Artificial Intelligence Systems in Accounting and Auditing: A Bibliometric and Exploratory Analysis

Abstract

Listen in: English (British) Español (España) Name: Loading voices… ▶ Listen to Abstract Pause Stop Speed: 0.75x1x 1.25x1.5x

Sistemas de inteligencia artificial en contabilidad y auditoría: un análisis bibliométrico y exploratorio Autores: Ioana Florina Coita - University of Economics in Bratislava, Slovakia; University of Oradea, Romania; University of Sofia, Bulgaria (RO) Laura Filip - University of Oradea (RO) Marius Vlad Pop - University of Oradea (RO) Resumen Este estudio examina el papel de la inteligencia artificial (IA) en la contabilidad y la auditoría mediante un diseño en dos etapas que combina un análisis bibliométrico con una evaluación comparativa exploratoria de soluciones basadas en IA. La literatura actual muestra una fragmentación entre las revisiones conceptuales y las descripciones de casos impulsadas por proveedores, mientras que sigue siendo limitada una visión estructurada y transversal de cómo se integran realmente las tecnologías de IA en los flujos de trabajo financieros y de cómo esta integración difiere según el tamaño de la entidad y el perfil de fiabilidad de los sistemas subyacentes. El componente bibliométrico examina 729 artículos revisados por pares e indexados en la base de datos Web of Science (posteriores a 2015), procesados mediante VOSviewer para realizar un análisis de coocurrencia de palabras clave. El componente exploratorio evalúa diez soluciones basadas en IA utilizando un marco que abarca el subconjunto de IA, la categoría funcional, el tamaño de la entidad objetivo, la relevancia para la auditoría y la transparencia arquitectónica declarada. Los resultados bibliométricos indican que el campo se organiza en torno a seis términos dominantes —inteligencia artificial, aprendizaje profundo, aprendizaje automático, rendimiento, clasificación y modelo—, lo que refleja una fuerte convergencia metodológica hacia enfoques supervisados y de aprendizaje profundo. Los resultados exploratorios muestran que las soluciones actuales de IA se agrupan en tres categorías funcionales: automatización de procesos, analítica e inteligencia empresarial, y sistemas predictivos u orientados a la auditoría. Los patrones de adopción difieren según el tamaño de la empresa: las pequeñas y medianas empresas (PYME) obtienen los mayores beneficios de la automatización de procesos y el reconocimiento óptico de caracteres, mientras que las grandes entidades obtienen un mayor valor de los análisis sobre poblaciones completas y de la detección de anomalías basada en métodos de conjunto. El estudio aporta un procedimiento metodológico replicable que vincula el mapeo bibliométrico con la evaluación aplicada de herramientas, un marco comparativo que aborda la arquitectura de IA, a menudo no revelada, detrás de las herramientas de caja negra de los proveedores, y una discusión sobre los límites de fiabilidad. Esta discusión incluye la naturaleza constitutiva —y no meramente errónea— de los fallos probabilísticos de la IA, con implicaciones para el aseguramiento de la auditoría y para marcos regulatorios emergentes como el Reglamento de Inteligencia Artificial de la Unión Europea y la norma ISO/IEC 42001.

This study examines the role of artificial intelligence (AI) in accounting and auditing through a two-stage design that combines bibliometric analysis with an exploratory comparative evaluation of AI-based solutions. The current literature shows a fragmentation between conceptual reviews and vendor-driven case descriptions, while a structured cross-cutting view of how AI technologies are actually integrated into financial workflows, and of how this integration differs by entity size and by the trustworthiness profile of the underlying systems, is still limited. The bibliometric component examines 729 peer-reviewed articles indexed in the Web of Science database (post-2015), processed using VOSviewer for keyword co-occurrence analysis. The exploratory component evaluates ten AI-based solutions against a framework that covers AI subset, functional category, target entity size, audit relevance, and disclosed architectural transparency. The bibliometric results indicate that the field is organised around six dominant terms (artificial intelligence, deep learning, machine learning, performance, classification, and model), reflecting a strong methodological convergence on supervised and deep-learning approaches. The exploratory results show that current AI offerings cluster into three functional categories (process automation, analytics and business intelligence, and predictive or audit-oriented systems), with adoption patterns that differ by company size: small and medium-sized entities (SMEs) gain the most benefits from process automation and optical character recognition, while large entities derive higher value from full-population analytics and ensemble-based anomaly detection. The study contributes a replicable methodological pipeline that links bibliometric mapping with applied tool evaluation, a comparative framework that addresses the often undisclosed AI architecture behind vendor black-box tools, and a discussion of trustworthiness limits, including the constitutive (non-error) nature of probabilistic AI failures, with implications for audit assurance and emerging regulatory frameworks such as the EU AI Act and ISO/IEC 42001.