Technology Rain Journal ISSN: 2953-464X
Vol. 2 Núm. 2 (Julio Diciembre 2023),e18
technologyrain.com.ar 1
Artículo de Investigación Original
Estrategias de IA aplicada a la auditoria informática
AI strategies applied to computer auditing
Alejandro Reyes 0009-0003-9399-9166
Universidad de Buenos Aires, Buenos Aires, Argentina
a.reyes@gmx.com
CITA EN APA:
Reyes , A. (2023). Estrategias de IA
aplicada a la auditoria informática.
Technology Rain Journal, 1(1), e18.
https://technologyrain.com.ar/
index.php/trj/article/view/18
Recibido: 17 de Abril 2023
Aceptado: 22 de Mayo 2023
Publicado: 01 de Julio 2023
Technology Rain Journal
ISSN: 2953-464X
Los contenidos de este artículo están
bajo una licencia de Creative
Commons Attribution 4.0
International (CC BY 4.0 )
Los autores conservan los derechos
morales y patrimoniales de sus
obras.
Resumen. La auditoría se ha visto asociada con conceptos erróneos,
como la idea de que su objetivo es buscar errores y atacar a
funcionarios. Sin embargo, la auditoría va más allá de estos hallazgos
y ha evolucionado con el tiempo. En la actualidad, la auditoría de TI
es un tema importante para las organizaciones modernas. En un
entorno cambiante, la capacidad de gestionar riesgos y proteger
información valiosa se ha vuelto crucial para la sostenibilidad y el
valor empresarial. En este contexto, se han realizado esfuerzos para
aplicar estrategias de inteligencia artificial en las auditorías de TI, lo
que ofrece oportunidades para mejorar el proceso de auditoría. La
propuesta es utilizar herramientas y técnicas de IA para analizar
grandes volúmenes de datos, identificar patrones y anomalías,
automatizar tareas repetitivas y fortalecer los controles internos. Esto
permite una mayor eficiencia y efectividad de las auditorías, así
como la confianza en un entorno empresarial digital en constante
cambio. El objetivo del artículo es explorar el uso de la inteligencia
artificial en las auditorías de TI y analizar cómo puede mejorar el
proceso, aumentar la seguridad de los activos digitales y
proporcionar recomendaciones basadas en hallazgos. La propuesta
implica el uso de algoritmos de aprendizaje automático y técnicas de
análisis de datos para lograr estos objetivos.
Palabras Clave: Inteligencia Artificial, Auditoría
informática, Big Data, Aprendizaje Automático, Procesamiento
lenguaje natural
Abstract. Auditing has been associated with misconceptions, such
as the idea that its objective is to find errors and attack officials.
However, auditing goes beyond these findings and has evolved over
time. Currently, IT auditing is an important topic for modern
organizations. In a changing environment, the ability to manage risks
and protect valuable information has become crucial for
sustainability and business value. In this context, efforts have been
made to apply artificial intelligence (AI) strategies in IT audits,
offering opportunities to improve the auditing process. The proposal
is to use AI tools and techniques to analyze large volumes of data,
identify patterns and anomalies, automate repetitive tasks, and
strengthen internal controls. This enables greater efficiency and
effectiveness in audits, as well as building trust in a constantly
changing digital business environment. The objective of the article is
to explore the use of artificial intelligence in IT audits and analyze
how it can enhance the process, increase the security of digital assets,
and provide findings-based recommendations. The proposal involves
the use of machine learning algorithms and data analysis techniques
to achieve these objectives.
Keywords: Artificial Intelligence, IT auditing, Big Data, Machine
Learning, Natural Language Processing
Technology Rain Journal ISSN: 2953-464X
technologyrain.com.ar 2
1. INTRODUCCIÓN
Al hablar de auditoría, a menudo se asocian conceptos erróneos a este proceso, como la
idea de que su objetivo es buscar errores en una organización y atacar a funcionarios (Imbaquingo,
Díaz, Saltos, Arciniega, & De La Torre, 2020). Si bien esta percepción puede contener algo de
verdad, la auditoría va más allá de los hallazgos y de identificar las anormalidades de los auditados.
Con el paso del tiempo, el concepto de auditoría ha evolucionado, al igual que las ramas que
derivan de ella ( (Imbaquingo, Díaz, Saltos, Arciniega, & De La Torre, 2020). En la actualidad, la
auditoría de TI se ha convertido en uno de los temas principales que se discuten entre los
profesionales de la auditoría interna y es de gran importancia para las organizaciones modernas
(Adrian Gepp, 2018)
En un entorno en constante cambio, el éxito de una organización está estrechamente
relacionado con su capacidad para gestionar los riesgos. A medida que las empresas dependen
cada vez más de la información para obtener ventaja competitiva, y la información representa un
valor agregado significativo en los productos y servicios de las empresas, proteger la información
valiosa y sensible se ha convertido en una capacidad estratégica para asegurar la sostenibilidad
empresarial y el valor total de una empresa (Diego A. Arcentales Fernández, 2017).
La implementación de un sistema efectivo de auditoría de TI es fundamental para garantizar
la integridad y confidencialidad de la información en una organización. En el entorno empresarial
actual, que depende cada vez más de la información, la protección de datos valiosos se convierte
en una oportunidad estratégica para asegurar la sostenibilidad y el valor empresarial.
En el ámbito de la auditoría de TI, se han llevado a cabo diversos esfuerzos para abordar
los desafíos actuales. Estos esfuerzos incluyen la aplicación de estrategias de inteligencia artificial
(IA) en las auditorías de TI, lo que ha surgido como una gran oportunidad para mejorar
significativamente el proceso de auditoría. La IA proporciona un conjunto de herramientas y
técnicas que pueden analizar grandes cantidades de datos, descubrir patrones y anomalías, y
automatizar tareas repetitivas, liberando tiempo y recursos para actividades más analíticas y
estratégicas.
En vista de la importancia de la auditoría de TI y los avances en inteligencia artificial, el
autor se ha motivado a realizar una propuesta para aprovechar las ventajas de la IA en el proceso
de auditoría. La idea es utilizar las herramientas y técnicas de IA para mejorar la eficiencia y
efectividad de las auditorías de TI, permitiendo una identificación más precisa de vulnerabilidades,
riesgos y deficiencias, así como proporcionando recomendaciones basadas en hallazgos para
fortalecer los controles internos y mantener la confianza de los clientes y socios comerciales en un
entorno digital en constante evolución.
Technology Rain Journal ISSN: 2953-464X
technologyrain.com.ar 3
El objetivo del artículo es explorar el uso de estrategias de inteligencia artificial en las
auditorías de TI y analizar cómo pueden mejorar el proceso de auditoría, aumentar la eficiencia y
la efectividad, y fortalecer la seguridad de los activos digitales de una organización. La propuesta
consiste en aplicar herramientas y técnicas de IA para analizar grandes cantidades de datos,
identificar patrones y anomalías, automatizar tareas repetitivas y proporcionar recomendaciones
basadas en hallazgos.
La propuesta consiste en utilizar la inteligencia artificial para mejorar el proceso de
auditoría de TI. Esto implica el uso de algoritmos de aprendizaje automático y técnicas de análisis
de datos para analizar grandes volúmenes de información y descubrir patrones y anomalías. Al
automatizar tareas repetitivas y liberar tiempo y recursos, los auditores de TI pueden centrarse en
actividades s analíticas y estratégicas, lo que lleva a una mejora en la eficiencia y efectividad
de las auditorías. Además, la propuesta busca proporcionar recomendaciones basadas en hallazgos
para fortalecer los controles internos y mantener la confianza en un entorno empresarial digital en
constante cambio.
2. METODOLOGÍA
Se basa en una revisión y análisis exhaustivos de la literatura científica existente sobre la
aplicación de estrategias de inteligencia artificial en la auditoría computarizada. Se identifican
fuentes recientes relevantes y los resultados se analizan críticamente y se organizan en categorías
específicas.
Los resultados se sintetizan en un artículo científico siguiendo una estructura lógica, se
revisan para garantizar su coherencia y precisión, y se validan cuando es necesario. El objetivo
principal es proporcionar información precisa respaldada por literatura científica y cumplir con los
estándares académicos y científicos establecidos.
3. RESULTADOS
Big Data: El término "Big Data" se refiere a conjuntos de datos estructurados o no
estructurados que a menudo se caracterizan en términos de las cuatro características V: volumen,
variedad, velocidad y veracidad (Chun-Wei Tsai, 2015). El Big Data también se refiere a las
técnicas y tecnologías utilizadas para inferir conclusiones a partir de la variedad de tipos de datos.
Estas técnicas a menudo buscan inferir relaciones no lineales y efectos causales a partir de datos
que a menudo son muy escasos en información. Dada la naturaleza de los datos, estas técnicas a
menudo no tienen o tienen supuestos de distribución muy limitados. Los científicos informáticos
abordan el Big Data desde el punto de vista de descubrir patrones en el registro completo, lo que
a menudo se llama enfoque algorítmico. Los patrones se consideran aproximaciones a la
Technology Rain Journal ISSN: 2953-464X
technologyrain.com.ar 4
complejidad del conjunto de datos. En comparación, los estadísticos tienden a tratar los datos como
observaciones de un proceso subyacente y extraer información y realizar inferencias sobre ese
proceso subyacente (Adrian Gepp, 2018).
Big data se refiere a conjuntos de datos que son demasiado grandes para ser procesados
por herramientas tradicionales. Esta diversidad refleja diferentes formatos de datos, como datos
cuantitativos, textuales e híbridos, así como imágenes, videos y otros formatos. La velocidad mide
la frecuencia con la que hay nuevos datos disponibles y se vuelve más rápido. Finalmente, la
calidad y la relevancia de los datos pueden cambiar drásticamente con el tiempo, lo que se
denomina precisión. La industria de la auditoría tiene acceso a más y más datos, que son cada vez
más diversos y precisos.
Las técnicas estadísticas utilizadas en el Big Data requieren modelos más flexibles, ya que
los modelos de regresión tradicionales altamente estructurados son muy poco probables de
ajustarse bien al Big data. Además, el volumen (así como la variedad y la velocidad) del Big data
es tal que no es factible descubrir la estructura adecuada para los modelos en muchos casos (Chun-
Wei Tsai, 2015). El uso de Big data puede traer varios beneficios a la auditoría de TI. Primero, la
capacidad de Big data para analizar grandes cantidades de datos significa que los auditores pueden
examinar grandes cantidades de información de manera más eficiente y precisa. Esto les permite
identificar patrones, tendencias y anomalías que pueden indicar posibles riesgos o problemas en
los sistemas informáticos.
Además, Big Data facilita el análisis de diferentes tipos de datos, incluidos datos
estructurados y no estructurados, como registros de transacciones, registros de servidores, correos
electrónicos, archivos de texto y contenido de redes sociales. Al integrar y analizar esta amplia
gama de datos, los auditores obtienen una imagen más completa y detallada de las operaciones y
los procesos de la organización, lo que permite una evaluación más precisa del riesgo y la eficacia
de los controles internos.
Otro aspecto importante de los grandes datos en la auditoría de TI es su capacidad para
proporcionar información en tiempo real. Con análisis en tiempo real, los auditores pueden
monitorear y detectar de manera proactiva eventos o actividades sospechosas, como intentos de
intrusión o comportamiento inusual en los sistemas informáticos. Esto permite una respuesta
rápida y oportuna a amenazas potenciales, mejorando la seguridad y las capacidades de detección
de riesgos.
Machine Learning: El aprendizaje automático (Machine Learning) es el estudio científico
de algoritmos y modelos estadísticos que los sistemas informáticos utilizan para realizar una tarea
específica sin ser programados explícitamente. Los algoritmos de aprendizaje se utilizan en
Technology Rain Journal ISSN: 2953-464X
technologyrain.com.ar 5
muchas aplicaciones que utilizamos a diario. Cada vez que se utiliza un motor de búsqueda web
como Google para buscar en Internet, una de las razones por las que funciona tan bien es porque
utiliza un algoritmo de aprendizaje que ha aprendido a clasificar las páginas web (Mahesh, 2018).
El Machine Learning ofrece diversas formas de apoyar la auditoría informática, mejorando
la eficiencia y precisión de los procesos de revisión. En primer lugar, el ML puede ayudar en la
detección de anomalías y la identificación de patrones sospechosos en grandes volúmenes de datos.
Al aplicar algoritmos de ML, se pueden analizar de manera rápida y automatizada registros de
transacciones, registros de servidores y otros datos relevantes, identificando posibles riesgos y
comportamientos inusuales.
Por tanto, en cuanto a la implementación del Big Data en la auditoría, uno de los beneficios
más destacables es la posibilidad de realizar análisis en tiempo real con el objetivo de subsanar las
limitaciones existentes y realizar comparaciones de grandes cantidades de datos, de manera que
pueden tomar decisiones a través del estudio de casos anteriores referentes al incumplimiento y al
fraude (Gómez Palanques, 2021).
Además, el ML puede mejorar la capacidad predictiva en la auditoría informática. Al
entrenar modelos de ML con datos históricos, se pueden desarrollar algoritmos que identifiquen
patrones de comportamiento que indiquen posibles irregularidades o fraudes. Esto permite a los
auditores enfocar sus esfuerzos en áreas de mayor riesgo y tomar decisiones basadas en datos más
sólidos.
Otra área en la que el ML puede ser útil es en la automatización de tareas rutinarias. Los
algoritmos de ML pueden ayudar a procesar grandes volúmenes de datos, realizar verificaciones y
reconciliaciones automáticas, y generar informes de manera eficiente. Esto libera tiempo y
recursos para que los auditores se centren en tareas s analíticas y estratégicas, aumentando la
productividad y eficacia de la auditoría.
Sin embargo, es importante destacar que el uso del ML en la auditoría informática también
plantea desafíos y consideraciones éticas. La interpretación de los resultados de los modelos de
ML y la toma de decisiones basadas en ellos requiere una comprensión profunda de los algoritmos
utilizados y una validación continua de su precisión y confiabilidad. Además, es fundamental
garantizar la privacidad y seguridad de los datos utilizados en el proceso de ML, así como abordar
posibles sesgos y discriminaciones inherentes en los datos y algoritmos.
Natural Language Processing: El procesamiento de lenguaje natural (NPL) usa el
aprendizaje automático para revelar la estructura y el significado del texto. Mediante aplicaciones
de procesamiento de lenguaje natural, las organizaciones pueden analizar textos y extraer
Technology Rain Journal ISSN: 2953-464X
technologyrain.com.ar 6
información sobre personas, lugares y eventos para comprender mejor las opiniones de las redes
sociales y las conversaciones de los clientes (Google, 2021).
NLP puede beneficiar a la auditoría informática al procesar y analizar grandes volúmenes
de texto, como informes, correos electrónicos, documentos legales y contenido en redes sociales.
El NLP permite extraer información relevante, identificar patrones, detectar anomalías y realizar
clasificaciones automáticas en estos datos textuales. Además, el NLP puede facilitar la detección
de riesgos y fraudes en la auditoría informática. Al analizar el lenguaje utilizado en los documentos
y comunicaciones, se pueden identificar indicios de comportamientos sospechosos o fraudulentos.
Esto ayuda a los auditores a enfocar sus esfuerzos en áreas de mayor riesgo y tomar decisiones
basadas en datos textuales más sólidos.
El sistema aprende a resumir automáticamente documentos de patentes con textos en
lenguaje natural para cualquier dominio técnico dado. La solución de aprendizaje automático
identifica terminologías clave técnicas (palabras, frases y oraciones) en el contexto de las
relaciones semánticas entre las patentes de entrenamiento y los resúmenes correspondientes como
el núcleo del sistema de resumen. (Amy J.C. Trappey, 2020)
Sin embargo, es fundamental abordar desafíos específicos del NLP en la auditoría
informática, como la interpretación correcta de la intención y el contex</