1. Introducción

La inteligencia artificial (IA) ha comenzado a ocupar un lugar central en la transformación de la práctica contable, modificando no solo los procesos técnicos, sino también las percepciones, actitudes y competencias de los profesionales que la ejercen. En este contexto, el presente trabajo parte de la hipótesis de que existen distintos perfiles de profesionales contables según el grado y tipo de uso de herramientas de IA, lo cual incide en la elección de tecnologías y en las tareas que se delegan a estas. Esta hipótesis se aborda a través de un enfoque cualitativo que busca comprender cómo los contadores interpretan, adoptan y resignifican el uso de IA en su labor cotidiana.

El objetivo general de esta investigación es explorar el uso de la IA por parte de profesionales contables de la Delegación General Pueyrredón, indagando sobre el grado de adopción en los estudios, las tareas en las que se aplica y las percepciones que emergen en torno a su incorporación. Para ello, se indaga cómo estos profesionales —de distintas edades, tamaños de estudio, especializaciones y trayectorias— han incorporado herramientas de IA, qué tipo de herramientas utilizan, con qué finalidad y qué desafíos y oportunidades atribuyen a su uso.

La relevancia del estudio radica en que, si bien la literatura especializada ha documentado ampliamente las ventajas técnicas de la IA en contabilidad —como la automatización de tareas, la mejora en la eficiencia y la reducción de errores—, aún persiste una brecha en la comprensión de cómo estas tecnologías son vividas y valoradas por los profesionales en contextos reales y diversos. Es esperable que la adopción de IA no sea homogénea, sino que está mediada por factores como la edad, la formación técnica, el rol dentro del estudio y la actitud frente al cambio tecnológico.

La metodología empleada se basa en entrevistas en profundidad a profesionales contables seleccionados por su experiencia y diversidad de perfiles. Este enfoque permite captar no solo el uso concreto de herramientas de IA, sino también las percepciones, resistencias, expectativas y reflexiones que acompañan su incorporación. A través del análisis temático de los testimonios, se busca comenzar a comprender cómo se reconfigura el rol del contador en este nuevo escenario.

Se espera que los resultados contribuyan a una caracterización más completa y situada del uso de IA en la profesión contable, ofreciendo un input para el diseño de estrategias formativas, políticas institucionales y marcos éticos que acompañen la transformación digital del sector. En definitiva, este trabajo propone una mirada crítica sobre la integración de la IA en la contabilidad, entendida como innovación tecnológica pero también como un fenómeno cultural y profesional en evolución.

2. Marco Teórico

2.1. Definiciones de la IA y su ecosistema

La IA ha sido objeto de múltiples definiciones a lo largo de la historia, reflejando su carácter interdisciplinario y su evolución constante. En términos generales, la IA se define como la rama de las ciencias computacionales que se ocupa de la automatización de la conducta inteligente, entendida como el estudio de sistemas capaces de percibir, razonar y actuar imitando o superando las capacidades humanas, como el aprendizaje, la resolución de problemas y la toma de decisiones (de la Cruz et al., 2006). Estos autores también sostienen que una máquina inteligente es aquella que transforma datos en conocimiento estructurado, reduciendo la incertidumbre en tareas específicas (de la Cruz et al., 2006).

De manera complementaria, un agente inteligente es una entidad —física o virtual— que percibe su entorno mediante sensores, procesa la información y actúa para alcanzar metas determinadas (Russell y Norvig, 2004). Su autonomía, reactividad, proactividad y sociabilidad lo diferencian de un programa tradicional (de la Cruz et al., 2006). Desde una visión más reciente, la IA se describe como una combinación de software y hardware que simula la inteligencia humana para resolver problemas complejos mediante el razonamiento, el aprendizaje y el reconocimiento de patrones (Askary et al., 2018). Hasan (2022) agrega que la IA es una tecnología en constante evolución, entendida como la capacidad de un sistema para comprender datos externos, aprender de ellos y aplicarlos a objetivos específicos mediante una adaptación flexible.

En el ámbito empresarial, Holmes y Douglass (2022) la definen como la tecnología que permite a las computadoras realizar tareas basadas en decisiones que antes requerían intervención humana. Este enfoque se vincula con la idea de la automatización del juicio experto.

La Automatización Robótica de Procesos (RPA) implica el uso de robots que realizan tareas repetitivas o programadas (Casali, 2023). En esta línea, Casali (2023) sostiene que la IA consiste en la simulación de procesos propios de la inteligencia humana mediante sistemas informáticos, con el objetivo de mejorar procesos, reducir costos y aumentar la eficiencia. La Real Academia Española, por su parte, la define como la “disciplina científica que se ocupa de crear programas informáticos que ejecutan operaciones comparables a las que realiza la mente humana, como el aprendizaje o el razonamiento lógico” (Giménez, 2019, p.795).

Históricamente, John McCarthy —cofundador del MIT AI Lab— la conceptualizó como “la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes”, mientras que Marvin Minsky la describió como “la ciencia de hacer que las máquinas hagan cosas que requerirían inteligencia si las hicieran las personas” (Giménez, 2019, p.795).

En el ámbito jurídico, la consultora Gartner define la IA legal como el conjunto de sistemas expertos aplicados a tareas legales (procesamiento de lenguaje natural, redes neuronales profundas, aprendizaje automático) con el fin de automatizar análisis y mejorar decisiones (Giménez, 2019). El estudio formal de la IA comenzó en la década de 1950, cuando Alan Turing propuso que, si un programa lograba mantener un diálogo indistinguible de una persona, podía considerarse inteligente (Vega et al., 2020).

Existen definiciones más recientes que integran distintos enfoques: Farid Fleifel Tapia la entiende como “la rama de la informática que estudia cómo resolver problemas no algorítmicos utilizando cualquier técnica computacional disponible” (Villamizar y Donoso, 2013), mientras que Luger y Stubblefield (1993) la definen como “la rama de las ciencias de la computación que se ocupa de la automatización de comportamientos inteligentes” (como se citó en Toloza Chávez y López Amaris, 2023, p.11).

Entre sus campos derivados, destaca el Machine Learning, entendido como la capacidad de las máquinas para aprender de su entorno e identificar patrones complejos en grandes volúmenes de datos, prediciendo comportamientos futuros y mejorando sin intervención humana (Sesé, 2020). Rouhiainen (2018) complementa que la IA es la capacidad de las máquinas para usar algoritmos, aprender de los datos y tomar decisiones como un ser humano, y distingue entre aprendizaje automático —donde las máquinas aprenden sin estar programadas— y aprendizaje profundo (Deep Learning), que utiliza redes neuronales para procesar grandes cantidades de información y reconocer patrones complejos.

Según Rodríguez Llorente (2023), la IA busca crear máquinas que imiten la inteligencia humana para realizar tareas y mejorar continuamente mediante el aprendizaje, retomando la definición de McCarthy (1956) y la de Kaplan y Haenlein, quienes la describen como “la capacidad de un sistema para interpretar con precisión datos externos, aprender de ellos y adaptarse de manera flexible para cumplir objetivos específicos”(p.6). Asimismo, Manzano (2022) sostiene que la IA es una disciplina orientada al diseño y puesta en marcha de sistemas inteligentes capaces de ejecutar tareas específicas de forma autónoma. El Parlamento Europeo (2021) la concibe como la capacidad de las máquinas para razonar, aprender, crear y planificar (Marchesano et al., 2023), mientras que Ganascia (2018) enfatiza su objetivo de imitar funciones cognitivas humanas (como se citó en Marchesano et al., 2023).

En palabras deGuzmán Ortiz (2025), “la inteligencia artificial (IA) representa una línea de desarrollo crucial en la investigación contable, al permitir nuevas formas de análisis, automatización y toma de decisiones estratégicas” (p. 4).

2.2. Clasificaciones de la IA

La clasificación de la IA depende de los criterios funcionales, cognitivos o tecnológicos aplicados. Según Ponce Gallegos y Torres Soto (2014), puede dividirse en enfoques simbólicos, que emplean representaciones lógicas y reglas explícitas, y subsimbólicos, basados en estructuras numéricas y aprendizaje adaptativo. Los sistemas híbridos combinan ambas estrategias para aprovechar sus ventajas.

Estos enfoques permiten distinguir entre sistemas que piensan o actúan como humanos y los que piensan o actúan racionalmente, dando origen a cuatro grandes líneas: pensar como humanos, actuar como humanos, pensar racionalmente y actuar racionalmente (Ponce Gallegos y Torres Soto, 2014). Desde un punto de vista práctico, Askary et al. (2018) proponen cuatro modelos de uso: eficiencia, donde la IA automatiza tareas rutinarias; experto, que emula el juicio humano; efectividad, que mejora la calidad de la información; e innovación, que introduce nuevos métodos de control.

Según Ruiz Olivera (2022), la IA se aplica en cuatro campos: inteligencia automatizada, que ejecuta tareas rutinarias; inteligencia asistida, que apoya la toma de decisiones humanas; inteligencia aumentada, que aprende de la interacción y mejora continuamente; e inteligencia autónoma, capaz de adaptarse y operar sin intervención humana.

Por su parte, Silvia Barona, siguiendo a Russell y Norvig, distingue sistemas que imitan cómo piensan los humanos, con capacidad de aprendizaje y resolución autónoma; sistemas que actúan como humanos, replicando su comportamiento; sistemas que utilizan pensamiento lógico racional, capaces de inferir soluciones; y sistemas que emulan el comportamiento racional humano, como los sistemas expertos (como se citó en Giménez, 2019).

Asimismo, Arend Hintze (cit. en Giménez, 2019) propone una clasificación evolutiva: máquinas reactivas, sin memoria ni aprendizaje, como Deep Blue; máquinas con memoria limitada, que aprenden de datos pasados, como los autos autónomos; máquinas con teoría de la mente, que comprenden emociones e interacciones sociales; y máquinas con conciencia propia, capaces de autorrepresentación, aún inexistentes.

Rodríguez Llorente (2023) retoma esta clasificación funcional, señalando que los sistemas actuales se ubican entre la memoria limitada y la teoría de la mente. Por otra parte, Manzano (2022) plantea que la IA abarca tres grandes áreas: software (inteligencia computacional), hardware (robótica) y ciencias cognitivas. Según Moreno y Balcázar (2023, como se citó en Marchesano et al., 2023), incluye enfoques como aprendizaje automático, procesamiento de lenguaje natural, visión por computadora y sistemas expertos.

Finalmente, Mojica (2023) resume las principales técnicas de IA en el aprendizaje supervisado, no supervisado, semisupervisado, por refuerzo, aprendizaje profundo y procesamiento del lenguaje natural, consolidando así un campo diverso y en permanente evolución.

2.3. Ventajas del uso de la IA en los estudios contables

La IA se considera fundamental para el futuro de la contabilidad, en particular para áreas como la auditoría y el aseguramiento (Baldwin et al., 2006). Ya en estudios tempranos se preveía que la complejidad e incertidumbre de las tareas contables demandaban herramientas avanzadas para respaldar la toma de decisiones (Baldwin et al., 2006). La IA mejora la precisión de los procesos contables y de auditoría y optimiza el uso de recursos organizativos (Datsenko et al., 2024).

Mejora de eficiencia

Como principal ventaja y coincidiendo en esto muchos autores consultados, se reconoce que la IA mejora significativamente la eficiencia operativa y la productividad a través de la automatización (Casali, 2023; Espitia Melo, 2022; Guerrero et al., 2024). Herramientas avanzadas automatizan muchos procesos contables y de auditoría que requieren de gran intensidad de mano de obra (Han et al., 2023, p. 11). La contabilidad tradicional, caracterizada por tareas repetitivas y de bajo valor agregado, se beneficia enormemente de esta automatización (Luo et al., 2018).

En ese sentido, la Automatización Robótica de Procesos (RPA) puede completar tareas repetitivas en los procesos comerciales con una eficiencia asombrosa, incluyendo el análisis de documentos o datos (Ruiz Olivera, 2022). Esta automatización puede lograr una reducción de tiempo del 80 al 90 % en tareas dispares y repetitivas que antes realizaba la fuerza laboral manualmente (Ruiz Olivera, 2022).

La implementación de IA mejora la calidad y la eficiencia de los procesos (Casali, 2023), y aumenta la productividad y la calidad de la producción, lo que resulta en una mayor transparencia y auditabilidad (Ruiz Olivera, 2022; Guerrero et al., 2024). La IA ha demostrado resolver problemas concretos con mayor eficacia que las personas (Manzano, 2022).

2.3.1. Reducción de Errores

Es concordante señalar que la IA tiene un impacto significativo en la eliminación de todo tipo de errores contables (Al Najjar et al., 2024). Esto incluye errores relacionados con tasas impositivas, periodos de corte, principios contables, transacciones ocultas, algunos errores matemáticos y manipulaciones de registros (Al Najjar et al., 2024; Guerrero et al., 2024).

Al reducir la intervención humana (Al Najjar et al., 2024), la IA minimiza los errores humanos (Datsenko et al., 2024), pues la proporción de errores es notablemente menor en las máquinas que en sus contrapartes humanas (Rouhiainen, 2018). Además, disminuye la probabilidad de fraudes financieros (Moreno-Hernandez, 2023; Guerrero et al., 2024).

2.3.2. Soporte Estratégico

La IA es esencial para el análisis de datos (Hasan, 2022). Procesa grandes volúmenes de información de manera más eficiente que los humanos (Rouhiainen, 2018, Romero et al., 2007) y logra identificar patrones y tendencias útiles para la toma de decisiones empresariales (Rodríguez Llorente 2023). De este modo, el análisis avanzado con IA apoya diversas funciones estratégicas, permitiendo la mejora en la toma de decisiones y una mayor competitividad empresarial (Toloza Chávez y López Amaris, 2023), ya que permite prever posibles amenazas en las organizaciones, mejorando las decisiones estratégicas (Erazo-Castillo y De la A-Muñoz, 2023).

La IA ayuda en los pronósticos de estados financieros, donde el aprendizaje automático (ML) permite predecir tendencias futuras basándose en datos o registros históricos (Ruiz Olivera, 2022), y posibilita pronosticar flujos de efectivo y anticiparse a problemas de liquidez (Guerrero et al., 2024).

Además, facilita la información en tiempo real al procesar documentos usando el procesamiento del lenguaje natural y la visión por computadoras para generar informes inmediatos (Ruiz Olivera, 2022); el acceso a datos actualizados facilita la toma de decisiones basada en ellos (Espitia Melo, 2022), garantizando que la empresa sea proactiva y pueda cambiar de rumbo, visibilizando riesgos o problemas rápidamente (Ruiz Olivera, 2022).

Finalmente, es importante destacar que la IA no solo se limita a minimizar costos, sino que también permite descubrir nuevas situaciones o experiencias en los negocios (Toloza Chávez y López Amaris, 2023). A su vez, los sistemas expertos y los métodos de razonamiento basados en el conocimiento brindan un soporte valioso a los profesionales (Toloza Chávez y López Amaris, 2023). Los sistemas expertos pueden proporcionar recomendaciones basadas en análisis complejos (Molina Flores y Fernández López, 2018), y los sistemas inteligentes ofrecen análisis detallados para apoyar decisiones estratégicas (Romero et al., 2007). Algunos autores consideran indispensable el uso de IA para alcanzar los objetivos de desarrollo sustentable (Peng et al., 2023).

2.3.3. Redefinición del Rol del Profesional Contable

También es importante enfatizar que la IA está transformando radicalmente la contabilidad al desplazar las tareas rutinarias (Hasan, 2022; Luo, Meng y Cai, 2018). La automatización de tareas libera a los profesionales (Rodríguez Llorente 2023), permitiéndoles enfocarse en tareas más creativas y estratégicas, aumentando así su valor dentro de las organizaciones (Luo, Meng y Cai, 2018; Hasan, 2022; Peng et al., 2023). El equipo de finanzas puede liberarse de tareas que no tienen valor agregado (Ruiz Olivera, 2022) para centrarse en trabajos de análisis de nivel más elevado y en roles de liderazgo y gerenciales (Casali, 2023).

El uso de estas tecnologías complementa las habilidades y conocimientos que ya poseen los contadores (Gavilán, 2022; Casali, 2023). Esta integración contribuye a una cultura organizacional de mejora continua y desarrollo de habilidades (Anica-Popa et al., 2024).

2.4. Desventajas en el Uso de la IA en Estudios Contables

La adopción de la IA en la contabilidad introduce retos significativos que van desde la fiabilidad de los resultados algorítmicos hasta barreras económicas, infraestructurales y de formación profesional (Yi et al., 2023). Estos desafíos requieren una consideración rigurosa para garantizar una integración efectiva y ética de la tecnología.

2.4.1. Barreras de Infraestructura y restricciones Económicas

La implementación de soluciones de IA exige una inversión considerable, lo que constituye un obstáculo financiero significativo, ya que esta tecnología de punta requiere un presupuesto elevado (Ruiz Olivera, 2022; Molina Flores y Fernández López, 2018; Romero et al., 2007). Junto al costo de la ejecución tecnológica, se añaden los gastos derivados de la capacitación del personal (Guerrero et al., 2024; Ruiz Olivera, 2022). Dado que no todas las entidades cuentan con la capacidad financiera para adquirir estas tecnologías emergentes, el factor costo limita su adopción (Ruiz Olivera, 2022).

Además del factor económico, existen impedimentos técnicos. Las empresas enfrentan dificultades para incorporar sistemas de IA en entornos ya consolidados, lo que resalta la incompatibilidad con la infraestructura tecnológica existente (Andhika y Supriyono, 2025; Espitia Melo, 2022).

2.4.2. Fiabilidad de los resultados

A pesar de su capacidad para ofrecer soluciones más objetivas, la IA plantea serias preocupaciones respecto a la exactitud y transparencia de sus procesos. Existe un riesgo inherente de errores algorítmicos (Hasan, 2022; Guerrero et al., 2024; Gilabert et al., 2025) y la posibilidad de que los sistemas generen respuestas inexactas o incorrectas (Rodríguez Llorente, 2023). La precisión de la IA está directamente limitada por la calidad de los datos y los algoritmos utilizados para su entrenamiento (Rodríguez Llorente, 2023; Yi et al., 2023; Guerrero et al., 2024).

En la práctica contable, la eficacia de la IA es percibida de manera desigual. Desde la perspectiva de los usuarios (contadores), la eficacia de la IA no es percibida de manera uniforme. Aunque se reconoce su utilidad para reducir errores relacionados con tasas impositivas, periodos de corte, transacciones ocultas y manipulaciones, no se considera eficaz para eliminar errores de principio ni errores matemáticos. Esta diferencia sugiere una brecha entre las expectativas de los desarrolladores y la experiencia práctica de los usuarios. Una posible explicación es que los contadores aún no utilizan IA en sus prácticas diarias, aunque la mayoría manifestó estar dispuesta a adoptarla en el futuro. Esta falta de experiencia práctica puede generar escepticismo sobre su utilidad real. Estas barreras hacen que los contadores duden de la capacidad de la IA para abordar errores complejos, como los de principios contables aplicados, que requieren juicio profesional, o los errores matemáticos, que pueden depender de la calidad de los datos de entrada (Al Najjar et al., 2024; Korol y Romashko, 2024).

De ahí que la falta de transparencia es una desventaja crítica. El comportamiento resultante del autoaprendizaje (machine learning o deep learning) no es completamente cognoscible por el ser humano ni por el programador (Nocera, 2024). El operador puede confiar en la certeza del resultado, pero no puede identificar el cómo del proceso (Nocera, 2024). Además, la IA puede incorporar sesgos en los datos y generar una falsa impresión de objetividad -el fenómeno denominado mathwashing- (Parlamento Europeo, 2022, citado en Marchesano et al., 2023). Asimismo, la utilidad de la información puede verse limitada por la fecha de actualización de los modelos de IA (Mojica, 2023).

2.4.3. Impacto en el rol profesional y la dependencia humana

La implementación de la IA ha revelado una brecha entre las expectativas iniciales y el desempeño real; se requiere juicio profesional y supervisión humana para interpretar resultados y tomar decisiones informadas, ya que la IA no automatiza completamente las decisiones contables (Zhang et al., 2023; Guerrero et al., 2024).

De allí que la dependencia excesiva de sistemas automatizados es un riesgo fundamental (Hasan, 2022; Espitia Melo, 2022). Esta dependencia puede inhibir el juicio profesional (Hasan, 2022) y reducir la intervención humana crítica (Contreras Zartha y Arango Terán, 2010), lo que lleva a la reducción del rol tradicional del contador y su participación en ciertas prácticas (Espitia Melo, 2022).

A pesar de los desafíos como costos y capacitación, los beneficios de la IA- reducción de errores, detección de fraudes y análisis predictivo - superan ampliamente las barreras de implementación (Lino Gamiño, 2025).

2.5. Dilemas éticos

La implementación de la IA en contabilidad y auditoría plantea múltiples dilemas éticos que deben ser abordados para garantizar su uso responsable.

Uno de los principales desafíos es la falta de transparencia en los sistemas de IA, debido a su naturaleza de “caja negra”, lo que genera desconfianza en los usuarios y cuestionamientos sobre la validez de los resultados (Zhang et al., 2023; Andhika y Supriyono, 2025). Esta opacidad se agrava en contextos empresariales complejos, donde la explicabilidad de los modelos es esencial para la toma de decisiones (Kokina et al., 2025). La seguridad es una preocupación primordial, ya que el uso de bases de datos y sistemas en línea implica el riesgo de que los datos del usuario se vean comprometidos o se viole la privacidad (Rodríguez Llorente, 2023; Guerrero et al., 2024). La integración de datos internos y externos, necesaria para el funcionamiento eficaz de la IA, puede exponer información sensible a filtraciones o usos no autorizados (Zhang et al., 2023; Contreras Zartha y Arango Terán, 2010; Molina Flores y Fernández López, 2018). Por ello, se subraya la necesidad de inversión en ciberseguridad (Rodríguez Llorente, 2023). En este contexto, se destaca la necesidad de proteger el habeas data de los consumidores, considerando que los datos personales son “el nuevo petróleo de la internet” (Benavides Galviz, 2023; Remolina Angarita, citado en Benavides Galviz, 2023).

Además, se identifican riesgos como el sesgo algorítmico, la pérdida de habilidades profesionales (deskilling), la generación de contenido no ético y los problemas de seguridad de la información, lo que exige una formación adecuada y una conciencia crítica por parte de los usuarios (Anica-Popa et al., 2024). La IA puede replicar y amplificar sesgos derivados del conocimiento limitado o percepciones subjetivas de los expertos que diseñan los modelos, afectando la equidad y objetividad en la toma de decisiones (Zhang et al., 2023; Parlamento Europeo, 2022, citado en Marchesano et al., 2023).

La responsabilidad en caso de errores cometidos por sistemas automatizados es otro dilema relevante. Aunque la IA es vista como una herramienta, la mayoría de los profesionales considera que el usuario debe asumir la responsabilidad por los fallos (Holmes y Douglass, 2022; Espitia Melo, 2022; Erazo-Castillo y De la A-Muñoz, 2023; Romero et al., 2007). Esta cuestión se vuelve especialmente compleja en ámbitos como el asegurador, donde el uso de IA en la contratación o evaluación de siniestros exige que los jueces analicen la buena fe exenta de culpa de las aseguradoras (Benavides Galviz, 2023).

A nivel laboral, existe una preocupación justificada por el desplazamiento de puestos de trabajo, especialmente en tareas rutinarias y menos complejas (Rodríguez Llorente, 2023; Marchesano et al., 2023). Adicionalmente, la dependencia tecnológica puede contribuir a la deshumanización del trabajo (Rodríguez Llorente, 2023). La IA también podría utilizarse para aumentar la supervisión y el control sobre los trabajadores, creando un ambiente laboral potencialmente opresivo y disminuyendo la privacidad y la autonomía del personal (Rodríguez Llorente, 2023). El aislamiento social de los empleados, derivado de la reducción de interacciones cara a cara por el uso de IA, también representa un riesgo ético, ya que puede dificultar la evaluación de la responsabilidad y la calidad del trabajo (Zhang et al., 2023). Frente a estos desafíos, se propone una serie de principios éticos como la justicia, la responsabilidad compartida, la autonomía del usuario y la protección de la privacidad, basados en directrices europeas y chinas (Zhang et al., 2023).

En cuanto a normativa de referencia para el uso ético de IA, el Reglamento Europeo sobre IA, aprobado en 2023, busca establecer normas armonizadas que garanticen la seguridad, transparencia y respeto por los derechos fundamentales. Este reglamento exige la intervención humana en decisiones algorítmicas, documentación adecuada de los sistemas y protección de la privacidad (Nocera, 2024). Sin embargo, se critica su enfoque horizontal, que podría no ser adecuado para regular aplicaciones específicas, y se propone un sistema regulatorio más dinámico (Nocera, 2024). La rápida evolución tecnológica puede superar los marcos éticos existentes, generando vacíos normativos y desactualización ética (Erazo-Castillo y De la A-Muñoz, 2023; Nájera Núñez et al., 2025). Además, la automatización plantea desafíos en la identificación y manejo de conflictos éticos (Contreras Zartha y Arango Terán, 2010). Concretamente, un desafío legal importante reside en la responsabilidad por las acciones dañinas llevadas a cabo por los dispositivos de IA. Dada la capacidad de autoaprendizaje y la autonomía de la IA, existe la dificultad de determinar si la responsabilidad recae directamente sobre el dispositivo o indirectamente en los programadores y usuarios (Nocera, 2024).

Finalmente, se destaca la necesidad de un nuevo humanismo tecnológico, donde la tecnología sea gobernada por el ser humano y orientada al desarrollo individual y al bienestar social. La protección de la libertad de autodeterminación en el ecosistema tecnológico debe ser la brújula que guíe el desarrollo ético de la IA (Nocera, 2024; Rodríguez Llorente, 2023). Para entender y abordar el uso inadecuado de la tecnología, se requiere ir más allá de su naturaleza técnica. Esto implica una reevaluación multidisciplinaria del fenómeno, poniendo el foco en cómo la cultura influye en su uso (González Arencibia y Martínez Cardero, 2020).

2.6. Requisitos para usar IA

La adopción efectiva de la IA en el ámbito contable requiere una combinación de competencias técnicas y sociales. La falta de formación adecuada constituye una barrera significativa para la adopción efectiva (Andhika y Supriyono, 2025). Muchos contadores carecen de la formación técnica necesaria para utilizar los sistemas de IA de manera eficaz, lo que puede resultar en errores o dependencia excesiva (Zhang et al., 2023). Entre las habilidades técnicas se incluyen el análisis de datos, la ingeniería de prompts, la comprensión de modelos de lenguaje de gran escala (LLM), programación en lenguajes como Python y Java, manejo de hojas de cálculo y conocimientos en áreas como big data, IoT y robótica (Anica-Popa et al., 2024; Rodríguez Llorente, 2023).

Las competencias sociales necesarias, por su parte, abarcan el pensamiento crítico, la comunicación efectiva, la gestión del cambio, la colaboración interdisciplinaria, el liderazgo y la creatividad (Rodríguez Llorente, 2023; Molina Flores y Fernández López, 2018). Estas habilidades permiten interpretar los resultados generados por GenAI y tomar decisiones informadas, evitando una dependencia excesiva de los sistemas automatizados (Anica-Popa et al., 2024).

De este modo, la alfabetización tecnológica es una habilidad esperada en los nuevos contadores, quienes deben comprometerse con la tecnología, trabajar conjuntamente con tecnólogos y desarrollar habilidades digitales básicas –computación en la nube, BI, documentos digitalizados– y avanzadas –IA, blockchain, análisis de datos– (Casali, 2023; Ahmad, 2024). También se requiere conocimiento en ciberseguridad, dado el aumento de los riesgos informáticos (Casali, 2023; Ahmad 2024).

La formación especializada en áreas como aprendizaje automático, estadística, análisis de datos y programación es clave para el desarrollo profesional en auditoría (Mojica, 2023; Manzano, 2022). Además, se requiere una transformación en la forma en que los contadores crean, interpretan y autentican informes, incluyendo la identificación y mitigación de riesgos, la preparación de reportes y el conocimiento ético y normativo del entorno contable (Anica-Popa et al., 2024).

La resistencia al cambio por parte de los profesionales puede limitar el impacto positivo de la IA (Kroon et al., 2021). La falta de experiencia práctica en el uso de la IA puede generar escepticismo o la percepción de que la herramienta no es fácil de usar o suficientemente beneficiosa, lo cual frena su adopción. La confianza en la IA es un requisito indispensable para su adopción, y esta depende de la capacidad de explicar cómo se generan los resultados. Técnicas como LIME y SHAP permiten interpretar la importancia de las variables en los modelos predictivos (Kokina et al., 2025). Asimismo, se requiere la actualización de los códigos de ética y la formación en ética digital para enfrentar los nuevos desafíos tecnológicos (Contreras Zartha y Arango Terán, 2010).

Otro aspecto a considerar, como requisito desde el punto de vista organizacional, es que la implementación de IA implica una inversión inicial elevada y un retorno lento, lo que puede desalentar a empresas con visión de corto plazo (Luo et al., 2018). Para implementar IA de forma eficiente es esencial contar con una infraestructura tecnológica adecuada, sistemas personalizados y actualizados, y una colaboración interdisciplinaria entre contadores, ingenieros y expertos en IA (Espitia Melo, 2022; Molina Flores y Fernández López, 2018; Erazo-Castillo y De la A-Muñoz, 2023).

Finalmente, es esencial que las universidades actualicen sus programas académicos para formar profesionales competentes en tecnologías emergentes, como IA, big data y análisis predictivo (Marchesano et al., 2023; Luo et al., 2018; Erazo-Castillo y De la A-Muñoz, 2023). Los contadores deben liderar la gestión empresarial adaptándose a los avances tecnológicos, lo que implica una formación técnica sólida y una actitud proactiva frente al cambio (Toloza Chávez y López Amaris, 2023; Ruiz Olivera, 2022). Se insta a las instituciones educativas y organismos reguladores a revisar sus marcos de competencias para incluir habilidades digitales y tecnológicas (Kroon et al., 2021; Vărzaru, 2022).

2.7. Ejemplos de usos de IA en la Contabilidad

La incorporación de la IA en la práctica contable se encuentra en una etapa incipiente, pero con un crecimiento sostenido que evidencia una transición desde la automatización de procesos simples hacia sistemas complejos de análisis predictivo y aprendizaje automático. Según Luo et al. (2018), las primeras aplicaciones se concentraron en tareas de bajo nivel como la elaboración de informes financieros y la extracción de datos, empleando reconocimiento óptico de caracteres (OCR). En esta línea, Kokina et al. (2025) destacan que las herramientas más avanzadas —como las redes neuronales profundas o los modelos generativos— aún se encuentran en fase experimental dentro del ámbito contable.

Las grandes firmas internacionales de auditoría lideran la adopción de estas tecnologías. Deloitte desarrolló plataformas de análisis de voz y revisión documental automatizada; PwC aplica IA en auditorías y generación automática de reportes; EY emplea drones, procesamiento de lenguaje natural (NLP) y aprendizaje automático para detectar fraudes; y KPMG creó herramientas como K-analyzer y FBT Automator para el análisis tributario y el cumplimiento fiscal (Zhang et al., 2020). Estas experiencias demuestran que la IA no reemplaza el juicio profesional, sino que amplía la capacidad de análisis y la velocidad de procesamiento de información financiera.

La IA tiene aplicaciones específicas en la optimización de la función de auditoría: se aplica en auditorías complejas (Casali, 2023) y puede acelerar significativamente los procesos de auditoría (Espitia Melo, 2022). La integración de la IA eleva los estándares de las auditorías, haciéndolas más precisas y eficientes (Erazo-Castillo y De la A-Muñoz, 2023).

En contextos empresariales diversos, también se observan usos sectoriales de la IA orientados a la gestión y el control. Una empresa del sector de la construcción utilizó IA para analizar flujos de efectivo y cuentas por cobrar, logrando mejoras en la gestión financiera exigidas por su regulador estatal (Zhang et al., 2023). De modo similar, una compañía de transporte integró datos financieros y operativos entre su casa matriz y subsidiarias, permitiendo detectar actividades anómalas o ineficientes, aunque estableciendo límites de acceso para proteger la privacidad interorganizacional (Zhang et al., 2023). En el sector agrícola, la IA se aplicó para generar informes contables gerenciales inteligentes; si bien el proceso comenzó como completamente automatizado, posteriormente se incorporó la revisión humana para mitigar sesgos y mejorar la utilidad de los resultados (Zhang et al., 2023). En el ámbito financiero, una empresa de inversión implementó un sistema de evaluación que calificaba los informes generados mediante IA según la calidad de los insumos proporcionados por los contadores, vinculando esos puntajes al desempeño profesional (Zhang et al., 2023).

En el campo asegurador, la IA también muestra aplicaciones concretas vinculadas a la gestión de riesgos, contratación y cumplimiento legal. Benavides Galviz (2023) describe el uso de Insurtech y Legal Design para la automatización de contratos inteligentes (smart contracts), capaces de recopilar información del asegurado desde bases de datos y redes sociales. Estas herramientas permiten definir perfiles de riesgo y verificar condiciones contractuales de forma automática, agilizando la toma de decisiones. La combinación de IA con Big Data y análisis de comportamiento en redes sociales facilita la personalización de pólizas, la evaluación de siniestros y la detección de reticencias contractuales, integrando variables que antes dependían exclusivamente del juicio humano.

Asimismo, el empleo de IA aplicada a la analítica contable posibilita procesar grandes volúmenes de documentos en tiempo real mediante visión computacional y procesamiento de lenguaje natural, generando informes instantáneos que favorecen la toma de decisiones y el control financiero (Ruiz Olivera, 2022). Estas tecnologías permiten a las empresas ser más proactivas y ajustar estrategias en función de los resultados operativos. La automatización robótica de procesos (RPA) y el aprendizaje automático (machine learning) mejoran la productividad, reducen errores y liberan al profesional contable de tareas repetitivas, facilitando su dedicación a actividades de análisis y asesoramiento estratégico (Ruiz Olivera, 2022; Hasan, 2022; Ahmad, 2024).

La noción de IA también se expande hacia áreas como el Legal Design, entendido como la aplicación del diseño al lenguaje jurídico, permitiendo la creación de productos y servicios legales mediante tecnología (Benavides Galviz, 2023). En este contexto surgen los Smart Contracts, descritos como “acuerdos de ejecución automática escritos en lenguaje de programación e integrados a un software [...] basado en blockchain” (Benavides Galviz, 2023, p.6).

En síntesis, los ejemplos revisados evidencian que la IA se integra de manera transversal en la profesión contable, en todas las incumbencias de la Ley 20488, desde la automatización de registros y reportes hasta la auditoría inteligente y la gestión predictiva. Hay que tener en cuenta que pesar de la amplia aplicabilidad, el uso efectivo varía según la incumbencia y el perfil del profesional (Gilabert et al., 2025). Lejos de sustituir al contador, estas herramientas reconfiguran su rol hacia funciones de supervisión, interpretación y control ético de los sistemas automatizados. La tendencia general apunta a una contabilidad más analítica, basada en datos y apoyada en la colaboración entre humanos y máquinas inteligentes, en un marco donde la confianza, la transparencia y la revisión crítica siguen siendo responsabilidades insustituibles del profesional.

En la Tabla 1, se presentan, a modo de ejemplo, algunos softwares con IA que están vigentes en Argentina para las tareas del contador, los usos que proponen y la información de costos, en caso de estar disponible.

3. Metodología

El trabajo se desarrolló bajo un enfoque cualitativo de tipo exploratorio, orientado a la recopilación y análisis de datos obtenidos mediante entrevistas en profundidad semi-estructuradas. Según lo planteado por Hernández-Sampieri y Mendoza (2020), este enfoque resulta adecuado para comprender fenómenos complejos desde la perspectiva de los actores involucrados, en su entorno natural, permitiendo una interpretación profunda de las experiencias y significados construidos socialmente.

El estudio se inscribe dentro de los diseños no experimentales y descriptivos, dado que no se realiza manipulación de variables, sino que se observan los fenómenos en su contexto tal como ocurren (Hernández-Sampieri y Mendoza, 2020). Esta elección metodológica responde al interés por explorar percepciones, actitudes y vivencias sin intervención directa del investigador, lo que facilita una aproximación más genuina a la realidad.

Para la recolección de datos se empleó una técnica basada en entrevistas semi-estructuradas, que combinan preguntas previamente formuladas con la posibilidad de que los participantes expresen libremente sus ideas (Hernández-Sampieri y Mendoza, 2020). Esta modalidad permite acceder a información rica y detallada, especialmente útil para indagar aspectos subjetivos como opiniones y percepciones sobre el tema en estudio. Existen antecedentes que respaldan el uso de entrevistas para examinar desafíos y oportunidades vinculados a la IA en el ámbito contable (Zhang et al., 2023; Andhika y Supriyono, 2025; Gilabert et al, 2025), lo que refuerza la idoneidad del método para los objetivos planteados.

La selección de los participantes se realizó mediante muestreo discrecional o intencional, una técnica no probabilística en la que, conforme a los autores citados, se elige a los entrevistados por su experiencia o conocimiento relevante respecto al fenómeno investigado. En este caso, se convocó a profesionales del área contable de diversas edades y regiones, favoreciendo la diversidad y profundidad de los puntos de vista, sin buscar representatividad estadística.

Con el propósito de fortalecer la validez del estudio, se consideraron criterios de diversidad de tamaño de estudios y de características en la selección de los participantes, incluyendo contadores con distintos niveles de experiencia, y diferentes edades, sexo, especializaciones (auditoría, impuestos, contabilidad, entre otros) y procedencias. Esta heterogeneidad permitió captar una amplia gama de perspectivas sobre el uso de la IA en la práctica contable. Para asegurar la confiabilidad de los datos, se aplicaron estrategias como la triangulación de fuentes (entrevistas y literatura), la revisión manual de las transcripciones generadas por AssemblyIA, y la codificación temática siguiendo las pautas de Hernández-Sampieri y Mendoza (2020).

Las entrevistas se llevaron a cabo de manera individual mediante plataformas virtuales, entre julio y septiembre 2025, con una duración promedio de 25 minutos. Antes de cada encuentro, se informó a los participantes sobre los objetivos del estudio y se solicitó su consentimiento informado, incluyendo la autorización para grabar las sesiones. Este procedimiento se ajusta a las recomendaciones éticas para investigaciones cualitativas propuestas por Hernández-Sampieri y Mendoza (2020), quienes destacan la importancia de respetar y proteger los derechos de los participantes.

Las grabaciones fueron transcritas utilizando la herramienta digital AssemblyIA y posteriormente revisadas manualmente para garantizar la fidelidad del contenido. El análisis de los datos se realizó mediante un enfoque temático de análisis de contenido, siguiendo las etapas sugeridas por Hernández-Sampieri y Mendoza (2020): lectura exploratoria, codificación inicial, categorización por temas y subtemas, y análisis comparativo entre los participantes. Esta metodología permite identificar patrones comunes y diferencias significativas, revelando significados compartidos o divergentes.

Se resguardó la confidencialidad y el anonimato de todos los participantes, reemplazando cualquier dato identificable por códigos. Aunque se reconoce como limitación la ausencia de criterios probabilísticos en la selección de los entrevistados, se sostiene que la diversidad intencionada en los perfiles contribuye a una comprensión más enriquecida del fenómeno estudiado, en consonancia con la lógica del muestreo cualitativo (Hernández-Sampieri y Mendoza, 2020).

4. Resultados

4.1. Perfil de los entrevistados

Los entrevistados, como muestra la Tabla 2, presentan una diversidad de situaciones laborales que van desde estudios unipersonales hasta estructuras medianas con hasta 10-15 personas. La mayoría trabaja en estudios pequeños o de forma independiente, aunque algunos colaboran con otros estudios o tienen experiencia en organizaciones más grandes. Entre los servicios ofrecidos se mencionan:

• Servicios impositivos (monotributo, IVA, ganancias) son los más frecuentes.

• Liquidación de sueldos aparece en varios casos, aunque algunos la derivan.

• Contabilidad general y balances

• Auditoría e informes de gestión (en estudios más grandes)

• Asesoramiento financiero y planificación tributaria

• Tareas específicas como conciliaciones bancarias o armado de sociedades

4.2. Uso de herramientas IA

Todos los entrevistados han tenido algún tipo de contacto con herramientas de IA, aunque el grado de incorporación varía ampliamente, tal como muestra la Tabla 3:

• Algunos las usan de forma experimental o puntual (E02, E06, E07).

• Otros las han integrado parcialmente en tareas específicas (E01, E05, E08).

• Y algunos las usan de forma habitual y creciente (E03, E04).

Las herramientas más mencionadas son ChatGPT, bots para conciliaciones, y sistemas con IA integrados (como SOS Contador¹, Copilot, o herramientas de automatización como DataSnipper).

A continuación, el listado de tareas mencionadas asociadas al uso de IA.

En la Tabla 4, se presenta el resumen de las herramientas mencionadas y el nivel de uso.

4.3. Grado de uso y delegación de funciones

Los entrevistados indicaron niveles diversos de incorporación de IA en su trabajo, como puede observarse en la Tabla 5. Algunos la usan diariamente, mientras que otros la emplean solo en casos puntuales. En cuanto a la delegación de tareas, hay experiencias concretas de automatización parcial o total, pero hay coincidencia de la necesidad de supervisión humana.

Nótese que sólo E03 menciona tareas contables completamente delegadas (conciliaciones y vencimientos), mientras que E05 delega parcialmente y otros delegan tareas no contables, como automatizaciones (E04) y redacción (E08). Incluso quienes usan IA con frecuencia (E04, E05) insisten en la necesidad de control profesional. Otros como E06 y E07 expresan desconfianza o preferencia por métodos tradicionales. En general los entrevistados (E03, E04, E05, E08) destacan que la IA libera tiempo para tareas de mayor valor agregado, como análisis o asesoramiento.

4.4. Perfiles para el uso de IA

Los entrevistados coinciden en que la edad, la formación y el rol dentro del estudio influyen significativamente en el uso de herramientas de IA: “No la delegaría a alguien sin formación técnica… hay que saber si el resultado está bien.” (E05). Los profesionales más jóvenes o con perfiles técnicos tienden a adoptar estas herramientas con mayor naturalidad: “Los otros chicos son más jóvenes… la usan muchísimo. Yo trato de seguirlos.” (E03). En cambio, los perfiles más tradicionales o con menor familiaridad tecnológica muestran resistencia: “Me abruma… cuando voy a congresos y hablan de IA, siento que están hablando en chino” (E06). En cuanto a las habilidades necesarias, se destacan:

• Capacidad de formular buenas preguntas (prompting)

• Conocimiento técnico contable para validar resultados

• Familiaridad con herramientas digitales

La capacitación formal recibida es escasa, en tanto en que la mayoría aprendió de forma autodidacta o por recomendación de colegas.

4.5. Ventajas, desafíos y proyecciones

Los entrevistados coinciden en que la IA ofrece ventajas claras en términos de eficiencia, ahorro de tiempo y asistencia técnica, sobre todo para tareas repetitivas o para buscar información. Por otro lado, también mencionan preocupaciones sobre la confiabilidad, la seguridad de los datos y la pérdida de habilidades profesionales si se delega demasiado.

Las ventajas más mencionadas fueron ahorro de tiempo (E01, E03, E05, E07, E08), mejora en la calidad del servicio (E03, E05) y asistencia técnica y formativa (E04, E07).

Los desafíos principales mencionados fueron la falta de confianza en los resultados (E01, E02, E06, E07), los riesgos de seguridad y privacidad (E07, E08) y la necesidad de formación en prompting y validación (E03, E04, E05).

En cuanto al futuro, la mayoría proyecta una mayor integración de la IA en los estudios contables, aunque con distintos grados de optimismo o cautela. Algunos visualizan un cambio profundo en el rol del contador: “No nos va a reemplazar la IA, nos va a reemplazar un contador que use IA” (E04); mientras que otros creen que la supervisión humana seguirá siendo indispensable: “si nos acostumbramos a todo con IA, dejamos de tener el conocimiento de la normativa”. En general una mitad fue más bien optimista (E03, E04, E05, E08) y la mitad fue cauteloso o escéptico (E01, E02, E06, E07). Curiosamente, el rango etario pareciera tener influencia en esta percepción, ya que la mayoría de los más cautelosos son del rango 45-60 años mientras que la mayoría de los optimistas son menores de 45 años.

Algunas reflexiones finales que dejaron los entrevistados: “Los contadores debieran hacer reclamos masivos a sus cuerpos profesionales… que difundan en la matrícula esta nueva tecnología” (E04); “Creo que todos tenemos como cierta incertidumbre de lo que puede pasar, pero esto está, llegó para quedarse” (E3); “Si es para la delegación, que vean de cursos o cuestiones que al profesional le sirvan para poder adaptarse” (E05).

5. Discusión

Los hallazgos muestran una marcada heterogeneidad en el uso de herramientas de IA entre los profesionales contables entrevistados, influida por factores como la edad, la formación técnica y el rol dentro del estudio. Esta diversidad coincide con lo planteado por Casali (2023), quien sostiene que la adopción tecnológica está mediada por el perfil profesional y la actitud frente al cambio. Mientras algunos entrevistados jóvenes (E03, E08) integran la IA de forma cotidiana, otros más tradicionales (E06) expresan resistencia o desconfianza.

En cuanto a las tareas más frecuentemente delegadas a la IA, se incluyen conciliaciones bancarias, redacción de mensajes, organización de vencimientos y procesamiento de comprobantes. Estas aplicaciones reflejan las ventajas técnicas ampliamente documentadas en la literatura, como la mejora en la eficiencia operativa (Casali, 2023; Espitia Melo, 2022) y la reducción de errores (Al Najjar et al., 2024). Sin embargo, los entrevistados insisten en la necesidad de supervisión humana, lo que contrasta con la visión más optimista de autores como Manzano (2022), quien destaca la capacidad de la IA para resolver problemas con mayor eficacia que las personas.

Aunque algunos entrevistados delegan tareas específicas a la IA, ninguno considera viable una automatización total sin intervención profesional. La insistencia en el control profesional revela una brecha entre las capacidades técnicas de la IA y la confianza que los usuarios depositan en ella, especialmente en tareas que requieren juicio contable, como la liquidación de impuestos o el análisis normativo (Zhang et al., 2023; Korol y Romashko, 2024). Por ejemplo, E05 afirma: “No lo delegaría a alguien sin formación”, mientras que E01 aclara que la IA se usa “cuando hay algo raro”, pero no para tareas estandarizadas. Esta postura coincide con lo señalado en el marco teórico por Holmes y Douglass (2022), quienes advierten que, aunque la IA puede automatizar decisiones, la responsabilidad por los errores sigue recayendo en el profesional. Asimismo, Espitia Melo (2022) y Erazo-Castillo y De la A-Muñoz (2023) sostienen que el usuario debe asumir la responsabilidad por los fallos, incluso cuando estos provienen de sistemas automatizados. Esta visión es reforzada por Benavides Galviz (2023), quien plantea que, en contextos como el asegurador, los jueces deben evaluar la buena fe del profesional que utiliza IA. En conjunto, tanto los entrevistados como los autores coinciden en que la IA no reemplaza el juicio contable, sino que exige una nueva forma de ejercerlo, donde la responsabilidad ética y técnica del contador se vuelve aún más relevante.

Los entrevistados que utilizan IA con mayor frecuencia (E03, E04, E05) destacan que esta tecnología libera tiempo para tareas de mayor valor agregado, como el análisis estratégico o el asesoramiento. Esta transformación coincide con lo planteado por Luo et al. (2018), quienes afirman que la IA desplaza tareas rutinarias y permite al contador enfocarse en funciones más creativas y Lino Gamiño (2025) quien sostiene que los beneficios de IA en contabilidad superan a los obstáculos. No obstante, algunos profesionales advierten sobre el riesgo de pérdida de habilidades (deskilling) si se delega excesivamente, lo que se vincula con los dilemas éticos señalados por Anica-Popa et al. (2024).

La mayoría de los entrevistados aprendió a usar IA de forma autodidacta, lo que evidencia una carencia de formación formal en estas tecnologías. Esta situación refuerza lo señalado por Andhika y Supriyono (2025), quienes identifican la falta de competencias técnicas como una barrera significativa para la adopción efectiva. Además, se destaca la necesidad de habilidades específicas como el prompting, la validación de resultados y el conocimiento contable profundo, en línea con las competencias propuestas por Rodríguez Llorente (2023) y Anica-Popa et al. (2024).

La desconfianza en los resultados generados por IA fue una preocupación recurrente entre los entrevistados, especialmente en relación con la seguridad de los datos y la opacidad de los procesos algorítmicos. Esta percepción se vincula con el concepto de “caja negra” y el fenómeno del mathwashing, descrito por Nocera (2024) y el Parlamento Europeo (2022, citado en Marchesano et al., 2023). La necesidad de explicabilidad y control humano se presenta como una condición indispensable para la confianza, en concordancia con Kokina et al. (2025).

Los entrevistados mencionan el uso de herramientas como ChatGPT, Copilot y bots para conciliaciones, pero no identifican explícitamente los tipos de IA que emplean, lo que sugiere una falta de conciencia sobre las clasificaciones funcionales o cognitivas de estas tecnologías. Esto contrasta con lo planteado por Ponce Gallegos y Torres Soto (2014), quienes proponen una distinción entre sistemas que piensan o actúan como humanos y los que lo hacen racionalmente. Asimismo, Ruiz Olivera (2022) describe cuatro niveles de inteligencia artificial —automatizada, asistida, aumentada y autónoma— que no parecen ser reconocidos por los profesionales entrevistados, lo que evidencia una brecha conceptual entre el uso práctico y el conocimiento teórico. Esta desconexión podría limitar la capacidad de los contadores para evaluar críticamente las herramientas que utilizan y para proyectar su evolución en el ámbito profesional.

Si bien los entrevistados reconocen que la IA transforma la práctica contable, no se observa una reflexión profunda sobre su carácter interdisciplinario ni sobre sus implicancias culturales. González Arencibia y Martínez Cardero (2020) advierten que el uso de IA requiere una reevaluación multidisciplinaria que considere cómo la cultura influye en su apropiación. Esta perspectiva es especialmente relevante en contextos como el de los estudios contables, donde la adopción tecnológica está atravesada por valores, hábitos y estructuras organizacionales.

La falta de formación formal y la resistencia al cambio mencionadas por los entrevistados refuerzan la idea de que la IA no puede ser comprendida únicamente como una herramienta técnica, sino como un fenómeno que exige nuevas formas de pensar el rol profesional, la ética y la interacción tecnológica. Esto está en línea con las conclusiones de Nájera Núñez et al. (2025) quienes sostienen que existe la necesidad de una mayor exploración de las implicaciones educativas y profesionales de la IA en estas áreas, así como el desarrollo de marcos éticos y regulatorios adecuados para su implementación responsable. En línea con esto, es fundamental avanzar también en la investigación académica asociada, ya que la integración de la inteligencia artificial en las ciencias sociales y la gestión empresarial no solo es viable sino también benéfica, ofreciendo nuevas oportunidades para abordar desafíos sociales y empresariales de manera eficaz e innovadora (Alvarado Oregón et al, 2025).

Las opiniones sobre el futuro de la IA en la contabilidad se dividen entre el optimismo de los profesionales más jóvenes (E03, E05, E08) y la cautela de los mayores (E01, E02, E06). Esta tensión generacional refleja lo planteado por Kroon et al. (2021), quienes señalan que la actitud frente a la tecnología está influida por la trayectoria profesional y la cultura organizacional. La frase “no nos va a reemplazar la IA, nos va a reemplazar un contador que use IA” (E04) sintetiza la necesidad de adaptación y formación continua para mantener la relevancia profesional.

6. Conclusión

El estudio permitió explorar cómo los profesionales contables de la Delegación General Pueyrredón incorporan herramientas de inteligencia artificial (IA) en su labor diaria. Los resultados evidencian una adopción heterogénea, influida por factores como la edad, la formación técnica y el rol dentro del estudio. En general, se observa una tendencia creciente hacia el uso de IA para tareas operativas —como conciliaciones, redacción de informes o gestión de vencimientos—, aunque con fuerte insistencia en la necesidad de supervisión humana.

La IA es percibida como una aliada para mejorar la eficiencia, ahorrar tiempo y optimizar procesos. Sin embargo, persisten dudas sobre su fiabilidad, la seguridad de los datos y la pérdida de habilidades profesionales si se delega en exceso. El hallazgo central confirma la hipótesis inicial: existen distintos perfiles de adopción tecnológica entre los contadores, que condicionan tanto el tipo de herramientas utilizadas como la confianza depositada en ellas.

El uso de IA no reemplaza el juicio profesional, sino que exige nuevas competencias y responsabilidades éticas. Los contadores que más la emplean coinciden en que la tecnología libera tiempo para tareas analíticas y estratégicas, redefiniendo el rol profesional hacia funciones de asesoramiento y control. En cambio, los profesionales más cautelosos valoran su potencial, pero destacan la necesidad de una formación sólida y de marcos normativos que orienten su aplicación ética.

Los resultados sugieren que la integración de la IA en la contabilidad no depende solo de la disponibilidad tecnológica, sino también de la cultura organizacional y de la disposición al cambio. La falta de formación formal en IA es un obstáculo relevante, que refuerza la necesidad de actualizar los programas académicos y los códigos de ética profesional.

En cuanto a las herramientas de IA, los resultados sugieren que las IA que se estarían usando mayormente en los estudios son las de uso general (como ChatGPT), y no tanto software con IA específico para estudios como SOS Contador.

Entre las principales limitaciones del estudio se encuentran el tamaño reducido de la muestra y el carácter no probabilístico de la selección, lo que impide generalizar los resultados. Además, el análisis se basó en percepciones subjetivas, sin contrastar comportamientos observados en entornos reales de trabajo. Futuras investigaciones podrían ampliar la muestra, incorporar metodologías mixtas y comparar contextos geográficos o institucionales distintos. También sería valioso explorar cómo la formación universitaria y la regulación profesional influyen en la adopción de IA, así como analizar las implicancias éticas y sociales de su expansión en la práctica contable.

RECONOCIMIENTO

Este trabajo se realiza en el marco del proyecto de investigación Nº353-25 “Adopción de inteligencia artificial en estudios contables: usos y perfiles profesionales” de la facultad de Ciencias Económicas de Universidad FASTA.

Referencias

Ahmad, A. Y. A. B. (2024). The changing role of accountants in the AI era: Evolving skill sets and career pathways. En 2024 International Conference on Knowledge Engineering and Communication Systems (ICKECS) (Vol. 1, pp. 1-5). Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/ickecs61492.2024.10617313

Al Najjar, M., Gaber Ghanem, M., Mahboub, R. y Nakhal, B. (2024). The role of artificial intelligence in eliminating accounting errors. Journal of Risk and Financial Management, 17(8), 353. https://doi.org/10.3390/jrfm17080353

Alvarado Oregón, A. M. del R., Reyes Real, O. B. y Santa Ana Escobar, M. B. (2025). Inteligencia artificial en la investigación científica de las ciencias sociales, negocios, administración y contabilidad: un estudio bibliométrico. RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 16(31), e960. https://doi.org/10.23913/ride.v16i31.2586

Andhika, A. y Supriyono, L. A. (2025). Integrating artificial intelligence into accounting systems: a qualitative study on user experiences and challenges. TELKOMNIKA (Telecommunication Computing Electronics and Control), 23(3), 664-672. http://doi.org/10.12928/telkomnika.v23i3.26409

Anica-Popa, I. F., Vrîncianu, M., Anica-Popa, L. E., Cișmașu, I. D. y Tudor, C. G. (2024). Framework for integrating generative AI in developing competencies for accounting and audit professionals. Electronics, 13(13), 2621. https://doi.org/10.3390/electronics13132621

Askary, S., Abu-Ghazaleh, N. y Tahat, Y. A. (2018). Artificial intelligence and reliability of accounting information. En Challenges and Opportunities in the Digital Era: 17th IFIP WG 6.11 Conference on e-Business, e-Services, and e-Society, I3E 2018, Kuwait City, Kuwait, October 30–November 1, 2018, Proceedings 17 (pp. 315-324). Springer International Publishing. https://doi.org/10.1007/978-3-030-02131-3_28

Baldwin, A. A., Brown, C. E. y Trinkle, B. S. (2006). Opportunities for artificial intelligence development in the accounting domain: the case for auditing. Intelligent Systems in Accounting, Finance & Management: International Journal, 14(3), 77-86. https://doi.org/10.1002/isaf.277

Benavides Galviz, L. A. (2023). Aplicación de inteligencia artificial en la contratación y ejecución del contrato de seguro para la configuración de la reticencia a partir de la exigencia de buena fe exenta de culpa a las aseguradoras [Tesis de Maestría, Universidad de los Andes]. https://doi.org/10.57784/1992/69138

Casali, H. A. (2023). Efectos de las nuevas Tecnologías en los trabajos y roles del Contador Público. Revista Formadores, 16(2), 39-52. https://doi.org/10.25194/rf.v16i2.1747

Contreras Zartha. C. y Arango Terán, D. E. (2010). La ética profesional del contador público. Apuntes contables: Revista Científica de Contabilidad, (14), 201-215.

Datsenko, H., Kudyrko, O., Krupelnytska, I., Maister, L., Hladii, I. y Kopchykova, I. (2024). Innovative approaches to the use of artificial intelligence in accounting, control, and analytical processes to enhance enterprise competitiveness. Salud, Ciencia y Tecnología-Serie de Conferencias, 3, e665. https://doi.org/10.56294/sctconf2024.665

de la Cruz, J. M., Santos, M., Pajares, G., Ruz, J. J., & Quesada, J. (2006). Evaluación de técnicas de IA para la toma de decisiones. Nuevas Tecnicas en Control Inteligente, Ed. Universidad de Huelva, 7-12.

Erazo-Castillo, J. y De la A-Muñoz, S. (2023). Auditoría del futuro, la prospectiva y la inteligencia artificial para anticipar riesgos en las organizaciones. Novasinergia, 6(1), 105-119. https://doi.org/10.37135/ns.01.11.07

Espitia Melo, N. C. (2022). Desafíos en la profesión contable frente a la inteligencia artificial [Tesis de grado, Universidad Cooperativa de Colombia]. https://hdl.handle.net/20.500.12494/48064

Gavilán, A. J. (17 de noviembre de 2022). Peritajes contables 5.0 & método científico y evidencias digitales [Conferencia]. XVIII Simposio Regional de Investigación Contable, Facultad de Ciencias Económicas, Universidad Nacional de La Plata, Argentina. http://sedici.unlp.edu.ar/handle/10915/149908

Gilabert, M., Cabral Cassia, F. A., Castrillo, F. y Norberto Rodríguez, M. (2025) La percepción de los contadores sobre la inteligencia artificial: un estudio exploratorio. Apuntes Contables, 36, 93–121. https://doi.org/10.18601/16577175.n36.05

Giménez, M. H. (2019). Inteligencia artificial y derecho penal. Actualidad Jurídica Iberoamericana, (10), 792-843.

González Arencibia, M. y Martínez Cardero, D. (2020). Dilemas éticos en el escenario de la inteligencia artificial. Economía y Sociedad, 25(57), 93-109. https://doi.org/10.15359/eys.25-57.5

Guerrero, W. A., Camacho-Galindo, S., Guerrero-Martin, L. E., Arévalo, J. C., de Freitas, P. P., Gómes, V. J. C., da Silva Fernandes, F. A. y Guerrero-Martin, C. A. (2024). Impacto de la inteligencia artificial en la toma de decisiones financieras: Oportunidades y desafíos para los líderes empresariales. DYNA, 91(233), 168-177. https://doi.org/10.15446/dyna.v91n233.114660

Guzmán Ortiz, N. H. (2025). La inteligencia artificial en las líneas de investigación contable. Revista Colombiana de Contabilidad - ASFACOP, 13(26), 19–36. https://doi.org/10.56241/asf.v13n26.327

Han, H., Shiwakoti, R. K., Jarvis, R., Mordi, C. y Botchie, D. (2023). Accounting and auditing with blockchain technology and artificial Intelligence: A literature review. International Journal of Accounting Information Systems, 48, 100598. https://doi.org/10.1016/j.accinf.2022.100598

Hasan, A. R. (2022). Artificial Intelligence (AI) in accounting & auditing: A Literature review. Open Journal of Business and Management, 10(1), 440-465. https://doi.org/10.4236/ojbm.2022.101026

Hernández-Sampieri, R. y Mendoza, C. (2020). Metodología de la investigación: las rutas cuantitativa, cualitativa y mixta. Editorial Mc Graw-Hill.

Holmes, A. F. y Douglass, A. (2022). Artificial intelligence: Reshaping the accounting profession and the disruption to accounting education. Journal of Emerging Technologies in Accounting, 19(1), 53-68. https://doi.org/10.2308/JETA-2020-054

Kokina, J., Blanchette, S., Davenport, T. H. 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

Korol, С. y Romashko, О. (2024). Artificial intelligence in accounting. Scientia fructuosa, 154(2), 145-157. https://doi.org/10.31617/1.2024(154)08

Kroon, N., do Céu Alves, M. y Martins, I. (2021). The impacts of emerging technologies on accountants’ role and skills: Connecting to open innovation—a systematic literature review. Journal of Open Innovation: Technology, Market, and Complexity, 7(3), 163. https://doi.org/10.3390/joitmc7030163

Ley 20488. Normas referentes al ejercicio de las profesiones relacionadas a las Ciencias Económicas. B. O. 23 de mayo de 1973.

Lino Gamiño, J. A. (2025). La inteligencia artificial y su impacto en la contabilidad pública. Un análisis teórico. Diagnóstico FACIL Empresarial, 12(23), 9-20. https://doi.org/10.32870/dfe.vi23.145

Luo, J., Meng, Q. y Cai, Y. (2018). Analysis of the Impact of Artificial Intelligence Application on the Development of Accounting Industry. Open Journal of Business and Management, 6(4), 850-856. https://doi.org/10.4236/ojbm.2018.64063

Manzano, C. R. (2022). Introducción a la inteligencia artificial mediante algoritmos de búsqueda en un espacio de estados y su implementación en mundos virtuales sencillos. Universidad del Bío-Bío.

Marchesano, M., Scavone, G. y Pavón, N. (30 de noviembre de 2023). Impactos de la inteligencia artificial en la profesión contable [Conferencia]. XIX Simposio Regional de Investigación Contable, Facultad de Ciencias Económicas, Universidad Nacional de La Plata, Argentina. http://sedici.unlp.edu.ar/handle/10915/162132

Mojica, S. V. (2023). Inteligencia Artificial en la auditoría externa: análisis de las nuevas tecnologías en el diseño de la documentación para la gestión del auditor financiero de la nueva era [Trabajo de grado, Universidad Autónoma de Bucaramanga]. http://hdl.handle.net/20.500.12749/20151

Molina Flores, F. y Fernández López, L. E. (2018). La inteligencia artificial en el ámbito contable. Contribuciones a la Economía, 16(3).

Moreno-Hernandez, J., Campos-Molano, J., Medina-Betancourt, Y. y Poloche-Valencia, D. (2023). La inteligencia artificial como herramienta para la detección del fraude fiscal: Caso Colombia. Revista Económica, 11(2), 25-35. https://doi.org/10.54753/rve.v11i2.1677

Nájera Núñez, B. C., Blum Alcivar, H. M., López Coloma, R. V. y Villegas-Yagual, F. E. (2025). La inteligencia artificial en contabilidad y finanzas. Una revisión sistemática . RECIMUNDO, 9(2), 262–277. https://doi.org/10.26820/recimundo/9.(2).abril.2025.262-277

Nocera, I. L. (2024). Inteligencia artificial y derecho privado. Acta Jurídica Peruana, 7(1), 37-48 https://doi.org/10.56891/ajp.v7i1.436

Peng, Y., Ahmad, S. F., Ahmad, A. Y. B., Al Shaikh, M. S., Daoud, M. K. y Alhamdi, F. M. H. (2023). Riding the waves of artificial intelligence in advancing accounting and its implications for sustainable development goals. Sustainability, 15(19), 14165. https://doi.org/10.3390/su151914165

Ponce Gallegos, J. C., Torres Soto, A., Quezada Aguilera, F. S., Silva Sprock, A., Martínez Flor, E. U., Casali, A., Scheihing, E., Túpac Valdivia, Y., Torres Soto, M. D., Ornelas Zapata, F. J., Hernández, J. A., Zavala, C., Vakhnia, N. y Pedreño, O. (2014). Inteligencia artificial. Iniciativa Latinoamericana de Libros de Texto Abiertos (LATIn).

Rodríguez Llorente, J. (2023). La inteligencia artificial: El ChatGPT y la automatización del trabajo [Tesis de grado, Universidad de Valladolid]. https://uvadoc.uva.es/handle/10324/61450

Romero, J. J., Dafonte, C., Gómez, Á. y Penousal, F. (2007). Inteligencia artificial y computación avanzada. Fundación Alfredo Brañas.

Rouhiainen, L. (2018). Inteligencia artificial. Alienta Editorial.

Ruiz Olivera, P. A. (2022) El papel de la inteligencia artificial en el área contable [Tesis de grado, Universidad Militar Nueva Granada]. https://hdl.handle.net/10654/44083

Russell, S. J. y Norvig, P. (2004). Inteligencia Artificial: un enfoque moderno. Prentice Hall.

Sesé, J. R. (2020). El diseñador gráfico en la era de la Inteligencia Artificial. EME Experimental Illustration, Art & Design, (8), 66-73. https://doi.org/10.4995/eme.2020.13210

Toloza Chávez, D. y López Amaris, Y. (2023). Los impactos de la inteligencia artificial en el rol del contador público. Tesis de grado. Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Arauca. https://hdl.handle.net/20.500.12494/51470

Vărzaru, A. A. (2022). Assessing artificial intelligence technology acceptance in managerial accounting. Electronics, 11(14), 2256. https://doi.org/10.3390/electronics11142256

Vega, M. Á., Mora, L. M. Q. y Badilla, M. V. C. (2020). Inteligencia artificial y aprendizaje automático en medicina. Revista médica sinergia, 5(8), e557-e557. https://doi.org/10.31434/rms.v5i8.557

Yi, Z., Cao, X., Chen, Z. y Li, S. (2023). Artificial intelligence in accounting and finance: Challenges and opportunities. IEEE Access, 11, 129100-129123. https://doi.org/10.1109/ACCESS.2023.3333389

Zhang, C., Zhu, W., Dai, J., Wu, Y. y Chen, X. (2023). Ethical impact of artificial intelligence in managerial accounting. International Journal of Accounting Information Systems, 49, 100619. https://doi.org/10.1016/j.accinf.2023.100619

Zhang, Y., Xiong, F., Xie, Y., Fan, X. y Gu, H. (2020). The impact of artificial intelligence and blockchain on the accounting profession. Ieee Access, 8, 110461-110477. https://doi.org/10.1109/ACCESS.2020.3000505

Notas

Información adicional

Código JEL: M41, O33, J24