Checklist para detectar transacciones anómalas antes de auditorías con

21/09/2026

El mito de los datos limpios frente a la realidad de la implementación

Muchos líderes financieros creen que comprar software detectará automáticamente cada caso de incumplimiento del cumplimiento fiscal. Asumen que los datos fluyen desde el ERP, los algoritmos los procesan y su única tarea es revisar los informes. La realidad de la implementación demuestra que esto es completamente incorrecto. Los datos financieros en empresas vietnamitas, así como en mercados vecinos como Tailandia y Filipinas, suelen ser muy "sucios". Los códigos de factura son inconsistentes, los nombres de los socios usan abreviaturas variables y los formatos de fecha (día-mes-año) están mezclados. Si no limpian los datos primero, el sistema detectará un desorden en lugar de hallazgos de transacciones anómalas con valor legal. Una vez implementamos un proyecto para un gran grupo de distribución donde el 20% de los datos de entrada tenía errores de formato. El resultado fueron alarmas falsas continuas, lo que hizo que el departamento de auditoría perdiera la confianza en el sistema durante la primera semana. La lección es: no comiencen con los algoritmos; comiencen con los procesos de limpieza de datos. Esta es la base de cualquier sistema de auditoría con IA efectivo.

Decisiones técnicas clave que deben tomar desde el inicio

Al construir el sistema, no son solo usuarios, sino tomadores de decisiones técnicas. A continuación se presentan las encrucijadas críticas que deben elegir, cada una acompañada de un intercambio claro.

• ¿Umbrales de alerta estáticos o dinámicos? Los umbrales estáticos (por ejemplo, alertar sobre todas las transacciones superiores a 100 millones) son fáciles de configurar, pero se ignoran fácilmente debido a las alertas repetitivas. Los umbrales dinámicos se basan en el comportamiento histórico de socios específicos. Este método es más preciso, detecta clusters de transacciones pequeñas, pero requiere al menos seis meses de datos históricos para que el modelo aprenda lo que es "normal". Si su empresa ha experimentado recientemente una transformación digital, acepten umbrales estáticos durante los primeros tres meses y luego cambien a dinámicos.
• ¿Cómo manejar los datos faltantes? En las cadenas de suministro multinacionales, los datos de fábricas en México o almacenes en Indonesia a menudo carecen de campos de dirección o código fiscal. Pueden eliminar estas filas, pero perderán aproximadamente un tercio de sus datos. Alternativamente, pueden imputar basándose en datos relacionados. La imputación es más riesgosa, ya que puede crear patrones falsos, pero ayuda a mantener la visión general. Para fines de auditoría legal, a menudo recomendamos el método de eliminación con una nota sobre la razón, para garantizar la transparencia ante las autoridades fiscales.
• Frecuencia de ejecución del sistema: ¿tiempo real o por lotes? La ejecución en tiempo real ayuda a bloquear transacciones de inmediato, pero requiere infraestructura en la nube robusta y costos elevados. La ejecución por lotes nocturna es más económica y suficiente para la mayoría de los casos de auditoría posterior al evento. Para grandes empresas manufactureras en industrias como la cerveza o los fideos instantáneos que AIVISION ha respaldado, la ejecución por lotes nocturna es suficiente para detectar tendencias anómalas antes del informe de fin de mes.
• ¿Quién maneja las alertas? Esta es la decisión organizacional más importante. Si las alertas se asignan a contadores, se verán abrumados por el volumen. Si se asignan a la auditoría interna, la velocidad de respuesta será lenta. El enfoque más efectivo es crear un equipo dedicado pequeño, compuesto por un especialista en TI y un especialista financiero, utilizando un tablero centralizado. No necesitan procesar cada alerta, sino enfocarse solo en casos de alto riesgo. Esto reduce la presión y aumenta la precisión de la respuesta.

Preguntas comunes de los clientes

Durante la consultoría, a menudo recibimos estas tres preguntas de los directores financieros y directores de finanzas. Aquí están las respuestas directas, sin rodeos.

¿Puede el sistema reemplazar a los auditores humanos?

No. El sistema solo realiza tareas repetitivas: comparación, conciliación y búsqueda de patrones. Los auditores humanos son quienes toman la decisión final, evalúan el contexto empresarial y deciden si ha ocurrido una violación. La IA es una herramienta de apoyo, no un juez. Esperen que les ahorre tiempo en la recuperación de datos, no que reemplace la experiencia profesional.

¿Cuánto tiempo toma ver resultados prácticos?

El tiempo promedio desde el inicio de la implementación hasta tener el primer informe confiable es de 3 a 4 meses. Un mes para la limpieza de datos, un mes para el entrenamiento del modelo y dos meses para pruebas paralelas con el proceso antiguo para calibración. Si alguien les promete resultados en dos semanas, tengan cuidado. Es posible que estén utilizando una herramienta simple que no es lo suficientemente profunda para el trabajo complejo de auditoría con IA.

¿Son altos los costos de mantenimiento anual?

Los costos iniciales están en la integración de datos y la personalización del modelo. Los costos de mantenimiento anual son principalmente costos de la nube y actualizaciones del modelo cuando cambian las regulaciones fiscales. En comparación con el costo de contratar personal adicional de auditoría manual, el sistema suele ser aproximadamente la mitad del precio después del primer año. Sin embargo, esta cifra depende en gran medida de su volumen de transacciones. Las empresas con millones de transacciones al mes verán beneficios económicos significativamente más claros en comparación con las empresas con solo unas pocas miles de transacciones.

Cómo usar esta lista de verificación en reuniones y sus limitaciones

No dejen que esta lista de verificación quede en un archivo PDF. Impriman o proyéctenla en la pantalla durante su próxima reunión con los departamentos de TI y Finanzas. Comiencen preguntando: "¿En cuál de las cuatro decisiones anteriores estamos?" Si aún no se ha elegido, dediquen los primeros 15 minutos a finalizarla. Esto ayuda a que todos alineen expectativas desde el inicio, evitando una situación donde cada lado entiende las cosas de manera diferente. Después de finalizar, asignen claramente una persona responsable por cada elemento. Por ejemplo, TI es responsable de la limpieza de datos y Finanzas es responsable de definir los umbrales de alerta iniciales.

Sin embargo, necesito ser directo sobre lo que el sistema aún no ha resuelto. La IA es buena para detectar patrones repetitivos, pero es débil en la comprensión de contextos anómalos únicos. Por ejemplo, una transacción grande y repentina debido a un contrato especial puede marcarse como de alto riesgo, incluso si es completamente legítima. El sistema no sabe que es un acuerdo estratégico. Por lo tanto, necesitan agregar un paso manual de "confirmación de excepción" al proceso, donde el líder financiero puede marcar transacciones especiales para que el sistema aprenda y no alerte la próxima vez. Además, este sistema solo funciona bien cuando los datos de entrada tienen calidad mínima. Si la empresa aún está utilizando archivos de Excel dispersos y no tiene un ERP central, la implementación enfrentará dificultades significativas. Necesitan agregar primero un paso básico de estandarización de datos, o aceptar una versión más simple, enfocándose solo en algunos tipos principales de transacciones. No hay una solución perfecta, pero hay un enfoque pragmático. Comiencen pequeño, midan los resultados y expandan gradualmente. Así es como las empresas exitosas en este campo lo han hecho, desde grandes corporaciones hasta empresas de distribución regionales.

Si están evaluando un proyecto similar, nuestro equipo puede ayudarles a definir su alcance antes de gastar algo. Vean lo que construimos o reserven una conversación.