Artificial Intelligence in Accounting: A Systematic Literature Review

En el mundo de las finanzas modernas, los números siempre han contado una historia, pero la forma en que se leen esas historias está cambiando. Durante décadas, contadores y auditores han dependido del juicio humano para revisar libros contables, detectar errores y asegurar que los informes financieros sean honestos. Hoy, un nuevo tipo de herramienta está entrando en la oficina: la inteligencia artificial. Esta no es una máquina única, sino una colección de programas informáticos inteligentes capaces de aprender de los datos. Estas herramientas pueden escanear miles de documentos en segundos, buscando patrones que el ojo humano podría pasar por alto. Se están utilizando para automatizar tareas rutinarias, predecir riesgos financieros y cazar fraudes. Sin embargo, a medida que estas herramientas se vuelven más comunes, queda una pregunta: ¿cuánto entendemos realmente sobre su impacto en la profesión? ¿Están reemplazando a los responsables de la toma de decisiones humanas o simplemente actuando como poderosos asistentes? Las respuestas están dispersas en cientos de nuevos estudios, creando un panorama que es rico en información pero difícil de navegar.

Para aportar claridad a este campo creciente, un investigador llamado Jinwoo Chae, de la Universidad GlobalNxt, se propuso mapear el estado actual del conocimiento. El objetivo no era probar un software específico ni realizar un nuevo experimento, sino recopilar y organizar la investigación existente publicada entre 2023 y 2026. El investigador comenzó con una lista de 49 registros, que incluían artículos de revistas, capítulos de libros e informes de datos. Tras eliminar cuidadosamente los duplicados y los estudios que no encajaban en el alcance de la contabilidad, quedaron 47 publicaciones para ser examinadas. El proceso consistió en leer los títulos y los tipos de estos trabajos para categorizarlos por año, tema y método. Fue un esfuerzo sistemático para ver hacia dónde se dirigía la investigación, qué preguntas se estaban planteando y dónde residían aún las lagunas de conocimiento.

Lo primero que reveló la revisión fue la pura velocidad de crecimiento en este campo. El número de estudios publicados ha explotado en pocos años. En 2023, solo había cuatro estudios en la lista. Para 2024, ese número se había más que duplicado. El impulso continuó en 2025 y 2026, con 16 y 18 estudios respectivamente. En total, 34 de los 47 estudios, lo que es aproximadamente el 72 por ciento, se publicaron solo en los últimos dos años. Este rápido incremento sugiere que la conversación en torno a la inteligencia artificial en la contabilidad está pasando de ser un interés de nicho a un tema central de discusión. Sin embargo, la revisión también señaló que esta lista representa una instantánea específica de la literatura disponible y no debe tomarse como un recuento completo de cada estudio jamás escrito sobre el tema.

Al observar de qué trataban realmente estos estudios, surgió un patrón claro. La investigación se centra fuertemente en dos áreas principales: visiones generales de cómo la inteligencia artificial encaja en la contabilidad y la auditoría, y la aplicación específica de estas herramientas para la detección de fraudes. Casi dos tercios de los estudios entran en estas categorías. La detección de fraudes, en particular, es un área de interés concentrada porque las computadoras son excepcionalmente buenas filtrando cantidades masivas de datos para encontrar patrones inusuales que podrían indicar irregularidades o errores. La auditoría, que implica verificar la exactitud de los registros financieros, es la segunda función más estudiada. Por el contrario, otras partes importantes del mundo contable, como la contabilidad de gestión —que ayuda a las empresas a planificar y controlar sus operaciones— parecen estar casi totalmente ausentes de la investigación actual, con solo un estudio dedicado a ella. La fiscalidad también es raramente el foco principal, apareciendo usualmente solo como una pequeña parte de títulos más amplios.

Los métodos utilizados en estos estudios cuentan otra parte de la historia. Una gran parte del trabajo consiste en revisiones, donde los investigadores resumen lo que otros ya han encontrado. Alredí de un 13 por ciento de los estudios son revisiones sistemáticas de literatura, y otro 15 por ciento son revisiones narrativas o conceptuales. Solo un número muy pequeño de los estudios, solo uno que pudo identificarse claramente por su título, presentó evidencia de campo nueva o datos recopilados de experimentos del mundo real. Esto significa que el cuerpo de conocimiento actual se construye más sobre la síntesis de ideas y la discusión de posibilidades que sobre la prueba de las mismas con datos duros de firmas contables reales. Si bien estas revisiones son útiles para obtener una imagen amplia de un campo que se mueve rápido, el investigador sugiere que depender demasiado de ellas limita la capacidad de extraer conclusiones sólidas basadas en evidencia.

La revisión también destacó la necesidad de una mayor precisión en cómo se describen estas tecnologías. Algunos estudios tratan todas las formas de inteligencia artificial como una herramienta única y uniforme. Sin embargo, el investigador argumenta que esto es engañoso. Existen diferencias importantes entre la automatización simple basada en reglas, que sigue instrucciones estrictas, y el aprendizaje automático avanzado, que puede aprender y adaptarse. También hay una distinción entre estas y los modelos generativos que pueden crear contenido nuevo. Tratar a todas como la misma "inteligencia artificial" puede ocultar diferencias importantes en lo que pueden hacer, los datos que necesitan y los riesgos que representan. La investigación futura necesita ser más específica sobre qué tecnología se está utilizando y cuánto control humano hay involucrado.

Mirando hacia adelante, el investigador propone una nueva dirección para el campo. La siguiente etapa de estudio debe ir más allá de las discusiones generales y los argumentos conceptuales hacia pruebas más rigurosas y del mundo real. Esto significa utilizar teorías establecidas para explicar por qué los contadores adoptan estas herramientas y cómo cambian el juicio profesional. También significa ampliar el alcance de la investigación para incluir diferentes países, pequeñas empresas y áreas menos estudiadas como la información sobre sostenibilidad y el cumplimiento tributario. Crucialmente, el investigador hace un llamado a realizar más estudios que examinen la gobernanza de estos sistemas: ¿quién es responsable cuando una computadora comete un error, y cómo podemos asegurar que las decisiones tomadas por estas herramientas sean confiables y justas?

La revisión concluye que, si bien el campo está creciendo rápidamente, todavía se encuentra en una etapa temprana. La literatura actual está dominada por discusiones amplias y revisiones, con una escasez de evidencia empírica profunda de entornos contables reales. La concentración de la investigación en la detección de fraudes y la auditoría sugiere que la profesión se ha gravitado naturalmente hacia las áreas donde los beneficios de la automatización son más obvios. Para comprender verdaderamente el futuro de la contabilidad, los investigadores deben ahora ampliar su lente. Necesitan investigar cómo estas herramientas afectan el trabajo diario de los contadores en diversos entornos, cómo cambian la forma en que los profesionales piensan y qué reglas se necesitan para mantener el sistema honesto. El camino a seguir requiere pasar de preguntar qué podría hacer la inteligencia artificial, a medir exactamente qué es lo que está haciendo, y cómo está remodelando la profesión desde adentro hacia afuera.