Rev. Cient. Sist. Inform. 3(1), e494, doi: 10.51252/rcsi.v3i1.494
Artículo de Revisión
Review article
Ene-Jun, 2023
https://revistas.unsm.edu.pe/index.php/rcsi
e-ISSN: 2709-992X
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia de atribución de Creative Commons, que permite el uso sin restricciones, distribución y
reproducción en cualquier medio, siempre que se cite debidamente la obra original.
Avances en el uso de inteligencia artificial para la mejora del
control y la detección de fraudes en organizaciones
Advances in the use of artificial intelligence to improve control and fraud detection
in organizations
Maricela Lescano-Delgado 1*
1Escuela de Posgrado, Universidad César Vallejo, sede Tarapoto, Perú.
Recibido: 21 Oct. 2022 | Aceptado: 03 Ene. 2023 | Publicado: 20 Ene. 2023
Autor de correspondencia*: llescanode@ucvvirtual.edu.pe
Cómo citar este artículo: Lescano-Delgado, M. (2023). Avances en el uso de inteligencia artificial para la mejora del control y la
detección de fraudes en organizaciones. Revista Científica de Sistemas e Informática, 3(1), e494. https://doi.org/10.51252/rcsi.v3i1.494
RESUMEN
El estudio revisó el uso de inteligencia artificial (IA) para mejorar el control y la detección de fraudes en
organizaciones, basándose en 31 artículos científicos publicados entre 2020 y 2022. Las tecnologías clave
incluyen machine learning, deep learning y blockchain, que han demostrado mejorar la precisión en la detección
de fraudes y optimizar el manejo de grandes volúmenes de datos. Estas herramientas no solo mejoran los
controles internos, sino que también refuerzan la seguridad y transparencia de las transacciones, principalmente
en los sectores financiero y empresarial. Los resultados sugieren que estas tecnologías reducen falsos positivos
y mejoran la detección en tiempo real. No obstante, se identifican desafíos, como la interoperabilidad entre
sistemas y la capacitación del personal. En conclusión, la adopción de IA en la detección de fraudes es una
tendencia en alza que ofrece soluciones avanzadas, aunque persisten retos para maximizar su impacto a largo
plazo.
Palabras claves: aprendizaje automático; análisis de datos; auditoría; ciberseguridad; sistemas automatizados
ABSTRACT
The study reviewed the use of artificial intelligence (AI) to improve fraud control and detection in organizations,
based on 31 scientific articles published between 2020 and 2022. Key technologies include machine learning,
deep learning, and blockchain, which have been shown to improve the accuracy of fraud detection and optimize
the handling of large volumes of data. These tools not only improve internal controls, but also reinforce the
security and transparency of transactions, mainly in the financial and business sectors. The results suggest that
these technologies reduce false positives and improve real-time detection. However, challenges are identified,
such as interoperability between systems and staff training. In conclusion, the adoption of AI in fraud detection
is a growing trend that offers advanced solutions, although challenges remain to maximize its long-term impact.
Keywords: audit; automated systems; cybersecurity; data analysis; machine learning
Lescano-Delgado, M.
2 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
1. INTRODUCCIÓN
El avance en el uso de la Inteligencia Artificial (IA) ha transformado significativamente los métodos
utilizados para mejorar el control y la detección de fraudes en diversas organizaciones, tanto públicas como
privadas (Zuiderwijk et al., 2021). Estas tecnologías permiten a las instituciones optimizar la vigilancia de
sus procesos internos, reduciendo el riesgo de actividades fraudulentas a través de algoritmos avanzados
y análisis de datos en tiempo real (Lois et al., 2020). En entornos donde los controles tradicionales han
mostrado limitaciones, la IA emerge como una solución que no solo incrementa la precisión de la detección
de irregularidades, sino que también agiliza la toma de decisiones (Collins et al., 2021).
En este contexto, la IA ofrece una amplia gama de herramientas, como el aprendizaje automático y los
sistemas basados en reglas, que permiten analizar grandes volúmenes de datos y detectar patrones que
podrían pasar desapercibidos por medios tradicionales (Xu et al., 2021). Estas capacidades proporcionan
a las organizaciones una ventaja competitiva, al permitirles identificar fraudes potenciales antes de que
puedan causar daños significativos (Lois et al., 2020). Además, la capacidad de aprendizaje continuo de los
sistemas de IA mejora la eficiencia de los controles internos, permitiendo una adaptación constante a
nuevas amenazas y formas de fraude (Füller et al., 2022).
La automatización de procesos mediante IA también ha reducido la carga operativa en departamentos
clave, como auditoría y cumplimiento normativo, liberando recursos para tareas más estratégicas (Ng et
al., 2021). Esto no solo permite a las organizaciones ser más proactivas en su gestión del riesgo, sino que
también facilita una mayor transparencia y trazabilidad en sus operaciones (Füller et al., 2022). De esta
manera, la adopción de IA no solo optimiza los controles existentes, sino que permite la creación de
sistemas de supervisión más robustos y resilientes (Truong & Papagiannidis, 2022).
La implementación de IA en la detección de fraudes ha mostrado ser especialmente útil en sectores donde
el volumen de transacciones y operaciones es elevado, como en el ámbito financiero y gubernamental (Al-
Hashedi & Magalingam, 2021). Sin embargo, su adopción no está exenta de desafíos. Uno de los principales
problemas es la resistencia al cambio dentro de las organizaciones, que a menudo requieren una
reestructuración interna para incorporar tecnologías avanzadas de manera efectiva (Reim et al., 2020).
Asimismo, la falta de personal capacitado para manejar estas herramientas representa una barrera
adicional que debe ser superada (Engel et al., 2021)
Otro aspecto crucial a considerar es la seguridad de los datos. Dado que los sistemas de IA operan sobre
grandes volúmenes de información sensible, asegurar su integridad y privacidad es fundamental. La
adopción de IA en el control interno y la detección de fraudes debe, por tanto, ir acompañada de protocolos
de seguridad robustos que prevengan posibles brechas de datos o accesos no autorizados (Singh et al.,
2020). Además, es necesario garantizar que los algoritmos utilizados no introduzcan sesgos en la detección
de fraudes, lo que podría comprometer la equidad del proceso (Cremer et al., 2022)
A pesar de estos desafíos, los estudios recientes sugieren que los beneficios de la IA en la detección de
fraudes superan con creces las dificultades de su implementación (Ali et al., 2022; RB & KR, 2021). Las
organizaciones que han adoptado estas tecnologías han logrado reducir significativamente sus pérdidas
por fraudes y mejorar la eficiencia de sus controles internos (Taherdoost, 2021). En este sentido, la IA se
perfila como una herramienta indispensable para las organizaciones que buscan no solo protegerse de
fraudes, sino también establecer una cultura de transparencia y responsabilidad (Shneiderman, 2020).
El objetivo de este estudio fue realizar una revisión sistemática de la literatura sobre el uso de Inteligencia
Artificial para la mejora del control interno y la detección de fraudes en organizaciones. Mediante este
análisis, se pretende identificar las tendencias emergentes, los desafíos en su implementación y los vacíos
en la literatura actual, proporcionando una base sólida para futuras investigaciones en este campo clave.
Lescano-Delgado, M.
3 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
2. MATERIALES Y MÉTODOS
2.1. Caracterización de la investigación
En este estudio se llevó a cabo una revisión sistemática de la literatura para analizar el uso de sistemas de
inteligencia artificial en el control interno y la detección de fraudes en organizaciones. Se utilizó un enfoque
cuantitativo y descriptivo, centrado en la identificación de publicaciones clave y métricas en la base de
datos Scopus. El objetivo fue caracterizar la investigación disponible, cuantificando las tendencias
tecnológicas y los principales desafíos asociados en la implementación de estas soluciones.
2.2. Procedimientos de búsqueda
En este estudio se siguió el protocolo propuesto por Cronin et al. (2008), que incluye: (1) formulación de la
pregunta de investigación; (2) definición de criterios de inclusión y exclusión; (3) selección de artículos
relevantes; (4) evaluación crítica de la calidad de los estudios; y (5) análisis y síntesis de los hallazgos. La
búsqueda se limitó a artículos en inglés, publicados entre enero de 2020 y diciembre de 2022, para asegurar
una cobertura internacional. La revisión se realizó en una única fase, aplicando rigurosamente estos
criterios para garantizar la exhaustividad del análisis.
2.3. Fase de búsqueda en Scopus
En la fase de búsqueda, se empleó el siguiente término: ("artificial intelligence" OR "ai" OR ((machine OR
deep) AND learning)) AND (control OR management OR regulation) AND (fraud OR "fraud detection" OR
"fraud prevention" OR "fraud identification") AND (organization* OR company OR business) para
identificar artículos relacionados con el uso de inteligencia artificial en el control y detección de fraudes en
organizaciones. Las palabras clave abarcaron tanto los aspectos técnicos de la IA como su aplicación en la
gestión del fraude en diversos tipos de organizaciones. Adicionalmente, se aplicaron filtros de inclusión y
exclusión para refinar los resultados. Se incluyeron únicamente artículos de investigación (LIMIT-
TO(DOCTYPE, "ar")) escritos en inglés (LIMIT-TO(LANGUAGE, "English")) y se consideraron
independientemente de su estado de acceso abierto (LIMIT-TO(OA, "all")). La búsqueda se restringió a
artículos publicados entre 2020 y 2022 (PUBYEAR > 2019 AND PUBYEAR < 2023) dentro del área temática
de ciencias de la computación (LIMIT-TO(SUBJAREA, "COMP")). Además, se limitaron los resultados a
aquellos que incluyeran palabras clave relevantes como "Machine Learning", "Artificial Intelligence", "Deep
Learning", "Learning Systems", "Blockchain", "Data Mining" y "Fraud Detection" (LIMIT-
TO(EXACTKEYWORD, "Machine Learning") OR LIMIT-TO(EXACTKEYWORD, "Artificial Intelligence") OR
LIMIT-TO(EXACTKEYWORD, "Deep Learning") OR LIMIT-TO(EXACTKEYWORD, "Learning Systems") OR
LIMIT-TO(EXACTKEYWORD, "Blockchain") OR LIMIT-TO(EXACTKEYWORD, "Data Mining") OR LIMIT-
TO(EXACTKEYWORD, "Fraud Detection")). Esta estrategia resultó en la identificación de 1093 documentos,
los cuales constituyen la base para el análisis en esta investigación.
A pesar de haber utilizado términos de búsqueda específicos para restringir los resultados al uso de
inteligencia artificial en el control y detección de fraudes en organizaciones, las búsquedas iniciales
arrojaron un número considerable de trabajos no directamente relacionados con el tema. Tras una revisión
de los títulos y resúmenes, se seleccionaron 31 artículos que formarían parte del análisis de revisión final.
Finalmente, se realizó un análisis exhaustivo de los artículos seleccionados en cinco etapas clave. Primero,
se revisaron los antecedentes para contextualizar el uso de IA en el control y detección de fraudes en
organizaciones. Luego, se identificaron los objetivos de cada estudio, resaltando sus enfoques principales.
A continuación, se analizaron los marcos teóricos y conceptuales empleados. Posteriormente, se evaluaron
los métodos, tecnologías y herramientas utilizadas. Finalmente, se examinaron los resultados clave,
destacando los hallazgos más relevantes en cada investigación. Este proceso permitió obtener una visión
técnica integral del estado del arte en este campo.
Lescano-Delgado, M.
4 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
3. RESULTADOS Y DISCUSIÓN
La Tabla 1 presenta los artículos seleccionados para el análisis, asignando un código único a cada uno para
simplificar su referencia. También se incluye información sobre los autores, el año de publicación, el título
del estudio y la revista donde fue publicado. Esta estructura permite una consulta rápida y eficiente de los
estudios utilizados en esta investigación.
Tabla 1.
Artículos seleccionados de la base de datos Scopus
Código
Autores
Título
Revista
A1
(Stojanović & Božić,
2022)
Robust Financial Fraud Alerting System
Based in the Cloud Environment
Sensors
A2
(Mani et al., 2022)
Cloud-based blockchain technology to
identify counterfeits
Journal of Cloud Computing
A3
(Rubaidi et al., 2022)
Fraud Detection Using Large-scale
Imbalance Dataset
International Journal on
Artificial Intelligence Tools
A4
(Lokanan, 2022)
The determinants of investment fraud: A
machine learning and artificial intelligence
approach
Frontiers in Big Data
A5
(Bakumenko &
Elragal, 2022)
Detecting Anomalies in Financial Data Using
Machine Learning Algorithms
Systems
A6
(Ashfaq et al., 2022)
A Machine Learning and Blockchain Based
Efficient Fraud Detection Mechanism
Sensors
A7
(Maçãs et al., 2022)
ATOVis – A visualisation tool for the
detection of financial fraud
Information Visualization
A8
(Chenoori & Kavuri,
2022)
Online Transaction Fraud Detection Using
Efficient Dimensionality Reduction and
Machine Learning Techniques
Revue d'Intelligence
Artificielle
A9
(Murorunkwere et
al., 2022)
Fraud Detection Using Neural Networks: A
Case Study of Income Tax
Future Internet
A10
(Alotibi et al., 2022)
Money Laundering Detection using Machine
Learning and Deep Learning
International Journal of
Advanced Computer Science
and Applications
A11
(Petrariu et al.,
2022)
A Comparative Study of Unsupervised
Anomaly Detection Algorithms used in a
Small and Medium-Sized Enterprise
International Journal of
Advanced Computer Science
and Applications
A12
(Z. Zhang et al.,
2022)
Financial Fraud Identification Based on
Stacking Ensemble Learning Algorithm:
Introducing MD&A Text Information
Computational Intelligence
and Neuroscience
A13
(Pranto et al., 2022)
Blockchain and Machine Learning for Fraud
Detection: A Privacy-Preserving and
Adaptive Incentive Based Approach
IEEE Access
A14
(Mahbub et al.,
2022)
Online Recruitment Fraud Detection: A
Study on Contextual Features in Australian
Job Industries
IEEE Access
A15
(Wang et al., 2022)
Integrating Machine Learning Algorithms
With Quantum Annealing Solvers for Online
Fraud Detection
IEEE Access
A16
(Hong et al., 2022)
Early Warning of Enterprise Financial Risk
Based on Decision Tree Algorithm
Computational Intelligence
and Neuroscience
A17
(Ponce et al., 2022)
Implementation of a Web System: Prevent
Fraud Cases in Electronic Transactions
International Journal of
Advanced Computer Science
and Applications
Lescano-Delgado, M.
5 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
A18
(R. Zhang & Zheng,
2022)
Monitoring and Analysis of Venture Capital
and Corporate Fraud Based on Deep
Learning
Computational Intelligence
and Neuroscience
A19
(J. Li, 2022)
E-Commerce Fraud Detection Model by
Computer Artificial Intelligence Data Mining
Computational Intelligence
and Neuroscience
A20
(Nesvijevskaia et al.,
2021)
The accuracy versus interpretability trade-
off in fraud detection model
Data and Policy
A21
(Stojanović et al.,
2021)
Follow the trail: Machine learning for fraud
detection in fintech applications
Sensors
A22
(Jan, 2021)
Using deep learning algorithms for CPAs’
going concern prediction
Information (Switzerland)
A23
(Shi et al., 2021)
Application of Deep Learning in Financial
Management Evaluation
Scientific Programming
A24
(Gao et al., 2021)
ConNet: Deep Semi-Supervised Anomaly
Detection Based on Sparse Positive Samples
IEEE Access
A25
(Sarno et al., 2020)
Anomaly detection in business processes
using process mining and fuzzy association
rule learning
Journal of Big Data
A26
(Carta et al., 2020)
A local feature engineering strategy to
improve network anomaly detection
Future Internet
A27
(Hasnain et al.,
2020)
Performance anomaly detection in web
services: An RNN-based approach using
dynamic quality of service features
Computers, Materials and
Continua
A28
(Liu et al., 2020)
Quantitative Detection of Financial Fraud
Based on Deep Learning with Combination
of E-Commerce Big Data
Complexity
A29
(Omair & Alturki,
2020)
Multi-dimensional fraud detection metrics
in business processes and their application
International Journal of
Advanced Computer Science
and Applications
A30
(S. L. Li, 2020)
Data mining of corporate financial fraud
based on neural network model
Computer Optics
A31
(Elsayed &
Zulkernine, 2020)
PredictDeep: Security Analytics as a Service
for Anomaly Detection and Prediction
IEEE Access
Análisis de los principales temas
En la Tabla 2, se identificaron cinco temas clave recurrentes en la investigación. El fraude financiero sigue
siendo el tema dominante, donde la detección de fraudes mediante machine learning y deep learning juega
un papel esencial en muchos estudios. Estos métodos permiten una mejor precisión en la predicción de
fraudes y mejoran la capacidad de manejar grandes volúmenes de datos.
Asimismo, el uso de blockchain es una estrategia popular para reforzar la seguridad en las transacciones y
sistemas empresariales. Además, algunos artículos se enfocan en la detección de fraudes en sistemas
empresariales y otros se centran en la gestión de grandes volúmenes de datos mediante técnicas avanzadas
de análisis para optimizar la detección de fraudes.
Tabla 2.
Temas abordados en las investigaciones analizadas
Frecuencia
(Porcentaje)
Artículos
16 (51,6%)
A1, A3, A5, A6, A8, A9, A10, A11, A12, A13,
A14, A15, A16, A18, A22, A24
6 (19,4%)
A2, A6, A13, A18, A19, A30
Lescano-Delgado, M.
6 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
7 (22,6%)
A5, A9, A10, A12, A16, A23, A28
5 (16,1%)
A4, A5, A12, A15, A29
8 (25,8%)
A7, A11, A17, A21, A25, A26, A27, A31
Análisis de los principales antecedentes
La Tabla 3 identifica las causas principales que originaron la necesidad de desarrollar investigaciones en
torno a la detección de fraudes financieros y empresariales. La principal causa destacada es el creciente
aumento en la sofisticación y frecuencia del fraude financiero, lo que ha llevado a las organizaciones a
buscar tecnologías más avanzadas y precisas para detectar estas amenazas.
Otra causa importante es la ineficiencia de los métodos tradicionales para detectar fraudes en grandes
volúmenes de datos, lo cual ha impulsado el desarrollo de nuevas soluciones basadas en machine learning
y deep learning. Estos métodos son más efectivos para manejar la complejidad y escala de los datos
actuales, así como para reducir los falsos positivos. Además, la creciente amenaza de ataques cibernéticos
y fraudes internos ha motivado investigaciones que buscan fortalecer la seguridad en sistemas financieros,
utilizando herramientas como blockchain.
Tabla 3.
Análisis de los principales antecedentes
Frecuencia
(Porcentaje)
Artículos
16 (51,6%)
A1, A3, A5, A6, A8, A9, A10, A11, A12, A13,
A14, A15, A16, A18, A22, A23
10 (32,3%)
A2, A4, A5, A6, A9, A13, A17, A25, A27, A31
7 (22,6%)
A4, A5, A6, A11, A20, A26, A29
5 (16,1%)
A7, A19, A21, A24, A28, A30
Análisis del componente tecnológico
La Tabla 4 muestra las soluciones tecnológicas implementadas para mejorar la detección de fraude. La
inteligencia artificial (IA), particularmente el machine learning y el deep learning, es la tecnología más
utilizada en los artículos para entrenar modelos que puedan identificar patrones de fraude de manera más
eficiente y precisa. Estos modelos incluyen desde redes neuronales profundas hasta árboles de decisión y
técnicas de aprendizaje supervisado y no supervisado.
Asimismo, el blockchain se utiliza en varios estudios para asegurar la transparencia y la integridad de los
datos en sistemas financieros y empresariales. También se destaca el uso de sistemas distribuidos y
arquitecturas de big data, que permiten el procesamiento de grandes volúmenes de información en tiempo
real. Otros estudios incorporan algoritmos de optimización como XGBoost, SVM y algoritmos genéticos,
diseñados para mejorar la precisión de los modelos de predicción de fraude.
Tabla 4.
Clasificación de los documentos según el componente tecnológico
Frecuencia
(Porcentaje)
Artículos
Lescano-Delgado, M.
7 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
22 (71,0%)
A1, A3, A5, A6, A8, A9, A10, A11, A12, A13,
A14, A15, A16, A18, A19, A23, A25, A26,
A27, A28, A29, A30
8 (25,8%)
A5, A9, A12, A16, A23, A24, A28, A31
6 (19,4%)
A2, A6, A13, A18, A19, A30
7 (22,6%)
A4, A5, A12, A15, A20, A26, A29
6 (19,4%)
A3, A4, A5, A16, A18, A22
4 (12,9%)
A7, A9, A24, A27
5 (16,1%)
A7, A11, A17, A25, A31
Análisis de los elementos teóricos
La Tabla 5 muestra que los fundamentos teóricos más comunes de las investigaciones provienen de las
áreas de inteligencia artificial y aprendizaje automático, que proporcionan la base para la implementación
de soluciones tecnológicas como machine learning y deep learning en la detección de fraude. La teoría de
probabilidad y estadística juega un papel clave, ya que muchos modelos se basan en estos principios para
realizar predicciones precisas de comportamientos anómalos y reducir falsos positivos.
Otro fundamento importante es el de las teorías de seguridad de la información, que sustentan el uso de
tecnologías como blockchain para garantizar la integridad y seguridad en las transacciones financieras. En
el caso de los estudios que emplean arquitecturas de big data, se encuentran respaldados por teorías
relacionadas con el procesamiento distribuido de datos y la gestión de grandes volúmenes de información.
Tabla 5.
Clasificación de los artículos según temas de investigación
Frecuencia
(Porcentaje)
Artículos
21 (67,7%)
A1, A3, A4, A5, A6, A8, A10, A11, A12, A13,
A14, A15, A16, A18, A21, A23, A25, A26,
A27, A28, A30
8 (25,8%)
A2, A3, A7, A9, A12, A16, A17, A22
6 (19,4%)
A7, A9, A19, A20, A24, A30
7 (22,6%)
A2, A4, A6, A11, A13, A17, A31
6 (19,4%)
A3, A4, A5, A16, A18, A22
5 (16,1%)
A26, A25, A32, A28, A31
Análisis de resultados
La Tabla 6 muestra los resultados logrados en los estudios, reflejando la efectividad de las soluciones
tecnológicas aplicadas. En la mayoría de los estudios, se observaron mejoras significativas en la precisión
de la detección de fraude utilizando técnicas avanzadas de machine learning y deep learning. Los estudios
que utilizaron algoritmos de optimización lograron reducir los falsos positivos, mejorando la eficiencia del
sistema.
Además, en los estudios que implementaron blockchain, los resultados destacan mejoras en la seguridad y
transparencia de las transacciones, con un enfoque en la prevención del fraude a nivel estructural. Los
estudios basados en el análisis de big data mostraron que las arquitecturas distribuidas permiten procesar
Lescano-Delgado, M.
8 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
grandes volúmenes de datos de manera eficiente, facilitando la detección de patrones anómalos en tiempo
real.
Tabla 6.
Resultados logrados de los artículos analizados
Frecuencia
(Porcentaje)
Artículos
20 (64,5%)
A1, A3, A5, A6, A8, A10, A11, A12, A13, A14,
A15, A16, A18, A22, A23, A24, A25, A26,
A28, A30
9 (29,0%)
A2, A4, A5, A6, A9, A13, A17, A19, A23
6 (19,4%)
A7, A9, A19, A20, A24, A30
7 (22,6%)
A2, A4, A6, A11, A13, A19, A31
4 (12,9%)
A7, A9, A17, A24
5 (16,1%)
A26, A25, A32, A28, A31
El análisis de los 31 artículos revela que la detección de fraudes financieros es un área crítica de
investigación, motivada principalmente por el aumento en la sofisticación y frecuencia del fraude en
transacciones electrónicas y sistemas empresariales. Como respuesta, los estudios han adoptado diversas
tecnologías, siendo el machine learning una de las soluciones más prevalentes, utilizada en
aproximadamente el 51,6% de los trabajos (A1, A3, A5, A6, A8, A9, A10, A11, A12, A13, A14, A15, A16, A18,
A22, A23, A24, A25, A26, A27, A28, A30). Estos estudios destacan la capacidad de los algoritmos de
aprendizaje automático para manejar datos complejos y mejorar la precisión en la identificación de fraudes.
El uso de deep learning en el 22,6% de los estudios también ha demostrado ser una herramienta poderosa
para capturar patrones más complejos de comportamiento fraudulento (A5, A9, A10, A12, A16, A23, A28).
Un segundo factor significativo es la ineficiencia de los sistemas tradicionales de detección de fraudes, que
no pueden manejar adecuadamente el crecimiento de los volúmenes de datos ni la complejidad de los
patrones fraudulentos. Este reto ha motivado investigaciones que integran tecnologías como big data y
blockchain, soluciones que permiten una mayor eficiencia y seguridad en la gestión de grandes volúmenes
de información y en la verificación de transacciones financieras. Aproximadamente el 22,6% de los estudios
incluyeron el análisis de grandes volúmenes de datos (A2, A4, A6, A11, A13, A19, A31), mostrando que el
procesamiento distribuido es clave para mejorar la capacidad de respuesta en tiempo real. Por otro lado,
el blockchain fue utilizado en el 19,4% de los estudios como una medida para garantizar la integridad y
transparencia de los datos (A2, A6, A13, A18, A19, A30).
En cuanto a los fundamentos teóricos que respaldan estas soluciones tecnológicas, la inteligencia artificial
y el aprendizaje automático son las principales teorías subyacentes, justificando el uso de técnicas
avanzadas como el aprendizaje supervisado y no supervisado en la detección de fraudes (A1, A3, A4, A5,
A6, A8, A10, A11, A12, A13, A14, A15, A16, A18, A23, A25, A26, A27, A28, A30). Otros estudios fundamentan
sus soluciones en teorías de probabilidad y estadística, aplicadas para la detección de patrones anómalos y
la optimización de algoritmos, permitiendo reducir falsos positivos y mejorar la eficiencia del sistema (A2,
A3, A7, A9, A12, A16, A17, A22, A24, A27, A31). Estos fundamentos teóricos han permitido desarrollar
sistemas más robustos que pueden adaptarse a la dinámica cambiante de los fraudes financieros.
Finalmente, los resultados logrados en estos estudios confirman mejoras significativas en la precisión y la
reducción de falsos positivos. El 64,5% de los estudios reportó una mejora en la precisión de la detección
Lescano-Delgado, M.
9 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
de fraude al aplicar machine learning y deep learning (A1, A3, A5, A6, A8, A10, A11, A12, A13, A14, A15,
A16, A18, A22, A23, A24, A25, A26, A27, A28, A30, A31). Además, el uso de algoritmos de optimización y
modelos matemáticos permitió que el 29.0% de los estudios lograran reducir los falsos positivos y mejorar
la eficiencia general del sistema (A2, A4, A5, A6, A9, A13, A17, A19, A23, A25). En conjunto, los estudios
demuestran que las soluciones tecnológicas, apoyadas en teorías sólidas, han avanzado significativamente
en la lucha contra el fraude financiero.
4. CONCLUSIONES
El análisis de los 31 estudios demuestra que las tecnologías avanzadas, como el machine learning, deep
learning, y el blockchain, han tenido un impacto significativo en la detección de fraudes financieros y
empresariales. Estas soluciones han mejorado considerablemente la precisión de los sistemas, permitiendo
identificar patrones de fraude de manera más eficiente y reduciendo los falsos positivos. Además, el
blockchain ha demostrado ser eficaz en la mejora de la seguridad y transparencia de las transacciones, lo
que refuerza la integridad de los datos en sistemas distribuidos. No obstante, los estudios también revelan
desafíos en cuanto a la escalabilidad y la interoperabilidad entre los sistemas existentes, que deberán ser
superados para una adopción más amplia y efectiva de estas tecnologías.
En conclusión, la implementación de estas tecnologías emergentes no solo ha impulsado la eficiencia en la
detección de fraudes, sino que también ha promovido una mayor seguridad en las operaciones financieras.
Sin embargo, es fundamental que las organizaciones se preparen para enfrentar los desafíos relacionados
con la adopción de estas tecnologías, como la capacitación del personal y la integración con sistemas
heredados. Con una adopción adecuada, estas soluciones tienen el potencial de transformar la forma en
que las instituciones abordan la detección de fraudes y garantizan la seguridad de las transacciones.
FINANCIAMIENTO
Ninguno.
CONFLICTO DE INTERESES
No existe ningún tipo de conflicto de interés relacionado con la materia del trabajo.
CONTRIBUCIÓN DE LOS AUTORES
Conceptualización, curación de datos, análisis formal, investigación, metodología, supervisión, validación,
redacción -borrador original, redacción -revisión y edición: Lescano-Delgado, M.
REFERENCIAS BIBLIOGRÁFICAS
Al-Hashedi, K. G., & Magalingam, P. (2021). Financial fraud detection applying data mining techniques: A
comprehensive review from 2009 to 2019. Computer Science Review, 40, 100402.
https://doi.org/10.1016/j.cosrev.2021.100402
Ali, A., Abd Razak, S., Othman, S. H., Eisa, T. A. E., Al-Dhaqm, A., Nasser, M., Elhassan, T., Elshafie, H., & Saif,
A. (2022). Financial Fraud Detection Based on Machine Learning: A Systematic Literature Review.
Applied Sciences, 12(19), 9637. https://doi.org/10.3390/app12199637
Alotibi, J., Almutanni, B., Alsubait, T., Alhakami, H., & Baz, A. (2022). Money Laundering Detection using
Machine Learning and Deep Learning. International Journal of Advanced Computer Science and
Applications, 13(10), 732–738. https://doi.org/10.14569/IJACSA.2022.0131087
Ashfaq, T., Khalid, R., Yahaya, A. S., Aslam, S., Azar, A. T., Alsafari, S., & Hameed, I. A. (2022). A Machine
Lescano-Delgado, M.
10 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
Learning and Blockchain Based Efficient Fraud Detection Mechanism. Sensors, 22(19).
https://doi.org/10.3390/s22197162
Bakumenko, A., & Elragal, A. (2022). Detecting Anomalies in Financial Data Using Machine Learning
Algorithms. Systems, 10(5). https://doi.org/10.3390/systems10050130
Carta, S., Podda, A. S., Recupero, D. R., & Saia, R. (2020). A local feature engineering strategy to improve
network anomaly detection. Future Internet, 12(10), 1–30. https://doi.org/10.3390/fi12100177
Chenoori, R. K., & Kavuri, R. (2022). Online Transaction Fraud Detection Using Efficient Dimensionality
Reduction and Machine Learning Techniques. Revue d’Intelligence Artificielle, 36(4), 621–628.
https://doi.org/10.18280/ria.360415
Collins, C., Dennehy, D., Conboy, K., & Mikalef, P. (2021). Artificial intelligence in information systems
research: A systematic literature review and research agenda. International Journal of Information
Management, 60, 102383. https://doi.org/10.1016/j.ijinfomgt.2021.102383
Cremer, F., Sheehan, B., Fortmann, M., Kia, A. N., Mullins, M., Murphy, F., & Materne, S. (2022). Cyber risk
and cybersecurity: a systematic review of data availability. The Geneva Papers on Risk and Insurance -
Issues and Practice, 47(3), 698–736. https://doi.org/10.1057/s41288-022-00266-6
Cronin, P., Ryan, F., & Coughlan, M. (2008). Undertaking a literature review: a step-by-step approach.
British Journal of Nursing, 17(1), 38–43. https://doi.org/10.12968/bjon.2008.17.1.28059
Elsayed, M. A., & Zulkernine, M. (2020). PredictDeep: Security Analytics as a Service for Anomaly
Detection and Prediction. IEEE Access, 8, 45184–45197.
https://doi.org/10.1109/ACCESS.2020.2977325
Engel, C., Ebel, P., & van Giffen, B. (2021). Empirically Exploring the Cause-Effect Relationships of AI
Characteristics, Project Management Challenges, and Organizational Change (pp. 166–181).
https://doi.org/10.1007/978-3-030-86797-3_12
Füller, J., Hutter, K., Wahl, J., Bilgram, V., & Tekic, Z. (2022). How AI revolutionizes innovation
management – Perceptions and implementation preferences of AI-based innovators. Technological
Forecasting and Social Change, 178, 121598. https://doi.org/10.1016/j.techfore.2022.121598
Gao, F., Li, J., Cheng, R., Zhou, Y., & Ye, Y. (2021). ConNet: Deep Semi-Supervised Anomaly Detection Based
on Sparse Positive Samples. IEEE Access, 9, 67249–67258.
https://doi.org/10.1109/ACCESS.2021.3077014
Hasnain, M., Jeong, S. R., Pasha, M. F., & Ghani, I. (2020). Performance anomaly detection in web services:
An RNN-based approach using dynamic quality of service features. Computers, Materials and
Continua, 64(2), 729–752. https://doi.org/10.32604/CMC.2020.010394
Hong, S., Wu, H., Xu, X., & Xiong, W. (2022). Early Warning of Enterprise Financial Risk Based on Decision
Tree Algorithm. Computational Intelligence and Neuroscience, 2022.
https://doi.org/10.1155/2022/9182099
Jan, C.-L. (2021). Using deep learning algorithms for CPAs’ going concern prediction. Information
(Switzerland), 12(2), 1–22. https://doi.org/10.3390/info12020073
Li, J. (2022). E-Commerce Fraud Detection Model by Computer Artificial Intelligence Data Mining.
Computational Intelligence and Neuroscience, 2022. https://doi.org/10.1155/2022/8783783
Li, S. L. (2020). Data mining of corporate financial fraud based on neural network model. Computer Optics,
44(4), 665–670. https://doi.org/10.18287/2412-6179-CO-656
Liu, J., Gu, X., & Shang, C. (2020). Quantitative Detection of Financial Fraud Based on Deep Learning with
Lescano-Delgado, M.
11 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
Combination of E-Commerce Big Data. Complexity, 2020. https://doi.org/10.1155/2020/6685888
Lois, P., Drogalas, G., Karagiorgos, A., & Tsikalakis, K. (2020). Internal audits in the digital era:
opportunities risks and challenges. EuroMed Journal of Business, 15(2), 205–217.
https://doi.org/10.1108/EMJB-07-2019-0097
Lokanan, M. (2022). The determinants of investment fraud: A machine learning and artificial intelligence
approach. Frontiers in Big Data, 5. https://doi.org/10.3389/fdata.2022.961039
Maçãs, C., Polisciuc, E., & Machado, P. (2022). ATOVis – A visualisation tool for the detection of financial
fraud. Information Visualization, 21(4), 371–392. https://doi.org/10.1177/14738716221098074
Mahbub, S., Pardede, E., & Kayes, A. S. M. (2022). Online Recruitment Fraud Detection: A Study on
Contextual Features in Australian Job Industries. IEEE Access, 10, 82776–82787.
https://doi.org/10.1109/ACCESS.2022.3197225
Mani, V., Prakash, M., & Lai, W. C. (2022). Cloud-based blockchain technology to identify counterfeits.
Journal of Cloud Computing, 11(1). https://doi.org/10.1186/s13677-022-00341-2
Murorunkwere, B. F., Tuyishimire, O., Haughton, D., & Nzabanita, J. (2022). Fraud Detection Using Neural
Networks: A Case Study of Income Tax. Future Internet, 14(6). https://doi.org/10.3390/fi14060168
Nesvijevskaia, A., Ouillade, S., Guilmin, P., & Zucker, J.-D. (2021). The accuracy versus interpretability
trade-off in fraud detection model. Data and Policy, 3(7). https://doi.org/10.1017/dap.2021.3
Ng, K. K. H., Chen, C.-H., Lee, C. K. M., Jiao, J. (Roger), & Yang, Z.-X. (2021). A systematic literature review on
intelligent automation: Aligning concepts from theory, practice, and future perspectives. Advanced
Engineering Informatics, 47, 101246. https://doi.org/10.1016/j.aei.2021.101246
Omair, B., & Alturki, A. (2020). Multi-dimensional fraud detection metrics in business processes and their
application. International Journal of Advanced Computer Science and Applications, 11(9), 570–586.
https://doi.org/10.14569/IJACSA.2020.0110968
Petrariu, I., Moscaliuc, A., Turcu, C. E., & Gherman, O. (2022). A Comparative Study of Unsupervised
Anomaly Detection Algorithms used in a Small and Medium-Sized Enterprise. International Journal
of Advanced Computer Science and Applications, 13(9), 931–940.
https://doi.org/10.14569/IJACSA.2022.01309108
Ponce, E. K., Sanchez, K. E., & Andrade-Arenas, L. (2022). Implementation of a Web System: Prevent Fraud
Cases in Electronic Transactions. International Journal of Advanced Computer Science and
Applications, 13(6), 865–876. https://doi.org/10.14569/IJACSA.2022.01306102
Pranto, T. H., Hasib, K. T. A. M., Rahman, T., Haque, A. B., Islam, A. K. M. N., & Rahman, R. M. (2022).
Blockchain and Machine Learning for Fraud Detection: A Privacy-Preserving and Adaptive Incentive
Based Approach. IEEE Access, 10, 87115–87134. https://doi.org/10.1109/ACCESS.2022.3198956
RB, A., & KR, S. K. (2021). Credit card fraud detection using artificial neural network. Global Transitions
Proceedings, 2(1), 35–41. https://doi.org/10.1016/j.gltp.2021.01.006
Reim, W., Åström, J., & Eriksson, O. (2020). Implementation of Artificial Intelligence (AI): A Roadmap for
Business Model Innovation. AI, 1(2), 180–191. https://doi.org/10.3390/ai1020011
Rubaidi, Z. S., Ammar, B. B., & Aouicha, M. B. (2022). Fraud Detection Using Large-scale Imbalance
Dataset. International Journal on Artificial Intelligence Tools, 31(8).
https://doi.org/10.1142/S0218213022500373
Sarno, R., Sinaga, F., & Sungkono, K. R. (2020). Anomaly detection in business processes using process
mining and fuzzy association rule learning. Journal of Big Data, 7(1).
Lescano-Delgado, M.
12 Rev. Cient. Sist. Inform. 3(1): e494; (Ene-Jun, 2023). e-ISSN: 2709-992X
https://doi.org/10.1186/s40537-019-0277-1
Shi, W., Xu, L., & Peng, D. (2021). Application of Deep Learning in Financial Management Evaluation.
Scientific Programming, 2021. https://doi.org/10.1155/2021/2475885
Shneiderman, B. (2020). Bridging the Gap Between Ethics and Practice. ACM Transactions on Interactive
Intelligent Systems, 10(4), 1–31. https://doi.org/10.1145/3419764
Singh, S., Karimipour, H., HaddadPajouh, H., & Dehghantanha, A. (2020). Artificial Intelligence and Security
of Industrial Control Systems. In Handbook of Big Data Privacy (pp. 121–164). Springer International
Publishing. https://doi.org/10.1007/978-3-030-38557-6_7
Stojanović, B., & Božić, J. (2022). Robust Financial Fraud Alerting System Based in the Cloud Environment.
Sensors, 22(23). https://doi.org/10.3390/s22239461
Stojanović, B., Božić, J., Hofer-Schmitz, K., Nahrgang, K., Weber, A., Badii, A., Sundaram, M., Jordan, E., &
Runevic, J. (2021). Follow the trail: Machine learning for fraud detection in fintech applications.
Sensors, 21(5), 1–43. https://doi.org/10.3390/s21051594
Taherdoost, H. (2021). A Review on Risk Management in Information Systems: Risk Policy, Control and
Fraud Detection. Electronics, 10(24), 3065. https://doi.org/10.3390/electronics10243065
Truong, Y., & Papagiannidis, S. (2022). Artificial intelligence as an enabler for innovation: A review and
future research agenda. Technological Forecasting and Social Change, 183, 121852.
https://doi.org/10.1016/j.techfore.2022.121852
Wang, H., Wang, W., Liu, Y., & Alidaee, B. (2022). Integrating Machine Learning Algorithms With Quantum
Annealing Solvers for Online Fraud Detection. IEEE Access, 10, 75908–75917.
https://doi.org/10.1109/ACCESS.2022.3190897
Xu, Y., Liu, X., Cao, X., Huang, C., Liu, E., Qian, S., Liu, X., Wu, Y., Dong, F., Qiu, C.-W., Qiu, J., Hua, K., Su, W.,
Wu, J., Xu, H., Han, Y., Fu, C., Yin, Z., Liu, M., … Zhang, J. (2021). Artificial intelligence: A powerful
paradigm for scientific research. The Innovation, 2(4), 100179.
https://doi.org/10.1016/j.xinn.2021.100179
Zhang, R., & Zheng, L. (2022). Monitoring and Analysis of Venture Capital and Corporate Fraud Based on
Deep Learning. Computational Intelligence and Neuroscience, 2022.
https://doi.org/10.1155/2022/4589593
Zhang, Z., Ma, Y., & Hua, Y. (2022). Financial Fraud Identification Based on Stacking Ensemble Learning
Algorithm: Introducing MD&amp;A Text Information. Computational Intelligence and Neuroscience,
2022. https://doi.org/10.1155/2022/1780834
Zuiderwijk, A., Chen, Y.-C., & Salem, F. (2021). Implications of the use of artificial intelligence in public
governance: A systematic literature review and a research agenda. Government Information
Quarterly, 38(3), 101577. https://doi.org/10.1016/j.giq.2021.101577