La inteligencia artificial en la detección de fraudes se refiere a la aplicación de tecnologías de inteligencia artificial, incluyendo aprendizaje automático, aprendizaje profundo y sistemas expertos, para identificar y prevenir actividades fraudulentas en operaciones financieras y empresariales. Se utiliza ampliamente en el sector financiero, especialmente por firmas de contabilidad, para ayudar a detectar fraudes y mejorar la precisión de las auditorías. El cambio del trabajo presencial al trabajo remoto ha aumentado el acceso a los datos, lo que incrementa la necesidad de sistemas automatizados que puedan analizar grandes volúmenes de transacciones y señalar patrones sospechosos.
En 2022, PricewaterhouseCoopers informó que el fraude ha afectado al 46% de todas las empresas a nivel mundial. Según un estudio de la Comisión Federal de Comercio de 2022, los consumidores reportaron fraudes por aproximadamente 5.800 millones de dólares en 2021, un aumento del 70% respecto al año anterior, siendo las estafas de suplantación de identidad y los fraudes de compras en línea la mayoría. 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 fraudes, permitiendo a las empresas mantenerse a la vanguardia de las tácticas fraudulentas en evolución en un panorama cada vez más digital.
Sistemas Expertos
Los sistemas expertos se diseñaron por primera vez en la década de 1970 como una expansión de las tecnologías de inteligencia artificial. Su diseño se basa en la premisa de reducir posibles errores del usuario en la toma de decisiones y emular el razonamiento mental utilizado por expertos en un campo particular. Se diferencian de los modelos de razonamiento lineal tradicionales al separar puntos identificados en los datos y procesarlos individualmente al mismo tiempo. Sin embargo, estos sistemas no dependen puramente de la inteligencia aprendida por máquinas.
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 proporcionando información 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, el sistema crea una solución a la consulta del usuario. Los sistemas expertos generalmente no funcionan correctamente cuando los procedimientos comunes para una situación especificada son ambiguos debido a la necesidad de reglas bien definidas.
La implementación de sistemas expertos en procedimientos contables es viable en áreas donde se requiere juicio profesional. Las situaciones donde 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.
Auditoría Continua
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 transacciones registradas y asientos de diario periódicamente, la auditoría continua se centra en interpretar el carácter de estas acciones con mayor frecuencia. La frecuencia de estos procesos y el resaltado de áreas de importancia quedan a discreción del implementador, quien comúnmente toma tales decisiones basándose en el nivel de riesgo de las cuentas evaluadas y los objetivos de implementación del sistema. El rendimiento de estos procesos puede ocurrir con una frecuencia casi instantánea con la publicación de una entrada.
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 interactiva de información, el cálculo de ratios financieros para comparar con modelos previamente creados y la detección de errores en cifras ingresadas. Un objetivo principal de esta práctica es permitir una detección más rápida y fácil de casos de controles defectuosos, errores y fraudes.
Aprendizaje Automático y Aprendizaje Profundo
La capacidad del aprendizaje automático y el aprendizaje profundo para clasificar rápida y eficazmente grandes volúmenes de datos en forma de diversos documentos relevantes para empresas y documentos auditados los hace aplicables a los dominios de auditoría y detección de fraudes. Ejemplos de esto incluyen reconocer lenguaje clave en contratos, identificar niveles de riesgo de fraude en transacciones y evaluar asientos de diario por posibles errores de presentación.
Los modelos de aprendizaje automático, como las redes neuronales, se entrenan con datos históricos para identificar patrones indicativos de fraude. El aprendizaje profundo, un subconjunto del aprendizaje automático, utiliza redes neuronales multicapa para extraer automáticamente características de datos brutos, mejorando la precisión de detección. Estas tecnologías permiten que los sistemas se adapten a nuevas tácticas fraudulentas con el tiempo, ya que pueden reentrenarse con datos actualizados.
Aplicaciones en las Cuatro Grandes Firmas de Contabilidad
Deloitte creó un sistema de revisión de documentos habilitado por IA en 2014. El sistema automatiza el método de revisar y extraer información relevante de diferentes documentos comerciales. Deloitte afirma que esta innovación ha reducido el tiempo dedicado a revisar contratos legales, facturas, estados financieros y actas de juntas directivas hasta en un 50%. Trabajando con IBM Watson, Deloitte está desarrollando acuerdos comerciales mejorados con tecnología cognitiva para sus clientes. LeasePoint está impulsado por IBM TRIRIGA (que evolucionó a IBM Maximo Real Estate and Facilities) 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 de IBM Maximo para mejorar la eficiencia de la inspección de activos.
Ernst and Young (EY) conectó la IA a la investigación de contratos de arrendamiento. EY (Australia) también ha recibido tecnología de auditoría habilitada por IA. Colaborando con H2O.ai, PwC desarrolló un marco habilitado por IA (GL.ai) capaz de analizar informes y preparar reportes. PwC afirma haber realizado una inversión significativa en procesamiento de lenguaje natural (PLN), una innovación habilitada por IA para procesar información no estructurada de manera eficiente. KPMG construyó una cartera de instrumentos de IA, llamada KPMG Ignite, para mejorar decisiones y procesos comerciales. Trabajando con Microsoft e IBM Watson, KPMG está creando instrumentos para integrar IA, análisis de datos, tecnologías cognitivas y automatización robótica de procesos (RPA).
Ventajas: Eficiencia
El proceso de auditar una entidad para detectar actividad fraudulenta requiere repetir procesos de investigación hasta identificar un error o error de presentación. Bajo métodos tradicionales, estos procesos son realizados por un ser humano. Los defensores de la inteligencia artificial en la detección de fraudes afirman que estos métodos tradicionales son ineficientes y pueden completarse más rápidamente con la ayuda de un sistema informático inteligente. Una encuesta de 400 directores ejecutivos creada por KPMG en 2016 encontró que aproximadamente el 58% creía que la inteligencia artificial desempeñaría un papel clave en hacer las auditorías más eficientes en el futuro.
Los sistemas de IA pueden procesar grandes conjuntos de datos en una fracción del tiempo requerido por los humanos, reduciendo el tiempo y el costo de las auditorías. Por ejemplo, los modelos de lenguaje grande pueden analizar texto no estructurado en contratos y correos electrónicos para identificar posibles indicadores de fraude, mientras que las herramientas automatizadas pueden señalar anomalías en tiempo real.
Ventajas: Interpretación de Datos
Niveles más altos de detección de fraudes implican el uso de juicio profesional para interpretar datos. Los partidarios de la inteligencia artificial en auditorías financieras afirman que los mayores riesgos de casos de interpretación de datos más compleja pueden minimizarse mediante tales tecnologías. 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.
La IA puede ayudar a establecer umbrales de materialidad analizando datos históricos y puntos de referencia de la industria, reduciendo el riesgo de sesgo humano. Además, los modelos de aprendizaje automático pueden identificar patrones sutiles en los datos que podrían pasarse por alto por los auditores humanos, mejorando la efectividad general de la detección de fraudes.
Desafíos y Limitaciones
A pesar de las ventajas, el uso de la inteligencia artificial en la detección de fraudes enfrenta varios desafíos. Los sistemas expertos requieren reglas bien definidas, lo que los hace menos efectivos en situaciones ambiguas. Los modelos de aprendizaje automático pueden ser susceptibles a sesgos si los datos de entrenamiento no son representativos, y pueden producir falsos positivos o negativos. Además, la complejidad de los modelos de aprendizaje profundo puede dificultar su interpretación, lo cual es problemático en contextos de auditoría donde se requieren explicaciones.
La privacidad y seguridad de los datos también son preocupaciones, ya que los sistemas de IA a menudo requieren acceso a información financiera sensible. Los marcos regulatorios pueden no mantenerse al ritmo de los avances tecnológicos, creando incertidumbre para las organizaciones que adoptan estas herramientas. A principios de la década de 2020, muchas firmas aún están en las etapas iniciales de integrar la IA en sus procesos de auditoría, y el impacto completo en la detección de fraudes aún no se ha realizado.
Direcciones Futuras
El futuro de la inteligencia artificial en la detección de fraudes probablemente implicará una mayor integración de IA generativa y modelos basados en transformadores, que pueden generar datos sintéticos para entrenamiento y mejorar la detección de anomalías. Se espera que la colaboración entre empresas de tecnología y firmas de contabilidad crezca, con plataformas en la nube como Amazon Web Services, Azure y Google Cloud ofreciendo servicios de IA escalables. Instituciones de investigación como MIT CSAIL y Stanford AI Lab están explorando nuevos algoritmos para la detección de fraudes, mientras que líderes de la industria como OpenAI y Google DeepMind están avanzando las capacidades de los sistemas de IA.
A medida que la IA se vuelve más sofisticada, es probable que desempeñe un papel aún mayor en la detección y prevención de fraudes, ayudando a las empresas a protegerse en una economía cada vez más digital.