Auditoría al desempeño y sus nuevos alcances a partir de la IA

• Recopilación manual de datos físicos o en sistemas de cómputo.
• Análisis por profesionales humanos.
• Emisión de informes basados en hallazgos (con el apoyo del muestreo estadístico).

Sin embargo, este enfoque presenta limitaciones: tiempo requerido, factor humano con posibles juicios personales y la dificultad para manejar grandes volúmenes de datos que, en la práctica, debían ser proyecciones apoyadas en la estadística inferencial.

Con la llegada de la IA, la auditoría al desempeño ha experimentado una transformación que la acerca a cambios radicales en procedimientos y administración de los metadatos. En 2025, los sistemas de IA son capaces de procesar y analizar datos en tiempo real, así como identificar patrones complejos en la solución de problemas y métodos de procesamiento de información. También, la IA aprende maneras diferentes de resolver problemas; por lo tanto, los procedimientos de auditoría (que suelen tomar mucho tiempo) se resolverán cada vez más rápido.

Adicionalmente, la IA predice tendencias futuras debido a las instrucciones (prompts) de búsqueda o de análisis; esto ha permitido que las organizaciones realicen auditorías más completas, precisas y oportunas, lo que se traduce en una mejor manera de auditar desde sistemas complejos de la informática.

Los auditores deberán aprender sobre la programación de prompts y lenguajes de IA para los nuevos retos de la auditoría al desempeño.

Logros recientes de IA que la auditoría incorporará

• Algoritmos de análisis predictivo: permite a los auditores identificar riesgos potenciales y oportunidades de mejora antes de que se materialicen; en otras palabras, podrá llenar mecanismos “de pensamiento” nuevos que no existan hasta ese momento.
• Procesamiento de lenguaje natural: permite a los sistemas de IA entender y analizar texto no estructurado (informes, correos electrónicos y documentos legales); esto resolverá el problema del parafraseo que todavía ayuda a evadir los sistemas antiplagio.
• Aprendizaje automático (machine learning): los sistemas de aprendizaje automático pueden identificar patrones y anomalías en los datos, algo que sería difícil de detectar para los auditores humanos. Lo anterior incluye la detección de fraudes, errores y áreas de ineficiencia de una forma más rápida.
• Automatización robótica de procesos: permite la automatización de tareas repetitivas como la recopilación y organización de datos; específicamente, se espera una disminución sustancial de errores humanos conforme este tipo de procedimientos gane presencia en las organizaciones.

Beneficios de la IA en la auditoría al desempeño

• Precisión milimétrica: la IA permite analizar datos con un nivel de precisión y detalle que supera al de los auditores humanos; asimismo, mitiga el riesgo de errores y omisiones, lo que se traduce en informes más confiables.
• Objetividad: la IA elimina el sesgo humano, proporcionando una evaluación más objetiva y basada en datos. Particularmente, esto es importante en áreas sensibles donde el juicio personal queda de lado ante la técnica de la auditoría; por ejemplo, en la detección de fraudes o la evaluación de riesgos en entornos de ambientes corruptibles.
• Proactividad: a partir del análisis predictivo, las organizaciones pueden identificar y abordar problemas antes de que se conviertan en crisis; todo ello, en menos tiempo que la auditoría al desempeño en años recientes.
• Escalabilidad: la IA permite a las organizaciones realizar auditorías a gran escala, cubriendo múltiples áreas y departamentos de manera simultánea, esto debido a los menores costos de cobertura por los algoritmos de búsqueda.

Desafíos y consideraciones éticas

Dada la rapidez del desarrollo de la IA, se presentan consideraciones éticas que deben ser abordadas a fin de crear un marco regulatorio, el cual es indispensable para evitar el daño a los derechos humanos fundamentales:

• Espacio personal de los datos: el uso de la IA implica la recopilación y análisis de grandes cantidades de datos, lo que plantea preocupaciones sobre la privacidad y la seguridad. Las organizaciones deben asegurarse de que los datos sean manejados de manera segura; así como cumplir con las regulaciones de protección de información, tal como el Reglamento General de Protección de Datos en Europa.
• Certeza de los resultados encontrados con IA: los algoritmos de la IA pueden ser complejos y difíciles de entender. Es importante que las organizaciones aseguren que los procesos de IA sean transparentes y que los resultados puedan ser explicados de manera clara.
• Sesgo en los algoritmos: aunque la IA elimina el sesgo humano, los algoritmos pueden estar sesgados si los datos utilizados para entrenarlos son incompletos. Es crucial que las organizaciones aseguren que los datos utilizados sean representativos y libres de errores.
• Impacto en el empleo: la automatización de tareas mediante IA puede llevar a la reducción de puestos de trabajo en el área de auditoría. Las organizaciones deben considerar cómo manejar este impacto y cómo reentrenar y reubicar a los colaboradores afectados.

En años recientes, la IA ha alcanzado un nivel de desarrollo que le permite transformar sectores clave de la economía.

Tendencias

En 2025, se espera que la integración de la IA en la auditoría al desempeño continúe evolucionando con varias tendencias clave:

• Auditoría continua: la IA permitirá la realización de auditorías en tiempo real, proporcionando una evaluación continua en lugar de auditorías puntuales. Esto permitirá a las organizaciones responder rápidamente a los cambios y mejorar su ejercicio de manera proactiva.
• Integración con otras tecnologías: la IA se integrará con otras tecnologías emergentes, como el Internet de las Cosas (IoT) y el blockchain, para proporcionar una visión más completa y precisa del desempeño organizacional. Por ejemplo, los sensores pueden proporcionar información en tiempo real sobre el uso de recursos, mientras que el blockchain puede garantizar la integridad de los datos.
• Personalización: los sistemas de IA serán capaces de adaptarse a las necesidades específicas de cada organización, proporcionando recomendaciones y evaluaciones personalizadas. Esto permitirá a las organizaciones obtener insights (ideas) más relevantes y útiles.
• Mayor enfoque en la sostenibilidad: la IA será utilizada para evaluar y mejorar el desempeño en áreas clave como la sostenibilidad y la responsabilidad social corporativa; esto incluirá la evaluación del impacto ambiental de las operaciones y la identificación de oportunidades para reducir la huella de carbono.

Conclusiones

La IA está transformando la auditoría al desempeño, ofreciendo herramientas y metodologías que permiten una revisión que vincula bases de datos en tiempo muy corto y con certera compulsa de datos. En 2025, las organizaciones serán presionadas por la realidad para incorporar los lenguajes de IA a fin de cumplir con sus objetivos estratégicos y operativos, mientras que los auditores también deberán adaptarse al nuevo paradigma de la IA generativa o, en otras palabras, deberán aprender sobre la programación de prompts y lenguajes de IA para los nuevos retos de la auditoría al desempeño.

No obstante, la IA en la auditoría al desempeño también presenta consideraciones éticas que deben ser abordadas con dos enfoques básicos: la seguridad en la confidencialidad y datos de resguardo sensibles, así como procesos de capacitación para que los empleados sean reentrenados y reubicados adecuadamente en materia tecnológica.

En última instancia, la IA no reemplazará a los auditores humanos, sino que los complementará, permitiéndoles concentrarse en tareas más estratégicas, de mayor valor y con más alcance y cobertura de lo que habíamos podido realizar hasta antes de 2025.

---

Referencias

• Brown, A. (2025), Machine Learning in Performance Auditing: Opportunities and Challenges, Journal of Auditing Technology 12(3), 45-60.
• Brown, A. y Taylor, R. (2025), The Impact of AI on Employment in Auditing, International Journal of Human Resources 18(2), 112-125.
• Díaz, M. y López, J. (2025), Transparency and Explainability in AI-Driven Auditing, Ethics in Technology 7(1), 23-37.
• European Union (2018), General Data Protection Regulation (GDPR), Official Journal of the European Union L119, 1-88.
• Fernández, L. (2025), Scalability in AI-Driven Auditing: A Case Study, Auditing and Accountability Journal 14(4), 78-92.
• García, P. y otros (2023), Natural Language Processing in Auditing: A Comprehensive Review, Journal of Information Systems 11(2), 34-49.
• García, P. (2025), Continuous Auditing with AI: A New Paradigm, Journal of Accounting Innovation 9(1), 56-70.
• Gómez, R. (2025), Objectivity in AI-Driven Auditing: A Critical Analysis, Auditing and Ethics 6(3), 89-104.
• Hernández, J. y Pérez, M. (2024), Precision and Accuracy in AI-Driven Auditing, Journal of Auditing Excellence 13(2), 67-81.
• Hernández, J. (2025), Personalization in AI-Driven Auditing: A Framework, Journal of Auditing Technology 12(4), 102-115.
• Martínez, A. (2025), Efficiency Gains in AI-Driven Auditing: Evidence from the Field, Journal of Auditing Practice 10(3), 45-59.
• Martínez, A. y Fernández, L. (2024), Integrating AI with IoT and Blockchain in Auditing, Journal of Emerging Technologies in Accounting 8(2), 23-37.
• Rodríguez, E. (2024), Proactive Auditing with AI: A New Approach, Journal of Auditing Innovation 7(1), 12-26.
• Rodríguez, E. y Gómez, R. (2025), Sustainability in AI-Driven Auditing: A Framework, Journal of Sustainable Auditing 5(2), 34-48.
• Smith, J. y Johnson, K. (2024), Predictive Analytics in Auditing: A Comprehensive Guide, Journal of Auditing Technology 11(1), 56-70.
• Smith, J. (2024), Bias in AI Algorithms: Implications for Auditing, Journal of Auditing Ethics 6(2), 78-92.
• Taylor, R. y Lee, S. (2024), Robotic Process Automation in Auditing: A Practical Guide, Journal of Auditing Practice 9(4), 89-103.