Los agentes de IA hacen mejores preguntas que los contadores de KPMG en una prueba de auditoría

Se informa que agentes de auditoría con IA hicieron preguntas más incisivas y completas que los contadores humanos de KPMG en pruebas internas, reavivando el debate sobre hasta qué punto los modelos de lenguaje grandes pueden superar a los profesionales en trabajos con muchas reglas y documentos. Los comentaristas señalan que gran parte de la auditoría moderna está limitada por incentivos desalineados, personal junior y procesos de “marcar casillas”, lo que la convierte en un blanco natural para la automatización; pero advierten que la exhaustividad, la opacidad y los riesgos de monocultura de la IA podrían crear nuevos modos de fallo y vías para el fraude. Muchos esperan flujos de trabajo híbridos en los que la IA se encargue de la mayor parte del análisis rutinario mientras los humanos aportan juicio, aprobación y responsabilidad, con implicaciones importantes para el empleo, la regulación y quién se beneficia al final de las ganancias de productividad.

Calidad percibida de las auditorías de KPMG y las Big Four

  • Muchos sostienen que el resultado deja peor parada a KPMG y a las grandes firmas de auditoría que a la IA.
  • Las auditorías de las Big Four se describen a menudo como ejercicios rutinarios de “marcar casillas” o de “blanqueo”, con incentivos para mantener contentos a los clientes en lugar de indagar a fondo.
  • Varios comentaristas señalan el fuerte uso de juniors sobrecargados y sin experiencia, supervisados por una capa delgada de seniors; la calidad para clientes pequeños o menos estratégicos se considera especialmente débil.
  • Las auditorías también se presentan como algo que las empresas compran por señalización y protección legal, no necesariamente para descubrir cada problema.

Dónde parece fuerte la IA en auditoría/contabilidad

  • Se considera que la IA encaja bien con tareas regidas por reglas, intensivas en documentos y con un espacio de búsqueda bien definido: exámenes fiscales, controles de cumplimiento, SOC2, FP&A y verificaciones cruzadas entre políticas y código.
  • Los usuarios informan que la IA es más exhaustiva y consistente que los analistas o auditores típicos, especialmente al recordar detalles, aplicar listas de verificación y detectar anomalías.
  • La IA no se cansa, puede paralelizar el trabajo entre agentes y, en principio, puede llevar las auditorías desde el muestreo hacia un análisis casi exhaustivo.

Limitaciones y riesgos de los agentes de IA

  • Los comentaristas destacan alucinaciones, mapeo incorrecto de regulaciones a documentos, “pereza entrenada” por los límites de tokens y una sobreconcentración en asuntos esotéricos mientras se pasan por alto los obvios.
  • Preocupa que la IA entierre a los humanos en salidas verbosas, llevando a una “rendición cognitiva” aunque siga cometiendo errores básicos.
  • Se considera que la IA es mala para juzgar la materialidad, los incentivos y qué “vale la pena investigar”, y que puede ser demasiado rígida o quisquillosa.
  • Riesgos de monocultura y explotabilidad: actores malintencionados podrían probar previamente esquemas de fraude contra la IA de auditoría; los exploits dirigidos se ven más preocupantes que los fallos universales.

Práctica de auditoría, incentivos y materialidad

  • Se dice que los auditores experimentados aprenden qué importa: cuestiones materiales frente a triviales, y cómo equilibrar exhaustividad, coste y relación con el cliente.
  • Gran parte del trabajo real de auditoría se describe como negociación, evaluación de riesgos específica del contexto y comprensión de la realidad del negocio, no solo listas de verificación.
  • La responsabilidad legal sigue recayendo en humanos (por ejemplo, los CEO que firman los informes), lo que plantea dudas sobre confiar en auditorías solo con IA.

Trabajo, economía e impacto en la industria

  • Muchos esperan que la IA desplace grandes partes del trabajo administrativo/junior de cuello blanco (contabilidad, consultoría, programación), con humanos moviéndose hacia la supervisión, la formación y los casos límite.
  • Debate sobre quién captura las ganancias de productividad: socios/accionistas frente a proveedores de IA frente a clientes.
  • Algunos ven paralelos con Excel y las calculadoras como herramientas; otros subrayan que, a diferencia de estas, la IA puede ejecutar flujos de trabajo complejos de forma autónoma.

Escepticismo sobre la prueba y la cobertura

  • La prueba es autoinformada por KPMG; los detalles son vagos (“varios casos”), sin una comparación cuantitativa de fallos frente a aciertos, lo que hace que el titular parezca exagerado.
  • Algunos sospechan de marketing y de señalización regulatoria más que de una superioridad clara y rigurosamente demostrada.