La inteligencia artificial es utilizada por muchas empresas y organizaciones diferentes. Es muy utilizado en el sector financiero , especialmente por firmas de contabilidad, para ayudar a detectar fraudes.
En 2022, PricewaterhouseCoopers informó que el fraude ha afectado al 46% de todas las empresas del mundo. [1] El paso del trabajo en persona al trabajo desde casa ha traído un mayor acceso a los datos. Según un estudio de la FTC (Comisión Federal de Comercio) de 2022, los clientes informaron de un fraude de aproximadamente 5.800 millones de dólares en 2021, un aumento del 70% respecto al año anterior. La mayoría de estas estafas fueron estafas de impostores y fraudes de compras en línea. [2] Además, la inteligencia artificial desempeña un papel crucial en el desarrollo de algoritmos avanzados y modelos de aprendizaje automático que mejoran los sistemas de detección de fraude, lo que permite a las empresas mantenerse a la vanguardia de la evolución de las tácticas fraudulentas en un panorama cada vez más digital. [3]
Los sistemas expertos se diseñaron por primera vez en la década de 1970 como una expansión hacia las tecnologías de inteligencia artificial. [4] Su diseño se basa en la premisa de disminuir el error potencial del usuario en la toma de decisiones y emular el razonamiento mental utilizado por expertos en un campo particular. [5] Se diferencian de los modelos tradicionales de razonamiento lineal al separar puntos identificados en los datos y procesarlos individualmente al mismo tiempo. Sin embargo, estos sistemas no se basan únicamente en inteligencia aprendida por máquinas. [4]
La información sobre reglas, prácticas y procedimientos en forma de declaraciones "si-entonces" se implementa en la programación del sistema. Los usuarios interactúan con el sistema ingresando información al sistema, ya sea mediante entrada directa o importación de datos externos. Un sistema de inferencia compara la información proporcionada por el usuario con las reglas correspondientes que se cree que se aplican específicamente a la situación. Utilizando esta información y las reglas correspondientes se utilizará para crear una solución a la consulta del usuario. Los sistemas expertos generalmente no funcionarán adecuadamente cuando los procedimientos comunes para una situación específica sean ambiguos debido a la necesidad de reglas bien definidas. [4]
La implementación de sistemas expertos en procedimientos contables es factible en áreas donde se requiere juicio profesional. Las situaciones en las que los sistemas expertos son aplicables incluyen investigaciones de transacciones que involucran posibles entradas fraudulentas, casos de empresa en funcionamiento y la evaluación de riesgos en las etapas de planificación de una auditoría . [6]
La auditoría continua es un conjunto de procesos que evalúan diversos aspectos de la información recopilada en una auditoría para clasificar áreas de riesgo y posibles debilidades en los controles internos financieros con mayor frecuencia que los métodos tradicionales. En lugar de analizar periódicamente las transacciones registradas y los asientos del diario, la auditoría continua se centra en interpretar el carácter de estas acciones con mayor frecuencia. [7] La frecuencia con la que se llevan a cabo estos procesos, así como el resaltado de áreas de importancia, queda a discreción de su implementador, quien comúnmente toma tales decisiones en función del nivel de riesgo de las cuentas que se evalúan y los objetivos de implementación del sistema. [8] La ejecución de estos procesos puede ocurrir con tanta frecuencia como ser casi instantáneo con la publicación de una entrada. [7]
Los procesos involucrados en el análisis de datos financieros en la auditoría continua pueden incluir la creación de hojas de cálculo para permitir la recopilación de información interactiva, el cálculo de índices financieros para compararlos con modelos creados previamente y la detección de errores en las cifras ingresadas. Un objetivo principal de esta práctica es permitir una detección más rápida y sencilla de casos de controles defectuosos, errores y casos de fraude. [8]
La capacidad del aprendizaje automático y el aprendizaje profundo para clasificar de forma rápida y eficaz grandes volúmenes de datos en forma de diversos documentos relevantes para las empresas y los documentos que se auditan los hace aplicables a los ámbitos de la auditoría y la detección de fraude. Ejemplos de esto incluyen reconocer el lenguaje clave en los contratos , identificar niveles de riesgo de fraude en las transacciones y evaluar los asientos del diario en busca de declaraciones erróneas. [9] [10]
Deloitte creó un sistema de revisión de documentos habilitado para Al en 2014. El sistema automatiza el método de revisión y extracción de información relevante de diferentes documentos comerciales. Deloitte afirma que esta innovación ha marcado la diferencia al reducir el tiempo dedicado a revisar documentos contractuales legales , facturas , articulaciones relacionadas con dinero y actas de juntas directivas hasta en un 50%. En colaboración con Watson de IBM , Deloitte está desarrollando acuerdos comerciales mejorados con tecnología cognitiva para sus clientes. LeasePoint está impulsado por IBM Tririga y utiliza la información industrial de Deloitte para crear una cartera de arrendamiento de extremo a extremo. La evaluación automatizada de recursos cognitivos emplea la innovación Maximo de IBM para mejorar la competencia en la inspección de activos . [11]
Ernst and Young ( EY ) vinculó a Al con la investigación de contratos de arrendamiento . EY (Australia) también recibió tecnología de auditoría basada en Al. [11]
En colaboración con H20.ai, PwC desarrolló un marco habilitado para Al (GL.ai) capaz de analizar informes y preparar informes. PwC afirma haber realizado una inversión significativa en el procesamiento de dialectos normales (PNL), una innovación habilitada por Al para procesar información no estructurada de manera eficiente. [11]
KPMG creó una cartera de instrumentos de Al, llamada KPMG Ignite, para mejorar las decisiones y formularios comerciales. En colaboración con Microsoft e IBM Watson, KPMG está creando instrumentos para coordinar IA, análisis de datos , tecnologías cognitivas y RPA. [11]
El proceso de auditar una entidad en un intento de detectar actividades fraudulentas requiere repetir los procesos de investigación hasta que se pueda identificar un error o una declaración errónea. Según los métodos tradicionales, estos procesos los llevaría a cabo un ser humano. Los defensores de la inteligencia artificial en la detección de fraudes han afirmado que estos métodos tradicionales son ineficientes y pueden lograrse más rápidamente con la ayuda de un sistema informático inteligente. [12] Una encuesta de 400 directores ejecutivos creada por KPMG en 2016 encontró que aproximadamente el 58% creía que la inteligencia artificial jugaría un papel clave para hacer que las auditorías sean más eficientes en el futuro. [13]
Unos niveles más altos de detección de fraude implican el uso de juicio profesional para interpretar los datos. Los partidarios del uso de la inteligencia artificial en las auditorías financieras han afirmado que mediante dichas tecnologías se pueden minimizar los mayores riesgos derivados de casos de mayor interpretación de datos. [12] Un elemento necesario de una auditoría de estados financieros que requiere juicio profesional es la implementación de umbrales de materialidad . La materialidad implica la distinción entre errores y transacciones en los estados financieros que afectarían las decisiones tomadas por los usuarios de esos estados financieros. [14] El umbral de materialidad en una auditoría lo establece el auditor en función de varios factores. La inteligencia artificial se ha utilizado para interpretar datos y sugerir umbrales de materialidad que se implementarán mediante el uso de sistemas expertos. [12]
Quienes están a favor del uso de inteligencia artificial para completar investigaciones de fraude han afirmado que dichas tecnologías reducen la cantidad de tiempo necesaria para completar tareas repetitivas. La afirmación afirma además que tales eficiencias permiten reducir los requisitos de recursos, que luego pueden gastarse en tareas que no han sido completamente automatizadas. La firma de auditoría Ernst & Young ha planteado estas afirmaciones al declarar que sus sistemas de aprendizaje profundo se han utilizado para reducir el tiempo dedicado a tareas administrativas mediante el análisis de documentos de auditoría relevantes. Según la firma, esto ha permitido a sus empleados centrarse más en el juicio y el análisis. [15]
La ineludible recepción de los avances en inteligencia informática y robotización podría provocar una importante reubicación laboral entre diferentes empresas. A medida que los marcos de inteligencia artificial se vuelven más equipados para realizar tareas que habitualmente realizan personas, existe la preocupación de que puestos de trabajo específicos queden obsoletos, provocando desempleo y desequilibrio financiero.
Junto con el conocimiento de codificación y construcción de sistemas a través de programas informáticos, estamos viendo las ventajas de estos sistemas, pero al ser tan nuevos, se requiere una gran inversión para comenzar a construir un sistema de este tipo. Cualquier empresa que planee implementar un sistema de inteligencia artificial para detectar fraude debe contratar un equipo de científicos de datos, además de actualizar su sistema en la nube y el almacenamiento de datos . El sistema debe ser monitoreado y actualizado constantemente para que sea la forma más eficiente de sí mismo; de lo contrario, aumenta la probabilidad de que se produzca fraude en esas transacciones. Si uno no invierte inicialmente en un sistema de este tipo y se asegura de que detecte un gran porcentaje de transacciones fraudulentas, las consecuencias son el costo del fraude, incluidas las tarifas de devolución de cargo. Es una inversión inicial muy grande, pero se ahorrará dinero a largo plazo. [dieciséis]
El análisis de datos es una ciencia nueva en muchas empresas, y las empresas lo están investigando intensamente para analizar su negocio en su conjunto y encontrar dónde pueden mejorar. El análisis de datos cuenta la historia de una empresa a través de números. Muchas personas en este mundo tienen experiencia en la lectura de datos, pero también hay más personas que no tienen tanta experiencia con los datos en absoluto. La disciplina del análisis de datos se está expandiendo rápidamente. A menudo resulta complicado convertirse en un experto en una profesión de este tipo. [ cita necesaria ]
{{cite journal}}: Citar diario requiere |journal=( ayuda )