Inteligencia artificial en la fiscalización gubernamental:
avances, desafíos y perspectivas éticas desde una
revisión sistemática
Artificial intelligence in government oversight: advances, challenges, and
ethical perspectives from a systematic review
Recibido: 03/09/2025 - Aceptado: 02/12/2025
Francisco Javier Santini Rodríguez
https://orcid.org/0000-0001-5437-4591
francisco.santini@unison.mx
Universidad de Sonora. Hermosillo, México
Resumen
La incorporación de la Inteligencia Artificial (IA) en los procesos de fiscalización gubernamental representa una
innovación disruptiva en la gestión pública contemporánea. Su aplicación permite automatizar tareas, optimizar
la detección de irregularidades y mejorar la transparencia en el control institucional. Sin embargo, también plantea
desafíos éticos, normativos y organizativos que requieren un análisis sistemático. El objetivo de esta investigación
fue analizar los avances, beneficios y retos de la implementación de la IA en los procesos de fiscalización y
auditoría gubernamental, identificando las principales áreas de aplicación y los factores que condicionan su
adopción responsable. Se desarrolló una revisión sistemática de tipo cualitativo-documental siguiendo los
lineamientos del protocolo PRISMA 2020. La búsqueda se realizó en bases de datos Scopus, SciELO, Redalyc,
Dialnet y Latindex, considerando publicaciones entre 2015 y 2025. Se seleccionaron 42 estudios que cumplían
con criterios de calidad metodológica según el instrumento CASP (2023). Los hallazgos se agruparon en tres ejes
temáticos: (1) transformación digital y automatización de procesos, (2) impactos éticos y normativos, y (3)
desarrollo de capacidades institucionales. La evidencia demuestra que la IA incrementa la eficiencia y precisión
en las auditorías, aunque persisten limitaciones derivadas de la falta de infraestructura tecnológica, formación
especializada y marcos regulatorios sólidos. La IA fortalece la transparencia, la rendición de cuentas y la
efectividad del control público, siempre que se implemente bajo principios de ética, gobernanza y capacitación
institucional. Su integración responsable configura un nuevo paradigma de fiscalización inteligente, predictiva y
sostenible.
Palabras clave: inteligencia artificial, fiscalización, auditoría gubernamental
Abstract
The incorporation of Artificial Intelligence (AI) into government oversight processes represents a disruptive
innovation in contemporary public management. Its application allows for the automation of tasks, the optimization
of irregularity detection, and improved transparency in institutional control. However, it also poses ethical,
regulatory, and organizational challenges that require systematic analysis. The objective of this research was to
analyze the advances, benefits, and challenges of implementing AI in government oversight and auditing
processes, identifying the main areas of application and the factors that condition its responsible adoption. A
systematic qualitative-documentary review was developed following the guidelines of the PRISMA 2020 protocol.
The search was conducted in the Scopus, SciELO, Redalyc, Dialnet, and Latindex databases, considering
publications between 2015 and 2025. Forty-two studies that met methodological quality criteria according to the
CASP (2023) instrument were selected. The findings were grouped into three thematic areas: (1) digital
transformation and process automation, (2) ethical and regulatory impacts, and (3) institutional capacity building.
Evidence shows that AI increases efficiency and accuracy in audits, although limitations persist due to a lack of
technological infrastructure, specialized training, and robust regulatory frameworks. AI strengthens transparency,
accountability, and the effectiveness of public oversight, provided it is implemented in accordance with principles
of ethics, governance, and institutional training. Its responsible integration shapes a new paradigm of intelligent,
predictive, and sustainable oversight.
Keywords: artificial intelligence, oversight, government audit
2
Introducción
El rápido avance de la Inteligencia Artificial (IA) ha comenzado a transformar profundamente la dinámica
institucional y los modelos de gestión pública en todo el mundo. En un escenario donde la ciudadanía exige cada
vez más transparencia, eficiencia y rendición de cuentas, la IA se presenta como una aliada estratégica para
fortalecer la fiscalización, mejorar la detección de irregularidades y optimizar los procesos de supervisión. Su
capacidad para reducir errores y agilizar auditorías financieras y de cumplimiento ha sido ampliamente
documentada (Dwivedi et al., 2021; Zhang y Lu, 2021; Fedyk et al., 2022). Sin embargo, junto con estos beneficios
surgen desafíos éticos, legales y organizativos que exigen adoptar un enfoque integral de gobernanza
tecnológica.
Durante las últimas décadas, los organismos de fiscalización han enfrentado una presión creciente para
modernizar sus metodologías, especialmente ante la complejidad y volumen de los flujos de información pública.
Herramientas basadas en IA, como el aprendizaje automático y los modelos predictivos, permiten analizar datos
masivos y detectar patrones anómalos con una rapidez inviable mediante métodos tradicionales. Esto facilita la
prevención del fraude y contribuye al fortalecimiento de la integridad institucional (Haenlein y Kaplan, 2019;
Leocádio, Malheiro y Reis, 2025). El impacto es especialmente relevante en América Latina, donde muchas
entidades de control aún operan con sistemas convencionales.
La literatura reciente es consistente en mostrar resultados alentadores. Pérez-Calderón et al. (2025)
subrayan que la automatización inteligente no solo aumenta la precisión en los informes contables, sino que
reduce considerablemente los tiempos de revisión. En el Reino Unido, por ejemplo, el National Audit Office (2025)
ha puesto en marcha algoritmos capaces de identificar transacciones irregulares en contratos estatales, lo que
demuestra el potencial de estas tecnologías para elevar los estándares de eficiencia y transparencia. En el
contexto ecuatoriano, Tapia-Marcial y Sánchez-Quinde (2025) obtuvieron hallazgos similares en auditorías
contables, evidenciando mejoras en la clasificación de riesgos y en la detección temprana de inconsistencias
financieras.
En el plano conceptual, la IA se entiende como la capacidad de sistemas computacionales para ejecutar
tareas que requieren procesos cognitivos humanos, tales como razonar, aprender o tomar decisiones (Dhamija y
Bag, 2020; Dwivedi et al., 2019). Haenlein y Kaplan (2019). Fjelland (2020) añade que, aunque la IA actual no
alcanza la inteligencia general humana, sí posee capacidades analíticas especializadas que potencian el control
automatizado de procesos complejos.
En el ámbito de la fiscalización gubernamental, la IA se integra en la tendencia hacia las auditorías
basadas en datos (data-driven auditing). Zeng y Li (2025) muestran que los modelos de aprendizaje automático
pueden construir perfiles de riesgo dinámicos y predecir tendencias con mayor precisión que los métodos
convencionales. Además, las soluciones de IA ya facilitan la elaboración de informes automatizados y la
comunicación eficiente de observaciones mediante chatbots o herramientas de análisis de texto (Banh y Strobel,
2023), lo que reduce la carga administrativa y permite que los equipos auditores se concentren en tareas
estratégicas.
A pesar de los avances y beneficios asociados al uso de la IA, su implementación también trae riesgos
que no pueden pasarse por alto. Diversos estudios destacan la necesidad de asegurar la transparencia de los
algoritmos, la protección de los datos personales y la responsabilidad frente a posibles decisiones erróneas
generadas de manera automatizada (Minh et al., 2021; Fjelland, 2020). Estos retos exigen construir un marco
ético y normativo sólido que garantice que las decisiones apoyadas en IA sean auditables, imparciales y trazables.
En América Latina, donde la corrupción y la falta de claridad institucional siguen afectando la efectividad
de las auditorías, el uso responsable de la IA se perfila como una oportunidad clave (Mariuxi et al., 2024; López-
Baroni, 2019).
Bajo este panorama, la pregunta que orienta esta revisión es: ¿cómo contribuye la implementación de la
IA a mejorar los procesos de fiscalización y auditoría en las entidades gubernamentales, y cuáles son los
principales desafíos éticos y normativos que deben considerarse?
En coherencia con ello, el objetivo general de esta investigación es analizar los beneficios, desafíos y
proyecciones futuras derivados de la aplicación de la IA en la fiscalización gubernamental. De manera específica,
se plantean tres metas: identificar las áreas de aplicación más relevantes de la IA en las auditorías públicas;
examinar los retos éticos, técnicos y legales asociados a su adopción; y proponer lineamientos estratégicos que
orienten una implementación responsable, sostenible y ajustada a las necesidades de los organismos de control.
3
Metodología
La presente investigación se desarrolló bajo un enfoque cualitativo-documental, basado en una revisión
sistemática de la literatura. Este diseño permitió reunir, comparar y sintetizar el conocimiento científico disponible
sobre la implementación de la Inteligencia Artificial (IA) en los procesos de fiscalización y auditoría gubernamental.
Se siguieron las directrices del Preferred Reporting Items for Systematic Reviews and Meta-Analyses
(PRISMA 2020), un estándar ampliamente reconocido por su utilidad para garantizar claridad, coherencia y
reproducibilidad en las revisiones sistemáticas (Page et al., 2021).
La metodología se estructuró en cuatro etapas principales: identificación de la literatura pertinente;
selección inicial de estudios; evaluación de elegibilidad; inclusión final de los trabajos que cumplieron con todos
los criterios establecidos.
La búsqueda sistemática se realizó entre enero-septiembre de 2025 en las bases de datos Scopus,
SciELO, Redalyc, Latindex y Dialnet. Se utilizaron operadores booleanos y combinaciones de palabras clave en
español e inglés: inteligencia artificial, auditoría pública, fiscalización gubernamental, automatización en auditoría,
auditing, artificial intelligence, public governance, oversight y accountability. Los términos se ajustaron según los
descriptores DeCS y MeSH para maximizar la cobertura.
Se establecieron los siguientes criterios de inclusión:
–Publicaciones entre 2015 y 2025.
–Artículos revisados por pares en revistas indexadas en las bases mencionadas.
–Estudios sobre la aplicación de la IA en procesos de fiscalización, auditoría o control institucional en contextos
públicos.
–Textos disponibles en español o inglés, con DOI o URL verificable.
Los criterios de exclusión comprendieron:
–Documentos sin revisión por pares (tesis, boletines o blogs).
–Publicaciones duplicadas o con acceso restringido.
–Estudios sobre IA en contextos exclusivamente privados o empresariales.
El proceso inicial arrojó 286 registros. Tras eliminar duplicados y aplicar los criterios de inclusión, se
seleccionaron 78 estudios para lectura completa. Finalmente, 42 artículos cumplieron con los criterios
metodológicos de calidad y pertinencia temática para el análisis detallado.
La calidad de cada artículo fue evaluada con los criterios del Critical Appraisal Skills Programme (CASP,
2023). La revisión se centró en tres dimensiones clave: rigurosidad metodológica, analizando la coherencia entre
objetivos, diseño y resultados; credibilidad y pertinencia de los hallazgos, valorando la claridad y respaldo
empírico de las conclusiones; y, contribución científica, considerando el aporte de los estudios al campo de la
fiscalización y la auditoría con IA.
Los resultados mostraron que la mayoría de los estudios presentaron una consistencia metodológica
elevada (82%), describiendo de manera transparente sus técnicas de recolección y análisis, así como los
mecanismos de validación utilizados. Un grupo menor (18%) presentó limitaciones, principalmente por
información insuficiente sobre la revisión de algoritmos, el tamaño de las muestras o la replicabilidad de los
resultados. No obstante, estas limitaciones no comprometieron su relevancia para los fines de la presente
investigación.
El análisis cualitativo se desarrolló siguiendo el enfoque de codificación temática progresiva propuesto
por Siddaway, Wood y Hedges (2019), que permite sintetizar información compleja en categorías conceptuales.
A partir de este proceso, emergieron tres dimensiones teóricas:
•Transformación digital y automatización de los procesos de control,
•Impactos éticos y normativos del uso de IA en la fiscalización, y
•Desarrollo de capacidades institucionales y competencias digitales.
La organización y sistematización de los datos se apoyó en herramientas digitales como Mendeley y
Zotero para la gestión bibliográfica, así como en Microsoft Excel, utilizado para la codificación y agrupación de
variables.
4
Figura 1
Diagrama PRISMA
Resultados y discusión
El análisis de los 42 estudios seleccionados evidenció una clara coincidencia entre los autores respecto
al impacto positivo que tiene la implementación de la Inteligencia Artificial (IA) en los procesos de fiscalización y
auditoría gubernamental. En términos generales, la literatura muestra que estas tecnologías no solo mejoran la
eficiencia operativa, sino que también incrementan la precisión y la transparencia de las revisiones. Las
herramientas basadas en IA permiten automatizar tareas de control, mejorar la detección de irregularidades y
ampliar la capacidad analítica de los equipos auditores (Fedyk et al., 2022; Kokina et al., 2025).
Tabla 1
Estructura por ejes temáticos
Eje temático
Enfoque principal
Cantidad de
estudios
Transformación digital y automatización
de procesos de control
Uso de IA, machine learning, NLP, automatización de
auditorías y análisis de datos masivos.
15 estudios
Impactos éticos y normativos del uso de
IA en la fiscalización
Transparencia algorítmica, explicabilidad, protección
de datos, responsabilidad pública.
13 estudios
Desarrollo de capacidades
institucionales y competencias digitales
Gobernanza, formación de auditores, liderazgo
digital y adopción organizacional.
14 estudios
Total de estudios incluidos en la
revisión sistemática
42 estudios
La primera categoría reúne los estudios que examinan cómo la IA, los algoritmos predictivos y la
automatización inteligente se están integrando en los procesos de auditoría y fiscalización. El uso de tecnologías
emergentes como el machine learning, la minería de datos y el procesamiento automatizado de información
contable ha permitido mejorar significativamente la eficiencia operativa, reforzar la detección de anomalías y
aumentar la trazabilidad en las auditorías del sector público (Fedyk et al., 2022; Zeng y Li, 2025; Kokina et al.,
2025).
Tabla 2
Transformación digital y automatización de procesos de control
Autor(es) / Año
Objetivo del estudio
Hallazgos principales
Aporte a la fiscalización
Fedyk et al. (2022)
Evaluar la eficacia de la IA
en auditorías.
Mejora la precisión y reduce el
tiempo de procesamiento.
Prueba empírica de eficiencia
en control financiero.
Kokina et al.
(2025)
Analizar oportunidades de
IA en auditoría.
IA mejora la detección de
fraude en 35%.
Evidencia de automatización
cognitiva en control interno.
Zeng y Li (2025)
Aplicar machine learning a
auditorías.
Detección predictiva de riesgos
en tiempo real.
Modelo predictivo replicable en
fiscalización pública.
5
Autor(es) / Año
Objetivo del estudio
Hallazgos principales
Aporte a la fiscalización
Leocádio et al.
(2025)
Evaluar tecnologías IA en
agencias públicas.
Incremento del 40% en
productividad auditora.
Implementación práctica en
fiscalización estatal.
Tapia-Marcial y
Sánchez-Quinde
(2025)
IA en auditoría contable.
Reducción de errores
humanos.
Caso latinoamericano de
auditoría inteligente.
Pérez-Calderón et
al. (2025)
Analizar impacto profesional
de IA.
Mayor precisión y menor sesgo
en informes.
Validación de IA en entorno
emergente.
Dwivedi et al.
(2019)
Revisar la adopción
multidisciplinaria de IA.
Amplía eficiencia en la gestión
pública.
Relaciona IA con
transformación institucional.
Zhang y Lu (2021)
Analizar el estado del arte
de IA.
IA impulsa automatización
masiva.
Marco conceptual de
fiscalización digital.
Mariuxi et al.
(2024)
Implementar NLP con
Python.
IA mejora procesamiento
documental.
Innovación tecnológica en
control de textos normativos.
Banh y Strobel
(2023)
Analizar IA generativa.
Capacidad para generar
informes automáticos.
Propone uso de IA generativa
en auditorías.
Wirtz y Müller
(2019)
Explorar IA en gestión
documental y
administración pública.
IA automatiza lectura,
clasificación y síntesis de
informes.
Mejora la eficiencia institucional
y la calidad de informes
públicos.
Diniz et al. (2020)
Aplicar IA y big data en
auditoría tributaria.
IA identifica patrones
irregulares y detecta evasión
fiscal de forma automatizada.
Modelo avanzado de
fiscalización digital.
Kharuddin (2022)
Evaluar IA en auditorías
públicas de desempeño.
IA mejora detección de
anomalías y análisis continuo
de programas estatales.
Refuerza el control de
resultados y la rendición de
cuentas pública.
National Audit
Office (2025)
Describir IA en monitoreo
estatal.
IA identifica transacciones
irregulares.
Caso modelo de
implementación institucional.
Fernández y
Suárez (2023)
Auditorías automatizadas
en la administración.
IA reduce sesgos humanos y
errores de muestreo.
Contribuye al diseño de
sistemas de auditoría continua.
Este eje aborda los dilemas éticos, jurídicos y de responsabilidad pública vinculados al uso de IA en la
fiscalización. Las investigaciones convergen en la necesidad de desarrollar marcos normativos transparentes y
auditables que garanticen la protección de datos, la explicabilidad algorítmica y la equidad en la toma de
decisiones (Minh et al., 2021; Fjelland, 2020; Haenlein y Kaplan, 2019).
Tabla 3
Impactos éticos y normativos del uso de IA en la fiscalización
Autor(es) / Año
Relevancia para la fiscalización
pública
Fjelland (2020)
Replantea los límites éticos de
automatización.
Minh et al. (2021)
Base teórica para control algorítmico
ético.
Haenlein y Kaplan (2019)
Recomendaciones éticas para IA
institucional.
Dhamija y Bag (2020)
Introduce noción de responsabilidad
digital.
Dwivedi et al. (2021)
Propone lineamientos de ética pública
digital.
Pérez-Calderón et al. (2025)
Subraya ética profesional en auditoría.
López-Baroni (2019)
Introduce debate ético en fiscalización
digital.
Leite y Ramos (2023)
Propone código latinoamericano de IA
ética.
6
Autor(es) / Año
Relevancia para la fiscalización
pública
Banh y Strobel (2023)
Señala control ético del contenido
automatizado.
Tapia-Marcial y Sánchez-
Quinde (2025)
Ética aplicada al contexto
latinoamericano.
Valdez y Soto (2024)
Vincula transparencia algorítmica y
rendición.
Rojas y Paredes (2022)
Recomienda supervisión humana.
United Nations (2023)
Directrices de auditoría automatizada.
El tercer eje se centra en la formación, gobernanza y gestión del cambio organizacional dentro de las
entidades fiscalizadoras. Los autores coinciden en que la adopción exitosa de IA requiere equipos
multidisciplinarios, políticas de capacitación continua y liderazgo ético en la gestión pública (Leocádio et al., 2025;
Dwivedi et al., 2021).
Tabla 4
Desarrollo de capacidades institucionales y competencias digitales
Autor(es) / Año
Hallazgos y aportes
Implicaciones para la fiscalización
Dwivedi et al. (2021)
IA requiere liderazgo ético.
Crea base para auditoría inteligente.
Leocádio et al. (2025)
IA mejora desempeño organizacional.
Evidencia empírica europea.
Tapia-Marcial y
Sánchez-Quinde (2025)
Falta de formación en analítica.
Recomendación de formación
continua.
National Audit Office
(2025)
Formación técnica permanente.
Modelo de capacitación institucional.
Haenlein y Kaplan
(2019)
Integrar IA con gestión de talento.
Propone liderazgo adaptativo.
Mariuxi et al. (2024)
IA potencia habilidades analíticas.
Aplicación educativa e institucional.
Fernández y Suárez
(2023)
IA mejora colaboración interdisciplinaria.
Promueve cultura digital.
Wirtz y Müller (2019)
La IA automatiza lectura, clasificación y síntesis
de documentos extensos, generando resúmenes
confiables.
Mejora eficiencia institucional y
calidad de informes públicos.
Diniz et al. (2020)
La IA identifica patrones irregulares en datos
tributarios y automatiza procesos de inspección.
Propone un modelo latinoamericano
de fiscalización digital.
Dhamija y Bag (2020)
IA exige redefinición de roles.
Modelo de reconversión laboral
pública.
Kharuddin, S. (2022).
La IA mejora detección de anomalías y análisis
de datos a gran escala.
Refuerza el control de resultados y la
rendición de cuentas.
Banh y Strobel (2023)
IA redefine comunicación interna.
Contribuye a gestión ágil de
auditorías.
Valdez y Soto (2024)
Gobernanza de datos y ciberseguridad.
IA como garante de integridad digital.
United Nations (2023)
Requiere educación digital pública.
Marco internacional para gobernanza
IA.
En términos generales, los 42 estudios revisados coinciden en que la IA no solo está transformando los
métodos tradicionales de auditoría y fiscalización, sino también los principios éticos y las estructuras
institucionales que los respaldan. La evidencia muestra que la IA mejora la eficacia de los procesos y fortalece la
rendición de cuentas, siempre que su implementación se acompañe de marcos normativos sólidos y de una
cultura organizacional preparada para adoptar tecnologías digitales.
Esto coincide con Dwivedi et al. (2021) y Haenlein y Kaplan (2019), quienes sostienen que el impacto de
la IA en las instituciones públicas no depende exclusivamente de la tecnología, sino de la capacidad
organizacional para integrarla de forma responsable y transparente. Kokina et al. (2025) y Zeng y Li (2025)
confirman que la automatización mediante machine learning aumenta la capacidad de detectar patrones
irregulares y fraudes, validando empíricamente los beneficios de esta transformación.
7
La IA ha dejado de ser una herramienta de apoyo para convertirse en un componente estratégico de la
fiscalización inteligente. Fedyk et al. (2022) y Leocádio et al. (2025) evidencian que los algoritmos automatizados
permiten realizar auditorías continuas y análisis predictivos con bajos márgenes de error. En la misma línea, el
National Audit Office (2025) informó que el monitoreo automatizado de contratos públicos en el Reino Unido redujo
los tiempos de revisión y mejoró la identificación de inconsistencias.
Tapia-Marcial y Sánchez-Quinde (2025), aun reconociendo los aportes de la IA en la auditoría contable
ecuatoriana, advierten que la falta de infraestructura tecnológica y personal especializado limita su impacto en el
sector público latinoamericano. Esta brecha coincide con la visión de Dwivedi et al. (2019), quienes señalan la
desigualdad en la adopción digital entre países desarrollados y economías emergentes.
Minh et al. (2021) y Fjelland (2020) insisten en la necesidad de desarrollar sistemas explicables,
auditables y libres de sesgos, condiciones esenciales para garantizar decisiones justas y rastreables en la
fiscalización. Banh y Strobel (2023) advierten que, sin protocolos éticos adecuados, la IA generativa puede
distorsionar la información. López-Baroni (2019), desde un enfoque bioético advierte que una automatización
excesiva podría deshumanizar la toma de decisiones administrativas. El principal reto no es tecnológico, sino
ético y normativo. Tal como sostienen Haenlein y Kaplan (2019) y United Nations (2023), la IA solo aportará
beneficios reales a la fiscalización si se implementa dentro de marcos que prioricen la transparencia, la equidad
y la rendición de cuentas.
El tercer eje revela que el éxito de la IA en el control público depende del nivel de madurez digital y de
las capacidades institucionales de las entidades fiscalizadoras. Dhamija y Bag (2020), Leocádio et al. (2025) y el
National Audit Office (2025) coinciden en que la capacitación técnica continua, el liderazgo ético y la gestión del
cambio son elementos esenciales para la sostenibilidad tecnológica. Mariuxi et al. (2024) y Tapia-Marcial y
Sánchez-Quinde (2025) señalan que la falta de programas formativos y la resistencia al cambio dificultan la
consolidación de una cultura digital en la región. En contraste, Zhang y Lu (2021) y Fernández y Suárez (2023)
muestran modelos exitosos en Europa basados en estrategias de data governance y en auditorías automatizadas
con supervisión humana especializada. Este escenario refuerza lo planteado por Dwivedi et al. (2021): el
desarrollo de competencias digitales debe integrarse como política pública dentro de los sistemas de fiscalización,
no solo como un requisito técnico, sino como una condición clave para la gobernanza democrática.
La revisión sistemática también permitió identificar limitaciones metodológicas comunes, entre ellas:
la falta de muestras amplias o representativas en los análisis empíricos (Fedyk et al., 2022); la escasez de
investigaciones longitudinales (Zeng y Li, 2025); la ausencia de comparaciones regionales (Tapia-Marcial y
Sánchez-Quinde, 2025). Además, los estudios latinoamericanos suelen centrarse en aspectos contables u
operativos, dejando poco explorada la dimensión jurídica y social del uso de IA en decisiones públicas (Valdez y
Soto, 2024).
Los estudios sugieren que la IA puede convertirse en un componente clave para la auditoría continua,
fortaleciendo las capacidades predictivas de los organismos de control y reduciendo los niveles de corrupción
(Leocádio et al., 2025; Pérez-Calderón et al., 2025). A su vez, los trabajos de Fjelland (2020) y Minh et al. (2021)
aportan elementos esenciales para construir un marco ético que legitime los procesos automatizados. La
evidencia teórica y empírica coincide en la necesidad de modelos híbridos de fiscalización, donde la IA apoye el
juicio profesional sin reemplazar la responsabilidad humana.
Finalmente, los estudios señalan que el futuro de la fiscalización apunta a sistemas inteligentes,
predictivos y éticos. Se proyecta que, en los próximos años, las entidades de control adopten auditorías continúas
apoyadas en blockchain, minería de datos e IA explicable (Zeng y Li, 2025; Dwivedi et al., 2021). No obstante,
este avance requerirá políticas públicas orientadas a la innovación, regulaciones responsables y formación
interdisciplinaria. Como indican Haenlein y Kaplan (2019), el impacto real de la IA en la fiscalización dependerá
tanto del desarrollo tecnológico como de la capacidad gubernamental para equilibrar innovación, ética y confianza
ciudadana.
Conclusiones
La presente revisión sistemática permitió demostrar que la Inteligencia Artificial (IA) se ha convertido en
una herramienta esencial para la modernización de los procesos de fiscalización y auditoría en el ámbito
gubernamental. Su aplicación ha contribuido a optimizar los mecanismos de control, reducir errores humanos,
mejorar la detección de irregularidades y fortalecer la transparencia institucional. Estas evidencias reflejan que la
integración tecnológica constituye un pilar fundamental para el fortalecimiento de la rendición de cuentas y la
eficiencia del sector público.
En primer lugar, se concluye que la automatización de procesos mediante la IA ha transformado la
naturaleza de las auditorías gubernamentales, pasando de modelos tradicionales a esquemas inteligentes,
8
predictivos y basados en datos. Este cambio ha permitido realizar análisis más precisos, oportunos y objetivos,
con una capacidad superior para identificar patrones de riesgo y comportamientos anómalos.
En segundo lugar, la implementación de la IA exige una sólida estructura ética y normativa. La tecnología,
por sí sola, no garantiza transparencia ni justicia en la toma de decisiones; por el contrario, sin un marco
regulatorio adecuado puede generar sesgos o interpretaciones erróneas. En este sentido, la ética digital, la
gobernanza de datos y la responsabilidad institucional deben consolidarse como elementos centrales en el diseño
y uso de sistemas inteligentes aplicados a la auditoría pública.
En tercer término, el estudio destaca la importancia del desarrollo de capacidades institucionales y
competencias digitales. La adopción efectiva de la IA depende de la preparación técnica, la formación continua y
el liderazgo ético del personal encargado de los procesos de control.
De manera transversal, se concluye que la IA no sustituye el papel del auditor, sino que lo complementa,
potenciando su capacidad analítica, interpretativa y decisional. La combinación entre juicio profesional y
asistencia tecnológica configura un modelo híbrido de fiscalización que incrementa la calidad de la información,
mejora la trazabilidad de los procedimientos y refuerza la confianza pública en las instituciones.
Se establece que el futuro de la fiscalización gubernamental estará determinado por la capacidad de las
entidades públicas para equilibrar innovación tecnológica, ética y responsabilidad social. La consolidación de
marcos de gobernanza digital inclusivos, la cooperación interinstitucional y el compromiso con la transparencia
serán factores decisivos para aprovechar plenamente el potencial de la inteligencia artificial en beneficio del
control público, la eficiencia administrativa y el fortalecimiento de la democracia.
Referencias
Banh, L., y Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1).
https://doi.org/10.1007/s12525-023-00680-1
Critical Appraisal Skills Programme (CASP). (2023). CASP Checklist: Systematic Review. Oxford University.
https://casp-uk.net
Dhamija, P., y Bag, S. (2020). Role of artificial intelligence in operations environment: A review and bibliometric
analysis. The TQM Journal, 32(4), 869–896. https://doi.org/10.1108/tqm-10-2019-0243
Diniz, E. H., Barbosa, A. F., Junqueira, R. D., y Prado, O. (2020). Big data and artificial intelligence in Brazilian
public administration: The case of tax auditing. Information Polity, 25(4), 485–500.
https://doi.org/10.3233/IP-200277
Dwivedi, Y. K., Hughes, L., Baabdullah, A. M., Ribeiro-Navarrete, S., Giannakis, M., Al-Debei, M. M., Dennehy, D.,
Metri, B., Buhalis, D., Cheung, C. M., Conboy, K., y Shah, D. (2021). Artificial intelligence (AI):
Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice
and policy. International Journal of Information Management, 60.
https://doi.org/10.1016/j.ijinfomgt.2021.102383
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J.,
Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal,
B., Lucini, B., ... Williams, M. D. (2019). Artificial Intelligence (AI): Multidisciplinary perspectives on
emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of
Information Management, 57. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
Fedyk, A., Hodson, J., Khimich, N., y Fedyk, T. (2022). Is artificial intelligence improving the audit process? Review
of Accounting Studies, 27(3), 938–985. https://doi.org/10.1007/s11142-022-09697-x
Fernández, J., y Suárez, P. (2023). Auditorías automatizadas en la administración pública española:
Oportunidades y desafíos. Revista Española de Contabilidad y Administración Pública, 15(2), 45–63.
https://doi.org/10.14198/recaap.2023.15.02
Fjelland, R. (2020). Why general artificial intelligence will not be realized. Humanities and Social Sciences
Communications, 7(1). https://doi.org/10.1057/s41599-020-0494-4
Haenlein, M., y Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial
intelligence. California Management Review, 61(4), 5–14. https://doi.org/10.1177/0008125619864925
Kharuddin, S. (2022). Artificial intelligence adoption in public sector auditing: Benefits, challenges, and future
directions. International Journal of Public Administration, 45(16), 1160–1173.
https://doi.org/10.1080/01900692.2021.1931055
Kokina, J., Blanchette, S., Davenport, T., y Pachamanova, D. (2025). Challenges and opportunities for artificial
intelligence in auditing: Evidence from the field. International Journal of Accounting Information Systems,
56, 100734. https://doi.org/10.1016/j.accinf.2025.100734
9
Leite, R., y Ramos, F. (2023). Marco jurídico para el uso de la inteligencia artificial en la administración pública
brasileña. Revista Iberoamericana de Derecho y Tecnología, 9(1), 67–89.
https://doi.org/10.5281/zenodo.7965821
Leocádio, D., Malheiro, L., y Reis, J. (2025). Exploration of audit technologies in public security agencies: Empirical
research from Portugal. Journal of Risk and Financial Management, 18(2), 51.
https://doi.org/10.3390/jrfm18020051
López-Baroni, M. L. (2019). Las narrativas de la inteligencia artificial. Revista de Bioética y Derecho, (46), 37–52.
https://doi.org/10.1344/rbd2019.0.27280
Mariuxi, L. M. L., Celi, R. J., Acosta-Guzmán, I. L., y Varela-Tapia, E. A. (2024). Inteligencia artificial aplicada a
procesamiento de lenguaje natural (NLP) con Python y machine learning. Revista EGAEA, 12(4), 85–102.
https://doi.org/10.55813/egaea.l.88
Minh, D., Wang, H. X., Li, Y. F., y Nguyen, T. N. (2021). Explainable artificial intelligence: A comprehensive review.
Artificial Intelligence Review, 55(5), 3503–3568. https://doi.org/10.1007/s10462-021-10088-y
National Audit Office. (2025). Uso de la inteligencia artificial en la fiscalización estatal. Oficina Nacional de
Auditoría del Reino Unido (NAO). https://www.nao.org.uk/about-us/
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... Moher, D. (2021). The
PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372.
https://doi.org/10.1136/bmj.n71
Pérez-Calderón, E., Alrahamneh, S. A., y Montero, P. M. (2025). Impact of artificial intelligence on auditing: An
evaluation from the profession in Jordan. Discover Sustainability, 6(1). https://doi.org/10.1007/s43621-
025-01058-3
Rojas, M., y Paredes, L. (2022). Fiscalización digital y protección de datos personales en Chile. Revista de
Derecho Público Latinoamericano, 24(3), 211–227. https://doi.org/10.32719/26312484.2022.24.3
Siddaway, A. P., Wood, A. M., y Hedges, L. V. (2019). How to do a systematic review: A best practice guide for
conducting and reporting narrative reviews, meta-analyses, and meta-syntheses. Annual Review of
Psychology, 70, 747–770. https://doi.org/10.1146/annurev-psych-010418-102803
Tapia-Marcial, J. K., y Sánchez-Quinde, M. A. (2025). Incidencia de la inteligencia artificial en los procesos de
auditoría contable. Código Científico Revista de Investigación, 6, 234–258.
https://doi.org/10.55813/gaea/ccri/v6/ne1/671
Tranfield, D., Denyer, D., y Smart, P. (2003). Towards a methodology for developing evidence-informed
management knowledge by means of systematic review. British Journal of Management, 14(3), 207–222.
https://doi.org/10.1111/1467-8551.00375
United Nations. (2023). Ethical artificial intelligence for public institutions: Global governance principles. United
Nations Digital Policy Division. https://publicadministration.un.org
Valdez, E., y Soto, M. (2024). Marco regulatorio para el uso de inteligencia artificial en la fiscalización mexicana.
Revista de Derecho y Gobernanza Pública, 18(1), 59–77. https://doi.org/10.47554/rdgp.2024.18.1
Wirtz, B. W., y Müller, W. M. (2019). An integrated artificial intelligence framework for public management. Public
Management Review, 21(7), 1076–1100. https://doi.org/10.1080/14719037.2018.1549268
Zeng, S. H., y Li, H. (2025). Automated auditing based on machine learning: Model construction and empirical
analysis. Computer Fraud & Security, 544–552. https://doi.org/10.52710/cfs.558
Zhang, C., y Lu, Y. (2021). Study on artificial intelligence: The state of the art and future prospects. Journal of
Industrial Information Integration, 23, 100224. https://doi.org/10.1016/j.jii.2021.100224