Abstract
The digital transformation of accounting has expanded
the use of historical records toward the construction of scenarios that support
business decisions under uncertainty. In this context, the purpose of this
article is to analyze the contributions, applications, limitations, and
perspectives of predictive accounting when integrated with managerial
intelligence systems. The study followed a qualitative, documentary, and
bibliographic approach with a descriptive, analytical, and reflective scope,
using an integrative review of scientific and institutional literature
published mainly between 2016 and 2026. The evidence examined indicates that
advanced analytics can strengthen liquidity, sales, cost, budget, and risk
forecasting, while also supporting anomaly detection and scenario comparison.
However, its usefulness depends on data quality and traceability, model
validation, result explainability, technology governance, and human oversight.
It is concluded that predictive accounting does not replace professional
judgment; rather, it broadens the accountant’s role toward interpretation, risk
communication, and strategic advice. Accordingly, organizational adoption
should progress through limited-scope projects, verifiable indicators, and
continuous review mechanisms that allow deviations to be corrected before
material decisions are affected.
Keywords: predictive
accounting, managerial intelligence, data analytics, decision-making, business
management.
Introducción
La función contable atraviesa una
transformación que amplía su orientación retrospectiva hacia la interpretación
prospectiva de señales financieras y operativas. Este desplazamiento se explica
por la disponibilidad de datos transaccionales, la integración de plataformas y
el aumento de la capacidad analítica; sin abandonar el registro, la
verificación ni el cumplimiento, la contabilidad predictiva utiliza
antecedentes cuantitativos para construir escenarios revisables y apoyar el
control anticipado. En este sentido, Quattrone (2016), advierte la
digitalización aporta valor cuando la información se integra al razonamiento
gerencial y no cuando se limita a acelerar procesos ya existentes.
Desde esta perspectiva, la información histórica
conserva su utilidad para explicar resultados, sustentar responsabilidades y
evaluar consistencia; sin embargo, resulta insuficiente cuando la dirección
necesita anticipar presiones de caja, variaciones de demanda, cambios de costos
o deterioros de solvencia. Wasserbacher y Spindler (2022), sostienen el
pronóstico no elimina la contingencia ni produce certezas, sino que organiza
evidencia, expresa márgenes de error y permite comparar alternativas antes de
comprometer recursos. Por ello, la capacidad predictiva debe entenderse como
apoyo a la decisión y no como sustituto del juicio directivo.
Por consiguiente, la incertidumbre también se origina
dentro de la organización cuando los datos permanecen dispersos entre sistemas,
áreas, hojas de cálculo o repositorios compatibles. Esta fragmentación reduce
la oportunidad del análisis y favorece interpretaciones parciales. Las
orientaciones de la IFRS Foundation (2024ª, 2024b), refuerza la necesidad de
mantener definiciones consistentes, trazabilidad, reglas de transformación y
responsabilidades sobre el dato, puesto que un mayor volumen de información no
compensa deficiencias de calidad y puede amplificar errores con apariencia de
precisión.
En este marco, la inteligencia gerencial se concibe
como la capacidad organizacional para convertir registros financieros,
indicadores operativos, señales comerciales y conocimiento contextual en
decisiones argumentadas. Según exponen, Losbichler y Lehner (2021), una
estimación puede mostrar buen desempeño histórico y, aun así, conducir a
decisiones inadecuadas si se confunden correlación y causalidad, precisión
promedio y riesgo extremo, o señal estadística y relevancia económica. De ahí
que los supuestos, criterios de validación y límites de uso deban permanecer
documentados y sujetos a revisión.
En correspondencia con lo expuesto, el propósito del
artículo es analizar de qué manera la integración entre contabilidad predictiva
e inteligencia gerencial puede fortalecer la toma de decisiones empresariales
bajo escenarios de incertidumbre. La reflexión se orienta a examinar sus
fundamentos conceptuales, aplicaciones, tecnologías, beneficios, riesgos y
perspectivas profesionales, con énfasis en las condiciones que permiten
utilizar la predicción de forma trazable, explicable y responsable.
Fundamentación teórica
Fundamentos conceptuales de la contabilidad
predictiva
La contabilidad predictiva puede
definirse como una extensión de los sistemas contables orientada a estimar
comportamientos futuros a partir de registros históricos, variables operativas,
indicadores financieros y modelos analíticos. Su finalidad no es adivinar
resultados, sino construir anticipaciones revisables sobre liquidez, ingresos,
costos, rentabilidad, endeudamiento o incumplimiento. Appelbaum et al., (2017),
destacan que esta orientación conserva los principios de evidencia y control,
pero incorpora probabilidades, escenarios y bandas de error vinculadas con
decisiones concretas.
La figura 1 sintetiza la evolución
progresiva desde el registro histórico hasta la recomendación gerencial,
secuencia que enlaza análisis descriptivo, diagnóstico financiero, predicción
de escenarios y orientación estratégica; la representación conserva continuidad
con las funciones contables previas, evita sugerir una ruptura absoluta,
mientras destaca el seguimiento, la interpretación y la responsabilidad como
condiciones necesarias para convertir registros acumulados en apoyo
prospectivo.
Figura 1. Evolución
de la información contable
|
Registro
histórico →
|
Análisis
descriptivo →
|
Diagnóstico
financiero →
|
Predicción
de escenarios →
|
Recomendación
gerencial
|
Fuente: Boscán (2026)
La secuencia representada en la figura 1 muestra una
ampliación progresiva del propósito informativo: el registro histórico describe
hechos; el análisis identifica patrones; el diagnóstico interpreta causas; la
predicción estima trayectorias posibles; y la recomendación gerencial compara
cursos de acción. Esta evolución no elimina las funciones tradicionales de la
contabilidad, sino que las conecta con un proceso prospectivo en el que la
validez de la recomendación depende de la calidad de los datos, la explicitación
de supuestos y la revisión posterior de los resultados.
La distinción entre contabilidad tradicional, de
gestión y orientación predictiva resulta necesaria para evitar confusiones
entre información de propósito general y modelos internos de apoyo decisional.
La primera prioriza reconocimiento, medición, presentación y comparabilidad; la
segunda adapta la información a la planificación y el control; y la última
utiliza ambas bases para estimar escenarios futuros sujetos a validación.
Rikhardsson y Yigitbasioglu (2018), permiten comprender esta continuidad al
vincular analítica e información contable con necesidades específicas de la
dirección.
Desde el punto de vista analítico, el nivel
descriptivo responde qué ocurrió; el diagnóstico examina por qué ocurrió; el
predictivo estima qué podría ocurrir; y el prescriptivo compara qué alternativa
conviene. Nielsen (2022), advierte estos niveles expresan una complejidad
creciente, pero no una superioridad automática: una recomendación prescriptiva
construida sobre datos incompletos o un diagnóstico débil puede resultar menos
útil que un análisis descriptivo sólido y oportunamente interpretado.
La figura 2 organiza los cuatro niveles analíticos
como un sistema circular para destacar la retroalimentación entre descripción,
diagnóstico, predicción y prescripción. La disposición evita presentar estas
capacidades como etapas aisladas y permite observar cómo la explicación del
pasado, la estimación del futuro y la evaluación de alternativas participan en
un aprendizaje contable acumulativo.
Figura 2. Niveles de
analítica aplicados a la contabilidad
|
DESCRIPTIVO
¿Qué ocurrió?
|
↺
|
DIAGNÓSTICO
¿Por qué ocurrió?
|
|
↺
|
◯
ANALÍTICA
CONTABLE
|
↺
|
|
PREDICTIVO
¿Qué podría ocurrir?
|
↺
|
PRESCRIPTIVO
¿Qué alternativa conviene?
|
Fuente: Boscán (2026)
La figura 2 evidencia que la analítica contable opera
como un ciclo de aprendizaje y no como una cadena rígida. Cada nivel genera
preguntas para el siguiente y, al mismo tiempo, recibe retroalimentación de los
resultados observados. Por ello, la prescripción debe apoyarse en una
descripción consistente y en un diagnóstico defendible; de lo contrario, la
sofisticación del modelo puede ocultar deficiencias de origen y trasladarlas a
la decisión empresarial.
Tabla 1. Diferencias
entre contabilidad tradicional y predictiva
|
Dimensión
|
Contabilidad
tradicional
|
Contabilidad
predictiva
|
|
Orientación temporal
|
Hechos consumados y cierre
periódico.
|
Escenarios futuros y
actualización continua.
|
|
Propósito
|
Registro, control y presentación.
|
Anticipación, alerta y apoyo decisional.
|
|
Datos
|
Principalmente financieros y
estructurados.
|
Financieros, operativos y
contextuales.
|
|
Resultado
|
Estados, reportes y variaciones.
|
Probabilidades, rangos y escenarios.
|
|
Responsabilidad
|
Aplicación normativa y revisión.
|
Validación del modelo,
interpretación y supervisión.
|
|
Riesgo central
|
Error de registro o clasificación.
|
Sesgo, sobreajuste, opacidad o mala interpretación.
|
Fuente: Boscán (2026)
Asimismo, los registros contables
aportan señales relevantes para pronosticar flujos de efectivo, ventas, costos,
márgenes, apalancamiento, riesgo crediticio, fraude e insolvencias, siempre que
la granulidad, temporalidad y definición de los datos corresponda al problema
analizado. Wasserbacher y Spindler (2022), señalan las cuentas históricas
adquieren mayor capacidad explicativa cuando se complementan con pedidos,
inventarios, comportamiento de pago, capacidad instalada y variables externas.
En consecuencia, la calidad, pertinencia y coherencia semántica resultan más
importantes que la acumulación indiscriminada de datos.
Inteligencia gerencial y sistemas de información
La inteligencia gerencial constituye
una capacidad colectiva para integrar información financiera, operativa y
estratégica en decisiones fundamentadas. No se traduce a un software
especifico, porque combina infraestructura, normas de calidad, análisis, visualización,
comunicación y responsabilidad. Szukits (2022), sostiene que la analítica
genera valor cuando ayuda a formular preguntas relevantes, contrastar
escenarios y explicar consecuencias, mientras la dirección conserva la
autoridad para ponderar riesgos, objetivos y restricciones propias de cada
situación.
Desde esta perspectiva, los sistemas
ERP concentran transacciones; las plataformas de inteligencia de negocios
estructuran consultas; los almacenes de datos consolidan fuentes; la
computación en la nube amplía disponibilidad; y los tableros presentan indicadores
para el seguimiento. Esta arquitectura puede reducir la dispersión, pero
solo si existe una gobernanza común; por ende, Knudsen (2020), advierte que la
integración técnica no garantiza equivalencia semántica, por lo cual se
requieren catálogos, reglas de transformación, controles de acceso y
responsables capaces de detectar y corregir inconsistencias.
En este sentido, la relación entre
dato, información, conocimiento e inteligencia permite comprender por qué la
disponibilidad tecnológica no equivale a capacidad decisional. El primero
representa un hecho; el segundo surge al organizarlo con contexto; el tercero
aparece al interpretar su significado; y último se manifiesta al vincular esa
interpretación con elección, ejecución y aprendizaje. Pisoni et al. (2024) y el
World Bank (2021), coinciden en que una organización puede almacenar grandes
volúmenes y, aun así, decidir de manera deficiente si carece de criterios
comunes, responsables y espacios de deliberación.
La figura 3 representa la
integración entre el componente contable y el gerencial. La intersección reúne
evidencia financiera, conocimiento estratégico y evaluación de escenarios,
mostrando que indicadores, presupuestos, riesgos, juicio directivo y prioridades
organizacionales deben coordinarse para producir una decisión empresarial
informada.
Figura 3.
Integración entre contabilidad predictiva e inteligencia gerencial
|
◯
CONTABILIDAD PREDICTIVA
Datos contables
Indicadores
Presupuestos
Riesgos
|
DECISIÓN
EMPRESARIAL
INFORMADA
|
◯
INTELIGENCIA GERENCIAL
Conocimiento estratégico
Escenarios
Juicio directivo
Decisiones
|
Fuente: Boscán (2026)
La intersección mostrada en la figura 3 indica que la
proyección contable adquiere valor cuando se vincula con conocimiento
estratégico y juicio directivo. A su vez, la inteligencia gerencial necesita
una base contable trazable para justificar las alternativas consideradas. Esta
relación exige documentar fuentes, supuestos, nivel de confianza y sensibilidad
de resultados, de manera que el escenario seleccionado conserve coherencia
financiera, sentido organizacional y responsabilidad profesional.
En consecuencia, los sistemas de
apoyo a decisiones deben, por tanto, exponer los supuestos, las fuentes, el
nivel de confianza y la sensibilidad de cada resultado. Esta práctica facilita
la revisión crítica y disminuye la dependencia de una cifra aislada. Bajo las
orientaciones del NIST (2023), la organización también debe registrar la
decisión adoptada, sus fundamentos y el resultado posterior, creando una
memoria que permita evaluar el desempeño del modelo, corregir desviaciones y
mejorar los criterios de uso.
Integración entre contabilidad predictiva e
inteligencia gerencial
La vinculación entre contabilidad predictiva e
inteligencia gerencial puede representarse como un ciclo de captura,
refinamiento, integración, modelado, validación, visualización, decisión,
ejecución y evaluación, secuencia que transforma datos dispersos en escenarios
discutibles sin perder seguimiento; cada etapa requiere controles específicos y
responsables identificables. De acuerdo con Schnegg y Möller (2022), una falla
temprana en clasificación o calidad puede propagarse hasta la decisión,
mientras la retroalimentación permite comparar pronóstico con resultado y
ajustar supuestos para períodos posteriores.
La figura 4 representa el ciclo predictivo como una
secuencia cerrada, disposición que integra captura, integración, modelado y
validación con visualización, decisión, seguimiento y retroalimentación; el
esquema subraya continuidad operativa, evita modelos estáticos, mientras
demuestra cómo cada resultado debe regresar al sistema para revisar supuestos,
ajustar parámetros y conservar utilidad ante cambios del entorno empresarial.
Figura 4. Ciclo
predictivo para la toma de decisiones
|
Captura →
|
Depuración →
|
Modelado →
|
Validación ↓
|
|
Retroalimentación ↑
|
Seguimiento ←
|
Decisión ←
|
Visualización ←
|
Fuente: Boscán (2026)
El ciclo representado en la figura 4 subraya que la
predicción no finaliza con la visualización. Su utilidad depende de la decisión
adoptada, del seguimiento de sus efectos y de la retroalimentación que regresa
al sistema. Comparar estimaciones con resultados reales permite identificar
desviaciones, revisar supuestos y documentar responsabilidades, evitando que el
modelo se convierta en una herramienta estática desconectada del aprendizaje
organizacional.
La integración también redefine
responsabilidades profesionales. El contador valida coherencia financiera y
trazabilidad; el analista examina patrones y desempeño; el responsable
tecnológico asegura infraestructura, seguridad y continuidad; y el directivo
interpreta consecuencias estratégicas. Jarrahi (2018) y Shrestha et al.,
(2019), destacan que esta distribución interdisciplinaria mejora la calidad de
la decisión cuando cada perfil cuestiona los supuestos desde su competencia y
la atribución final permanece en manos humanas.
En el pronóstico de flujo de caja, la integración
combina cobros previstos, pagos comprometidos, estacionalidad, comportamiento
de clientes y escenarios de financiamiento, enfoque que permite identificar
desfases temporales y anticipar necesidades de liquidez sin tratar la
estimación como saldo seguro. Según explican Wasserbacher y Spindler (2022), el
valor gerencial surge al comparar las proyecciones base, adverso y favorable,
definir alertas y relacionar cada desviación con acciones posibles, mientras la
revisión continua incorpora nueva información y reduce la obsolescencia del
cálculo.
En ventas, costos y presupuestos, los modelos pueden
relacionar demanda, precios, volúmenes, productividad, compras y capacidad
instalada, lo que favorece proyecciones sensibles a los impulsores operativos y
permite revisar metas antes del cierre. Schnegg y Möller (2022), sostienen que
la adopción requiere infraestructura suficiente, participación de los
responsables y objetivos acotados al inicio; los proyectos delimitados
facilitan demostrar valor, corregir fallas y ampliar el alcance con evidencia.
En la detección de anomalías, riesgo crediticio,
fraude e insolvencia, la analítica permite identificar combinaciones inusuales,
cambios de comportamiento y señales tempranas que ayudan a priorizar
revisiones. Sin embargo, una alerta no constituye una prueba definitiva. Munoko
et al., (2020), señalan que el profesional debe examinar el contexto, los
falsos positivos y las consecuencias de la intervención; una clasificación
incorrecta puede afectar clientes, operaciones y reputación, por lo que se
requieren evidencia, revisión y mecanismos de corrección.
Tabla 2.
Aplicaciones predictivas, datos requeridos, resultados esperados y riesgos
asociados
|
Aplicación
|
Datos requeridos
|
Resultado esperado
|
Riesgo asociado
|
|
Flujo de caja
|
Cobros, pagos, vencimientos y
saldos.
|
Brechas de liquidez y escenarios.
|
Supuestos de cobro inestables.
|
|
Ventas e ingresos
|
Pedidos, precios, estacionalidad y mercado.
|
Rangos de demanda e ingreso.
|
Cambios estructurales no capturados.
|
|
Costos
|
Consumos, compras, productividad
y capacidad.
|
Desviaciones y costo esperado.
|
Asignaciones inconsistentes.
|
|
Fraude y anomalías
|
Transacciones, usuarios, horarios y patrones.
|
Alertas priorizadas.
|
Falsos positivos y sesgo.
|
|
Riesgo crediticio
|
Pagos, deuda, liquidez y
comportamiento.
|
Probabilidad de incumplimiento.
|
Discriminación indirecta.
|
|
Insolvencia
|
Estados, flujos, deuda y entorno.
|
Alertas tempranas.
|
Confianza excesiva en datos históricos.
|
Fuente: Boscán (2026)
Tecnologías empleadas
La inteligencia artificial, el
aprendizaje automático, la automatización robótica de procesos, la minería de
datos, el procesamiento del lenguaje natural y la computación en la nube
aportan capacidades diferenciadas al sistema predictivo. La selección tecnológica
debe responder al problema, al tipo de datos, al nivel de riesgo y a la
necesidad de explicación. Moll y Yigitbasioglu (2019), Issa et al. (2016),
Kokina y Davenport (2017) e IFAC (2017), coinciden en que estas tecnologías
transforman procedimientos y perfiles profesionales, pero no eliminan la
necesidad de juicio experto.
En este sentido, la figura 5
organiza el esquema gerencial en niveles escalonados, diseño que permite
observar cómo las fuentes internas y externas alimentan integración,
almacenamiento y analítica predictiva antes de llegar a tableros directivos; la
estructura destaca dependencia entre capas, separa funciones técnicas de uso
decisional, mientras vincula calidad de origen, consistencia semántica y
comunicación directiva dentro de una misma ruta informativa.
Figura 5. Esquema de
un sistema de inteligencia gerencial
|
4. TABLEROS GERENCIALES Y DECISIONES
|
|
|
|
|
|
3. ANALÍTICA PREDICTIVA
|
|
|
|
|
|
2. INTEGRACIÓN Y ALMACENAMIENTO
|
|
|
|
|
|
1. FUENTES INTERNAS Y EXTERNAS
|
Fuente: Boscán (2026)
La estructura de la figura 5
evidencia que un tablero no puede compensar fallas de origen. Cada capa depende
de la consistencia construida en la anterior: las fuentes deben ser confiables,
la integración debe conservar significado, la analítica debe validarse y la
visualización debe comunicar límites. En consecuencia, el valor gerencial del
sistema exige gobierno de datos, documentación de modelos y criterios de
visualización, mientras la dirección conserva responsabilidad sobre la
interpretación y el uso final de los resultados.
En este sentido, regresiones,
árboles de decisión, bosques aleatorios, máquinas de soporte vectorial, redes
neuronales y métodos de series temporales ofrecen alternativas con capacidades
distintas, selección que, de acuerdo con Wasserbacher y Spindler (2022), debe
considerar precisión, estabilidad, interpretabilidad y costo operativo. Un
modelo complejo puede capturar relaciones no lineales y perder transparencia,
mientras uno sencillo puede comunicar mejor sus supuestos y sostener decisiones
reguladas, por ello Nielsen (2022), advierte la comparación debe valorar el
desempeño fuera de muestra y la relevancia económica, no solamente el ajuste
histórico.
La calidad del modelo depende de la
definición del objetivo, el horizonte temporal, la disponibilidad y frecuencia
de los datos, así como de la tolerancia al error. Estas condiciones varían
entre la previsión de caja, la detección de fraude y la evaluación
presupuestaria. Bajo las directrices del NIST (2023), la validación debe
incorporar pruebas de estabilidad, análisis de sensibilidad y documentación de
versiones, parámetros y responsables, con el fin de evitar modificaciones
silenciosas que dificulten reproducir o explicar una decisión.
Como consecuencia de lo expuesto, la
explicabilidad adquiere relevancia cuando una estimación afecta crédito,
inversión, presupuesto o continuidad operativa, debido a que los usuarios
necesitan comprender factores determinantes y límites antes de actuar; tal como
destaca la OECD (2019a, 2019b), no toda explicación técnica resulta útil para
la gerencia, por lo cual debe combinarse la importancia de variables,
escenarios comparativos y lenguaje financiero, mientras Losbichler y Lehner
(2021), advierten que la supervisión humana debe revisar la coherencia y las
consecuencias ante posibles desviaciones conforme a criterios éticos.
Aportes a la toma de decisiones empresariales
La anticipación de desviaciones
financieras constituye un beneficio relevante cuando los modelos se actualizan
con datos oportunos y las alertas se vinculan con acciones concretas. Appelbaum
et al., (2017), destacan que una señal útil debe facilitar la detección
temprana de deterioros y orientar la revisión antes del cierre. Para ello, la
gerencia necesita conocer la causa probable, el nivel de confianza y el
responsable de seguimiento, distinguiendo una variación normal de un cambio
estructural.
La automatización también puede
reducir tiempos de procesamiento y liberar capacidad profesional para la
interpretación, la comunicación y la evaluación de escenarios. IFAC (2023),
subraya que este beneficio depende de la estandarización, la integración y la
calidad de los datos. Oesterreich y Teuteberg (2019) y Oesterreich et al.,
(2019), añaden que la rapidez no debe convertirse en presión para aprobar
recomendaciones sin revisión; el valor aparece cuando el tiempo ahorrado se
traslada a tareas de mayor juicio y seguimiento.
Por otra parte, la evaluación de
escenarios alternativos favorece la asignación de recursos y la planificación
continua; de acuerdo con Wasserbacher y Spindler (2022), cada escenario
representa supuestos coherentes y consecuencias comparables; la dirección puede
analizar la sensibilidad de la liquidez, rentabilidad y capacidad ante
variaciones de precio, demanda o costo, mientras el modelo expone rangos, no un
único futuro, lo cual mejora la discusión sin eliminar el conflicto entre
objetivos ni la responsabilidad por la elección final.
El control interno puede
fortalecerse cuando las fuentes, transformaciones, accesos y decisiones se
documentan de manera consistente. Las directrices del NIST (2023), favorecen la
trazabilidad, la segregación de funciones, el monitoreo y la auditoría del
modelo. A su vez, la IFRS Foundation (2023), sugiere que las alertas
gerenciales deben priorizarse según materialidad y riesgo, de modo que la
abundancia de indicadores no genere sobrecarga informativa ni desplace la
atención de los asuntos con mayor impacto.
Riesgos, limitaciones y desafíos de
implementación
La calidad e integridad de los datos
constituyen la primera restricción para cualquier aplicación predictiva. El
World Bank (2021), advierte que registros incompletos, definiciones
inconsistentes, errores de captura y cambios contables pueden introducir patrones
engañosos. Por ello, la organización necesita controles de origen,
conciliaciones, reglas de transformación y responsables de corrección; además,
bajo los lineamientos del NIST (2023), las ausencias y ajustes deben
documentarse para evitar que una precisión aparente oculte problemas de base.
Los sesgos algorítmicos y la falta
de transparencia pueden trasladar desigualdades históricas o criterios
inadecuados hacia decisiones futuras. Munoko et al., (2020), advierten que el
riesgo aumenta cuando variables indirectas reproducen atributos sensibles o
cuando los usuarios aceptan resultados únicamente por su autoridad técnica. La
evaluación debe incluir pruebas por segmentos, revisión de consecuencias y
mecanismos de impugnación, mientras la gerencia define límites de
automatización y preserva supervisión humana en decisiones materiales.
La figura 6 reúne los riesgos
centrales en un diagrama radial, representación que facilita comprender
interacción entre sesgo, datos incompletos, opacidad algorítmica y
ciberseguridad, además de dependencia tecnológica, error interpretativo y
deterioro del modelo; la disposición sitúa supervisión humana en el centro,
muestra transversalidad del control, mientras relaciona prevención, respuesta y
corrección dentro de una gobernanza común.
Figura 6. Riesgos de
la contabilidad predictiva
|
Sesgo
|
Datos
incompletos
|
Opacidad
algorítmica
|
|
Ciberseguridad
|
SUPERVISIÓN
HUMANA
|
Dependencia
tecnológica
|
|
Error
interpretativo
|
Privacidad
|
Deterioro del
modelo
|
Fuente: Boscán (2026)
El núcleo de supervisión humana expresa una
responsabilidad transversal, debido a los riesgos técnicos, organizacionales y
éticos, los cuales requieren revisión coordinada y capacidad para suspender
decisiones automáticas; la interpretación radial evita jerarquías rígidas,
destaca interdependencias, mientras recuerda que privacidad, seguridad,
explicabilidad y calidad deben evaluarse conjuntamente antes de permitir
recomendaciones con consecuencias materiales.
Tabla 3. Desafíos
organizacionales y acciones recomendadas para la implementación
|
Desafío
|
Manifestación
|
Acción
recomendada
|
|
Calidad
de datos
|
Duplicados,
vacíos y definiciones distintas.
|
Gobierno de
datos, conciliación y responsables.
|
|
Falta
de explicabilidad
|
Resultados difíciles de
justificar.
|
Modelos interpretables y
documentación por escenario.
|
|
Resistencia
organizacional
|
Desconfianza o
uso superficial.
|
Participación
temprana, formación y pilotos acotados.
|
|
Dependencia
tecnológica
|
Baja capacidad de evaluación
interna.
|
Cláusulas de portabilidad y
desarrollo de competencias.
|
|
Ciberseguridad
|
Exposición de
datos financieros.
|
Controles de
acceso, cifrado y respuesta a incidentes.
|
|
Supervisión
insuficiente
|
Decisiones automáticas sin
revisión.
|
Umbrales, doble validación y
registro de excepciones.
|
Fuente: Boscán (2026)
La dependencia de proveedores, los
costos de implementación, la ciberseguridad y la privacidad conforman un
conjunto de riesgos operativos, contractuales y reputacionales. El World Bank
(2021), resalta la necesidad de establecer acuerdos sobre propiedad del dato,
transferencia, continuidad y niveles de servicio. De forma complementaria, el
NIST (2023), recuerda que la nube puede ampliar la capacidad tecnológica y, al
mismo tiempo, la exposición; por ello, la organización debe desarrollar
competencias internas suficientes para evaluar críticamente los servicios
contratados.
Toda predicción constituye una
estimación probabilística y no una certeza. Los cambios de mercado, las
decisiones humanas y los eventos extremos pueden alterar relaciones históricas,
por lo que los resultados deben comunicarse como rangos revisables y acompañarse
de sus supuestos. IFAC (2024a) y Losbichler y Lehner (2021), coinciden en que
la responsabilidad permanece en quienes diseñan, validan, aprueban y ejecutan;
en consecuencia, deben existir mecanismos para revisar, limitar o detener el
sistema cuando su desempeño se deteriora.
Perspectivas emergentes para la gerencia y la
profesión contable
La contabilidad en tiempo real, los
modelos explicables, la planificación continua y la integración de variables no
financieras configuran una perspectiva en la que los cierres periódicos se
complementan con señales de actualización frecuente. Esta capacidad puede
mejorar la respuesta gerencial, pero también aumentar la exposición al ruido.
La IFRS Foundation (2023, 2024a), refuerza la necesidad de definir
materialidad, frecuencia y niveles de decisión, así como de traducir
indicadores operativos o de sostenibilidad en consecuencias financieras sin
perder consistencia conceptual.
En concordancia con ello, los
gemelos digitales empresariales y la simulación avanzada pueden representar
procesos, capacidades, flujos y restricciones para explorar escenarios antes de
ejecutarlos, posibilidad que exige datos confiables, supuestos transparentes y
límites claros. Tal como plantean Kurpiela y Teuteberg (2024), su utilidad
radica en comparar respuestas ante cambios mediante la visualización de
interdependencias, mientras el juicio directivo define qué variables poseen
relevancia estratégica y cómo se ponderan las consecuencias no capturadas por
el modelo.
El perfil contable tiende a
desplazarse desde tareas concentradas en registro y cumplimiento hacia
funciones de interpretación, validación, comunicación de riesgos y
acompañamiento decisional. Richins et al., (2017), asocian esta transición con
alfabetización de datos y comprensión tecnológica, mientras Ballou et al.,
(2018), sostienen que la formación debe integrar contabilidad, analítica y
comunicación. La automatización, por tanto, no elimina la identidad
profesional: incrementa la importancia del criterio financiero, el escepticismo
y la capacidad de explicar escenarios a usuarios no técnicos.
En este marco, la figura 7 compara
el perfil contable tradicional con una orientación estratégica, contraste que
no plantea sustitución, sino ampliación de competencias en análisis, predicción
y comunicación; la representación conserva registro, cumplimiento, conciliación
y control como fundamentos, mientras incorpora tecnología, asesoramiento y
capacidad para acompañar decisiones mediante interpretación financiera,
explicación de riesgos, comprensión de escenarios complejos.
Figura 7. Nuevo
perfil del profesional contable
|
PERFIL
TRADICIONAL
□ Registro
□ Cumplimiento
□ Conciliación
□ Control
|
→
EVOLUCIÓN
PROFESIONAL
→
|
PERFIL
ESTRATÉGICO
■ Análisis
■ Predicción
■ Comunicación
■ Tecnología
■ Asesoramiento
|
Fuente: Boscán (2026)
Materiales y métodos
La investigación se desarrolló desde un enfoque
cualitativo, con naturaleza documental y bibliográfica, alcance descriptivo,
analítico y reflexivo y diseño no experimental. Se empleó una revisión
integrativa para examinar aportes conceptuales, aplicaciones empresariales,
riesgos técnicos, implicaciones profesionales y perspectivas de la contabilidad
predictiva articulada con la inteligencia gerencial. La unidad de análisis
estuvo constituida por artículos científicos, libros académicos, informes
institucionales, normas técnicas y documentos especializados; en consecuencia,
no se generaron datos primarios mediante encuestas, entrevistas, observación de
campo o experimentación.
La búsqueda documental consideró
Scopus, Web of Science, ScienceDirect, SpringerLink, Emerald Insight, Wiley
Online Library, Taylor & Francis, SAGE Journals, IEEE Xplore y Google
Scholar, además de los portales institucionales de IFRS Foundation, IFAC, OECD,
NIST y World Bank. El periodo de referencia se concentró principalmente
entre 2016 y 2026, con inclusión de publicaciones en español e inglés
relacionadas con contabilidad, analítica de datos, inteligencia artificial,
gestión de riesgos, sistemas de información y toma de decisiones empresariales.
Los criterios de selección priorizaron correspondencia
temática con el propósito del artículo, calidad y trazabilidad de la fuente,
claridad del aporte, actualidad y utilidad para comprender aplicaciones,
limitaciones y condiciones organizacionales. Se excluyeron materiales
duplicados, textos sin relación directa con las categorías analizadas y
documentos cuyo origen o contenido no permitiera una valoración académica
suficiente.
El análisis se realizó mediante lectura crítica,
comparación temática y síntesis analítica. La información se organizó en
categorías relativas a fundamentos conceptuales, integración de sistemas,
aplicaciones predictivas, tecnologías, beneficios, riesgos, gobernanza y
transformación del rol profesional. Esta organización permitió contrastar
coincidencias y divergencias entre autores, así como relacionar los
planteamientos teóricos con implicaciones gerenciales.
Para preservar el rigor de la revisión se mantuvo la
trazabilidad de las referencias utilizadas y se evitó declarar un número total
de documentos no respaldado por una bitácora de cribado verificable. El énfasis
metodológico se situó, por tanto, en la pertinencia y consistencia de las
fuentes efectivamente analizadas, de modo que las conclusiones se deriven de
evidencia identificable y no de cifras de selección no documentadas.
Resultados
La revisión evidencia un consenso central: la
analítica avanzada amplía el valor de la información contable cuando transforma
registros históricos en escenarios útiles para anticipar liquidez, ingresos,
costos, presupuestos y exposición al riesgo. Quattrone (2016), Appelbaum et al.
(2017) y Wasserbacher y Spindler (2022), convergen en que el aporte no reside
únicamente en aumentar la velocidad del cálculo, sino en mejorar la capacidad
de comparar alternativas y actuar antes de que las desviaciones se
materialicen.
Un segundo hallazgo muestra que la capacidad
predictiva depende menos de la complejidad algorítmica que de la calidad de la
arquitectura informativa. Knudsen (2020), el World Bank (2021) y el NIST
(2023), coinciden en la importancia de la integración semántica, la
trazabilidad, la documentación y el gobierno del dato. En consecuencia, los
modelos pierden utilidad cuando se alimentan con definiciones inconsistentes,
fuentes fragmentadas o procesos de transformación que no pueden ser explicados
y auditados.
La evidencia también identifica una tensión respecto
del alcance de la automatización. Mientras las herramientas de inteligencia
artificial y aprendizaje automático amplían la detección de patrones y la
actualización de pronósticos, Munoko et al., (2020), Losbichler y Lehner (2021)
e IFAC (2024a), enfatizan que las decisiones con consecuencias materiales
requieren supervisión humana, evaluación de sesgos y mecanismos de corrección.
El resultado relevante no es la automatización total, sino una distribución
explícita de responsabilidades entre tecnología y juicio profesional.
En este sentido, la literatura revisada sugiere una
transformación del rol contable. La automatización reduce tareas repetitivas y
desplaza valor hacia la interpretación, la validación de modelos, la
comunicación de incertidumbre y el asesoramiento estratégico. Szukits (2022),
Oesterreich et al., (2019) y Richins et al., (2017) muestran que la capacidad
analítica produce mejores resultados cuando existe orientación digital y
participación activa del profesional contable, por lo que la formación tecnológica
debe complementarse con criterio financiero y ético.
Tabla 4. Síntesis de
los principales hallazgos de la revisión
|
Hallazgo
|
Evidencia
convergente
|
Implicación
gerencial
|
|
Anticipación
y escenarios
|
Quattrone (2016);
Appelbaum et al. (2017); Wasserbacher y Spindler (2022)
|
Usar pronósticos
como rangos revisables vinculados con acciones y alertas.
|
|
Calidad
y gobierno del dato
|
Knudsen (2020); World Bank
(2021); NIST (2023)
|
Priorizar trazabilidad,
consistencia semántica, responsables y controles de transformación.
|
|
Supervisión
y explicabilidad
|
Munoko et al.
(2020); Losbichler y Lehner (2021); IFAC (2024a)
|
Mantener
revisión humana, límites de automatización y mecanismos de corrección.
|
|
Transformación
profesional
|
Oesterreich et al. (2019);
Richins et al. (2017); Szukits (2022)
|
Fortalecer competencias
analíticas, comunicación de riesgos y asesoramiento estratégico.
|
Fuente: Boscán (2026)
Discusión
Los resultados permiten interpretar la contabilidad
predictiva como una ampliación de la función contable más que como una ruptura
con sus fundamentos. La información histórica continúa siendo necesaria para
rendición de cuentas y control, pero adquiere un uso adicional cuando se
conecta con variables operativas y modelos capaces de representar escenarios.
Esta lectura coincide con Rikhardsson y Yigitbasioglu (2018), quienes sitúan la
analítica dentro de la evolución de la contabilidad de gestión, y con Quattrone
(2016), quien advierte que la digitalización solo mejora las decisiones cuando
se integra con el razonamiento organizacional.
La comparación entre fuentes también cuestiona la idea
de que una mayor sofisticación tecnológica produce automáticamente mejores
decisiones. Nielsen (2022) y Wasserbacher y Spindler (2022), muestran que la
precisión debe evaluarse junto con estabilidad, interpretabilidad y relevancia
económica. Por ello, un modelo menos complejo puede ser más apropiado cuando la
decisión exige explicación, trazabilidad o control regulatorio. La utilidad
gerencial depende de la correspondencia entre el problema, los datos, el modelo
y el nivel de riesgo aceptable.
Otro punto de discusión se relaciona con la
gobernanza. La integración de ERP, plataformas de inteligencia de negocios,
servicios en la nube y modelos predictivos puede reducir la fragmentación, pero
también propagar errores con mayor velocidad si las definiciones no son
consistentes. En este sentido, Knudsen (2020), el NIST (2023) y la IFRS
Foundation (2024a, 2024b), permiten sostener que la gobernanza del dato y del
modelo no constituye un componente accesorio, sino la condición que hace
posible auditar, explicar y corregir los resultados antes de que influyan en
decisiones materiales.
Finalmente, la evidencia respalda una relación
complementaria entre automatización y juicio profesional. La tecnología puede
ampliar la capacidad de detectar patrones, simular escenarios y actualizar
información, pero la definición de objetivos, la valoración de consecuencias y
la aceptación del riesgo continúan siendo responsabilidades humanas. Esta
conclusión coincide con Jarrahi (2018), Shrestha et al. (2019) y Munoko et al.,
(2020), y refuerza la necesidad de formar profesionales capaces de cuestionar
modelos, comunicar incertidumbre y documentar el fundamento de las decisiones.
Conclusiones
La integración entre contabilidad predictiva e
inteligencia gerencial fortalece la toma de decisiones bajo incertidumbre
cuando convierte datos históricos y operativos en escenarios transparentes,
revisables y vinculados con acciones. La respuesta al propósito del estudio
indica que el valor de esta integración no depende de producir una cifra futura
única, sino de ampliar la capacidad de anticipar desviaciones, comparar
alternativas y reconocer con suficiente oportunidad los riesgos asociados con
liquidez, ingresos, costos, presupuestos y continuidad empresarial.
La principal contribución conceptual consiste en
articular analítica, sistemas de información, gobierno del dato y juicio
profesional dentro de un ciclo continuo de captura, depuración, modelado,
validación, visualización, decisión y retroalimentación. Esta articulación
evita reducir la contabilidad predictiva a un algoritmo aislado y muestra que
la utilidad del modelo surge cuando sus resultados pueden ser explicados,
contrastados con evidencia y corregidos frente a cambios del entorno.
Las aplicaciones examinadas presentan utilidad
potencial en flujo de caja, ventas, costos, presupuestos, detección de
anomalías, crédito, fraude e insolvencia; sin embargo, esa utilidad no
constituye una garantía de precisión o éxito. Los beneficios requieren datos
consistentes, objetivos definidos, validación periódica y equipos capaces de
interpretar los límites del modelo. De igual manera, los riesgos de sesgo,
opacidad, ciberseguridad, privacidad y dependencia tecnológica exigen
controles, trazabilidad y supervisión humana proporcional a la materialidad de
la decisión.
En el ámbito profesional, la evidencia no respalda una
sustitución automática del contador. Por el contrario, se observa un
reposicionamiento hacia funciones de interpretación, validación, comunicación
de riesgos y asesoramiento estratégico. El conocimiento normativo y financiero
mantiene su centralidad, mientras las competencias tecnológicas permiten
cuestionar resultados, comprender supuestos y traducir escenarios complejos en
opciones comprensibles para la dirección. La responsabilidad final, por tanto, no
debe delegarse en sistemas automáticos.
El carácter documental del estudio limita la
posibilidad de medir desempeño causal, diferencias sectoriales o efectos
longitudinales; asimismo, la revisión no declara un conteo final de documentos
al no disponer de una bitácora de cribado completa. Estas limitaciones no
invalidan la síntesis conceptual, pero delimitan su alcance. Futuras
investigaciones pueden incorporar protocolos reproducibles de búsqueda,
estudios comparativos por sector, evaluación longitudinal de desviaciones y
análisis de gobernanza y explicabilidad. Desde una perspectiva gerencial, la
adopción más consistente es gradual: comenzar con problemas delimitados,
indicadores verificables, responsables definidos y protocolos de revisión antes
de ampliar el sistema.
Referencias
Appelbaum, D., Kogan, A., Vasarhelyi, M. A., & Yan, Z. (2017). Impact of business analytics and enterprise systems on managerial
accounting. International Journal of Accounting
Information Systems, 25, 29-44. https://doi.org/10.1016/j.accinf.2017.03.003
Ballou, B., Heitger, D. L., & Stoel, D. (2018). Data-driven
decision-making and its impact on accounting undergraduate curriculum. Journal
of Accounting Education, 44, 14-24. https://doi.org/10.1016/j.jaccedu.2018.05.003
Bergmann, M., Brück, C., Knauer, T., & Schwering, A. (2020). Digitization
of the budgeting process: Determinants of the use of business analytics and its
effect on satisfaction with the budgeting process. Journal of Management
Control, 31, 25-54. https://doi.org/10.1007/s00187-019-00291-y
IFAC. (2017). Blockchain, AI and accounting. International
Federation of Accountants. https://www.ifac.org/knowledge-gateway/discussion/blockchain-ai-and-accounting
IFAC. (2023). AI and intelligent automation: Disrupting business,
elevating the work of accounting and finance professionals. International
Federation of Accountants. https://www.ifac.org/knowledge-gateway/discussion/ai-intelligent-automation-disrupting-business-elevating-work-accounting-finance-professionals
IFAC. (2024a). Exploring the responsible use of AI in finance and
accounting. International Federation of Accountants. https://www.ifac.org/knowledge-gateway/discussion/harnessing-innovation-exploring-responsible-use-ai-finance-and-accounting
IFAC. (2024b). Navigating the Gen AI revolution: Implications for
the accounting profession. International Federation of Accountants. https://www.ifac.org/knowledge-gateway/discussion/navigating-gen-ai-revolution-implications-accounting-profession
IFRS Foundation. (2023). IFRS S1 General requirements for
disclosure of sustainability-related financial information. https://www.ifrs.org/issued-standards/ifrs-sustainability-standards-navigator/ifrs-s1-general-requirements/
IFRS Foundation. (2024a). Digital financial reporting:
Facilitating digital comparability and analysis of financial reports. https://www.ifrs.org/content/dam/ifrs/standards/taxonomy/digital-financial-reporting/digitalreportingarticle-april2024.pdf
IFRS Foundation. (2024b). Using the IFRS digital taxonomies: A
guide for regulators implementing the IFRS digital taxonomies in a digital
filing system. https://www.ifrs.org/content/dam/ifrs/standards/taxonomy/general-resources/ifrs-taxonomy-regulators-guide.pdf
Issa, H., Sun, T., & Vasarhelyi, M. A. (2016). Research ideas for artificial intelligence in auditing: The
formalization of audit and workforce supplementation. Journal of Emerging Technologies in Accounting, 13(2), 1-20. https://doi.org/10.2308/jeta-10511
Jarrahi, M. H. (2018). Artificial intelligence and the future of
work: Human-AI symbiosis in organizational decision making. Business
Horizons, 61(4), 577-586. https://doi.org/10.1016/j.bushor.2018.03.007
Knudsen, D. R. (2020). Elusive boundaries, power relations, and
knowledge production: A systematic review of the literature on digitalization
in accounting. International Journal of Accounting Information Systems, 36,
100441. https://doi.org/10.1016/j.accinf.2019.100441
Kokina, J., & Davenport, T. H. (2017). The emergence of
artificial intelligence: How automation is changing auditing. Journal of
Emerging Technologies in Accounting, 14(1), 115-122. https://doi.org/10.2308/jeta-51730
Kurpiela, S., & Teuteberg, F. (2024). Linking business
analytics affordances to corporate strategic planning and decision making
outcomes. Information Systems and e-Business Management, 22(1), 33-60. https://doi.org/10.1007/s10257-023-00661-z
Losbichler, H., & Lehner, O. M. (2021). Limits of artificial
intelligence in controlling and the ways forward: A call for future accounting
research. Journal of Applied Accounting Research, 22(2), 365-382. https://doi.org/10.1108/JAAR-10-2020-0207
Moll, J., & Yigitbasioglu, O. (2019). The role of
internet-related technologies in shaping the work of accountants: New
directions for accounting research. The British Accounting Review, 51(6), 100833.
https://doi.org/10.1016/j.bar.2019.04.002
Munoko, I., Brown-Liburd, H. L., & Vasarhelyi, M. A. (2020). The
ethical implications of using artificial intelligence in auditing. Journal
of Business Ethics, 167(2), 209-234. https://doi.org/10.1007/s10551-019-04407-1
Nielsen, S. (2022). Management accounting and the concepts of
exploratory data analysis and unsupervised machine learning: A literature study
and future directions. Journal of Accounting & Organizational Change,
18(5), 811-853. https://doi.org/10.1108/JAOC-08-2020-0107
NIST. (2023). Artificial Intelligence Risk Management Framework
(AI RMF 1.0). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1
OECD. (2019a). Artificial intelligence in society. OECD
Publishing. https://doi.org/10.1787/eedfee77-en
OECD. (2019b). Recommendation of the Council on Artificial
Intelligence. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449
Oesterreich, T. D., & Teuteberg, F. (2019). The role of
business analytics in the controllers and management accountants' competence
profiles: An exploratory study on individual-level data. Journal of
Accounting & Organizational Change, 15(2), 330-356. https://doi.org/10.1108/JAOC-10-2018-0097
Oesterreich, T. D., Teuteberg, F., Bensberg, F., & Buscher, G.
(2019). The controlling profession in the digital age: Understanding the
impact of digitisation on the controller's job roles, skills and competences.
International Journal of Accounting Information Systems, 35, 100432. https://doi.org/10.1016/j.accinf.2019.100432
Pisoni, G., Molnár, B., & Tarcsi, Á. (2024). Knowledge management and data analysis techniques for data-driven
financial companies. Journal of the Knowledge
Economy, 15(3), 13374-13393. https://doi.org/10.1007/s13132-023-01607-z
Quattrone, P. (2016). Management accounting goes digital: Will
the move make it wiser? Management Accounting Research, 31, 118-122. https://doi.org/10.1016/j.mar.2016.01.003
Richins, G., Stapleton, A., Stratopoulos, T. C., & Wong, C.
(2017). Big data analytics: Opportunity or threat for the accounting
profession? Journal of Information Systems, 31(3), 63-79. https://doi.org/10.2308/isys-51805
Rikhardsson, P., & Yigitbasioglu, O. (2018). Business
intelligence and analytics in management accounting research: Status and future
focus. International Journal of Accounting Information Systems, 29, 37-58. https://doi.org/10.1016/j.accinf.2018.03.001
Schnegg, M., & Möller, K. (2022). Strategies for data
analytics projects in business performance forecasting: A field study. Journal
of Management Control, 33, 241-271. https://doi.org/10.1007/s00187-022-00338-7
Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (2019). Organizational
decision-making structures in the age of artificial intelligence. California
Management Review, 61(4), 66-83. https://doi.org/10.1177/0008125619862257
Szukits, Á. (2022). The illusion of data-driven decision making:
The mediating effect of digital orientation and controllers' added value in
explaining organizational implications of advanced analytics. Journal of
Management Control, 33, 403-446. https://doi.org/10.1007/s00187-022-00343-w
Wasserbacher, H., & Spindler, M. (2022). Machine learning for
financial forecasting, planning and analysis: Recent developments and pitfalls.
Digital Finance, 4(1), 63-88. https://doi.org/10.1007/s42521-021-00046-2
World Bank. (2021). World Development Report 2021: Data for better
lives. World Bank. https://www.worldbank.org/en/publication/wdr2021
Revista Científica Global Negotium. ISSN: 2642-4800/
e-ISSN: 2642-4800 Septiembre- Diciembre 2026 Vol. 9. N°
3 (30-52). 
