Audit Detection Risk Reduction Using Machine Learning: Evidence from 3.3 million Transactions
Este estudio introduce y valida un marco de aprendizaje automático de cuatro capas que reduce significativamente el riesgo de detección de auditoría y el tiempo de procesamiento en comparación con los métodos tradicionales, al aprovechar modelos no supervisados y supervisados sobre 3,3 millones de transacciones del mundo real de una empresa de energía mongola, al tiempo que descubre un novedoso "efecto de enmascaramiento por agregación" en las anomalías de la Ley de Benford.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina que eres un detective intentando encontrar a unos cuantos ladrones escurridizos escondidos en una biblioteca masiva que contiene más de 3,3 millones de libros (transacciones). En los viejos tiempos, los auditores jugaban al juego de "detectar al ladrón" utilizando un método llamado Muestreo de Unidades Monetarias (MUS). Piensa en esto como si el detective solo revisara los libros más grandes y pesados de los estantes porque asume que los libros más grandes son los más propensos a esconder las cosas malas. Revisaban aproximadamente el 20% de los libros para inspeccionarlos.
El problema es que este viejo método dejaba un enorme vacío. El estudio muestra que, al revisar solo los libros "pesados", el viejo método perdía a los malos del 38% al 52% de las veces. Era como dejar la mitad de la biblioteca sin registrar, con la esperanza de que los ladrones no se escondieran en los libros más ligeros y pequeños.
El Nuevo Superescáner
Los investigadores construyeron un nuevo "superescáner" de cuatro capas utilizando aprendizaje automático para revisar cada uno de los libros de la biblioteca, no solo los pesados. No tenían una lista de ladrones conocidos para entrenarlo (lo cual suele ser un problema para la IA), así que le enseñaron al escáner a detectar la "rareza" por sí mismo utilizando un equipo de tres diferentes herramientas de detección trabajando juntas:
- Bosque de Aislamiento (Isolation Forest): Una herramienta que encuentra elementos que resaltan como un pulgar en un ojo en medio de una multitud.
- Z-score: Una regla que mide qué tan lejos se desvía un número del promedio.
- Relación Débito-Crédito: Una balanza que verifica si el dinero que entra coincide con el dinero que sale.
Si estas herramientas coincidían en que una cuenta parecía sospechosa, el sistema la marcaba. Luego, un "maestro" (modelos supervisados como Random Forest) aprendía de estas marcas para volverse aún mejor detectando problemas.
Los Resultados: Un Salto Gigante
Cuando probaron este nuevo escáner contra el viejo método de "revisión del 20%" en 3.329.189 transacciones de una empresa energética mongola, los resultados fueron asombrosos:
- Velocidad: El método antiguo tomó a los humanos entre 310 y 357 horas realizar el trabajo. El nuevo escáner lo hizo en solo 4,5 horas. ¡Eso es una reducción de tiempo del 98,7%!
- Precisión: El método antiguo tenía un "Riesgo de Detección" (la probabilidad de perder a un ladrón) de 38,05% a 52,7%. El modelo Random Forest redujo ese riesgo a solo 2,01%.
- La Tasa de "Omisión": En una prueba estadística llamada prueba de McNemar, por cada cuenta que el método antiguo detectó y que el nuevo pasó por alto, el nuevo modelo detectó 107 cuentas que el método antiguo ignoró por completo.
El modelo fue tan bueno que cuando lo probaron con un año nuevo de datos (FY2025) que nunca había visto antes, aún obtuvo una puntuación de precisión (F1) de 0,955. También funcionó razonablemente bien cuando lo probaron en otros sectores, aunque funcionó mejor en los datos sobre los que fue entrenado.
El "Truco de Magia" de la Agregación
Uno de los descubrimientos más geniales del artículo es algo que los autores llaman el "Efecto de Máscara de Agregación".
Imagina que tienes una bolsa de canicas. Si miras cada canica individualmente, podrías ver que los números pintados en ellas siguen un patrón extraño y sospechoso (una violación de la Ley de Benford, que predice cómo aparecen los números de forma natural). Pero, si aplastas todas esas canicas juntas en una gran bola de arcilla gigante (agregándolas en totales de cuenta), ¡ese patrón extraño desaparece! Los números parecen perfectamente normales.
El estudio encontró que cuando miraron las 3,3 millones de transacciones individuales, los números eran sospechosamente extraños (p < 0,05). Pero cuando miraron los 9.909 resúmenes de cuentas (la "bola de arcilla"), la rareza desapareció y los números se veían perfectamente bien (MAD < 0,006).
Esto significa que el software de auditoría estándar, que usualmente solo revisa la "bola de arcilla" (totales de cuenta), está perdiendo el fraude que se esconde en las canicas individuales. El artículo sugiere que los auditores necesitan revisar ambos niveles para atrapar todo.
Por Qué a los Auditores Realmente les Gusta
Usualmente, la IA es una caja negra que dice: "Encontré un problema, confía en mí". Pero este sistema incluye una capa especial que traduce sus hallazgos al lenguaje que los auditores ya utilizan (Normas Internacionales de Auditoría, o NIA). En lugar de decir "La característica X es alta", dice: "Esta cuenta fue marcada porque el saldo saltó un 847% año tras año, lo que rompe las reglas de la NIA 520".
Cuando auditores reales de la Oficina Nacional de Auditoría revisaron estas explicaciones, el 94% dijo que estaban listas para usarse en sus informes oficiales sin cambiar ni una palabra.
Lo Que Esto No Es
El artículo es cuidadoso en decir que esto no es una varita mágica para todas las situaciones todavía.
- Fue probado en una empresa de energía específica en Mongolia. Aunque funcionó bien en otros sectores en las pruebas, los autores dicen que necesitamos verlo funcionar en muchos más tipos de organizaciones antes de que podamos decir que es una solución universal.
- Solo mira números estructurados (como hojas de cálculo). No puede leer notas manuscritas desordenadas, contratos en PDF o historias todavía.
- La "verdad fundamental" (saber con certeza quiénes eran los ladrones) provino de informes de auditoría oficiales de los años fiscales FY2023 y FY2024. El modelo fue validado contra estos, pero los autores señalan que se necesitan más pruebas en diferentes países y estilos contables.
La Conclusión
Los investigadores han construido una herramienta gratuita y de código abierto llamada Audit AI v10.0 que puede escanear millones de transacciones en minutos, encontrando riesgos de fraude que el viejo método de "revisar los libros grandes" pierde 19 veces más a menudo. Demuestra que al revisar todo en lugar de solo una muestra, y al mirar los detalles diminutos antes de que se suavicen en grandes resúmenes, podemos atrapar a los malos mucho más rápido y con mucha mayor confianza.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.