Por:   CP Iván Rodriguez. Colaborador de Auditool 

Un tema que tiene relación directa con el trabajo de los auditores es la prevención del fraude. Con el incremento de transacciones electrónicas y en atención a su volumen y distribución geográfica, hay un interés en los métodos, tanto de prevención como de detección. Una de las herramientas con las que se cuenta hoy día es la inteligencia artificial, que busca emplearse en la detección de transacciones fraudulentas antes de que pasen por los sistemas de información de las empresas. Los algoritmos de aprendizaje automático aportan eficiencia a la hora de identificar transacciones potencialmente fraudulentas. Es posible emplear la inteligencia artificial para identificar patrones que no siempre son reconocibles por las personas, lo cual es altamente beneficioso.

Los esquemas de prevención y predicción de fraudes parten de algunas reglas en las que se enmarcaban los resultados de transacciones o los valores de ciertos tipos de variables.  En un enfoque más novedoso, se busca la adopción de modelos de predicción de fraude impulsados por el aprendizaje automático. El propósito es la identificación de transacciones potencialmente fraudulentas a partir de algunos factores  críticos a partir de los cuales sea posible hacer predicciones y diseñar herramientas de prevención. Dentro de los factores que deben tenerse en cuenta están los siguientes:

 Datos

Los algoritmos que se emplean en inteligencia artificial requieren datos con ciertas características, de manera que puedan emplearse en los procesos de aprendizaje automático. De manera semejante a los datos empleados en las pruebas de auditoría, se requiere que sean pertinentes, adecuados e imparciales. También deben ser cualitativos para efectos de procesamiento. Debe evitarse que en la obtención de los datos haya algún sesgo o desviación puesto que se afectarían las predicciones. Al evaluar conclusiones, el contar con datos objetivos es de gran utilidad.

Tipos de fraude

El tema del fraude es bastante amplio. No obstante, no todos los tipos de fraude cuentan con datos cualitativos que faciliten su procesamiento por lo que considerarlos en los análisis de inteligencia artificial puede ser una tarea muy compleja. Es importante determinar los tipos de fraude que van a ser objeto de análisis y recolección de datos para efectuar predicciones.

Participantes en el fraude

De manera equivalente al tema de los tipos de fraude, es necesario considerar quienes son los participantes del fraude. Aunque hay que tener en cuenta que los participantes dependen del tipo de fraude. En ocasiones son los clientes, en otras son los empleados. A veces son proveedores e incluso alguien sin relación alguna con la empresa.

Pruebas y resultados

En cada modelo, es necesario efectuar pruebas y analizar los resultados obtenidos. Con base en información histórica y casos conocidos, es posible contrastar los resultados de un análisis predictivo, por ejemplo. Los valores luego de aplicar un modelo o los comportamientos de ciertas variables, podrían ser indicadores de la bondad de un modelo para predecir y prevenir la ocurrencia de fraudes. Adicionalmente, la retroalimentación puede contribuir a mejorar la precisión de un modelo y a refinar su diseño.

Otro aspecto que resulta fundamental es el enfoque multidisciplinario al diseñar herramientas de inteligencia artificial en la prevención del fraude. No hay que descuidar la presencia y opinión de expertos en el tema. El punto de vista de una persona con conocimientos en auditoría y control es de vital importancia al plantear mecanismos que faciliten a las empresas la lucha contra el fraude.

Aunque es claro que el papel del auditor no es el de advertir fraudes, su contribución en el fortalecimiento del sistema de control interno y el logro de los objetivos organizacionales es relevante y en ese sentido, sus aportes y evaluaciones desde la órbita de su competencia permiten que se obtengan mejores resultados en los esfuerzos de predicción de fraude mediante el uso de la inteligencia artificial y las soluciones tecnológicas implementadas por las empresas.