MSc. Juca Maldonado Fernando
Universidad Metropolitana Machala, Ecuador
fjuca@umet.edu.ec
https://orcid.org/0000-0001-7430-2157
MSc. Carchi Arias Kenia Lizezth
Universidad Metropolitana Machala, Ecuador
kcarchi@umet.edu.ec
https://orcid.org/0000-0003-4023-4015
Srta. Rosales Muñoz Camila
Universidad Metropolitana Machala, Ecuador
camila.rosales@est.umet.edu.ec
https://orcid.org/0009-0004-3838-9039
Sapientia Technological Instituto Tecnológico
Superior Almirante Illingworth, Ecuador
ISSN-e: 2737-6400
Periodicidad: Semestral
Número Especial Junio 2024
sapientiatechnological@aitec.edu.ec
Recepción: 26 marzo 2024
Aprobación: 10 mayo 2024
DOI:https://doi.org/10.58515/edesp1spt05
Atribución/Reconocimiento-NoComercial-
Compartirlgual 4.0Licencia Pública Internacional
CC BY-NC-SA 4.0
https://creativecommons.org/licenses/by-nc-
sa/4.0/legalcode.es
Resumen: Este estudio evaluó el impacto de la Inteligencia
Artificial (IA) en la eficiencia de los procesos de análisis de
costos en contabilidad. Se investigó cómo distintas
plataformas de IA —ChatGPT, Claude, y Bing/Copilot—
afectan la operatividad y la toma de decisiones estratégicas,
midiendo variables como el tiempo de respuesta, la tasa de
error y la facilidad de uso mediante un enfoque cuasi-
experimental. Se combinaron métodos cualitativos y
cuantitativos para evaluar el rendimiento de las plataformas
usando un conjunto estandarizado de ejercicios de análisis
de costos. Los resultados mostraron variaciones
significativas en la eficacia entre las plataformas,
destacando diferencias en precisión y velocidad de
respuesta. Aunque todas las plataformas demostraron
potencial para optimizar la eficiencia, también se
identificaron desafíos en precisión de datos e interpretación
de resultados complejos. Las conclusiones enfatizan la
importancia de seleccionar adecuadamente la plataforma de
IA para análisis de costos y resaltan la necesidad de
complementar la inteligencia artificial con intervención
humana en la interpretación y aplicación de los resultados
para decisiones contables y empresariales. Este estudio
aporta al conocimiento existente comparando el
rendimiento de tecnologías de IA y sugiriendo áreas para
futuras investigaciones en prácticas contables.
Palabras clave: inteligencia artificial, análisis de costos,
eficiencia contable, plataformas de IA, procesos contables
Abstract: This study evaluated the impact of Artificial
Intelligence (AI) on the efficiency of cost analysis
processes in accounting. It investigated how different AI
platforms—ChatGPT, Claude, and Bing/Copilot—affect
operational efficiency and strategic decision-making,
measuring variables such as response time, error rate, and
usability through a quasi-experimental approach.
Qualitative and quantitative methods were combined to
assess the performance of the platforms using a
standardized set of cost analysis exercises. The results
showed significant variations in efficacy among the
platforms, highlighting differences in analytical precision
and response speed. Although all platforms demonstrated
potential for optimizing efficiency, challenges were also
identified in data accuracy and the interpretation of
complex results. The conclusions emphasize the importance
of selecting the appropriate AI platform for cost analysis
and highlight the need for human intelligence to
complement AI in interpreting and applying results for
accounting and business decisions. This study contributes to
existing knowledge by comparing the performance of
selected AI technologies and suggesting areas for future
research in accounting practices.
Kewywords: artificial intelligence, cost analysis,
accounting efficiency, AI platforms, accounting processes
Transformación Contable: El impacto de la inteligencia artificial en la
eficiencia de los procesos de análisis de costos.
Accounting Transformation: The impact of artificial intelligence on the
efficiency of cost analysis processes.
50
Introducción
La Inteligencia Artificial (IA) ha permitido que diferentes áreas, desde la industria a la
educación se encuentren en un proceso de transformación, lo que ha redefinido su paradigma
operativo y estratégico (Kokina y Davenport, 2017). En el área contable, y puntualmente en
los procesos del análisis de costos, se avizora un futuro prometedor en cuanto a la mejora de
eficiencia y precisión de los mismos (Richins, et al., 2017). Es así que, el presente estudio se
centra en el impacto de la IA en la mejora de la eficiencia de dichos procesos, un tema de
suma relevancia para los profesionales de esta área, en donde la optimización de las
operaciones y competitividad es de suma importancia para las empresas en la era digital (Dai
y Vasarhelyi, 2017).
Es así que, este tema se vuelve relevante por su influencia en la toma de decisiones
estratégicas en el ámbito financiero de las empresas (Panduro Amasifuen, 2023). Ha sido
común que, el análisis de costos sea un proceso donde se encuentren involucrados
cantidades extensas cantidades de datos, se requiera cálculos precisos y altos conocimientos
de la estructura de costos de la empresa. Sin embargo, el entorno complejo de los negocios,
el cual cambia y evoluciona constantemente, así como los avances tecnológicos, demandan
soluciones que ofrezcan mayor eficiencia y rapidez, cosa que puede ser resuelto gracias a la
aplicación de la IA (Cruz et al., 2023).
En la actualidad, la potencialidad de la IA y la diversidad de campos en donde se puede
aplicar es indudable, pero a la vez aún existen muchas áreas en donde se debe explorar su
uso, uno de estas es en el análisis de costos (Villarroel, 2021). Investigaciones previas han
permitido demostrar valiosos aportes de la IA en diferentes áreas del contexto empresarial,
sin embargo, no existe literatura que demuestre un análisis crítico y específico en lo que a
contabilidad de costos y su impacto en mejorar los procesos involucrados en esta actividad
(Hashem y Alqatamin, 2021).
Es por ello, que se puede mencionar que gracias a estas tecnologías se está dando inicio
a una nueva era en la contabilidad y muchas otras áreas, donde la automatización, la
comunicación y la adaptabilidad de procesos son apectos claves para los actuales y futuros
profesionales (Cortes-Arce et al., 2023). Plataformas de IA, del tipo modelo de lenguaje
grande o LLM (siglas en inglés para Large Language Model) ofrecen una variedad de
posibilidades en su aplicación, aunque no están libres de limitaciones en cuanto a precisión
de resultados y comprensión de las instrucciones. Pensar en su aplicación en el entorno
contable no solo ofrece una eficiencia operativa, sino proporciona una ventaja competitiva,
que a la vez exige a los contadores nuevas habilidades técnicas y de adaptación (Diego Olite
et al., 2023; Anthropic, 2023).
En este sentido la (IA) juega un rol importante en el ámbito empresarial, no solo desde
una perspectiva técnica, sino también ética, social y humana. Es así que, su integración en el
análisis de costos permite automatizar procesos, manejar grandes volúmenes de datos de
manera eficiente, adaptarse continuamente a nueva información y desempeñar una función
crucial en la detección de fraudes (Almeida-Blacio et al., 2024). No obstante, la efectividad
de la IA en la contabilidad y el análisis de costos depende de la calidad de los datos, el
51
desarrollo de modelos precisos y eficientes, y la implementación de regulaciones éticas
adecuadas (Vélez Vélez et al., 2023).
En este variado grupo de IA específicas, ChatGPT sobresale del resto por su versatilidad
y respuestas de calidad, aunque se enfrenta a desafíos en cuanto a su precisión y
confidencialidad de los datos (Hochmair et al., 2024). En cambio, Claude se promociona
como más seguro, basado en un principio de conjuntos éticos en sus respuestas,
destacándose en su interacción y el análisis de la información, mientras que Bard y el
ChatBot de Bing permiten acceder a información de la internet más actualizada. No hay que
olvidar que, todas estas plataformas necesitan igualmente de una revisión crítica de sus
limitaciones y un enfoque equilibrado que permita maximizar los beneficios obtenidos en la
práctica contable (Sanabria Tarazona, et al., 2024).
La aplicación de IA en los procesos contables no solo genera una transformación en su
gestión, sino que también amplia la brecha digital, ya que exige a los profesionales del área
contable a prepararse a un constante cambio (Riaño Cetina et al., 2023). También es
importante acotar que, aunque esta nueva tecnología se presenta como una oportunidad para
mejorar la práctica contable, esta no reemplazará el juicio y análisis humano, quien aun
posee la comprensión del contexto empresarial y su entorno único para cada situación.
Adaptarse a estas plataformas requiere de datos de calidad, experticia especializada e
infraestructura tecnológica, sin olvidar de un alto grado de ética; lo cual permita a las
empresas aprovechar su potencial e innovar y mejorar sus procesos y su competitividad
(Almeida-Blacio, et al., 2024).
El presente estudio pretende llenar esa brecha, proporcionando un análisis detallado del
papel de la IA en la mejora en la contabilidad de costos. En estos momentos, el uso de la IA
se ha centrado en automatizar tareas y la toma de decisiones autónomas (Redacción A.P.D.,
2021), apoyada en nuevas tecnologías como Machine Learning, el Deep Learning y el
Procesamiento de Lenguaje Natural (Li, 2024)
Es por ello que la investigación se enfoca en evaluar y comparar diferentes plataformas
de IA tomando en cuenta su eficiencia en el procesamiento y análisis de datos, tratando de
proporcionar una evaluación detallada y teóricamente fundamentada, con el fin de ofrecer
una guía práctica para los contadores interesados en esta área y mejorar así las decisiones
estratégicas dentro de las organizaciones.
Los datos resultantes en la comparativa entre las distintas tecnologías de IA, se analizan
basados en la literatura actual, para en lo posterior ofrecer recomendaciones concretas con el
objetivo de mejorar la práctica contable y sugerir direcciones para investigaciones futura.
Esto permite asegurar que esta investigación no solo centrarse en las capacidades presentes
de la IA en la contabilidad, sino que pueda servir para un desarrollo futuro de nuevas
herramientas en ese nuevo campo de aplicación.
52
Materiales y métodos
Este estudio adoptó un enfoque mixto que integró elementos cualitativos y cuantitativos,
con el propósito de comparar plataformas tecnológicas y evaluar su efectividad en el análisis
de costos contables. El método empleado fue deductivo, partiendo de la necesidad de diseñar
experimentos para recoger datos que pudieran arrojar luz sobre la eficacia de estas
plataformas en el análisis de costos, sin basarse en teorías específicas preestablecidas. El nivel
de la investigación fue tanto exploratorio como descriptivo, buscando entender y analizar
cómo estas plataformas impactan el análisis de costos.
En el diseño de investigación, se optó por un enfoque cuasi-experimental, comparando las
tecnologías en diferentes condiciones controladas para evaluar su efectividad en escenarios
específicos de análisis de costos. Las técnicas utilizadas incluyeron pruebas de rendimiento y
evaluación de usabilidad.
En la fase inicial, se llevó a cabo una revisión bibliográfica exhaustiva. Posteriormente, se
procedió a la selección de plataformas relevantes y al desarrollo del diseño experimental.
Durante la segunda etapa, se implementaron pruebas de rendimiento y evaluaciones de
usabilidad, observando cómo las plataformas digitales, como ChatGPT, Claude, Bard y
Bing/Copilot, resolvían los ejercicios de análisis de costos ingresados a sus plataformas.
Se desarrollaron dos tablas distintas para abordar las variables cuantitativas y cualitativas,
y medir la eficiencia de diferentes plataformas de IA en el ejercicio de análisis de costos
contables. La primera tabla se centró en variables cuantitativas, como tiempo de respuesta, y
tasa de error, con mediciones numéricas objetivas. La segunda tabla, por otro lado, abordó
elementos cualitativos, tales como opiniones sobre la facilidad de uso, seguridad y privacidad
de datos, innovación futura, entre otros, que no fueron medidos cuantitativamente. Es crucial
señalar que, para los elementos cualitativos, se optó por evaluarlos mediante opiniones en
lugar de mediciones objetivas, reconociendo la naturaleza subjetiva de estos aspectos.
En conjunto, esta metodología se presenta como una estrategia integral para explorar y
comprender el impacto de las plataformas de IA en el análisis de costos contables, asegurando
la validez y confiabilidad de los resultados obtenidos.
Resultados y Discusión
En esta etapa, se procedió a la selección de las plataformas de IA relevantes, como lo son
ChatGPT, Claude, Barde y Bing/Copilot. La diversidad de estas plataformas permitió una
evaluación integral de su desempeño en diversas dimensiones del análisis de costos. Es
crucial destacar que se optó por utilizar las versiones gratuitas de estas plataformas,
garantizando un análisis imparcial y accesible para cualquier usuario interesado en explorar
estas herramientas sin incurrir en costos adicionales. Esta decisión se tomó con la finalidad
de ofrecer una perspectiva equitativa y transparente, ya que las versiones gratuitas
representan la primera interacción que los usuarios tienen con estas plataformas, reflejando
así su impacto inicial y la viabilidad para su implementación en escenarios prácticos de
análisis de costos contables.
Con el propósito de evaluar su efectividad en el análisis de costos contables, se diseñó un
experimento cuasi-experimental que permitió comparar estas tecnologías en diferentes
53
condiciones controladas. La evaluación se basó en un conjunto de variables cuidadosamente
seleccionadas, detalladas en la Tabla de Variables Cuantitativas para Evaluar la Eficiencia
de Plataformas de IA en el Análisis de Costos. Esta tabla se presenta a continuación,
proporcionando una guía clara sobre las métricas analizadas y cómo se llevaron a cabo las
mediciones.
Tabla 1
Variables Cuantitativas para Evaluar la Eficiencia de la plataforma de IA en el Análisis de Costos
Variable
Descripción
Cómo Medir
Herramienta
Específica
Tiempo de
Respuesta
Tiempo desde la entrada de
datos hasta la obtención de
un resultado analítico
completo.
Cronometrar el tiempo desde la
presentación del ejercicio hasta
la recepción de la respuesta.
Herramienta de
Cronometraje
Tasa de Error
Frecuencia de respuestas
incorrectas o imprecisas
proporcionadas por la
plataforma.
Contar el número de respuestas
incorrectas o imprecisas en
comparación con el total de
respuestas.
Tasa = (No de Respuesta
Incorrectas/Total de Respuestas)
x 100
Análisis y cálculo
manual
Precisión
Analítica
Exactitud de las respuestas
analíticas dadas por las
plataformas de IA
comparadas con resultados
conocidos o estándares de
la industria.
Comparar los resultados de la
IA con resultados conocidos o
estándares de la industria.
Criterios de medición del 1
(Limitada) al 5 (Excelente).
Comparación con
criterios
profesionales
Nota: Elaboración propia.
Pruebas, Evaluaciones y Análisis de Resultados
Durante esta etapa, se implementaron las pruebas de rendimiento y evaluaciones de
usabilidad siguiendo el diseño experimental establecido. Las plataformas fueron sometidas a
los diferentes escenarios de prueba, y se registraron los resultados correspondientes según los
parámetros definidos en la tabla anterior. La eficiencia de cada plataforma en el análisis de
costos contables se evaluó objetivamente mediante la interpretación de estos datos. Es
importante mencionar que las pruebas se llevaron a cabo entre el 1 y 6 de febrero del año 2024.
54
Tabla 2
Total de
Respuestas
Respuestas
Incorrectas
Tiempo de
Respuesta
Tasa de
Error
Precisión
Analítica
EJERCICIO 1
7
6
45,76
85,71%
1
EJERCICIO 2
11
8
283,88
72,73%
2
EJERCICIO 3
6
3
102,07
50,00%
3
EJERCICIO 4
13
7
227,61
53,85%
3
EJERCICIO 5
2
0
32,32
0,00%
5
TOTAL
7,8
5
138,33
52,46%
2,8
EJERCICIO 1
6
4
161,95
66,67%
3
EJERCICIO 2
6
4
194,13
66,67%
3
EJERCICIO 3
8
5
272,63
62,50%
3
EJERCICIO 4
18
12
668,25
66,67%
4
EJERCICIO 5
2
0
82,61
0,00%
5
TOTAL
8
5
275,91
52,50%
3,6
EJERCICIO 1
10
8
77,46
80,00%
2
EJERCICIO 2
7
4
99,65
57,14%
3
EJERCICIO 3
4
2
37,54
50,00%
3
EJERCICIO 4
21
17
236,17
80,95%
2
EJERCICIO 5
2
0
27,10
0,00%
5
TOTAL
8,8
6
95,58
53,62%
3
EJERCICIO 1
6
4
99,83
66,67%
3
EJERCICIO 2
12
3
169,42
25,00%
5
EJERCICIO 3
5
2
93,19
40,00%
4
EJERCICIO 4
15
10
294,42
66,67%
2
EJERCICIO 5
2
1
65,08
50,00%
3
TOTAL
8
4
144,39
49,67%
3,4
Nota: Elaboración propia.
55
Tabla 3
Análisis de desempeño de las plataformas
IA
Tiempo de
Respuesta
Tasa de
Error
Precisión
Analítica
Análisis de Desempeño por Plataforma
Bard
138,33
52,46%
2,80
La gran mayoría de sus errores se encuentran
en el cálculo preciso de resultados; no da
resultados precisos en la mayoría de
ocasiones, ya que las cifras son aproximadas,
pero casi nunca exactas. Sin embargo, cuenta
con buen análisis al momento de decidir qué
hacer y qué formula utilizar.
Bin Copilot
275,91
52,50%
3,60
Los errores que más se destacaron fue en la
precisión de cifras, pero puede corregirlas
con mediana facilidad al momento de pedirle
más precisión en los decimales. Sin embargo,
existen ocasiones en donde no da una
respuesta completa, lo cual puede ser debido
a diversos factores como el internet, la
demanda, y la hora en la que se utiliza la
plataforma. En general, tiene buen análisis
sobre cómo resolver los ejercicios, y da
excelentes explicaciones a lo largo del
proceso, para expandir la comprensión.
ChatGPT
95,58
53,62%
3,00
Los errores más usuales son en la precisión
de cálculos, y en repetir los mismos errores
sin importar que el usuario lo haya
corregido/explicado la manera correcta en la
que se debe hacer. Además, si llega a
corregir un error "X" correctamente al
resultado aceptado "Y", puede que haya
cambiado otros aspectos de la respuesta que
previamente hayan estado bien como "A", a
un resultado erróneo "B".
Claude
144,39
49,67%
3,40
Generalmente, la plataforma es eficaz y
permite correcciones fáciles por parte del
usuario, aunque puede enfrentar problemas
de precisión y comprensión de las
instrucciones debido a la redacción, formato
del ejercicio, o el propio conocimiento de la
plataforma. Su disponibilidad también puede
variar según la demanda.
Nota: Elaboración propia.
56
Tabla 4
Análisis cualitativo
Variable
Descripción
Análisis de Desempeño
Nivel de
Personalización
Grado en que la
plataforma permite
ajustes personalizados
para adaptarse a las
necesidades del usuario.
Se observó una flexibilidad destacada en ChatGPT,
permitiendo ajustes precisos según los requisitos del usuario.
Copilot también ofrece personalización, pero con algunas
limitaciones. Bard se quedó rezagado en este aspecto, debido
a que, al momento de la investigación, su plataforma no
permite establecerse como un “especialista” o un “experto”,
sólo se plantean preguntas y respuestas directamente, al igual
que Claude, cuyo conocimiento está limitado por su
entrenamiento previo
Accesibilidad
Facilidad con la cual los
usuarios pueden acceder
y utilizar la plataforma.
Todas las plataformas demostraron una accesibilidad
razonable en diferentes dispositivos y navegadores web. Sin
embargo, cabe recalcar que Copilot y ChatGPT son las
únicas que tienen una app exclusiva para dispositivos
móviles habilitada.
Facilidad de
Uso
Nivel de simplicidad y
claridad en la
utilización de la
plataforma para el
análisis de costos.
La interfaz de Claude se destacó por su simplicidad y
claridad, proporcionando una experiencia de usuario
intuitiva. ChatGPT también fue fácil de usar, mientras que
Copilot y Bard presentaron cierta complejidad en la
navegación al momento de ingresar a sus plataformas. En
general, el manejo de las plataformas es bastante intuitivo y
fácil de usar una vez que hayan tenido práctica.
Innovación y
Desarrollo
Potencial de innovación
y desarrollo futuro de la
plataforma, basado en
su actual trayectoria
tecnológica y planes de
expansión.
ChatGPT presentó hojas de ruta sólidas y anunciaron
actualizaciones futuras emocionantes, destacándose como
plataformas innovadoras. Claude mostró menos claridad en
sus planes de desarrollo futuro. Bard, por otro lado, al
momento del experimento contaba con nuevas
actualizaciones, como, por ejemplo, su cambio de nombre a
Gemini (incluyendo la posibilidad de personalización que se
comentaba en la primera variable). Copilot no cuenta con
anuncios de actualizaciones futuras, sin embargo, cabe
recalcar que su última actualización fue en enero del 2024.
Seguridad y
Privacidad
Medidas de seguridad y
privacidad de datos
implementadas por las
plataformas de IA.
Bard se destaca por la encriptación de datos, sin embargo,
personal de Google tiene acceso a ellos. Además, realiza
pruebas de seguridad regularmente. ChatGPT mantiene
conversaciones cifradas y protocolos de seguridad estándar
contra ataques cibernéticos. Copilot, en cambio, no aprende
de las interacciones individuales con los usuarios, sino fue
entrenado previamente a la interacción con datos de internet.
Claude, solo puede responder en base al conocimiento
predeterminado con el que fue creado.
Nota: Elaboración propia
57
La exploración detallada de las plataformas de IA en el análisis de costos contables
revela una serie de desafíos significativos que plantean interrogantes fundamentales sobre la
viabilidad y confiabilidad de estas herramientas en entornos académicos y profesionales.
A pesar de los avances tecnológicos, los resultados cuantitativos resaltan una
variabilidad considerable en el rendimiento de las plataformas, especialmente en términos de
precisión analítica y tiempo de respuesta, al igual que en cálculos matemáticos y en la
corrección de errores, como lo establece Onieva (2024). Este fenómeno plantea la
preocupación fundamental de hasta qué punto los usuarios pueden depender de estas IA para
obtener resultados exactos y confiables en un campo tan crítico como el análisis de costos.
El análisis cualitativo profundiza en cuestiones cruciales como la personalización,
accesibilidad y seguridad. Si bien se observan ciertos aspectos positivos, como la
flexibilidad en ChatGPT, se destaca la necesidad de abordar las limitaciones en la capacidad
de adaptación de estas plataformas a las necesidades específicas del usuario. Además, las
preocupaciones relacionadas con la seguridad y privacidad de los datos, especialmente en
Bard y otras plataformas, plantean interrogantes sobre la integridad de la información
confidencial.
Es crucial reconocer que la innovación constante en el desarrollo de estas plataformas
no siempre se traduce en mejoras sustanciales en la precisión analítica. La falta de
coherencia en la respuesta de las IA, como se evidencia en las fluctuaciones en la precisión
de Claude, subraya la complejidad inherente al entrenamiento y aprendizaje de estas
herramientas en contextos contables específicos.
En este contexto, se plantea una consideración crítica sobre la dependencia exclusiva
de estas plataformas en entornos educativos y profesionales. La confianza total en los
resultados de estas IA puede resultar prematura y riesgosa, especialmente cuando se trata de
tareas sensibles como el análisis de costos. La IA puede dar ventajas a los profesionales,
como la conveniencia, facilidad de trabajo y reducción de tiempo, sin embargo, el rol del
contador no puede considerarse como prescindible, en concordancia con Hashem y
Alqatamin (2021).
Estos resultados apuntan a la necesidad urgente de una evaluación más profunda y
crítica de las capacidades reales de las plataformas de IA en aplicaciones contables. Esta
investigación proporciona una base para la reflexión sobre los desafíos emergentes y las
áreas que requieren atención adicional antes de considerar una adopción generalizada.
Conclusiones
El análisis profundo de las plataformas de IA en el ámbito del análisis de costos ha
descubierto una perspectiva intrigante sobre su relevancia y potencial impacto. Al
diagnosticar su importancia, se constata que estas tecnologías pueden ser herramientas
esenciales para la gestión financiera de las empresas, resaltando su habilidad para procesar
datos con rapidez.
58
La fundamentación teórica de la IA como herramienta para el análisis de ejercicios de
costos se basó en la identificación de cambios y tendencias dentro del campo contable. Este
enfoque teórico permitió comprender cómo la IA puede influir en las prácticas contables,
proporcionando insights valiosos para la gestión financiera.
La selección de las plataformas de IA para este estudio se centró en la accesibilidad,
destacando cómo estas herramientas están disponibles para una variedad de usuarios. Sin
embargo, esta accesibilidad se vio matizada por la variabilidad de resultados. La ejecución de
pruebas diseñadas para evaluar la eficiencia de las plataformas, centrándose en velocidad,
precisión y adaptabilidad, reveló que cada IA presenta fortalezas y debilidades. En este
contexto, la IA y su capacidad para procesar datos rápidamente se alzan como elementos
clave, pero la variabilidad en la precisión se revela como un desafío a superar.
Aunque la IA, en concordancia con la teoría, se presenta como una herramienta que
ofrece rapidez en el procesamiento de datos, al relacionarla específicamente con la
contabilidad y el análisis de costos, se concluye que aún no logra cubrir completamente la
brecha entre la necesidad de rapidez y la exigencia de precisión. Los resultados son
imprecisos y dependen del prompt utilizado, la demanda y si se está utilizando la versión
gratuita o pagada de las plataformas, resaltando la importancia de considerar estos factores en
contextos contables.
En términos de confianza, la plataforma Claude se destacó por su enfoque ético y
desempeño adecuado, contrastando con la teoría que sugiere que la ética puede ser un factor
crucial en la confiabilidad de la información relacionada con la profesión contable. Sin
embargo, cabe recalcar que la elección de la plataforma más confiable varía según las
necesidades específicas, del gusto y los requisitos del usuario
Referencias Bibliográficas
Almeida-Blacio, J. H., Naranjo-Armijo, F. G., Maldonado-Pazmiño, H. O., & Rodríguez-
Lara, A. D. (2024). Inteligencia artificial como mecanismo eficiente de la contabilidad.
Código Científico Revista de Investigación, 5(E3), 334-364.
http://revistacodigocientifico.itslosandes.net/index.php/1/article/view/320
Anthropic. (2023). Introducing Claude. https://www.anthropic.com/news/introducing-claude
Cortes-Arce, Y. R. C., Lara, R. A. M., & Vizuete, J. D. R. (2023). La automatización y su
impacto en el empleo del área contable.
https://revista.gnerando.org/revista/index.php/RCMG/article/view/103
Cruz, J. A. G., Díaz, B. L. G., Valdiviezo, Y. G., Rojas, Y. K. O., Mauricio, L. A. S., &
Cárdenas, C. A. V. (2023). Inteligencia artificial en la praxis docente: vínculo entre la
tecnología y el proceso de aprendizaje. https://doi.org/10.17613/vqt1-cp64
Dai, J. y Vasarhelyi, M. A. (2017). Toward Blockchain-Based Accounting and Assurance.
Journal of Information Systems, 31(3), 5-21. https://doi.org/10.2308/isys-51804
59
Diego Olite, F. M., Morales Suárez, I. D. R., & Vidal Ledo, M. J. (2023). Chat GPT: origen,
evolución, retos e impactos en la educación. Educación Médica Superior, 37(2).
http://scielo.sld.cu/scielo.php?pid=S0864-21412023000200016&script=sci_arttext
Hashem, F., & Alqatamin, R. M. (2021). Role of Artificial Intelligence in Enhancing
Efficiency of Accounting Information System and Non-Financial Performance of the
Manufacturing Companies. International Business Research, 14(12), 65.
https://doi.org/10.5539/ibr.v14n12p65
Hochmair, H. H., Juhasz, L., & Kemp, T. (2024). Correctness Comparison of ChatGPT-4,
Bard, Claude-2, and Copilot for Spatial Tasks. arXiv preprint arXiv:2401.02404.
https://arxiv.org/abs/2401.02404
Kokina, J. y 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
Panduro Amasifuen, L. M. Impacto e implementación de la inteligencia artificial en la
contabilidad de gestión en las pequeñas y medianas empresas del Perú, caso
“Multigranjas Serlan SAC”-Manantay, 2023.
https://repositorio.uladech.edu.pe/handle/20.500.13032/34432
Redacción APD. (2021). El gran impacto de la inteligencia artificial en las empresas.
https://www.apd.es/el-gran-impacto-de-la-inteligencia-artificial-en-las-empresas/
Riaño Cetina, A. C., Moyano Cortes, E. N., & Pulido Latorre, L. F. (2023). Impacto de las
nuevas herramientas tecnológicas frente a las funciones y responsabilidades del
ejercicio de la profesión contable en Colombia.
https://repository.ucc.edu.co/entities/publication/3926d498-8771-4abd-a371-
6f713b8bfa02
Richins, G., Stapleton, A., Stratopoulos, T. C. y 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
Sanabria Tarazona, N., & Barajas Picón, J. P. (2024). Exploración de la aplicación de la
Inteligencia Artificial en los procesos contables comprendiendo su influencia en la
eficiencia, precisión y toma de decisiones en la contabilidad empresarial.
http://repositorio.uts.edu.co:8080/xmlui/handle/123456789/15676
Vélez Vélez A., Marín Barrera, J., Monsalve Echavarría, J. D., Trejos Pérez, E., & Duque
Bedoya, J. (2023). Uso de la inteligencia artificial para la optimización de los procesos
financieros y contables. https://dspace.tdea.edu.co/handle/tdea/4470
Villarroel, J. J. G. (2021). Implicancia de la inteligencia artificial en las aulas virtuales para la
educación superior. Orbis Tertius-UPAL, 5(10), 31-52.
https://doi.org/10.59748/ot.v5i10.98
Li, Y., Tao, W., Li, Z., Sun, Z., Li, F., Fenton, S., Xu, H., & Tao, C. (2024). Artificial
intelligence-powered pharmacovigilance: A review of machine and deep learning in
clinical text-based adverse drug event detection for benchmark datasets. Journal Of
Biomedical Informatics, 152. https://doi.org/10.1016/j.jbi.2024.104621
60