Uso de Data Analytics e Inteligencia Artificial en la auditoría financiera moderna conforme a las NIAs

Introducción

La auditoría financiera moderna está cambiando de manera acelerada. Hoy, las firmas de auditoría y los equipos de control interno ya no dependen únicamente de muestras manuales, hojas de cálculo aisladas o revisiones documentarias tradicionales. El uso de Data Analytics e Inteligencia Artificial (IA) permite analizar grandes volúmenes de transacciones, identificar patrones inusuales y fortalecer la obtención de evidencia de auditoría con mayor oportunidad y profundidad.

En el contexto peruano, esta transformación resulta especialmente relevante para empresas con alto volumen de operaciones, entidades del sector retail, agroexportadoras, constructoras, entidades financieras, ONGs y organizaciones que administran fondos de cooperación internacional. Sin embargo, el uso de estas herramientas no reemplaza el juicio profesional del auditor. Por el contrario, exige una aplicación más rigurosa de las Normas Internacionales de Auditoría (NIAs), particularmente en materia de planificación, evaluación de riesgos, evidencia, muestreo, estimaciones contables y documentación.

En este artículo desarrollamos cómo se integra la analítica de datos y la IA en la auditoría financiera moderna conforme a las NIAs, cuáles son sus beneficios, riesgos, limitaciones y cómo implementarlas adecuadamente en la realidad empresarial peruana.

¿Qué es Data Analytics en auditoría?

Data Analytics en auditoría es el uso de técnicas y herramientas para examinar conjuntos de datos financieros y operativos con el fin de identificar anomalías, tendencias, relaciones y excepciones relevantes para el trabajo del auditor.

Esto puede incluir:

• Análisis del 100% de las transacciones, en lugar de una muestra reducida.
• Cruce de bases de datos contables, bancarias, tributarias y logísticas.
• Identificación de asientos inusuales en cierres contables.
• Detección de pagos duplicados, proveedores relacionados o documentos fuera de secuencia.
• Análisis de tendencias por centros de costo, proyectos o unidades de negocio.

Desde la perspectiva de las NIAs, esta herramienta se vincula directamente con la NIA 500 - Evidencia de Auditoría, ya que facilita la obtención de evidencia suficiente y adecuada, siempre que el auditor evalúe la confiabilidad e integridad de los datos utilizados.

¿Qué es la Inteligencia Artificial en auditoría financiera?

La Inteligencia Artificial aplicada a auditoría comprende el uso de algoritmos capaces de reconocer patrones, clasificar documentos, detectar comportamientos atípicos e incluso apoyar la evaluación de riesgos. En la práctica, puede utilizarse para:

• Leer contratos y extraer cláusulas relevantes para efectos contables.
• Clasificar comprobantes de pago y documentos de sustento.
• Detectar transacciones anómalas que podrían indicar error o fraude.
• Apoyar la revisión de estimaciones contables complejas.
• Monitorear transacciones continuas en procesos de auditoría interna o auditoría continua.

No obstante, es importante precisar que la IA no sustituye la responsabilidad del auditor sobre sus conclusiones. La decisión final sobre la naturaleza, oportunidad y alcance de los procedimientos de auditoría sigue siendo humana y debe sustentarse en juicio profesional y escepticismo profesional, en línea con la NIA 200 - Objetivos globales del auditor independiente y realización de la auditoría de conformidad con las Normas Internacionales de Auditoría.

Base normativa: NIAs más relevantes para el uso de analítica de datos e IA

Si bien las NIAs no fueron diseñadas exclusivamente para tecnologías emergentes, su marco es plenamente aplicable al uso de Data Analytics e IA. Las más relevantes son las siguientes:

Beneficios del uso de Data Analytics e IA en auditoría financiera

Mayor cobertura de revisión

Uno de los principales beneficios es la posibilidad de revisar el universo completo de transacciones. Por ejemplo, una empresa comercial en Lima con 250,000 ventas anuales puede ser auditada con análisis masivos para detectar notas de crédito atípicas, anulaciones inusuales o ventas registradas fuera del horario normal.

Mejor identificación de riesgos

La NIA 315 - Identificación y valoración de los riesgos de incorrección material exige comprender la entidad y su entorno. La analítica permite detectar concentraciones de riesgo por cliente, proveedor, sucursal, periodo o usuario del sistema.

Mayor eficiencia en el trabajo de auditoría

Automatizar cruces y filtros libera tiempo para procedimientos de mayor valor agregado, como entrevistas, validación de controles y análisis de juicios contables complejos.

Detección más efectiva de fraude o irregularidades

La NIA 240 - Responsabilidades del auditor en la auditoría de estados financieros con respecto al fraude cobra especial importancia cuando se usan modelos para detectar pagos duplicados, proveedores ficticios, fraccionamiento de compras o asientos manuales al cierre del ejercicio.

Limitaciones y riesgos del uso de IA en auditoría

Aunque sus ventajas son importantes, también existen riesgos que no deben subestimarse.

Por ello, el auditor debe validar la integridad de las bases de datos, comprender el objetivo del algoritmo, revisar los parámetros utilizados y contrastar los resultados con otros procedimientos de auditoría.

Aplicación práctica conforme a las NIAs

En la planificación de la auditoría

Durante la planificación, el auditor puede usar analítica para identificar cuentas o procesos con mayor riesgo. Por ejemplo, al revisar una empresa constructora peruana, se puede analizar:

• Variaciones mensuales inusuales en cuentas por cobrar.
• Asientos de diario registrados en fechas cercanas al cierre.
• Pagos a proveedores sin orden de compra.
• Transferencias entre proyectos con poco sustento.

Esto se alinea con la NIA 315 y la NIA 330, ya que permite diseñar respuestas específicas a riesgos valorados.

En procedimientos sustantivos

La analítica puede apoyar pruebas sustantivas sobre ingresos, gastos, inventarios y tesorería. Por ejemplo:

• Comparar márgenes por línea de producto para detectar desviaciones no explicadas.
• Identificar facturas con numeración duplicada o secuencias faltantes.
• Analizar movimientos de inventario con rotación anormal.
• Detectar pagos efectuados en fines de semana o feriados.

Estos procedimientos complementan la NIA 520 - Procedimientos analíticos y la NIA 500 - Evidencia de auditoría.

En la evaluación de fraude

Conforme a la NIA 240, el auditor debe considerar el riesgo de fraude en reconocimiento de ingresos, manipulación de asientos y apropiación indebida de activos. La IA puede ayudar a priorizar transacciones sospechosas, pero no elimina la necesidad de corroborar con evidencia externa, confirmaciones, entrevistas y revisión documental.

Ejemplo práctico: auditoría de una empresa comercial en Perú

Una empresa distribuidora de productos de consumo masivo en Trujillo registra ventas por S/ 48 millones al año y procesa más de 180,000 comprobantes. En una auditoría tradicional, revisar manualmente una muestra limitada podía dejar fuera patrones relevantes.

Con Data Analytics, el equipo auditor aplicó los siguientes procedimientos:

• Cruce del registro de ventas con notas de crédito emitidas dentro de los 15 días posteriores al cierre.
• Identificación de clientes con descuentos fuera de políticas comerciales.
• Análisis de ventas registradas el último día del ejercicio con despacho posterior.
• Detección de usuarios que aprobaron y registraron la misma transacción.

El resultado fue la identificación de operaciones con riesgo de reconocimiento anticipado de ingresos. A partir de ello, se ampliaron pruebas documentarias y se verificó el cumplimiento del criterio de transferencia de control conforme a la NIIF 15 - Ingresos de actividades ordinarias procedentes de contratos con clientes.

Este caso demuestra que la analítica no reemplaza la auditoría tradicional, sino que la hace más focalizada y efectiva.

Ejemplo práctico: uso de IA en revisión de contratos de arrendamiento

Una ONG con sede en Lima y operaciones en varias regiones mantenía múltiples contratos de alquiler de oficinas y almacenes. El reto era verificar si todos los contratos habían sido identificados y tratados adecuadamente bajo la NIIF 16 - Arrendamientos.

Mediante una herramienta de IA documental, se revisaron contratos escaneados para extraer automáticamente:

• Plazo del contrato.
• Cláusulas de renovación.
• Montos fijos y variables.
• Penalidades y condiciones de terminación.

Luego, el auditor contrastó esos resultados con la contabilidad y detectó dos contratos no incorporados en el cálculo del pasivo por arrendamiento. La tecnología aceleró la revisión, pero la conclusión final requirió validación humana, recalculo y análisis contable conforme a la norma aplicable.

Relación con el control interno y la realidad peruana

En Perú, muchas empresas aún presentan debilidades en la calidad de sus datos, integración de sistemas y formalidad documental. Esto es particularmente visible en empresas familiares, MYPES en crecimiento, asociaciones civiles y algunas ONGs que operan con sistemas contables y administrativos no totalmente integrados.

Por ello, antes de aplicar Data Analytics o IA, el auditor debe evaluar:

• La calidad e integridad de las bases de datos.
• La existencia de controles generales de TI.
• La trazabilidad entre sistema operativo y contabilidad.
• La segregación de funciones.
• La consistencia entre información financiera y tributaria.

Por ejemplo, en una revisión de compras, puede ser útil cruzar el registro contable con el Registro de Compras, órdenes de compra, guías de remisión y constancias de detracción cuando corresponda. En sectores sujetos al Sistema de Pago de Obligaciones Tributarias, regulado por el Texto Único Ordenado del Decreto Legislativo N.° 940, revisar la correcta aplicación de detracciones puede revelar contingencias tanto financieras como tributarias.

Asimismo, desde la perspectiva legal peruana, la contabilidad y documentación de sustento deben conservarse y exhibirse conforme al artículo 87 del Texto Único Ordenado del Código Tributario, aprobado por Decreto Supremo N.° 133-2013-EF, que regula las obligaciones de los administrados, incluyendo la exhibición y conservación de libros, registros y documentos vinculados a asuntos tributarios. Esto es relevante porque una auditoría basada en analítica depende de la disponibilidad y confiabilidad de la información subyacente.

¿La analítica reemplaza al muestreo tradicional?

No necesariamente. En muchos casos, la analítica permite revisar el universo completo para identificar excepciones, pero aún puede ser necesario aplicar muestreo para validar documentos físicos, confirmar saldos o revisar atributos específicos.

La NIA 530 - Muestreo de auditoría sigue siendo plenamente vigente. Lo que cambia es que el auditor puede usar Data Analytics para diseñar muestras más inteligentes, enfocadas en transacciones de mayor riesgo.

Buenas prácticas para implementar Data Analytics e IA en auditoría

1. Definir claramente el objetivo del procedimiento

No se trata de usar tecnología por moda. Cada análisis debe responder a un riesgo o afirmación de auditoría concreta.

2. Validar la integridad y origen de los datos

Antes de analizar, debe comprobarse que la información extraída del ERP, sistema contable o base auxiliar es completa y consistente.

3. Documentar metodología y resultados

La NIA 230 - Documentación de auditoría exige dejar evidencia suficiente del trabajo realizado, incluidos criterios, filtros, excepciones y conclusiones.

4. Mantener supervisión humana

La IA puede sugerir alertas, pero el juicio profesional del auditor sigue siendo indispensable para interpretar resultados.

5. Capacitar al equipo auditor

La transformación digital en auditoría exige formación en análisis de datos, comprensión de procesos, control interno y riesgos tecnológicos.

Impacto futuro en la auditoría financiera

Todo indica que el uso de Data Analytics e IA seguirá creciendo en Perú. Las empresas demandan auditorías más oportunas, más profundas y con mayor capacidad para detectar riesgos emergentes. A su vez, los reguladores, directorios, cooperantes y usuarios de estados financieros esperan mayor calidad en la evidencia y en la explicación de las conclusiones.

Sin embargo, la auditoría financiera moderna no debe confundirse con una automatización absoluta. Las NIAs siguen poniendo en el centro al auditor independiente, su juicio profesional, su escepticismo y su responsabilidad sobre la opinión emitida.

La tecnología es una herramienta poderosa, pero su verdadero valor aparece cuando se integra con una metodología sólida, conocimiento del negocio y estricto cumplimiento de las normas de auditoría.

Conclusión

El uso de Data Analytics e Inteligencia Artificial en la auditoría financiera moderna representa una evolución natural de la profesión y una oportunidad concreta para mejorar la calidad, cobertura y eficiencia del trabajo auditor. Conforme a las NIAs, estas herramientas pueden fortalecer la identificación de riesgos, la obtención de evidencia y la respuesta frente a posibles errores o fraudes, siempre que se usen con criterio técnico, adecuada documentación y supervisión profesional.

En el contexto peruano, su aplicación puede generar un valor significativo en empresas con alto volumen transaccional, ONGs, entidades con múltiples sedes y organizaciones sujetas a crecientes exigencias de control y transparencia. No obstante, su efectividad depende de la calidad de los datos, la madurez de los sistemas y la capacidad del auditor para interpretar adecuadamente los resultados.

Si su empresa, organización o entidad requiere evaluar cómo incorporar analítica de datos e inteligencia artificial en sus procesos de auditoría financiera o control interno, puede escribirnos a auditor@carloslingan.pe. En Carlos Lingan & Asociados S.C. contamos con experiencia en auditoría, consultoría y revisión de riesgos con enfoque práctico y alineado a las NIAs.