La proliferación de la tecnología en los negocios modernos ha creado nuevas vías para el fraude en los estados financieros, pero también ha proporcionado herramientas sofisticadas para detectar y prevenir dicho fraude.
Los métodos de inteligencia synthetic (IA), en specific, tienen el potencial de ser más eficientes y precisos a la hora de identificar fraudes, especialmente nuevos esquemas que los métodos tradicionales podrían pasar por alto, según un artículo reciente de Karina Kasztelnik, PhD, y Eva Okay. Jermakowicz, PhD, CPA, de la Universidad Estatal de Tennessee en Nashville.
El artículo, publicado en junio, explora el panorama cambiante de la detección de fraudes en estados financieros, enfatizando el papel de la IA en la mejora de la precisión y la eficiencia en la identificación de actividades fraudulentas en comparación con los métodos tradicionales.
Fraude en los estados financieros
El fraude en los estados financieros implica la creación intencional de información falsa o engañosa en los estados financieros. Generalmente, lo perpetran los propietarios o gerentes para engañar a las partes interesadas y tiene como objetivo presentar una imagen falsa de la salud financiera de una empresa, a menudo para aumentar los precios de las acciones, cumplir objetivos financieros o asegurar términos favorables de financiamiento.
Aunque el fraude en los estados financieros es uno de los tipos de fraude menos frecuentes, sus consecuencias pueden ser graves. Varios casos reales lo demuestran.
Wirecard, una empresa alemana de procesamiento de pagos, se hundió en junio de 2020 tras revelarse que faltaban 1.900 millones de euros que supuestamente tenía en sus cuentas, lo que provocó su insolvencia y la detención de varios ejecutivos acusados de fraude y malversación de fondos. La empresa había inflado sus ingresos y beneficios para engañar a inversores y prestamistas.
Los empleados de Wells Fargo crearon millones de cuentas bancarias y tarjetas de crédito no autorizadas entre 2002 y 2016 para cumplir con objetivos de ventas agresivos, sin el conocimiento ni el consentimiento de los clientes. Esto generó repercusiones legales y regulatorias generalizadas, incluido un acuerdo de 3000 millones de dólares en 2020, multas significativas y una importante revisión de la gestión y las prácticas del banco.
Finalmente, Enron, que en su día fue una empresa energética de gran éxito, se derrumbó en diciembre de 2001, tras revelarse que había cometido un fraude contable generalizado para ocultar sus pérdidas financieras e inflar sus ganancias. El escándalo condujo a la quiebra de la empresa, a la condena de varios altos ejecutivos y a la aplicación de nuevas normas para mejorar la rendición de cuentas corporativa y la transparencia financiera.
El desafío de detectar el fraude en los estados financieros
La detección de fraudes en los estados financieros es un desafío multifacético debido a la sofisticación y adaptabilidad de los esquemas de fraude, la complejidad y el volumen de los datos financieros, las limitaciones humanas inherentes y la naturaleza cambiante de las actividades fraudulentas.
En primer lugar, los esquemas de fraude en los estados financieros son cada vez más sofisticados, lo que dificulta su detección. Los defraudadores suelen tener un conocimiento profundo de las operaciones y los controles internos de su empresa, lo que les permite diseñar esquemas complejos que quedan bien ocultos dentro de los procesos habituales de presentación de informes financieros y son difíciles de detectar.
En segundo lugar, el volumen y la complejidad de los datos financieros complican aún más la detección del fraude. Las empresas modernas generan enormes cantidades de datos financieros y los estados financieros suelen incluir transacciones complejas, múltiples filiales y diversas formas de tratamientos contables, lo que dificulta la identificación de irregularidades sin herramientas avanzadas. Esto supera a los métodos de análisis tradicionales.
Las limitaciones humanas también juegan un papel importante en el desafío de detectar el fraude. Los auditores tienen tiempo y recursos limitados para realizar exámenes detallados de cada transacción y partida de los estados financieros. Como resultado, pueden pasar por alto señales sutiles de fraude, especialmente cuando se trata de grandes conjuntos de datos o cuando el fraude implica colusión entre múltiples partes.
Por último, las técnicas de fraude evolucionan continuamente. A medida que mejoran los métodos de detección, los estafadores desarrollan nuevas técnicas para eludir estas medidas, lo que crea un desafío en constante evolución.
Enfoques basados en inteligencia synthetic para la detección de fraudes en los estados financieros
Los enfoques modernos basados en inteligencia synthetic están surgiendo como tecnologías poderosas para una detección de fraude más precisa y eficiente en medio de esquemas de fraude en evolución y cantidades y complejidad crecientes de datos financieros, cube el informe.
La IA abarca una variedad de técnicas, entre ellas el aprendizaje automático (ML), el procesamiento del lenguaje pure (NLP), la automatización de procesos robóticos (RPA), la visión synthetic y los sistemas expertos. Estas técnicas permiten a las máquinas analizar grandes cantidades de datos, aprender de la experiencia y tomar decisiones basadas en patrones y reglas cambiantes.
El aprendizaje automático (ML), un subconjunto de la IA, implica el desarrollo de algoritmos para reconocer patrones en datos y hacer predicciones o decisiones basadas en esos patrones; el PNL, otro subcampo de la IA, se ocupa de la interacción entre las computadoras y los lenguajes humanos, centrándose en datos no estructurados; y la minería de datos implica el uso de técnicas estadísticas y de ML para extraer información significativa de grandes conjuntos de datos.
RPA implica el uso de robots de software program para automatizar tareas realizadas por humanos y mejorar la eficiencia, mientras que, finalmente, el análisis predictivo, un subconjunto del análisis de datos, implica el uso de algoritmos estadísticos y de ML para examinar datos históricos y hacer predicciones sobre eventos o comportamientos futuros.
Ventajas de las técnicas de IA
Según el informe, las técnicas de inteligencia synthetic y minería de datos ofrecen ventajas significativas sobre los métodos tradicionales.
Los enfoques de IA utilizan algoritmos de aprendizaje automático para aprender de ejemplos anteriores de datos financieros fraudulentos y no fraudulentos. Estos algoritmos pueden detectar automáticamente patrones y anomalías en los datos sin depender de reglas predefinidas y son más eficaces para detectar esquemas de fraude nuevos y previamente desconocidos, adaptándose a los cambios en los datos y el panorama del fraude a lo largo del tiempo.
Además, la IA puede analizar grandes volúmenes de datos con mayor rapidez y precisión que los humanos de forma guide. Esto permite que los modelos de IA detecten el fraude de forma más temprana y eficiente, lo que cut back las pérdidas financieras de una entidad.
En cambio, los enfoques tradicionales basados en reglas se basan en un conjunto de rúbricas predefinidas que están programadas para detectar patrones específicos o anomalías en los datos financieros. Estas reglas suelen basarse en el conocimiento y la experiencia de expertos, y requieren la intervención humana para actualizarlas o modificarlas a medida que surgen nuevos esquemas de fraude.
Crédito de la imagen destacada: editada desde freepik
