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.
Se colectan datos, se analizan, se obtiene información, ello genera conocimiento, el cual es la base para la toma de decisiones; esto es la inteligencia de negocios o BI por sus siglas en inglés. Ahora, aplíquese este concepto a procesos con el fin de mejorarlos continuamente; esto es la Inteligencia de Procesos.
Actualmente las empresas deben tomar decisiones inteligentes con el fin de seguir creciendo y permaneciendo en el mercado, el análisis de datos es una herramienta que ayudara a lograr el objetivo de estas, ya que; tecnologías como el Big Data contribuyen a la diferente solución de análisis para cada empresa, a través de esta información entenderemos el uso de la analítica de datos y en la nueva toma de decisiones que será basada en evidencias, conforme a las características del cliente.
Se colectan datos, se analizan, se obtiene información, ello genera conocimiento, el cual es la base para la toma de decisiones; esto es la inteligencia de negocios o BI por sus siglas en inglés. Ahora, aplíquese este concepto a procesos con el fin de mejorarlos continuamente; esto es la Inteligencia de Procesos.
Actualmente las empresas deben tomar decisiones inteligentes con el fin de seguir creciendo y permaneciendo en el mercado, el análisis de datos es una herramienta que ayudara a lograr el objetivo de estas, ya que; tecnologías como el Big Data contribuyen a la diferente solución de análisis para cada empresa, a través de esta información entenderemos el uso de la analítica de datos y en la nueva toma de decisiones que será basada en evidencias, conforme a las características del cliente.
Ponencia del Dr. Armando Calmet Luna titulada "La Inteligencia de las Fuentes Abiertas en Redes Sociales" realizada como parte del curso de Gobernabilidad y Democracia organizado por el Consejo por la Paz.
El capital intelectual y la Gestión del conocimiento.
Modelos y sistemas de medición.
Gestión del conocimiento y su Relación Integral.
Modelos de Gestión México.
¿Está tu compañía preparada para el reto de la Inteligencia Artificial?Plain Concepts
¿Conoces el impacto real que la IA está teniendo en las empresas y cuáles son los retos a los que se han enfrentado para implementarla con éxito? En esta charla veremos cómo la IA impacta en las diferentes industrias y el retorno de la inversión obtenido. También veremos cuáles son los principales retos a los que se han enfrentado las empresas para incorporar la IA como factor estratégico y las diferentes formas de abordarlos para obtener una implantación firme y estable que acelere el retorno de la inversión.
Antes de iniciar el contenido técnico de lo acontecido en materia tributaria estos últimos días de mayo; quisiera referirme a la importancia de una expresión tan sabia aplicable a tantas situaciones de la vida, y hoy, meritoria de considerar en el prefacio del presente análisis -
"no se extraña lo que nunca se ha tenido".
Con esta frase me quiero referir a las empresas que funcionan en las zonas de Iquique y Punta Arenas, acogidas a los beneficios de las zonas francas, y que, por ende, no pagan impuesto de primera categoría. En palabras técnicas estas empresas no mantienen saldos en sus registros SAC, y por ello, este nuevo Impuesto Sustitutivo, sin duda, es una tremenda y gran noticia.
Lo mismo se puede extender a las empresas que por haber aplicado beneficios de reinversión sumado a las ventajas transitorias de la menor tasa de primera categoría pagada; me refiero a las pymes en su mayoría. Han acumulado un monto de créditos menor en su registro SAC.
En estos casos, no es mucho lo que se tiene que perder.
Lo interesante, es que este ISRAI nace desde un pago efectivo de recursos, lo que exigirá a las empresas evaluar muy bien desde su posición financiera actual, y la planificación de esta, en un horizonte de corto plazo, considerar las alternativas que se disponen.
El 15 de mayo de 2024, el Congreso aprobó el proyecto de ley que “crea un Fondo de Emergencia Transitorio por incendios y establece otras medidas para la reconstrucción”, el cual se encuentra en las últimas etapas previo a su publicación y posterior entrada en vigencia.
Este proyecto tiene por objetivo establecer un marco institucional para organizar los esfuerzos públicos, con miras a solventar los gastos de reconstrucción y otras medidas de recuperación que se implementarán en la Región de Valparaíso a raíz de los incendios ocurridos en febrero de 2024.
Dentro del marco de “otras medidas de reconstrucción”, el proyecto crea un régimen opcional de impuesto sustitutivo de los impuestos finales (denominado también ISRAI), con distintas modalidades para sociedades bajo el régimen general de tributación (artículo 14 A de la ley sobre Impuesto a la Renta) y bajo el Régimen Pyme (artículo 14 D N° 3 de la ley sobre Impuesto a la Renta).
Para conocer detalles revisa nuestro artículo completo aquí BBSC® Impuesto Sustitutivo 2024.
Por Claudia Valdés Muñoz cvaldes@bbsc.cl +56981393599
Más contenido relacionado
Similar a Isabel martinez conesa inteligencia artificial comp
Ponencia del Dr. Armando Calmet Luna titulada "La Inteligencia de las Fuentes Abiertas en Redes Sociales" realizada como parte del curso de Gobernabilidad y Democracia organizado por el Consejo por la Paz.
El capital intelectual y la Gestión del conocimiento.
Modelos y sistemas de medición.
Gestión del conocimiento y su Relación Integral.
Modelos de Gestión México.
¿Está tu compañía preparada para el reto de la Inteligencia Artificial?Plain Concepts
¿Conoces el impacto real que la IA está teniendo en las empresas y cuáles son los retos a los que se han enfrentado para implementarla con éxito? En esta charla veremos cómo la IA impacta en las diferentes industrias y el retorno de la inversión obtenido. También veremos cuáles son los principales retos a los que se han enfrentado las empresas para incorporar la IA como factor estratégico y las diferentes formas de abordarlos para obtener una implantación firme y estable que acelere el retorno de la inversión.
Antes de iniciar el contenido técnico de lo acontecido en materia tributaria estos últimos días de mayo; quisiera referirme a la importancia de una expresión tan sabia aplicable a tantas situaciones de la vida, y hoy, meritoria de considerar en el prefacio del presente análisis -
"no se extraña lo que nunca se ha tenido".
Con esta frase me quiero referir a las empresas que funcionan en las zonas de Iquique y Punta Arenas, acogidas a los beneficios de las zonas francas, y que, por ende, no pagan impuesto de primera categoría. En palabras técnicas estas empresas no mantienen saldos en sus registros SAC, y por ello, este nuevo Impuesto Sustitutivo, sin duda, es una tremenda y gran noticia.
Lo mismo se puede extender a las empresas que por haber aplicado beneficios de reinversión sumado a las ventajas transitorias de la menor tasa de primera categoría pagada; me refiero a las pymes en su mayoría. Han acumulado un monto de créditos menor en su registro SAC.
En estos casos, no es mucho lo que se tiene que perder.
Lo interesante, es que este ISRAI nace desde un pago efectivo de recursos, lo que exigirá a las empresas evaluar muy bien desde su posición financiera actual, y la planificación de esta, en un horizonte de corto plazo, considerar las alternativas que se disponen.
El 15 de mayo de 2024, el Congreso aprobó el proyecto de ley que “crea un Fondo de Emergencia Transitorio por incendios y establece otras medidas para la reconstrucción”, el cual se encuentra en las últimas etapas previo a su publicación y posterior entrada en vigencia.
Este proyecto tiene por objetivo establecer un marco institucional para organizar los esfuerzos públicos, con miras a solventar los gastos de reconstrucción y otras medidas de recuperación que se implementarán en la Región de Valparaíso a raíz de los incendios ocurridos en febrero de 2024.
Dentro del marco de “otras medidas de reconstrucción”, el proyecto crea un régimen opcional de impuesto sustitutivo de los impuestos finales (denominado también ISRAI), con distintas modalidades para sociedades bajo el régimen general de tributación (artículo 14 A de la ley sobre Impuesto a la Renta) y bajo el Régimen Pyme (artículo 14 D N° 3 de la ley sobre Impuesto a la Renta).
Para conocer detalles revisa nuestro artículo completo aquí BBSC® Impuesto Sustitutivo 2024.
Por Claudia Valdés Muñoz cvaldes@bbsc.cl +56981393599
“La teoría de la producción sostiene que en un proceso productivo que se caracteriza por tener factores fijos (corto plazo), al aumentar el uso del factor variable, a partir de cierta tasa de producción
EL MERCADO LABORAL EN EL SEMESTRE EUROPEO. COMPARATIVA.ManfredNolte
Hoy repasaremos a uña de caballo otro reciente documento de la Comisión (SWD-2024) que lleva por título ‘Análisis de países sobre la convergencia social en línea con las características del Marco de Convergencia Social (SCF)’.
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).
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
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
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
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