3 MIN LECTURA
Una herramienta puede analizar perfectamente el archivo equivocado. Antes de interpretar sus gráficos, alertas o respuestas, el auditor necesita comprender qué información ha recibido y qué relación guarda con el objetivo de su trabajo.
El riesgo de una exportación incompleta
Imaginemos un ejemplo ficticio: una empresa entrega una hoja con ventas del ejercicio. El equipo busca operaciones inusuales y obtiene resultados aparentemente normales. Después descubre que la exportación solo incluía facturas contabilizadas desde una aplicación, mientras que los ajustes manuales se registraban en otra. El problema estaba antes del análisis: una parte de la información no había llegado a la herramienta.
Analizar todas las filas disponibles no significa analizar toda la población relevante. Esa diferencia importa tanto si utilizamos IA como si trabajamos con una hoja de cálculo o una consulta de datos.
Relacionar el archivo con una fuente conocida
Como propuesta práctica, conviene identificar quién preparó la extracción, de qué sistema procede, qué filtros se aplicaron y qué período cubre. Comparar totales con registros conocidos puede ayudar a detectar diferencias, aunque una coincidencia de importes no demuestra por sí sola que cada registro sea correcto.
También merece atención la estructura. Una fecha interpretada con otro formato puede cambiar el mes; un identificador convertido en número puede perder ceros iniciales; una divisa omitida puede mezclar importes que no son comparables. Antes de buscar patrones, hay que comprender el significado de los campos.
Limpiar sin borrar la explicación
Un duplicado aparente no siempre es un error. Dos líneas pueden representar partidas diferentes de la misma factura. Si el equipo elimina registros solo porque comparten número y fecha, puede alterar la población. Por eso interesa conservar la extracción original y dejar rastro de las transformaciones realizadas.
En nuestro ejemplo de ventas, una revisión ordenada separaría las incidencias de formato de los ajustes que cambian el contenido. Para cada transformación relevante, el equipo debería poder explicar qué hizo, por qué y cómo comprobó el efecto. La rapidez de una herramienta no justifica perder esa trazabilidad.
Una base para decidir qué hacer después
El IAASB reúne materiales sobre herramientas automatizadas y riesgos de dependencia tecnológica. Esta propuesta práctica no sustituye la metodología ni las normas del encargo: ayuda a plantear preguntas antes de ejecutar un análisis.
La calidad del dato es una condición para interpretar el resultado, no un trámite previo que pueda darse por supuesto. Para situar este riesgo dentro del cambio tecnológico de la profesión, consulta nuestra guía sobre inteligencia artificial en auditoría. Puedes continuar con IA y detección de anomalías y la revisión de asientos manuales.
