La inteligencia artificial en la contabilidad moderna: oportunidades, desafíos, riesgos y su ética.
Palabras clave:
Inteligencia Artificial, riesgos, contabiidadSinopsis
En la contabilidad moderna, la aparición de la inteligencia artificial (IA) marca un punto de inflexión: la automatización de procesos rutinarios, el análisis de grandes volúmenes de datos y apoyo a la toma de decisiones. La IA abre oportunidades significativas: por ejemplo, permite que se reduzcan los tiempos de cierre financiero, mejoren la detección de fraudes mediante modelos de aprendizaje automático, y se ofrezcan servicios de asesoría predictiva sobre flujos de caja o escenarios fiscales.
Sin embargo, también enfrenta importantes desafíos: la necesidad de contar con datos de alta calidad, la integración con sistemas heredados, la capacitación del personal contable para trabajar con IA, y la resistencia cultural al cambio. Los riesgos incluyen dependencia excesiva de sistemas automatizados, errores no detectados en los modelos, falta de transaparencia y la posibilidad de perjuicios legales o reputacionales si los resultados son incorrectos o sesgados.
Finalmente, la ética juega un papel central: se debe garantizar que los algoritmos operen con justicia, responsabilidad y transparencia; que la privacidad de los datos del cliente esté protegida; que no se generen decisiones discriminatorias; y que exista supervisión humana adecuada. Adoptar la IA en contabilidad no es sólo cuestión tecnológica, sino de gobernanza, confianza y valores profesionales.
Capítulos
-
La inteligencia artificial en la contabilidad moderna: oportunidades, desafíos, riesgos y su ética.
-
La inteligencia artificial en el campo contable
-
Entendiendo la inteligencia artificial
-
Desafíos en ciberseguridad
-
Ética, legalidad y sostenibilidad
Citas
Akamai (2025) ¿Qué es el spear phishing? Recuperado
de: https://www.akamai.com/es/glossary/what-is-spear
phishing
Amazon (2024) ¿Qué es un LLM (modelo de lenguaje de
gran tamaño)? Recuperado de: https://aws.amazon.com/
es/what-is/large-language-model/
America´s Navy (2021). AEGIS Weapon System. https://
www.navy.mil/Resources/Fact-Files/Display-FactFiles/
Article/2166739/aegis-weapon-system/
Anthony, L. F. W., Kanding, B., y Selvan, R. (2020).
Carbontracker: Tracking and Predicting the Carbon
Footprint of Training Deep Learning Models.
arXiv:2007.03051
Arnold, C. y Cardwell, M. (2025). What´s new for the
IESBA Code: 2024 edition and beyond. International
Federation of Accountants (IFAC). Recuperado de: https://
www.ifac.org/knowledge-gateway/discussion/what-s
new-iesba-code-2024-edition-and-beyond
Bannour, N.; Ghannay, S.; N´ ev´ eol, A.; y Ligozat, A.-L.
(2021). Evaluating the carbon footprint of NLP methods:
a survey and analysis of existing tools. en Moosavi, N.
S., Gurevych, I., Fan, A., Wolf, T., Hou, Y., Marasovi´c, A.,
y Ravi, S., eds., Proceedings of the Second Workshop on
Simple and Efficient Natural Language Processing, 11–21.
Virtual: Association for Computational Linguistics. Recupe
rado de: https://aclanthology.org/2021.sustainlp-1.2/
Barocas, S., Hardt, M., & Narayanan, A. (2019). Fairness
and Machine Learning. Recuperado de: https://fairml
book.org/pdf/fairmlbook.pdf
Descargas
Publicado
December 23, 2025
Categorías
Derechos de autor 2025 La editorial es titular de los derechos de la edición, el Autor es titular y único responsable de los contenidos
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
