Inteligencia artificial explicable en la contabilidad de gestión: revisión sistemática sobre confianza, aceptación y calidad de las decisiones
DOI:
https://doi.org/10.69639/arandu.v13i3.2481Palabras clave:
inteligencia artificial explicable, contabilidad de gestión, confianza, aceptación tecnológica, calidad de las decisionesResumen
El estudio tuvo como objetivo analizar críticamente y sintetizar la evidencia empírica publicada entre enero de 2020 y mayo de 2026 sobre la relación entre las modalidades de explicabilidad de la inteligencia artificial (IA), la confianza, la aceptación y la calidad de las decisiones en las principales funciones de la contabilidad de gestión. Se aplicó una revisión sistemática con síntesis crítica narrativa, de acuerdo con los preceptos de PRISMA 2020 y PRISMA-S. Se ejeuctaron búsqueda de estudios en Scopus, SciELO y EBSCO, seleccionándose investigaciones arbitradas y de carácter empírico sobre IA explicable o contextos gerenciales transferibles en materia de resultados humanos y decisiones de contabilidad de gestión. Se recopilaron 98 estudios, después de eliminar seis duplicados quedaron 92 registros, posteriormente se desestimaron 81, quedando 11 informes, cinco no eran de acceso y los seis restantes pasaron a una evaluación de texto completo. Finalmente, tres de ellos se ajustaban a los criterios para la síntesis y los otros tres quedaron fuera. La evidencia directa no va más allá de la estimación de costos. Los trabajos incorporados explican que la transparencia o la explicabilidad son propicias para depositar confianza y hacer uso del consejo de un algoritmo. Conclusivamente, es poca cosa generalizar en cuanto a la presupuestación, el pronóstico, la evaluación del desempeño o el análisis de desviaciones. Hay necesidad de estudios de campo que vayan más allá y ofrezcan una medida objetiva del desempeño, de la confianza calibrada y del uso efectivo, comparando a su vez las modalidades explicativas.
Descargas
Citas
Abbas, K. (2026). Management accounting and artificial intelligence: A comprehensive literature review and recommendations for future research. The British Accounting Review, 58(2), 101551. https://doi.org/10.1016/j.bar.2025.101551
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
Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., Gil-López, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012
Bhimani, A. (2020). Digital data and management accounting: Why we need to rethink research methods. Journal of Management Control, 31, 9–23. https://doi.org/10.1007/s00187-020-00295-z
Burton, J. W., Stein, M.-K., & Jensen, T. B. (2020). A systematic review of algorithm aversion in augmented decision making. Journal of Behavioral Decision Making, 33(2), 220–239. https://doi.org/10.1002/bdm.2155
Castelo, N., Bos, M. W., & Lehmann, D. R. (2019). Task-dependent algorithm aversion. Journal of Marketing Research, 56(5), 809–825. https://doi.org/10.1177/0022243719851788
Chen, C. X., Hudgins, R., & Wright, W. F. (2022). The effect of advice valence on the perceived credibility of data analytics. Journal of Management Accounting Research, 34(2), 97–116. https://doi.org/10.2308/JMAR-2020-015
Commerford, B. P., Dennis, S. A., Joe, J. R., & Ulla, J. W. (2022). Man versus machine: Complex estimates and auditor reliance on artificial intelligence. Journal of Accounting Research, 60(1), 171–201. https://doi.org/10.1111/1475-679X.12407
Dieta vorst, B. J., Simmons, J. P., & Massey, C. (2018). Overcoming algorithm aversion: People will use imperfect algorithms if they can (even slightly) modify them. Management Science, 64(3), 1155–1170. https://doi.org/10.1287/mnsc.2016.2643
Fehrenbacher, D. D., Ghio, A., & Weisner, M. M. (2023). Advice utilization from predictive analytics tools: The trend is your friend. European Accounting Review, 32(3), 637–662. https://doi.org/10.1080/09638180.2022.2138934
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Keny Arnold Mas Villanueva, Daniel Mijahuanga Chumbe , Gianfranco Ramirez Torres, Zarita Isabel Mijahuanga Chumbe
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
