. Journal of Information
Systems, 39(1), 55-75. https://doi.org/10.2308/ISYS-2022-028
Eulerich, M., Sanatizadeh, A., Vakilzadeh, H., & Wood, D. A. (2024). Is it all hype? ChatGPT's
performance and disruptive potential in the accounting and auditing industries. Review of
Accounting Studies, 29(3), 2318-2349. https://doi.org/10.1007/s11142-024-09833-9
Faccia, A. (2026). Explainable AI (XAI) in auditing: Bridging the gap between predictive fraud
models and regulatory standards. Journal of Risk and Financial Management, 19(5),
Artículo 311. https://doi.org/10.3390/jrfm19050311
Fedyk, A., Hodson, J., Khimich, N. V., & Fedyk, T. (2022). Is artificial intelligence improving the
audit process? Review of Accounting Studies, 27(3), 938-985.
https://doi.org/10.1007/s11142-022-09697-x
Gepp, A., Linnenluecke, M. K., O'Neill, T. J., & Smith, T. (2018). Big data techniques in auditing
research and practice: Current trends and future opportunities. Journal of Accounting
Literature, 40, 102-115. https://doi.org/10.1016/j.acclit.2017.05.003
Hernandez Aros, L., Bustamante Molano, L. X., Gutierrez-Portela, F., Moreno Hernandez, J. J.,
& Rodríguez Barrero, M. S. (2024). Financial fraud detection through the application of
machine learning techniques: A literature review. Humanities and Social Sciences
Communications, 11(1), Artículo 1130. https://doi.org/10.1057/s41599-024-03606-0
Hernández-Sampieri, R., & Mendoza Torres, C. P. (2018). Metodología de la investigación: Las
rutas cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana Editores.
DOI: https://doi.org/10.71112/yr7jt244
1038 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
International Accounting Standards Board. (2018). Marco Conceptual para la Información
Financiera. IFRS Foundation.
Kokina, J., & Davenport, T. H. (2017). The emergence of artificial intelligence: How automation
is changing auditing. Journal of Emerging Technologies in Accounting, 14(1), 115-122.
https://doi.org/10.2308/jeta-51730
Leocádio, D., Malheiro, L., & Reis, J. (2024). Artificial intelligence in auditing: A conceptual
framework for auditing practices. Administrative Sciences, 14(10), Artículo 238.
https://doi.org/10.3390/admsci14100238
Minkkinen, M., Laine, J., & Mäntymäki, M. (2022). Continuous auditing of artificial intelligence: A
conceptualization and assessment of tools and frameworks. Digital Society, 1, Artículo
21. https://doi.org/10.1007/s44206-022-00022-2
Moh'd Abderrahman, A. S., & Makarem, N. (2026). The future of external audit: A systematic
literature review of emerging technologies and their impact on external audit practices.
Journal of Risk and Financial Management, 19(3), Artículo 216.
https://doi.org/10.3390/jrfm19030216
Moll, J., & Yigitbasioglu, O. (2019). The role of internet-related technologies in shaping the work
of accountants: New directions for accounting research. The British Accounting Review,
51(6), Artículo 100833. https://doi.org/10.1016/j.bar.2019.04.002
Munoko, I., Brown-Liburd, H. L., & Vasarhelyi, M. (2020). The ethical implications of using
artificial intelligence in auditing. Journal of Business Ethics, 167(2), 209-234.
https://doi.org/10.1007/s10551-019-04407-1
Yoshikuni, A. C., Dwivedi, R., Dultra-de-Lima, R. G., Parisi, C., & Oyadomari, J. C. T. (2023).
Role of emerging technologies in accounting information systems for achieving strategic
flexibility through decision-making performance: An exploratory study based on North
