El continuo avance de las tecnologías puede llevar a una mejor evaluación de pruebas de auditoría. Mayor capacidad de análisis, mejor y más segura evidencia. Por un lado, la automatización de tareas nos permitirá verificar todas las transacciones y eventos, no sólo actuar por muestreo; de otra, La computación cognitiva puede ser usada para enseñar a las computadoras para reconocer e identificar riesgos. Las técnicas de agregación permiten la combinación de datos cualitativos y cuantitativos, así como datos históricos y en tiempo real para una evaluación dinámica que incluye probabilidades. Los auditores podrán utilizar sensores, datos biométricos, reconocimiento de voz, intercambio de metainformación, agrupación y sistemas expertos para evaluar clientes y analizar las relaciones entre empresas.

1. V JORNADA SOBRE
INVESTIGACIÓN EN AUDITORÍA
Ponente: Isabel Martínez Conesa
Cargo: Catedrática Acreditada de la Universidad de Murcia
Madrid, 20 de noviembre de 2018
El futuro del auditor:
la inteligencia artificial y la auditoría
1

2. 1.-Auditor en la industria 4.0
2.-Prototipos AI en Auditoría
3.-Formacion del Auditor: complementarios o sustitutivos?

3. Determinantes del Riesgo Estrategias de CoberturaOrigen del Riesgo de Negocio
Litigios Sanciones
Pérdida de
Reputacion
Errores en la gestión del Riesgo implican
Auditor en la industria 4.0
Stakeholder quieren másClientes mas datos, mas complejos
3

4. Walo,
1996;
Colbert et
al.,1996;
Arens y
Loebbecke
, 1997;
Johnstone
y Bedard,
2001;
Ethridge
et al.,
2007.
(Johnstone, 2000;
Rittenberg y Schwieger, 2001).
Stice, 1991; Carcello y
Palmrose, 1994; Lys y Watts,
1994; Bonner et al., 1998;
Shu, 2000; Heninger, 2001;
Johnstone y Bedard, 2003;
Krishnan, 2005; LaFond y
Watts, 2008 y DeFond et al.,
2012
Determinantes del Riesgo Estrategias de CoberturaOrigen del Riesgo de Negocio
Riesgo de
Negocio
Riesgo de Cliente
Riesgo de
Auditoria
Riesgo
Inherente
Riesgo de
Control
Riesgo de
Deteccion
Auditoren la industria 4.0
4

5. Pratt y Stice, 1994;
O´keefe et al., 1994;
Mock y Turner, 2005;
Sengur 2012.
Simunic, 1980;
Pratt y Stice, 1994;
Seetharman et al. 2002,
Houston et al., 2005)
ExpectationsGap
Determinantes del Riesgo Estrategias de CoberturaOrigen del Riesgo de Negocio
Auditoren la industria 4.0
5

6. NO EXCUSES
Determinantes del Riesgo Estrategias de CoberturaOrigen del Riesgo de Negocio
Papel del auditor en la Auditoría4.0
6

7. It's hard to make
predictions, especially about the
future
Niels Henrik David Bohr (Danish Physicist)
Auditoren la industria 4.0
7

8. -Negocio basado en la evaluación de
riesgos.
-Altos riesgos de litigios.
-Gran competencia vía precios en el
segmento no Big.
- Gran cantidad de datos desestructurados
sobre el cliente
- La objetividad de los procedimientos no
exime de responsabilidad de la detección
- Stakeholders demandan mayor
información. Reportes Integrados
Big data y AI
mejora poder
predictivo
Auditor en la industria 4.0
8

9. 9
Gestión de proyectos.
PrototiposAI en Auditoría
La tecnología de Deep Learning puede mejorar la eficiencia y la eficacia en repetitivos
procedimientos de auditoría, respaldar la toma de decisiones de los auditores y permitir que la
profesión migrar hacia la automatización de la auditoría (Issa et al., 2016; Sun & Vasarhelyi, 2017).

10. • machine learning,
• deep learning,
• image recognition,
• natural-language processing,
• cognitive computing,
• intelligence amplification,
• cognitive augmentation,
• machine augmented intelligence
• augmented intelligence.
InteligenciaArtificialengloba (*)IIA’s AI AuditingFramework
10

11. Investigacion AI en Auditoría
Fuente: Sutton s., Holt,M and Arnold,V (2016): “The reports of my death are greatly
exaggerated”—Artificial intelligence research in accounting”. International Journal of Accounting
Information Systems 22: 60–73
11

12. Fuente: Sutton s., Holt,M and Arnold,V (2016): “The reports of my death are greatly exaggerated”—
Artificial intelligence research in accounting”. International Journal of Accounting Information Systems 22:
60–73
Investigacion AI en Auditoría
12

13. A) Identificar y evaluar los riesgos asociados con :
1.la aceptación o la continuación de un compromiso de
auditoría de reisgo de incorrección material mediante
la comprensión de la entidad y su entorno (ISA 315).
2.de errores significativos en los estados financieros
debido al fraude y pruebas de fraude teniendo en
cuenta los riesgos evaluados (ISA 240).
B) Realización de procedimientos analíticos
1.en respuesta a la evaluación del auditor de los riesgos
de incorrección material (ISA 520).
2. cerca del final de la auditoría para ayudar al auditor a
formar una conclusión general (NIA 520)
Utilidad del Big Data en auditoría
Desafío del análisis de Big Data Big Data: contiene una variedad de información que permite a los
auditores explorar libremente el estado de los productos, servicios y operaciones de sus clientes y reduce
la dependencia de los auditores de sus clientes para obtener datos (Kyunghee Yun, Lucas Hoogduin , y Li
Zhang, "Big Data as evidence of complementary auditing", Accounting Horizons, 20 de junio 15,
http://bit.ly/2rIFRl0).13

14. Como Deep Learning trabaja?
El aprendizaje profundo se ha aplicado ampliamente a la visión por ordenador, el
reconocimiento de voz, el procesamiento del lenguaje natural, el reconocimiento de audio, el
filtrado de redes sociales, la traducción automática, etc. Sin embargo, la aplicación del
aprendizaje profundo en auditoría ha evolucionado
14

15. Como Process meaning trabaja?
Analiza los datos de registro de eventos que existen en los sistemas de información de una
empresa y lo utiliza para visualizar y comprender lo que realmente está sucediendo en los
procesos de la empresa y cómo se ejecutan en la vida real.
• Obtención de información detallada y objetiva sobre el proceso de negocio.
• Debido a la flexibilidad que exige el negocio y la adaptación a las necesidades de los clientes,
se producirán desviaciones del proceso estándar.
• Por lo tanto, el descubrimiento de procesos puede ayudar a los auditores a comprender la
realidad del proceso de negocios y resaltar cualquier debilidad o inquietud en los controles
internos.
Ventajas
Software
15

16. 16

17. Textual Analysis
Input, Output, y Procedimientos de auditoría aplicables
para el análisis textual basado en Deep learning
Sun, T., & Vasarhelyi, M. A. (2017). Deep learning and the future of auditing: How
an evolving technology could transform analysis and improve judgment. CPA
Journal, June 2016.
17
Ejemplos
Datos de entrada
Informes anuales, notas de prensa, anuncios
de resultados, informe de gestión,
contratos, eventos significativos, noticias,
informes de analistas, emails, revelaciones
de las compañías en las web, mensajes en
las redes sociales.
Características de
salida
Sentimientos, emociones, entidades,
concepto, palabra clave, orador.
Procedimientos de
auditoría aplicables
Inspección, procedimientos analíticos,
confirmacion

18. 18
Speech Recognition
Input, Output, y los procedimientos de auditoría aplicables para
el análisis del habla basado en el aprendizaje profundo
Sun, T., & Vasarhelyi, M. A. (2017). Deep learning and the future of auditing: How
an evolving technology could transform analysis and improve judgment. CPA
Journal, June 2016.
Ejemplos
Datos de entrada
Entrevistas, conference call, llamadas de
teléfono, encuentros de proyecto,
presentaciones
Características de
salida
Riesgo engaño, sentimientos, emociones,
entidades, concepto, palabra clave, orador,
follow-up acciones sugeridas
Procedimientos
de auditoría
aplicables
Consulta, Inspección

19. 19
Sun, T., & Vasarhelyi, M. A. (2017). Deep learning and the future of auditing:
How an evolving technology could transform analysis and improve judgment.
CPA Journal, June 2016.
Video Analysis
Input, Output, y los procedimientos de auditoría aplicables para
el análisis profundo de imagen y video basado en el análisis
Ejemplos
Datos de entrada Recuento de inventarios y otras
actividades de control; entrevistas; video
tomado en oficina, almacén o tienda
Características de
salida
Objeto, rostro humano, concepto y tipo de
escena
Procedimientos de
auditoría
aplicables
Observación, consulta, inspección.
Compatibilidad con el juicio

20. La tecnología de aprendizaje profundo puede mejorar la eficiencia y la eficacia en repetitivos
procedimientos de auditoría, respaldar la toma de decisiones de los auditores y permitir que la profesión
migrar hacia la automatización de la auditoría (Issa et al., 2016; Sun & Vasarhelyi, 2017).
20

21. 21
Gestión de proyectos.
3.-Formacion del Auditor:
complementarios o sustitutivos?

22. • Integración de datos.
DIGITALIZADOS
• Modernización de la aplicación
• Educación de los empleados:
22
Arquitectura implementacion AI:

23. Formacion del Auditor: complementarios o sustitutivos?
• ¿Cuáles son los tipos de intervenciones de capacitación o ayuda a la decisión que se
pueden utilizar para mitigar juicios inexactos?
• ¿Cómo debe extenderse el currículo de contabilidad para proporcionar a los futuros
auditores las habilidadesnecesarias?
• ¿Qué habilidades debe poseer ahora el equipo de trabajo de auditoría?
23

24. Do you want to have a job as an accountant in the future?
Tenemos que preparar a los estudiantes para:
• trabajos que todavía no existen,
• usando tecnologías que no han sido inventadas,
• destinadas a resolver problemas que todavía no han
sido identificados
(Ellen Glazerman – ED E&Y Foundation).
24

25. Rutgers AICPA Data Analytics Research Initiative
The mission of RADAR is to facilitate the further integration of data analytics into the audit process, and to
demonstrate through research how this can effectively lead to advancements in the public accounting profession.
Additional information can be found at: http://raw.rutgers.edu/radar25

26. • Se necesita un proceso explícito para validar y aprobar
algoritmos de aprendizaje automático.
• La inteligencia artificial es tan propensa al sesgo como la
cosa real que emula.
• La buena noticia es que los sesgos se pueden entender y
manejar, si somos honestos al respecto.
Como entrenar un algoritmo?
Experiencia humana desarrolla tecnologías para hacer maquinas inteligentes y
maquinas inteligentes a su vez, aumentanlas capacidades humanas
El científico de datos sabe que, en el aprendizaje automático, las respuestas
pueden ser útiles solo si hacemos las preguntas correctas.
26

27. Sin confianza, la Inteligencia Artificial no puede
entregar su valor potencial.
La nueva gobernabilidad y los controles orientados
a los procesos de aprendizaje dinámico de AI
pueden ayudar a abordar los riesgos y generar
confianza en la organización.
Cathy Cobey
EY Global Trusted AI Advisory Leader
Confiamos en AI y en su black box? Los riesgos
Reto:Abordar el sesgoen los algoritmos de aprendizaje automático.
27

28. La AI reemplazará la auditor?
28

29. Para quien esto le ha sabido a poco..
29

30. Muchas gracias por su atención
30

31. References
• Alles, M., Brennan, G., Kogan, A., & Vasarhelyi, M. A. (2006). Continuous monitoring of business process controls: A pilot
implementation of a continuous auditing system at Siemens. International Journal of AccountingInformation Systems, 7(2), 137_161.
• Alles, M. G., Kogan, A., & Vasarhelyi, M. A. (2009). Principles and problems of audit automation as a precursor to continuous
auditing. Working Paper. Rutgers University. September11.
• Appelbaum, D., Kogan, A., & Vasarhelyi, M. A. (2017). Big data and analytics in the modern audit engagement: Research needs.
Auditing: AJournal of Practice & Theory, 36(4),1_27
• Baron, J. (2017). Blockchain, accountingand audit: What accountants need to know.
• Accounting Today. March 27. Retrieved from https://www.accountingtoday.com/opinion/ blockchain-accounting-and-audit-what-
accountants-need-to-know
• Brown-Liburd, H., Issa, H., & Lombardi, D. (2015). Behavioral implications of big data’s impact on audit judgment and decision
making and future research directions. Accounting
• Horizon, 29(2), 451_468.
• Chan, D. Y., & Vasarhelyi, M. (2011). Innovation and practice of continuous auditing. International Journal of Accounting Information
Systems, 12(2), 152_160.
• Issa, H., Sun, T., & Vasarhelyi, M. A. (2016). Research ideas for artificial intelligence in auditing: The formalization of audit and
workforce supplementation.Journal of Emerging Technologies in Accounting, 13(2), 1_20.
•
31

32. • Sun, T. and Vasarhelyi, M.A. Predicting Credit Card delinquencies: An Application of Deep Neural Networks. Intelligent Systems in
Accounting, Finance & Management. Forthcoming. Sun, T. and Sales, L.J. 2018. Predicting Public Procurement Irregularity: An
Application of Neural Networks. Journal of Emerging Technologies in Accounting: Spring 15 (1): 141-154.
• Sun, T. and Vasarhelyi, M.A. 2018. Embracing Textual Data Analytics in Auditing with Deep Learning. International Journal of Digital
Accounting Research. 18: 49-67. Sun. T. 2018. The Incremental Informativeness of the Sentiment of Conference Calls for Internal
Control Material Weaknesses. Journal of Emerging Technologies in Accounting: Spring 15 (1): 11-27.
• Sun, T. and Vasarhelyi, M.A., 2017. Deep Learning and the Future of Auditing: How an Evolving Technology Could Transform
Analysis and Improve Judgment. CPAJournal, 87(6).
• Sun, T., M. Alles, and M. A. Vasarhelyi. 2014. Adopting Continuous Auditing: A Cross-Sectional Comparison between China and the
United States. Managerial Auditing Journal.30(2): 176-204.
• Sun, T., & Vasarhelyi, M. A. (2017). Deep learning and the future of auditing: How an evolving technology could transform analysis
and improve judgment. CPAJournal, June 2016.
• Vasarhelyi, M. A., Alles, M. G., Kogan, A. (2004). Principles of analytic monitoring for continuous assurance. Journal of Emerging
Technologies in Accounting, 1, 1_21.
• Vasarhelyi, M. A., Warren, J. D. Jr., Teeter, R. A., & Titera, W. R. (2014). Embracing the automated audit. Journal of Accountancy,
April 1.
• Vasarhelyi, M., Alles, M., & Williams, K. (2010). Continuous assurance for the now economy. Sydney: Institute of Chartered
Accountants in Australia.
• Vasarhelyi, M., & Halper, F. (1991). The continuous audit of online systems. Auditing: A Journal of Practice & Theory, 10(1),
110_125.
• Zhang, J., Yang, X., & Appelbaum, D. (2015). Toward effective big data analysis in continuous auditing. Accounting Horizons, 29(2),
469_476.
• Zhang, L., Pawlicki, A. R., McQuilken, D., & Titera, W. R. (2012). The AICPA assurance services executive committee emerging
assurance technologies task force: The Audit Data Standards (ADS) initiative. Journal of InformationSystems, 26(1), 199_205
32

33. 33
Gestión de proyectos.
“© Instituto de Censores Jurados de cuentas de España (ICJCE). España. 2017.
El presente material pertenece al ICJCE, se atribuyen a éste todos losderechos de explotación
y otros conexos sobre el mismo en cualquier forma, modalidad o soporte.
El material debe utilizarse únicamente con fines de estudio, investigación o docencia, sin que
pueda utilizarse por tercerospara fines comerciales o similares. Por tanto, se prohíbe su copia,
distribución, reproducción, total o parcial de este material por cualquier medio sin la
autorizaciónexpresa y porescrito delICJCE”.
Gracias por su atención
“© IMartinezConesa. España 2018.
El presente material pertenece a I. Martinez Conesa, se atribuyen a éste todos los derechos de explotación y
otros conexos sobre el mismo en cualquier forma, modalidad o soporte.
El material debe utilizarse únicamente con fines de estudio, investigación o docencia, sin que pueda utilizarse
por terceros para fines comerciales o similares. Por tanto, se prohíbe su copia, distribución, reproducción, total o
parcial de este material por cualquier medio sin la autorización expresa y por escrito de I Martinez Conesa”.
(R.D.L. 1/1996, de 12 de abril)