Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 191
INTELIGENCIA ARTIFICIAL Y CONTROL INTERNO: ESTRATEGIAS PARA LA
OPTIMIZACIÓN INSTITUCIONAL
ARTIFICIAL INTELLIGENCE AND INTERNAL CONTROL: STRATEGIES FOR
INSTITUTIONAL OPTIMIZATION
Autores: ¹Ana Magdalena Malvacias Escalona y ²Walter Javier Maldonado De La Cruz.
¹ORCID ID: https://orcid.org/0000-0002-7587-0786
²ORCID ID: https://orcid.org/0000-0002-4725-0870
¹E-mail de contacto: amalvacias@euroamericano.edu.ec
²E-mail de contacto: wmaldonado@euroamericano.edu.ec
Afiliación:
1*2*
Instituto Superior Tecnológico EuroAmericano, (Ecuador).
Artículo recibido:8 de Septiembre del 2026.
Artículo revisado:15 de Septiembre del 2026.
Artículo aprobado:15 de Septiembre del 2026.
¹Licenciada en Contaduría Pública, graduada de la Universidad Yacambú, (Venezuela). Magíster en Gerencia de las Finanzas y de los
Negocios por la Universidad Yacambú, (Venezuela). Profesora con especialidad en Informática por la Universidad Pedagógica
Experimental Libertador, (Venezuela). Docente investigadora del Instituto Superior Tecnológico Universitario EuroAmericano, con más
de 18 años de experiencia.
²Ingeniero en Sistemas Computacionales, graduado de la Universidad de Guayaquil, (Ecuador). Magíster en Gerencia Educativa, graduado
de la Universidad Metropolitana, (Ecuador). Vicerrector Académico, docente e investigador del Instituto Superior Tecnológico
Universitario EuroAmericano, con más de 20 años de experiencia.
Resumen
El control interno en instituciones de educación
superior enfrenta limitaciones tales como: los
procesos manuales, información dispersa,
trazabilidad débil y una lógica reactiva frente a
los riesgos. Esta investigación exploró el
potencial de la inteligencia artificial para
contribuir a la transformación de este escenario
en el Instituto Superior Tecnológico
Universitario EuroAmericano, durante el
periodo comprendido entre diciembre de 2024 y
diciembre de 2025. El trabajo combinó técnicas
cuantitativas y cualitativas, bajo un diseño no
experimental y transversal. Participaron siete
docentes de la carrera de Auditoría, a quienes se
aplicó un cuestionario estructurado;
adicionalmente, cuatro de ellos participaron en
entrevistas y un análisis documental sobre la
temática. Los resultados reflejan que la mayoría
del profesorado confía en que la inteligencia
artificial facilitaría el análisis automatizado de
información y reconoce que la institución
cuenta con condiciones básicas (datos, recursos
tecnológicos y talento humano) para iniciar su
integración. La totalidad de los encuestados
coincidió, además, en la necesidad de contar
con lineamientos éticos y de protección de
datos. El componente cualitativo, por su parte,
se reveló debilidades como la falta de
estandarización, la dispersión de registros y una
supervisión más reactiva que preventiva. Se
concluye que la inteligencia artificial puede
fortalecer la detección temprana de riesgos, el
monitoreo continuo y la trazabilidad
institucional, siempre que se acompañe de
gobernanza tecnológica, capacitación
específica y supervisión humana efectiva. A
partir de estos hallazgos se proponen
lineamientos orientados a una adopción
responsable de la misma.
Palabras clave: Inteligencia artificial,
Control interno, Auditoría, Gestión de
riesgos, Capacidad institucional.
Abstract
Internal control in higher education institutions
faces limitations such as manual processes,
scattered information, weak traceability, and a
reactive approach to risks. This research
explored the potential of artificial intelligence
to help transform this situation at the
EuroAmerican University Technological
Institute, during the period from December
2024 to December 2025. The work combined
quantitative and qualitative techniques under a
non-experimental, cross-sectional design.
Seven instructors from the Auditing program
took part through a structured survey, four of
whom were also interviewed semi-structurally,
with additional support from documentary
analysis. Most faculty members trust that
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 192
artificial intelligence would facilitate
automated information analysis and recognize
that the institution has basic conditions (data,
technological resources, and human talent) to
begin integrating it. All respondents agreed,
moreover, on the need for ethical guidelines
and data protection. The qualitative
component, in turn, brought to light
weaknesses such as lack of standardization,
scattered records, and oversight that is more
reactive than preventive. It is concluded that
artificial intelligence can strengthen early risk
detection, continuous monitoring, and
institutional traceability, provided it is
accompanied by technological governance,
specific training, and effective human
oversight. Based on these findings, guidelines
for responsible adoption are proposed.
Keywords: Artificial intelligence, Internal
control, Auditing, Risk management,
Institutional capacity.
Sumário
O controle interno em instituições de ensino
superior carrega limitações conhecidas:
processos manuais, informação dispersa, baixa
rastreabilidade e uma lógica reativa diante dos
riscos. Esta pesquisa explorou qual papel a
inteligência artificial poderia cumprir para
reverter esse panorama no Instituto Superior
Tecnológico Universitario EuroAmericano,
durante o período compreendido entre
dezembro de 2024 e dezembro de 2025. O
trabalho combinou técnicas quantitativas e
qualitativas, sob um desenho não experimental
e transversal. Participaram 7 docentes do curso
de Auditoria por meio de uma pesquisa
estruturada, dos quais 4 foram também
entrevistados de forma semiestruturada, com
apoio adicional de análise documental. A
maioria do corpo docente confia que a
inteligência artificial facilitaria a análise
automatizada de informações e reconhece que a
instituição possui condições básicas (dados,
recursos tecnológicos e talento humano) para
iniciar sua integração. A totalidade dos
entrevistados concordou, além disso, quanto à
necessidade de diretrizes éticas e de proteção de
dados. O componente qualitativo, por sua vez,
revelou fragilidades como falta de
padronização, dispersão de registros e uma
supervisão mais reativa do que preventiva.
Conclui-se que a inteligência artificial pode
fortalecer a detecção precoce de riscos, o
monitoramento contínuo e a rastreabilidade
institucional, desde que acompanhada de
governança tecnológica, capacitação específica
e supervisão humana efetiva. A partir desses
achados, propõem-se diretrizes voltadas a uma
adoção responsável.
Palavras-chave: Inteligência artificial,
Controle interno, Auditoria, Gestão de
riscos, Capacidade institucional.
Introducción
En las últimas décadas, los sistemas de control
interno han debido adaptarse a entornos
organizacionales más complejos y a la
transformación digital. En las instituciones de
educación superior, esta adaptación permite
fortalecer la integridad de la información,
detectar oportunamente desviaciones y
gestionar riesgos de manera preventiva,
reduciendo la posibilidad de incumplimientos y
pérdidas operativas. Garzón et al. (2025)
explican que los primeros sistemas de
comunicación entre humanos y máquinas ya
mostraban la capacidad de la informática para
simular procesos comunicativos complejos, un
antecedente que marcó el vínculo entre
tecnología y procesos organizacionales.
Persisten, sin embargo, debilidades
estructurales como la gestión manual de
evidencias, la baja trazabilidad documental y la
ausencia de mecanismos preventivos de control.
Frente a estas limitaciones, la inteligencia
artificial ha comenzado a explorarse como un
soporte técnico capaz de ampliar la capacidad
institucional para examinar grandes volúmenes
de información, detectar irregularidades con
mayor oportunidad y fortalecer decisiones
basadas en evidencia, siempre que exista
supervisión humana y responsabilidad en su
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 193
despliegue (Crisóstomo et al., 2025). Los
especialistas advierten, no obstante, la
implementación debe realizarse de manera
planificada” para mayor formalidad. Chávez
(2024) sostiene que la inteligencia artificial
débil, enfocada en tareas específicas dentro de
dominios delimitados, opera bajo marcos
funcionales definidos y depende de datos
estructurados y objetivos concretos, lo que
exige marcos de control específicos que
garanticen calidad de datos, trazabilidad y
transparencia.
En el contexto ecuatoriano, distintas
investigaciones documentan que incorporar
herramientas automatizadas incrementa el
control y la confiabilidad del proceso auditor.
Fernández (2025) describe el aprendizaje
profundo como una evolución del aprendizaje
automático basada en redes neuronales capaces
de procesar representaciones complejas de
datos en múltiples capas, lo que permite evaluar
inconsistencias con mayor rapidez y reducir la
dependencia de procedimientos manuales.
Caldarini et al. (2022) matizan, sin embargo,
que los sistemas expertos basados en reglas
funcionan bien en escenarios estructurados,
pero su incapacidad de aprendizaje limita su
adaptabilidad.
Otros estudios añaden que los sistemas
contables con inteligencia artificial fortalecen la
consistencia de los registros y reducen la carga
manual (Navarrete et al., 2025). Aunque
González (2025) advierte que el valor real de
estas tecnologías se expresa cuando refuerzan
decisiones sin sustituir el criterio humano, lo
que hace indispensable estructurar una
supervisión clara. El modelo COSO constituye,
desde la perspectiva del control interno, un
referente relevante para diseñar, evaluar y
fortalecer sistemas de control, al articular el
ambiente de control, la evaluación de riesgos,
las actividades de control, la información y
comunicación, y el monitoreo. Cabrera y
Jaramillo (2020) señalan que este modelo
contribuye a consolidar una estructura orientada
al cumplimiento normativo, la confiabilidad de
la información y la eficacia operativa,
particularmente útil para transitar de procesos
manuales y reactivos hacia mecanismos
preventivos basados en evidencia.
La gestión de riesgos institucionales constituye,
además, un eje central para optimizar el control
interno. Tam y Cusquisiban (2020) explican que
permite identificar eventos que pueden afectar
objetivos estratégicos, operativos, financieros o
normativos, clasificándolos y valorándolos
según su probabilidad e impacto. Incorporar
inteligencia artificial exige, en ese sentido,
considerar la gobernanza de datos y de la propia
tecnología como condiciones necesarias para
una adopción responsable. Barham et al. (2023)
advierten que su uso en auditoría requiere
marcos de control que garanticen transparencia,
calidad de datos y supervisión adecuada,
mientras Requejo (2025) sostiene que permite
avanzar hacia modelos de supervisión más
continuos y orientados a riesgos, sin sustituir el
juicio profesional.
El Instituto Superior Tecnológico Universitario
EuroAmericano, específicamente en los
procesos vinculados a la carrera de Auditoría,
presenta fallas concretas: falta de
estandarización, escasa integración de sistemas
de información, procedimientos manuales
persistentes y dificultades para detectar
oportunamente riesgos e inconsistencias. Por
ello, el objetivo general de este estudio consiste
en proponer lineamientos para la aplicación de
la inteligencia artificial como apoyo a la
optimización del control interno institucional.
Los objetivos específicos son: examinar el
estado actual del control interno en los procesos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 194
de la carrera de Auditoría, identificar y analizar
sus principales debilidades y riesgos, evaluar el
potencial de la inteligencia artificial para
abordarlas, determinar los requerimientos
técnicos y funcionales para su integración, y
proponer lineamientos orientados a la
optimización del control interno. A partir de lo
anterior, el estudio se planteó responder la
siguiente pregunta de investigación: ¿cómo
puede la inteligencia artificial contribuir a la
optimización del control interno en dicha
institución, a partir del diagnóstico realizado
entre diciembre de 2024 y diciembre de 2025?
Materiales y Métodos
La investigación se desarrolló bajo un enfoque
mixto, combinando estrategias cuantitativas y
cualitativas para comprender de manera integral
el fenómeno estudiado. El diseño fue no
experimental, ya que las variables no fueron
manipuladas sino observadas en su contexto
natural, y transversal, dado que la recolección
de datos empíricos se realizó en una única fase.
Aunque la investigación se enmarcó
institucionalmente entre diciembre de 2024 y
diciembre de 2025, las encuestas y entrevistas
se aplicaron en un solo momento de
levantamiento de información, sin seguimiento
longitudinal a los participantes.
El enfoque mixto se integró mediante la
complementariedad entre resultados
cuantitativos, cualitativos y documentales. Las
encuestas permitieron identificar tendencias
generales sobre la percepción docente respecto
al control interno y al uso potencial de la
inteligencia artificial. Las entrevistas
semiestructuradas profundizaron en las causas
de las debilidades identificadas y en las barreras
institucionales para adoptar tecnologías
inteligentes. El análisis documental, por su
parte, contrastó estos hallazgos con
fundamentos teóricos y normativos
relacionados con inteligencia artificial, control
interno y gestión de riesgos. La población de
estudio estuvo conformada por docentes de la
carrera de Tecnología Superior en Auditoría del
Instituto Superior Tecnológico Universitario
EuroAmericano. Se utilizó un muestreo no
probabilístico por conveniencia, considerando
la disponibilidad y voluntad de participación de
los actores vinculados al objeto de estudio.
La muestra cuantitativa estuvo integrada por 7
docentes, mientras que para el componente
cualitativo se seleccionaron 4 del mismo grupo,
quienes participaron en entrevistas
semiestructuradas. Todos los participantes
tenían vinculación directa con procesos de
auditoría, control interno o gestión institucional.
Debido al tamaño reducido de la muestra, los
resultados no se interpretaron con fines de
generalización estadística, sino como una
aproximación descriptiva y analítica al contexto
institucional estudiado.
Se emplearon tres técnicas de recolección de
datos. La encuesta, aplicada mediante un
cuestionario estructurado con escala Likert,
evaluó la percepción de los participantes sobre
el uso de inteligencia artificial, la eficiencia del
control interno y las condiciones institucionales
para su integración. La entrevista
semiestructurada, guiada por un cuestionario
abierto, profundizó en las opiniones y
experiencias de los docentes acerca de las
debilidades del control interno y las
posibilidades de mejora mediante tecnologías
emergentes. El análisis documental, mediante
una ficha de revisión, sistematizó información
teórica, normativa y antecedentes científicos
relacionados con inteligencia artificial, control
interno y gestión de riesgos. La investigación se
desarrolló en varias fases secuenciales. Primero
se realizó un diagnóstico del control interno
institucional mediante revisión documental y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 195
observación indirecta de los procesos
vinculados a la carrera de Auditoría. Luego se
diseñaron los instrumentos de recolección,
sometidos a una prueba piloto con 2 docentes de
características similares a la muestra final que
no participaron en la aplicación definitiva, lo
que permitió ajustar la redacción y estimar el
tiempo promedio de respuesta.
Los instrumentos fueron validados mediante
juicio de expertos en auditoría y control interno.
Posteriormente se aplicaron las encuestas a los
7 docentes en formato impreso y digital, con
una duración aproximada de 15 minutos por
participante, y se realizaron las entrevistas
semiestructuradas a 4 docentes, de entre 20 y 30
minutos cada una, grabadas con previo
consentimiento y transcritas textualmente.
Finalmente, se complementó la información
con análisis documental de fuentes primarias y
secundarias.
Los datos cuantitativos se procesaron mediante
estadística descriptiva en Microsoft Excel,
calculando frecuencias absolutas y relativas
para cada ítem del cuestionario y organizando
los resultados en tablas de contingencia. Los
datos cualitativos se analizaron mediante
análisis temático de contenido: se transcribieron
las grabaciones, se codificaron las respuestas
por categorías predefinidas (debilidades del
control interno, riesgos, potencial de
inteligencia artificial, condiciones necesarias,
aspectos éticos) y se triangularon con la
información documental y los hallazgos
cuantitativos, lo que permitió identificar
coincidencias, divergencias y patrones
recurrentes.
La investigación se rigió por los principios
éticos establecidos en el comité de ética
institucional. Todos los participantes fueron
informados de manera clara sobre los objetivos
del estudio, la naturaleza voluntaria de su
participación y su derecho a retirarse en
cualquier momento sin consecuencias. Se
obtuvo consentimiento informado por escrito,
se garantizó confidencialidad y anonimato
mediante códigos alfanuméricos, y no se
recolectaron datos sensibles ni se expuso a los
participantes a riesgos físicos o psicológicos.
Los registros de audio y transcripciones se
almacenaron en dispositivos protegidos con
contraseña y serán destruidos al finalizar la
investigación.
Resultados y Discusión
Para examinar la percepción de los docentes
sobre el control interno institucional y el
potencial de la inteligencia artificial, se aplicó
un cuestionario estructurado de 10 preguntas
con escala Likert (1 = totalmente en desacuerdo,
5 = totalmente de acuerdo) a los 7 participantes
de la carrera de Auditoría. La pregunta
correspondiente a cada código se detalla a
continuación: P1. La IA facilitaría el análisis
automatizado de información para el control
interno. P2. La IA apoyaría la detección
temprana de riesgos. P3. La IA mejoraría la
eficiencia del monitoreo y seguimiento de
controles. P4. La institución cuenta con
condiciones básicas (datos, recursos, talento)
para integrar IA. P5.
El uso de IA debe aplicarse con lineamientos
claros de ética y protección de datos. P6. El
control interno cuenta con procedimientos
claros y documentados. P7. El control interno
permite detectar oportunamente errores e
inconsistencias. P8. Los procesos actuales de
control interno contribuyen a reducir riesgos
institucionales. P9. La información utilizada en
el control interno es confiable y se revisa de
forma sistemática. P10. El control interno
contribuye al cumplimiento normativo y a la
transparencia institucional. El análisis de la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 196
tabla 1 por bloques, permite organizar el
diagnóstico: el mayor acuerdo se concentra en
las condiciones institucionales y los
requerimientos para la integración de
inteligencia artificial (85,7%), seguido del
potencial atribuido a la inteligencia artificial
(76,2%) y, en último lugar, la valoración del
control interno actual (74,3%).
Tabla 1. Distribución porcentual de respuestas
a la encuesta.
Ítem
TD
D
N
A
TA
P1
0%
0%
14,3%
28,6%
57,1%
P2
0%
0%
28,6%
42,8%
28,6%
P3
0%
0%
28,6%
57,1%
14,3%
P4
0%
14,3%
14,3%
71,4%
0%
P5
0%
0%
0%
42,9%
57,1%
P6
0%
14,3%
14,3%
57,1%
14,3%
P7
0%
14,3%
0%
57,1%
28,6%
P8
14,3%
14,3%
14,3%
42,8%
14,3 %
P9
14,3%
0%
14,3%
57,1%
14,3%
P10
14,3%
0%
0%
71,4%
14,3%
Fuente: Elaboración propia.
Ese orden es revelador porque muestra una
valoración más favorable del conjunto de
condiciones y requerimientos vinculados con el
proceso de transformación tecnológica que del
sistema de control vigente. Esta diferencia
evidencia una expectativa tecnológica elevada
que no se corresponde plenamente con la
valoración del sistema base. Los resultados
sugieren que la incorporación de inteligencia
artificial, por sí sola, no resolvería las
deficiencias asociadas con procesos mal
diseñados; si el control interno ya no es
percibido como plenamente eficaz,
automatizarlo sin una reingeniería previa no
resolvería el problema, sino que probablemente
lo amplificaría.
Dentro del bloque de potencial tecnológico,
destaca el alto porcentaje de neutralidad
(28,6%) en los ítems sobre detección temprana
de riesgos y mejora del monitoreo. La
neutralidad en escalas Likert no necesariamente
representa una posición intermedia; en
contextos diagnósticos como este puede indicar
falta de información suficiente o
desconocimiento técnico. Que casi un tercio del
profesorado no exprese una opinión definida
sobre beneficios concretos de la inteligencia
artificial podría reflejar una necesidad de mayor
información o capacitación previa para
favorecer una incorporación adecuada de estas
herramientas.
El consenso absoluto sobre la necesidad de
lineamientos éticos y de protección de datos
(ítem 5: 100% entre de acuerdo y totalmente de
acuerdo) resulta, paradójicamente, uno de los
hallazgos más relevantes dentro del bloque de
condiciones y requerimientos para la
integración de inteligencia artificial. Este
resultado evidencia una conciencia
generalizada sobre la importancia de considerar
los riesgos asociados con la automatización; sin
embargo, según el diagnóstico cualitativo, la
institución carece de dichos lineamientos.
Existe, por tanto, una disonancia entre lo que los
docentes reconocen como necesario y lo que la
organización ha provisto hasta el momento.
Dentro del bloque de control interno actual, el
ítem 8 muestra que el 57,1% considera que los
procesos vigentes reducen efectivamente los
riesgos institucionales, mientras que el ítem 9
revela que un 14,3% manifiesta total
desacuerdo respecto a la confiabilidad y
revisión sistemática de la información. Aunque
en este último ítem predomina una valoración
favorable, la presencia de respuestas
desfavorables evidencia la conveniencia de
fortalecer los mecanismos de revisión,
organización y trazabilidad de la información,
especialmente si se considera que la calidad de
los datos constituye una condición necesaria
para el funcionamiento adecuado de sistemas
basados en inteligencia artificial.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 197
Tabla 2. Acuerdo promedio por bloque
temático
Bloque temático
Acuerdo promedio
Potencial de la IA (P1-P3)
76,2%
Condiciones institucionales (P4-P5)
85,7%
Control interno actual (P6-P10)
74,3%
Fuente: Elaboración propia.
Las entrevistas semiestructuradas aplicadas a 4
docentes de la carrera de Auditoría permitieron
profundizar en las percepciones sobre las
debilidades estructurales del control interno y
las condiciones necesarias para integrar
inteligencia artificial. El análisis temático,
triangulado con la revisión documental, revela
tres tensiones centrales, sintetizadas en la Tabla
3.
Tabla 3. Síntesis de las tensiones identificadas
en las entrevistas
Tensión
Evidencia
Implicación
Debilidades
normalizadas
Procesos no
estandarizados,
registros dispersos y
supervisión reactiva,
descritos con tono
naturalizado
Barrera cultural
que puede
generar
resistencia pasiva
a la
transformación
digital
Entusiasmo
sin base
técnica
La IA se asocia a
validación, monitoreo
y alertas, pero faltan
sistemas integrados y
protocolos
Riesgo de
proyectos fallidos
o herramientas
adquiridas y
subutilizadas
Ética sin
marco
normativo
Consenso en
confidencialidad y
supervisión humana,
pero sin lineamientos
institucionales
formales
La ética queda
librada al criterio
individual, con
riesgo de
inequidad y
opacidad
Fuente: Elaboración propia.
La primera tensión ocurre entre el diagnóstico
de debilidades y su normalización. Los docentes
coinciden en que los procesos no están
estandarizados y la supervisión es reactiva, pero
describen estas falencias con un tono casi
naturalizado, como si fueran inevitables. Esa
normalización de lo deficiente constituye una
barrera cultural: si el desorden se percibe como
parte de la rutina, cualquier transformación
digital enfrentará resistencia pasiva o
indiferencia activa. La segunda tensión surge
entre el entusiasmo por la inteligencia artificial
y el desconocimiento de sus requerimientos
básicos. La tecnología es deseada, pero sus
exigencias técnicas (sistemas integrados,
políticas de calidad de datos, protocolos de
auditoría algorítmica) no se comprenden del
todo, lo que puede derivar en proyectos fallidos
o en herramientas adquiridas y luego
subutilizadas.
La tercera tensión se ubica entre la conciencia
ética y la ausencia de marcos normativos. Todos
los entrevistados coinciden en la necesidad de
garantizar confidencialidad y supervisión
humana, pero reconocen que la institución no
cuenta con lineamientos formales. Esta
contradicción resulta particularmente
problemática porque la ética no puede quedar
librada a la buena voluntad individual: sin
regulaciones explícitas, cada profesional
resolverá según su propio criterio, generando
inequidad y opacidad institucional. La
integración de las fuentes cuantitativa,
cualitativa y documental permite consolidar el
diagnóstico institucional y contrastar las
percepciones docentes con la evidencia teórica
disponible.
En la tabla 4 la matriz evidencia que las
principales convergencias se dan en el
diagnóstico de debilidades y en el
reconocimiento del potencial de la inteligencia
artificial. La divergencia más significativa
ocurre, sin embargo, entre la percepción
optimista de condiciones institucionales
suficientes y las limitaciones reales
identificadas en las entrevistas, lo que sugiere
que los docentes evalúan condiciones básicas
elementales (computadores, conectividad) y no
los requisitos técnicos avanzados que la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 198
inteligencia artificial demanda. La tensión
estructural entre la alta expectativa tecnológica
y la fragilidad del control interno actual
constituye, en ese sentido, el hallazgo de mayor
relevancia del estudio: la institución corre el
riesgo de invertir en herramientas inteligentes
sin resolver antes sus debilidades
organizacionales de base.
Tabla 4. Matriz de triangulación de resultados.
Categoría
Síntesis
Relación
Debilidades
del control
interno
57,1% cree que el control
reduce riesgos; 14,3%
desconfía de la información.
Se describen procesos no
estandarizados y supervisión
reactiva (García y Lopera,
2024)
Convergencia
alta
Potencial de
la IA
85,7% confía en el análisis
automatizado; 71,4% en la
detección temprana. Se
vincula a validación de datos y
alertas (Alcívar y Escobar,
2025; Ortega et al., 2025)
Convergencia
total
Condiciones
institucionales
71,4% percibe condiciones
básicas suficientes, pero las
entrevistas revelan ausencia de
sistemas y normativas
(Barham et al., 2023)
Divergencia
Lineamientos
éticos
100% coincide en la necesidad
de normas éticas, aunque la
institución carece de ellas
(Pérez, 2024; González, 2025)
Convergencia
total
Brecha
formativa
28,6% de neutralidad en ítems
sobre monitoreo con IA; se
reconoce desconocer los
requerimientos técnicos
(Chamba et al., 2025)
Convergencia
alta
Tensión
central
Se observa una alta valoración
del potencial de la IA para el
análisis automatizado (85,7 %
en P1) frente a una valoración
menor de la capacidad de los
procesos actuales para reducir
riesgos (57,1 % en P8)
(Quintuña y Moreno, 2025).
Tensión
estructural
Fuente: Elaboración propia.
El hallazgo central de este estudio evidencia una
diferencia entre la percepción favorable hacia el
potencial de la inteligencia artificial (76,2 %) y
la valoración del control interno vigente (74,3
%), aunque ambos porcentajes muestran niveles
relativamente similares, no aparece de forma
aislada en la literatura. Correa (2024) plantea
que la transformación digital aplicada a la
auditoría favorece la automatización de tareas
operativas y libera esfuerzo profesional para
actividades de mayor valor analítico, mientras
Cachago (2024) sostiene que la inteligencia
artificial puede ampliar la cobertura de revisión
y reducir errores manuales. Ambos autores
condicionan, sin embargo, ese beneficio a
cambios organizacionales previos, exactamente
el punto de fricción detectado aquí: los docentes
desean la tecnología antes de haber resuelto las
debilidades que la tecnología debería ayudar a
corregir.
García y Lopera (2024) ofrecen una clave
interpretativa adicional al asociar los controles
reactivos con una eficiencia institucional
menor, lo que coincide con el 57,1% de
docentes que no percibe reducción efectiva de
riesgos en el sistema actual. Automatizar un
control reactivo no lo vuelve preventivo;
simplemente acelera su reacción. Por ello, la
evidencia de este estudio sugiere que la
reingeniería de procesos debería anteceder, y no
seguir, a la incorporación de inteligencia
artificial.
Las entrevistas permitieron profundizar en las
causas de esa brecha: dependencia de
procedimientos manuales, dispersión de
registros en distintos formatos, integración
limitada de sistemas de información y ausencia
de mecanismos permanentes de seguimiento.
Estas condiciones dificultan generar
información confiable y oportuna, y limitan la
capacidad institucional para sostener
herramientas basadas en datos. Anzules et al.
(2024) coinciden en que incorporar inteligencia
artificial en instituciones educativas exige
planificación, gobernanza tecnológica y
fortalecimiento de capacidades
organizacionales, mientras Barham et al. (2023)
insisten en que, sin marcos de control previos,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 199
la automatización termina heredando y
amplificando los defectos del proceso que
pretende mejorar. Vistas en conjunto, estas
barreras no son independientes entre sí: la falta
de estandarización explica en buena medida la
desconfianza hacia la información (ítem 9), y
esa desconfianza, a su vez, limita cualquier
beneficio real de un sistema inteligente
entrenado sobre datos poco fiables. Se trata, por
tanto, de un problema en cadena que ninguna
solución tecnológica aislada puede resolver.
El consenso absoluto sobre la necesidad de
lineamientos éticos y de protección de datos
revela que los participantes reconocen la
importancia de salvaguardas que garanticen
transparencia, responsabilidad institucional y
supervisión humana sobre los procesos
automatizados. Pérez (2024) y González (2025)
advierten, en ese sentido, sobre los riesgos de
opacidad algorítmica y de sesgos que emergen
cuando la inteligencia artificial se adopta sin
marcos regulatorios claros, mientras Quintuña y
Moreno (2025) recuerdan que esta tecnología
no reemplaza deficiencias estructurales en el
diseño del control interno, sino que las hace más
visibles. La coincidencia entre lo que los
docentes demandan y lo que la literatura
recomienda sugiere que la institución cuenta
con una base de sensibilización favorable sobre
la cual construir, aunque esa sensibilización
todavía no se ha traducido en política interna.
La Tabla 5 sintetiza la relación entre los
hallazgos propios y los antecedentes citados a lo
largo de esta discusión.
Tabla 5. Vinculación de los hallazgos con la literatura.
Hallazgo propio
Literatura
Relación
Confianza en la IA para análisis y monitoreo automatizado
Correa (2024); Cachago (2024)
Converge
Brecha entre expectativa tecnológica y madurez real del
control
García y Lopera (2024)
Converge
Barreras de capacitación, infraestructura y calidad de datos
Anzules et al. (2024); Barham et al.
(2023)
Converge
Consenso ético sin marco normativo institucional
Pérez (2024); González (2025)
Converge
La IA no sustituye deficiencias estructurales del control
Quintuña y Moreno (2025)
Converge
Neutralidad como síntoma de brecha formativa
Chamba et al. (2025)
Converge
Fuente: Elaboración propia.
Como se observa, la totalidad de los hallazgos
converge con la literatura consultada, lo que
otorga solidez interpretativa a los resultados,
pero también constituye una limitación a
reconocer: el estudio no encontró voces
discordantes ni en los datos ni en los
antecedentes revisados que matizaran esta
lectura. Investigaciones futuras podrían
beneficiarse de incorporar deliberadamente
fuentes con posturas más críticas sobre los
límites de la inteligencia artificial en auditoría,
para contrastar mejor el optimismo tecnológico
identificado en este estudio. Conviene señalar
algunas limitaciones al interpretar estos
resultados. La muestra reducida limita la
posibilidad de generalizar los hallazgos a otras
instituciones o contextos organizacionales, y el
estudio se circunscribe a la carrera de Auditoría
del Instituto Superior Tecnológico
Universitario EuroAmericano, por lo que las
percepciones responden a características
particulares de esa realidad. El diseño
transversal recogió información en un único
momento, sin captar posibles cambios a lo largo
del tiempo, y el estudio no incluyó la
implementación práctica de herramientas de
inteligencia artificial, por lo que los resultados
se limitan al análisis de percepciones,
expectativas y condiciones institucionales para
una posible adopción. A partir de los hallazgos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 200
obtenidos, se proponen cinco lineamientos
orientados a guiar una integración responsable
y efectiva de la inteligencia artificial en el
sistema de control interno del Instituto Superior
Tecnológico Universitario EuroAmericano. En
primer lugar, se considera necesario fortalecer
la estandarización y la calidad de los datos antes
de iniciar cualquier proceso de automatización.
Para ello, resulta pertinente implementar un
programa de limpieza, validación y
estructuración de las bases de datos
institucionales, acompañado de la
documentación sistemática de los
procedimientos clave, con el propósito de
garantizar información confiable, organizada y
adecuada para su procesamiento mediante
herramientas de inteligencia artificial.
Asimismo, se plantea el desarrollo de un
programa de capacitación escalonado en
inteligencia artificial dirigido tanto al personal
docente como administrativo. Este proceso
formativo deberá incorporar fundamentos
técnicos, casos de uso relacionados con
auditoría y control interno, manejo de
herramientas para el análisis de datos y
principios de ética aplicada. De esta manera, se
busca fortalecer las competencias
institucionales necesarias para utilizar estas
tecnologías de manera responsable y acorde con
las necesidades de la organización.
Otro lineamiento consiste en establecer un
comité de gobernanza tecnológica de carácter
multidisciplinario, encargado de diseñar,
implementar y actualizar las políticas
relacionadas con el uso ético de la inteligencia
artificial y la protección de los datos
institucionales. Este comité deberá establecer
criterios relacionados con la transparencia
algorítmica, la privacidad de la información, la
supervisión humana, la seguridad de los datos y
los protocolos necesarios para auditar los
sistemas basados en inteligencia artificial. De
igual manera, se recomienda implementar
inicialmente un proyecto piloto dentro de una
función específica del sistema de control
interno, como la detección de anomalías en
registros financieros o académicos. Esta
implementación progresiva permitirá evaluar el
funcionamiento de las herramientas antes de
extenderlas a otras áreas de la institución. Para
ello, deberán establecerse métricas claras
relacionadas con la eficiencia, la trazabilidad, la
precisión y la oportunidad de la información
generada, facilitando así la identificación de
fortalezas, limitaciones y posibles ajustes.
Se propone promover una cultura institucional
orientada hacia la mejora continua y la
supervisión humana efectiva. Esto implica
revisar periódicamente los lineamientos
establecidos e incorporar la participación de los
usuarios involucrados en los procesos de
control interno. Bajo esta perspectiva, la
inteligencia artificial debe concebirse como una
herramienta complementaria que fortalezca la
capacidad de análisis, facilite la detección de
riesgos y contribuya a la toma de decisiones, sin
sustituir el juicio profesional ni la
responsabilidad de las personas encargadas de
los procesos institucionales.
Conclusiones
El diagnóstico realizado en el Instituto Superior
Tecnológico Universitario EuroAmericano
evidencia una situación caracterizada por dos
aspectos, por un lado, existe una apertura
genuina hacia la inteligencia artificial: los
docentes de la carrera de Auditoría le atribuyen
capacidad real para analizar información,
monitorear procesos e identificar riesgos. Por
otro, esa apertura descansa sobre expectativas y
percepciones, no sobre una implementación
efectiva, lo que obliga a leer estos resultados
como un punto de partida y no como una
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 201
validación tecnológica. Ese optimismo
convive, además, con un sistema de control
interno todavía frágil en aspectos concretos:
estandarización de procesos, integración de la
información, trazabilidad documental y
mecanismos de seguimiento. Corregir estas
fallas no es un paso posterior a la incorporación
tecnológica, sino su condición de posibilidad;
ninguna herramienta inteligente puede operar
de forma confiable sobre datos dispersos o
procedimientos no documentados.
A esa fragilidad estructural se suman barreras
de adopción igualmente concretas: personal sin
capacitación específica, infraestructura
tecnológica limitada, calidad desigual de los
datos institucionales y una ausencia casi total de
normativa sobre gobernanza, ética y protección
de datos en el uso de estas tecnologías.
Superarlas exige decisiones institucionales
explícitas, no ajustes menores. Por ello,
cualquier avance hacia la inteligencia artificial
en este ámbito debería ser gradual y estar
acompañado, en todo momento, de supervisión
humana efectiva. Los cinco lineamientos
formulados en este estudio ofrecen una ruta
posible en esa dirección, aunque su valor sigue
siendo orientativo: al no haberse puesto a
prueba en la práctica, corresponde a futuras
investigaciones diseñar proyectos piloto que
midan sus efectos reales sobre la gestión de
riesgos, la eficiencia operativa y la calidad del
control interno.
Referencias Bibliográficas
Alcívar, A., & Escobar, M. (2025). Aportes de
la inteligencia artificial en la auditoría:
Revisión sistemática de literatura. Revista
Científica Multidisciplinaria Arbitrada
YACHASUN, 9(16), 102-115.
https://editorialibkn.com/index.php/Yachasu
n/article/view/589
Anzules, J., Vargas, H., Guerrero, J., Pilozo, M.,
Chamba, C., & Andrade, F. (2024).
Inteligencia artificial en la gestión educativa:
Innovación y eficiencia en la educación
superior. Livingworking Editorial.
https://liveworkingeditorial.com/product/inte
Barham, G., Banzon, A., Mercer, A., Seeuws,
K., & Nordhoff, G. (2023). Marco auditoría
de inteligencia artificial del IIA. The Institute
of Internal Auditors.
https://iaiecuador.org/wp-
content/uploads/2024/11/Marco-de-
Auditoria-de-IA.pdf
Cabrera, K., & Jaramillo, L. (2020). Aplicación
del sistema de control interno basado en el
modelo COSO I como herramienta didáctica
que establece la metodología a aplicar para
evaluaciones de control interno. Caso de
estudio. Ecos de la Academia: Revista de la
Facultad de Educación, Ciencia y
Tecnología, 6(12), 9-21.
https://dialnet.unirioja.es/servlet/articulo?co
digo=9104664
Cachago, E. (2024). Los retos de la auditoría
ante la implementación de inteligencia
artificial y su impacto en la calidad de la
auditoría en las firmas auditoras más
representativas del Ecuador (Trabajo de
titulación). Universidad Politécnica
Salesiana.
http://dspace.ups.edu.ec/handle/123456789/
28374
Caldarini, G., Jaft, S., & McGarry, K. (2022).
Una revisión bibliográfica de los avances
recientes en chatbots. Information, 13(1).
https://doi.org/10.3390/info13010041
Chamba, L., Cumbicus, O., Coronel, E., Gaona,
J., & Barba, L. (2025). Marco IA593: Modelo
de gobernanza, ética y estrategia para la
integración de la inteligencia artificial en la
educación superior del Ecuador (Preprint).
arXiv. https://arxiv.org/pdf/2602.09246
Chávez, B. (2024). Integración de la
inteligencia artificial generativa para el
aprendizaje de fundamentos de
programación: Una revisión sistemática de la
literatura (Trabajo de titulación). Universidad
Técnica Estatal de Quevedo.
https://repositorio.uteq.edu.ec/items/1b8dae12-
383d-4ba5-a52c-3b25fd6b0535
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 202
Correa, N. (2024). Transformación digital e
inteligencia artificial en el proceso de
auditoría (Trabajo de titulación). Universidad
Técnica de Machala.
https://repositorio.utmachala.edu.ec/server/a
pi/core/bitstreams/4bc57b6d-d5b4-4f57-
99e1-1654ff9587cf/content
Cortez, A., & García, R. (2024). La inteligencia
artificial y sus implicancias en el control
interno y la gestión de los inventarios.
Revista de Investigación de Sistemas e
Informática, 17(2).
https://doi.org/10.15381/risi.v17i2.29918
Crisóstomo, J., Herrera, G., & Dávila, A.
(2025). Automatización robótica de procesos
aplicado a los procesos de compra: Un caso
de la industria. Entre Ciencia e Ingeniería,
19(37), 35-40.
https://doi.org/10.31908/19098367.2970
Fernández, R. (2025). Modelos de deep
learning: Un enfoque de inteligencia
artificial. Revista Ciencia Latina
Internacional.
https://biblioteca.ciencialatina.org/modelos-
de-deep-learning-un-enfoque-de-
inteligencia-artificial/
García, A., & Lopera, T. (2024). Impacto del
uso de la inteligencia artificial en la auditoría
de los sistemas de control interno por parte
del revisor fiscal (Trabajo de grado).
Corporación Universitaria Remington.
https://repositorio.uniremington.edu.co/entiti
es/publication/fc2ee4af-6fda-44a7-8598-
9df9169df24d
Garzón, M., Del Campo, G., & Loor, B. (2025).
Análisis sistemático sobre la eficiencia
comunicativa entre chatbots basados en
reglas y modelos de lenguaje natural.
Universitas, 42.
https://doi.org/10.17163/uni.n42.2025.07
González, D. (2025). Inteligencia y toma de
decisiones: Perspectivas actuales. COLEX.
https://d2eb79appvasri.cloudfront.net/erp-
colex/openaccess/libros/openaccess_8200.pd
f
Navarrete, M., Alegría, D., Galarza, A., &
Ramírez, D. (2025). La inteligencia artificial
y el aprendizaje automático en educación
superior del Ecuador. Tesla Revista
Científica, 5(2), e515.
https://doi.org/10.55204/trc.v5i2.e515
Ortega, J., Pinto, R., Fajardo, N., Zambrano, A.,
& Zambrano, P. (2025). Inteligencia artificial
en la auditoría contable: Aplicaciones y
desafíos del uso de IA en la auditoría.
Sinergia Académica, 8(Especial 2).
https://sinergiaacademica.com/index.php/sa/
article/view/516
Pérez, J. (2024). Inteligencia artificial en
auditoría gubernamental: Desafíos éticos
emergentes. Ciencia Latina Revista
Científica Multidisciplinar, 8(4), 5984-5998.
https://doi.org/10.37811/cl_rcm.v8i4.12812
Quintuña, J., & Moreno, V. (2025). Integración
de la inteligencia artificial en los sistemas de
control interno de las organizaciones. Revista
UGC, 3(2), 261-272.
https://dialnet.unirioja.es/servlet/articulo?co
digo=10304062
Requejo, J. (2025). La inteligencia artificial al
servicio del órgano interventor: Casos de uso
en el sector local. Auditoría Pública: Revista
de los Órganos Autónomos de Control
Externo, 85, 107-125.
https://dialnet.unirioja.es/servlet/articulo?co
digo=10234750
Tam, G., & Cusquisiban, F. (2020). COSO
ERM 2017: Gestión de riesgos y su impacto
en la gestión empresarial en las empresas
importadoras de productos ópticos de cadena
en la ciudad de Lima año 2020 (Tesis de
licenciatura). Universidad Peruana de
Ciencias Aplicadas.
https://repositorioacademico.upc.edu.pe/han
dle/10757/657624
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Ana Magdalena
Malvacias Escalona, Walter Javier Maldonado De
La Cruz.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 203
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Ana Magdalena Malvacias Escalona: Definición y estructuración conceptual del estudio, el planteamiento metodológico, la ejecución de las actividades
investigativas, el procesamiento y análisis de la información, así como en la elaboración de la versión inicial del manuscrito. También intervino
en la revisión científica, evaluación crítica del contenido y coordinación general de la investigación.
Walter Javier Maldonado De La Cruz: Recopilación, depuración y sistematización de la información, así como en la organización de los datos obtenidos.
Contribuyó a la comprobación de los resultados, preparación de tablas y recursos gráficos, interpretación de la información y revisión final del
manuscrito para su presentación y publicación.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del presente
artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de existir
financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad de
los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse a
los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción del
manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito ni
sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.
