IMPLEMENTACIÓN Y APLICACIÓN DE
LA INTELIGENCIA ARTIFICIAL EN LOS
PROCESOS DE FISCALIZACIÓN TRIBUTARIA
EN LATINOAMÉRICA
IMPLEMENTATION AND APPLICATION OF
ARTIFICIAL INTELLIGENCE IN TAX AUDIT PROCESSES IN
LATIN AMERICA
Carolina del Rocío Zamora Quintuña
Universidad Católica de Santiago de Guayaqul, Ecuador
Maria Mercedes Baño Hifóng
Universidad Católica de Santiago de Guayaqul, Ecuador
pág. 3690
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24367
Implementación y Aplicación de la Inteligencia Artificial en los Procesos de
Fiscalización Tributaria en Latinoamérica
Carolina del Rocío Zamora Quintuña1
carolina.zamora@cu.ucsg.edu.ec
https://orcid.org/0009-0009-2505-6450
Universidad Católica de Santiago de Guayaqul
Ecuador
Maria Mercedes Baño Hifóng
maria.bano@cu.ucsg.edu.ec
https://orcid.org/0000-0003-2904-3090
Universidad Católica de Santiago de Guayaqul
Ecuador
RESUMEN
La presente revisión bibliográfica analizó la implementación y aplicación de la inteligencia artificial en
los procesos de fiscalización tributaria en Latinoamérica, especialmente en la detección de riesgos,
prevención de la evasión tributaria, asistencia al contribuyente y modernización del control fiscal. Se
realizó una investigación de enfoque cualitativo, de tipo documental, con diseño no experimental y
alcance descriptivo-analítico. Se sustentó en 25 documentos obtenidos de bases de datos y repositorios
académicos, publicados entre 2021 y 2026, seleccionados por su relevancia temática, actualidad,
trazabilidad e idioma español. Los resultados mostraron que la inteligencia artificial potencia la
segmentación de los contribuyentes, el análisis masivo de datos, la detección de inconsistencias, la
priorización de auditorías y la fiscalización preventiva. Sin embargo, la adopción e implementación se
enfrentan a barreras relacionadas con la calidad de los datos, los sesgos estructurales, la explicabilidad
algorítmica, la protección del ejercicio de derechos, la interoperabilidad entre plataformas, el desarrollo
tecnológico y la viabilidad institucional. Se concluyó que la inteligencia artificial es una oportunidad
para modernizar la función fiscalizadora en las administraciones tributarias latinoamericanas cuando se
implementa bajo el principio de supervisión humana, con respeto al ordenamiento jurídico,
transparencia proactiva, ética pública y garantía del debido proceso administrativo tributario.
Palabras clave: inteligencia artificial; fiscalización tributaria; administración tributaria; América
Latina; cumplimiento tributario
1 Autor principal
Correspondencia: carolina.zamora@cu.ucsg.edu.ec
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24367
Implementación y Aplicación de la Inteligencia Artificial en los Procesos de
Fiscalización Tributaria en Latinoamérica
Carolina del Rocío Zamora Quintuña1
carolina.zamora@cu.ucsg.edu.ec
https://orcid.org/0009-0009-2505-6450
Universidad Católica de Santiago de Guayaqul
Ecuador
Maria Mercedes Baño Hifóng
maria.bano@cu.ucsg.edu.ec
https://orcid.org/0000-0003-2904-3090
Universidad Católica de Santiago de Guayaqul
Ecuador
RESUMEN
La presente revisión bibliográfica analizó la implementación y aplicación de la inteligencia artificial en
los procesos de fiscalización tributaria en Latinoamérica, especialmente en la detección de riesgos,
prevención de la evasión tributaria, asistencia al contribuyente y modernización del control fiscal. Se
realizó una investigación de enfoque cualitativo, de tipo documental, con diseño no experimental y
alcance descriptivo-analítico. Se sustentó en 25 documentos obtenidos de bases de datos y repositorios
académicos, publicados entre 2021 y 2026, seleccionados por su relevancia temática, actualidad,
trazabilidad e idioma español. Los resultados mostraron que la inteligencia artificial potencia la
segmentación de los contribuyentes, el análisis masivo de datos, la detección de inconsistencias, la
priorización de auditorías y la fiscalización preventiva. Sin embargo, la adopción e implementación se
enfrentan a barreras relacionadas con la calidad de los datos, los sesgos estructurales, la explicabilidad
algorítmica, la protección del ejercicio de derechos, la interoperabilidad entre plataformas, el desarrollo
tecnológico y la viabilidad institucional. Se concluyó que la inteligencia artificial es una oportunidad
para modernizar la función fiscalizadora en las administraciones tributarias latinoamericanas cuando se
implementa bajo el principio de supervisión humana, con respeto al ordenamiento jurídico,
transparencia proactiva, ética pública y garantía del debido proceso administrativo tributario.
Palabras clave: inteligencia artificial; fiscalización tributaria; administración tributaria; América
Latina; cumplimiento tributario
1 Autor principal
Correspondencia: carolina.zamora@cu.ucsg.edu.ec
pág. 3691
Implementation and Application of Artificial Intelligence in Tax Audit
Processes in Latin America
ABSTRACT
This literature review analyzed the implementation and application of artificial intelligence in tax audit
processes in Latin America, particularly in risk detection, tax evasion prevention, taxpayer assistance,
and modernization of tax control. A qualitative, documentary-based study with a non-experimental,
descriptive-analytical design was conducted. It was based on 25 documents obtained from academic
databases and repositories, published between 2021 and 2026, selected according to thematic relevance,
currency, traceability, and availability in Spanish. The results showed that artificial intelligence
strengthens taxpayer segmentation, massive data analysis, detection of inconsistencies, audit
prioritization, and preventive tax control. However, its adoption faces barriers related to data quality,
structural bias, algorithmic explainability, protection of rights, platform interoperability, technological
development, and institutional feasibility. It was concluded that artificial intelligence represents an
opportunity to modernize tax audit functions in Latin American tax administrations when implemented
under human supervision, respect for the legal framework, proactive transparency, public ethics, and
guarantees of due process in tax administration.
Keywords: artificial intelligence; tax oversight; tax administration; Latin America; tax compliance.
Artículo recibido 25 abril 2026
Aceptado para publicación: 25 mayo 2026
Implementation and Application of Artificial Intelligence in Tax Audit
Processes in Latin America
ABSTRACT
This literature review analyzed the implementation and application of artificial intelligence in tax audit
processes in Latin America, particularly in risk detection, tax evasion prevention, taxpayer assistance,
and modernization of tax control. A qualitative, documentary-based study with a non-experimental,
descriptive-analytical design was conducted. It was based on 25 documents obtained from academic
databases and repositories, published between 2021 and 2026, selected according to thematic relevance,
currency, traceability, and availability in Spanish. The results showed that artificial intelligence
strengthens taxpayer segmentation, massive data analysis, detection of inconsistencies, audit
prioritization, and preventive tax control. However, its adoption faces barriers related to data quality,
structural bias, algorithmic explainability, protection of rights, platform interoperability, technological
development, and institutional feasibility. It was concluded that artificial intelligence represents an
opportunity to modernize tax audit functions in Latin American tax administrations when implemented
under human supervision, respect for the legal framework, proactive transparency, public ethics, and
guarantees of due process in tax administration.
Keywords: artificial intelligence; tax oversight; tax administration; Latin America; tax compliance.
Artículo recibido 25 abril 2026
Aceptado para publicación: 25 mayo 2026
pág. 3692
INTRODUCCIÓN
El proceso de transformación digital de las administraciones tributarias se ha convertido en un eje
estratégico para enfrentar la evasión, la informalidad, la sofisticación de las transacciones económicas
y el crecimiento de los datos fiscales en América Latina. Según Reyes-Tagle et al. (2021), las
tecnologías de la información han transformado la forma en que las administraciones tributarias
recogen, procesan y utilizan la información de los contribuyentes. En este contexto, la inteligencia
artificial debe comprenderse como una herramienta analítica capaz de fortalecer la fiscalización,
orientar decisiones institucionales y mejorar la oportunidad del control tributario.
El problema que motiva esta revisión se ubica en la brecha existente entre un ecosistema tributario cada
vez más digitalizado y la capacidad institucional para convertir esos datos en fiscalización inteligente,
transparente y jurídicamente segura. García y Calijuri (2023) señalan que los documentos tributarios
electrónicos y el big data económico constituyen insumos relevantes para combatir la evasión, la elusión
y los delitos aduaneros. No obstante, el volumen de información no garantiza mejores resultados si no
existen interoperabilidad, gobernanza de datos, talento especializado y modelos analíticos confiables.
Desde una perspectiva técnica, la inteligencia artificial aplicada a la fiscalización tributaria incluye
modelos predictivos, minería de datos, aprendizaje automático, detección de anomalías, asistentes
virtuales y herramientas de apoyo a la decisión. Oliver Cuello (2021) identifica su uso en la selección
de contribuyentes, elaboración de perfiles de riesgo y actuaciones automatizadas. Estos avances
muestran el tránsito de una fiscalización reactiva hacia un modelo preventivo, selectivo y basado en
riesgos.
La relevancia del tema se intensifica debido a los problemas estructurales de la región, entre ellos la
evasión fiscal, la informalidad económica, las restricciones presupuestarias y las limitaciones del
control tributario. Serrano Antón (2022) sostiene que la inteligencia artificial puede contribuir al
incremento potencial de ingresos tributarios si se integra a políticas de gobierno digital, análisis de
riesgo y modernización administrativa.
Por ello, su estudio no solo tiene importancia tecnológica, sino también tributaria, contable, jurídica y
pública.
INTRODUCCIÓN
El proceso de transformación digital de las administraciones tributarias se ha convertido en un eje
estratégico para enfrentar la evasión, la informalidad, la sofisticación de las transacciones económicas
y el crecimiento de los datos fiscales en América Latina. Según Reyes-Tagle et al. (2021), las
tecnologías de la información han transformado la forma en que las administraciones tributarias
recogen, procesan y utilizan la información de los contribuyentes. En este contexto, la inteligencia
artificial debe comprenderse como una herramienta analítica capaz de fortalecer la fiscalización,
orientar decisiones institucionales y mejorar la oportunidad del control tributario.
El problema que motiva esta revisión se ubica en la brecha existente entre un ecosistema tributario cada
vez más digitalizado y la capacidad institucional para convertir esos datos en fiscalización inteligente,
transparente y jurídicamente segura. García y Calijuri (2023) señalan que los documentos tributarios
electrónicos y el big data económico constituyen insumos relevantes para combatir la evasión, la elusión
y los delitos aduaneros. No obstante, el volumen de información no garantiza mejores resultados si no
existen interoperabilidad, gobernanza de datos, talento especializado y modelos analíticos confiables.
Desde una perspectiva técnica, la inteligencia artificial aplicada a la fiscalización tributaria incluye
modelos predictivos, minería de datos, aprendizaje automático, detección de anomalías, asistentes
virtuales y herramientas de apoyo a la decisión. Oliver Cuello (2021) identifica su uso en la selección
de contribuyentes, elaboración de perfiles de riesgo y actuaciones automatizadas. Estos avances
muestran el tránsito de una fiscalización reactiva hacia un modelo preventivo, selectivo y basado en
riesgos.
La relevancia del tema se intensifica debido a los problemas estructurales de la región, entre ellos la
evasión fiscal, la informalidad económica, las restricciones presupuestarias y las limitaciones del
control tributario. Serrano Antón (2022) sostiene que la inteligencia artificial puede contribuir al
incremento potencial de ingresos tributarios si se integra a políticas de gobierno digital, análisis de
riesgo y modernización administrativa.
Por ello, su estudio no solo tiene importancia tecnológica, sino también tributaria, contable, jurídica y
pública.
pág. 3693
La revisión de la literatura reciente permite advertir que la inteligencia artificial aplicada a la
fiscalización tributaria no debe entenderse únicamente como una herramienta tecnológica, sino como
una capacidad institucional orientada a mejorar la gestión del riesgo, la detección de inconsistencias, la
priorización de auditorías y la prevención del incumplimiento. Sin embargo, su implementación exige
madurez digital, calidad de datos, interoperabilidad, talento humano especializado, transparencia
algorítmica y supervisión humana.
Las aplicaciones de IA en la administración tributaria también generan efectos jurídicos, éticos y
organizacionales. Obreque Espinoza y Gómez Inzunza (2024) advierten que los sistemas algorítmicos
requieren condiciones de transparencia, gestión de sesgos y criterios técnicos institucionales. Esta
advertencia es central porque una fiscalización automatizada puede afectar el derecho a la defensa, la
motivación de los actos administrativos, la igualdad tributaria y la confianza legítima si no existen
mecanismos suficientes de explicabilidad y control humano.
El marco de referencia de esta revisión se organiza en tres ejes complementarios: administración
tributaria digital, gestión del riesgo de cumplimiento y gobernanza ética de la IA en el sector público.
Reyes-Tagle et al. (2024) aportan un modelo de madurez digital que permite evaluar capacidades
institucionales; Torrez Mogro (2024) evidencia el valor de la inteligencia fiscal en la selección de casos;
y el Centro Latinoamericano de Administración para el Desarrollo (2023) plantea principios de
transparencia, rendición de cuentas, equidad, intervención humana y respeto a los derechos.
Los antecedentes muestran una producción científica creciente sobre inteligencia artificial, big data y
administración tributaria. Ossandón Cerda (2021) analizó sus oportunidades y desafíos en organismos
tributarios, mientras que Von Schmeling González (2022) estudió su aplicación en los procesos de
fiscalización de la Subsecretaría de Estado de Tributación del Paraguay. Más recientemente, Carrillo
Noguera et al. (2025) y Peredo (2026) han orientado el debate hacia la necesidad de articular IA,
capacidades institucionales, regulación, financiamiento y gobernanza fiscal inteligente.
En Ecuador, el tema adquiere relevancia por los procesos de modernización tecnológica del Servicio de
Rentas Internas y por el interés académico en analizar la inteligencia artificial en la fiscalización
tributaria.
La revisión de la literatura reciente permite advertir que la inteligencia artificial aplicada a la
fiscalización tributaria no debe entenderse únicamente como una herramienta tecnológica, sino como
una capacidad institucional orientada a mejorar la gestión del riesgo, la detección de inconsistencias, la
priorización de auditorías y la prevención del incumplimiento. Sin embargo, su implementación exige
madurez digital, calidad de datos, interoperabilidad, talento humano especializado, transparencia
algorítmica y supervisión humana.
Las aplicaciones de IA en la administración tributaria también generan efectos jurídicos, éticos y
organizacionales. Obreque Espinoza y Gómez Inzunza (2024) advierten que los sistemas algorítmicos
requieren condiciones de transparencia, gestión de sesgos y criterios técnicos institucionales. Esta
advertencia es central porque una fiscalización automatizada puede afectar el derecho a la defensa, la
motivación de los actos administrativos, la igualdad tributaria y la confianza legítima si no existen
mecanismos suficientes de explicabilidad y control humano.
El marco de referencia de esta revisión se organiza en tres ejes complementarios: administración
tributaria digital, gestión del riesgo de cumplimiento y gobernanza ética de la IA en el sector público.
Reyes-Tagle et al. (2024) aportan un modelo de madurez digital que permite evaluar capacidades
institucionales; Torrez Mogro (2024) evidencia el valor de la inteligencia fiscal en la selección de casos;
y el Centro Latinoamericano de Administración para el Desarrollo (2023) plantea principios de
transparencia, rendición de cuentas, equidad, intervención humana y respeto a los derechos.
Los antecedentes muestran una producción científica creciente sobre inteligencia artificial, big data y
administración tributaria. Ossandón Cerda (2021) analizó sus oportunidades y desafíos en organismos
tributarios, mientras que Von Schmeling González (2022) estudió su aplicación en los procesos de
fiscalización de la Subsecretaría de Estado de Tributación del Paraguay. Más recientemente, Carrillo
Noguera et al. (2025) y Peredo (2026) han orientado el debate hacia la necesidad de articular IA,
capacidades institucionales, regulación, financiamiento y gobernanza fiscal inteligente.
En Ecuador, el tema adquiere relevancia por los procesos de modernización tecnológica del Servicio de
Rentas Internas y por el interés académico en analizar la inteligencia artificial en la fiscalización
tributaria.
pág. 3694
Los procesos de contratación vinculados con el BID referenciados por el Servicio de Rentas Internas
(2023), junto con estudios recientes sobre herramientas como el sistema Orión, evidencian que el país
forma parte de una agenda regional de fortalecimiento digital, aunque todavía se requiere mayor
evidencia pública sobre métricas de desempeño, criterios de selección algorítmica y auditoría de
modelos.
Por lo tanto, la pregunta que orienta la investigación es: ¿cuáles son los usos, beneficios, limitaciones
y condiciones de uso responsable de la implementación y aplicación de inteligencia artificial en los
procesos de fiscalización tributaria en Latinoamérica? Concordante con la pregunta, el objetivo general
del artículo es analizar la implementación y aplicación de inteligencia artificial en los procesos de
fiscalización tributaria en Latinoamérica a partir de una revisión bibliográfica de documentos en español
publicados desde el año 2021. Específicamente, busca identificar los principales usos, describir
beneficios operativos, analizar limitaciones y riesgos jurídicos y éticos, y proponer lineamientos
generales para su adopción responsable por parte de las administraciones tributarias de la región.
METODOLOGÍA
La investigación se desarrolló bajo un enfoque cualitativo, con diseño no experimental, alcance
descriptivo-analítico y modalidad documental. Se optó por una revisión bibliográfica porque el
propósito fue describir, sistematizar e interpretar la evidencia reciente sobre la inteligencia artificial
aplicada a la fiscalización tributaria en Latinoamérica. Esta decisión metodológica permitió integrar
literatura científica, informes técnicos e insumos institucionales, sin manipular variables ni intervenir
sobre unidades de análisis empíricas.
La búsqueda documental se realizó en bases de datos y repositorios de información científica como
SciELO, Dialnet, RACO, LATAM, portales de revistas universitarias, repositorios académicos y sitios
institucionales de administraciones tributarias. También se revisaron publicaciones del Banco
Interamericano de Desarrollo, la Comisión Económica para América Latina y el Caribe, el Centro
Interamericano de Administraciones Tributarias, CAF, la Organización para la Cooperación y el
Desarrollo Económicos y el Servicio de Rentas Internas del Ecuador.
Los procesos de contratación vinculados con el BID referenciados por el Servicio de Rentas Internas
(2023), junto con estudios recientes sobre herramientas como el sistema Orión, evidencian que el país
forma parte de una agenda regional de fortalecimiento digital, aunque todavía se requiere mayor
evidencia pública sobre métricas de desempeño, criterios de selección algorítmica y auditoría de
modelos.
Por lo tanto, la pregunta que orienta la investigación es: ¿cuáles son los usos, beneficios, limitaciones
y condiciones de uso responsable de la implementación y aplicación de inteligencia artificial en los
procesos de fiscalización tributaria en Latinoamérica? Concordante con la pregunta, el objetivo general
del artículo es analizar la implementación y aplicación de inteligencia artificial en los procesos de
fiscalización tributaria en Latinoamérica a partir de una revisión bibliográfica de documentos en español
publicados desde el año 2021. Específicamente, busca identificar los principales usos, describir
beneficios operativos, analizar limitaciones y riesgos jurídicos y éticos, y proponer lineamientos
generales para su adopción responsable por parte de las administraciones tributarias de la región.
METODOLOGÍA
La investigación se desarrolló bajo un enfoque cualitativo, con diseño no experimental, alcance
descriptivo-analítico y modalidad documental. Se optó por una revisión bibliográfica porque el
propósito fue describir, sistematizar e interpretar la evidencia reciente sobre la inteligencia artificial
aplicada a la fiscalización tributaria en Latinoamérica. Esta decisión metodológica permitió integrar
literatura científica, informes técnicos e insumos institucionales, sin manipular variables ni intervenir
sobre unidades de análisis empíricas.
La búsqueda documental se realizó en bases de datos y repositorios de información científica como
SciELO, Dialnet, RACO, LATAM, portales de revistas universitarias, repositorios académicos y sitios
institucionales de administraciones tributarias. También se revisaron publicaciones del Banco
Interamericano de Desarrollo, la Comisión Económica para América Latina y el Caribe, el Centro
Interamericano de Administraciones Tributarias, CAF, la Organización para la Cooperación y el
Desarrollo Económicos y el Servicio de Rentas Internas del Ecuador.
pág. 3695
Los descriptores empleados fueron: inteligencia artificial, fiscalización tributaria, administración
tributaria, evasión fiscal, cumplimiento tributario, big data tributario, facturación electrónica,
documentos tributarios electrónicos, gobernanza de datos, transparencia algorítmica, IA tributaria y
recaudación inteligente. Las búsquedas se combinaron con operadores simples y revisión manual de
referencias para identificar documentos con relación directa con el objeto de estudio.
Durante la fase de identificación se localizaron inicialmente 63 documentos relacionados con
inteligencia artificial, administración tributaria, fiscalización, evasión fiscal, cumplimiento tributario,
big data y gobernanza de datos.
De este total, se eliminaron 8 documentos duplicados, por lo que quedaron 55 registros para revisión
preliminar. Posteriormente, se excluyeron 20 documentos tras la lectura de título, resumen o contenido
introductorio, debido a que no abordaban de manera directa la relación entre inteligencia artificial y
procesos tributarios, o porque trataban la IA desde una perspectiva general sin conexión con la
fiscalización, recaudación o administración tributaria.
En la fase de elegibilidad se revisaron 35 documentos a texto completo. De ellos, se excluyeron 10 por
no cumplir los criterios mínimos de trazabilidad, actualidad, pertinencia temática o disponibilidad de
fuente verificable.
Finalmente, el corpus documental quedó conformado por 25 documentos publicados entre 2021 y 2026,
los cuales fueron organizados en una matriz bibliográfica según autor, año, título, tipo de documento,
fuente, país o alcance, aporte temático y enlace o DOI. Este procedimiento permitió fortalecer la
transparencia metodológica de la revisión y asegurar que las fuentes seleccionadas guardaran relación
directa con el objetivo del artículo.
Los descriptores empleados fueron: inteligencia artificial, fiscalización tributaria, administración
tributaria, evasión fiscal, cumplimiento tributario, big data tributario, facturación electrónica,
documentos tributarios electrónicos, gobernanza de datos, transparencia algorítmica, IA tributaria y
recaudación inteligente. Las búsquedas se combinaron con operadores simples y revisión manual de
referencias para identificar documentos con relación directa con el objeto de estudio.
Durante la fase de identificación se localizaron inicialmente 63 documentos relacionados con
inteligencia artificial, administración tributaria, fiscalización, evasión fiscal, cumplimiento tributario,
big data y gobernanza de datos.
De este total, se eliminaron 8 documentos duplicados, por lo que quedaron 55 registros para revisión
preliminar. Posteriormente, se excluyeron 20 documentos tras la lectura de título, resumen o contenido
introductorio, debido a que no abordaban de manera directa la relación entre inteligencia artificial y
procesos tributarios, o porque trataban la IA desde una perspectiva general sin conexión con la
fiscalización, recaudación o administración tributaria.
En la fase de elegibilidad se revisaron 35 documentos a texto completo. De ellos, se excluyeron 10 por
no cumplir los criterios mínimos de trazabilidad, actualidad, pertinencia temática o disponibilidad de
fuente verificable.
Finalmente, el corpus documental quedó conformado por 25 documentos publicados entre 2021 y 2026,
los cuales fueron organizados en una matriz bibliográfica según autor, año, título, tipo de documento,
fuente, país o alcance, aporte temático y enlace o DOI. Este procedimiento permitió fortalecer la
transparencia metodológica de la revisión y asegurar que las fuentes seleccionadas guardaran relación
directa con el objetivo del artículo.
pág. 3696
Figura 1 Flujo de selección del corpus documental
Fuente: Elaboración propia con base en el proceso de búsqueda y depuración documental.
Con el fin de reforzar la trazabilidad del corpus, se aplicó una ficha de pertinencia compuesta por cuatro
criterios: relación directa con inteligencia artificial y administración tributaria; disponibilidad de
autoría, año, título, fuente y enlace o DOI; actualidad de publicación desde 2021; y aporte conceptual,
técnico, jurídico o institucional al problema de investigación. Se mantuvieron únicamente los
documentos que cumplían, como mínimo, tres de estos criterios y que aportaban de manera diferenciada
al análisis.
Los criterios de inclusión fueron los siguientes: publicaciones desde 2021; relación directa con
inteligencia artificial y administración, fiscalización, recaudación o cumplimiento tributario; existencia
de datos mínimos de identificación bibliográfica; vínculo con el contexto latinoamericano o con
experiencias comparables de administración tributaria; y aporte conceptual, técnico, jurídico o
institucional al problema de investigación. Se priorizaron documentos en español, debido al interés del
artículo por sistematizar evidencia disponible para administraciones públicas de la región.
Figura 1 Flujo de selección del corpus documental
Fuente: Elaboración propia con base en el proceso de búsqueda y depuración documental.
Con el fin de reforzar la trazabilidad del corpus, se aplicó una ficha de pertinencia compuesta por cuatro
criterios: relación directa con inteligencia artificial y administración tributaria; disponibilidad de
autoría, año, título, fuente y enlace o DOI; actualidad de publicación desde 2021; y aporte conceptual,
técnico, jurídico o institucional al problema de investigación. Se mantuvieron únicamente los
documentos que cumplían, como mínimo, tres de estos criterios y que aportaban de manera diferenciada
al análisis.
Los criterios de inclusión fueron los siguientes: publicaciones desde 2021; relación directa con
inteligencia artificial y administración, fiscalización, recaudación o cumplimiento tributario; existencia
de datos mínimos de identificación bibliográfica; vínculo con el contexto latinoamericano o con
experiencias comparables de administración tributaria; y aporte conceptual, técnico, jurídico o
institucional al problema de investigación. Se priorizaron documentos en español, debido al interés del
artículo por sistematizar evidencia disponible para administraciones públicas de la región.
pág. 3697
Los criterios de exclusión fueron: documentos anteriores a 2021, salvo cuando funcionaran como
antecedente técnico indispensable; textos divulgativos sin autoría verificable; publicaciones sin relación
con fiscalización, recaudación o administración tributaria; fuentes sin acceso o trazabilidad suficiente;
documentos duplicados; y trabajos sobre inteligencia artificial en términos generales sin conexión con
procesos tributarios. Esta depuración permitió concentrar la revisión en un corpus actual, pertinente y
metodológicamente verificable.
La técnica utilizada fue el análisis documental y el instrumento de organización fue una matriz
bibliográfica. Dicha matriz registró autor, año, título, tipo de documento, fuente, país o alcance,
repositorio, enfoque temático, aporte al artículo y enlace o DOI. González Cao (2025) plantea que la
implementación de IA tributaria debe partir de inventarios de datos, procesos y casos de uso; por ello,
esta revisión trasladó ese criterio a una clasificación ordenada por fuentes, temas y aportes analíticos.
Tabla 1 Matriz metodológica del corpus documental revisado
Fuente Tipo de
documento
País o alcance Aporte al artículo
Agencia Estatal de
Administración
Tributaria (2024)
Estrategia
institucional
España Aporta un referente sobre
formalización estratégica, seguridad
y control en el uso público de IA.
Aguilar-Morocho et al.
(2025)
Artículo científico Ecuador, El Oro Relaciona IA, prevención de evasión
fiscal, eficiencia institucional y
desafíos éticos.
Bonilla Sánchez y
Cabral Martínez (2025)
Artículo científico México, pymes Explica efectos de la IA tributaria
sobre gestión fiscal, cumplimiento y
adaptación empresarial.
Carrillo Noguera et al.
(2025)
Artículo científico América Latina Sustenta la discusión sobre reforma
digital tributaria y capacidades
institucionales regionales.
Centro Latinoamericano
de Administración para
el Desarrollo (2023)
Carta
iberoamericana
Iberoamérica Define principios de transparencia,
rendición de cuentas, equidad,
intervención humana y derechos.
Chamorro y Herrera
(2026)
Tesis de grado Ecuador, SRI Complementa el análisis con el caso
del sistema Orión y herramientas
tecnológicas tributarias.
García y Calijuri (2023) Informe técnico
BID
América Latina y el
Caribe
Vincula documentos tributarios
electrónicos, big data económico y
control tributario-aduanero.
Los criterios de exclusión fueron: documentos anteriores a 2021, salvo cuando funcionaran como
antecedente técnico indispensable; textos divulgativos sin autoría verificable; publicaciones sin relación
con fiscalización, recaudación o administración tributaria; fuentes sin acceso o trazabilidad suficiente;
documentos duplicados; y trabajos sobre inteligencia artificial en términos generales sin conexión con
procesos tributarios. Esta depuración permitió concentrar la revisión en un corpus actual, pertinente y
metodológicamente verificable.
La técnica utilizada fue el análisis documental y el instrumento de organización fue una matriz
bibliográfica. Dicha matriz registró autor, año, título, tipo de documento, fuente, país o alcance,
repositorio, enfoque temático, aporte al artículo y enlace o DOI. González Cao (2025) plantea que la
implementación de IA tributaria debe partir de inventarios de datos, procesos y casos de uso; por ello,
esta revisión trasladó ese criterio a una clasificación ordenada por fuentes, temas y aportes analíticos.
Tabla 1 Matriz metodológica del corpus documental revisado
Fuente Tipo de
documento
País o alcance Aporte al artículo
Agencia Estatal de
Administración
Tributaria (2024)
Estrategia
institucional
España Aporta un referente sobre
formalización estratégica, seguridad
y control en el uso público de IA.
Aguilar-Morocho et al.
(2025)
Artículo científico Ecuador, El Oro Relaciona IA, prevención de evasión
fiscal, eficiencia institucional y
desafíos éticos.
Bonilla Sánchez y
Cabral Martínez (2025)
Artículo científico México, pymes Explica efectos de la IA tributaria
sobre gestión fiscal, cumplimiento y
adaptación empresarial.
Carrillo Noguera et al.
(2025)
Artículo científico América Latina Sustenta la discusión sobre reforma
digital tributaria y capacidades
institucionales regionales.
Centro Latinoamericano
de Administración para
el Desarrollo (2023)
Carta
iberoamericana
Iberoamérica Define principios de transparencia,
rendición de cuentas, equidad,
intervención humana y derechos.
Chamorro y Herrera
(2026)
Tesis de grado Ecuador, SRI Complementa el análisis con el caso
del sistema Orión y herramientas
tecnológicas tributarias.
García y Calijuri (2023) Informe técnico
BID
América Latina y el
Caribe
Vincula documentos tributarios
electrónicos, big data económico y
control tributario-aduanero.
pág. 3698
Fuente Tipo de
documento
País o alcance Aporte al artículo
González Cao (2025) Documento técnico Administración
tributaria
Propone fases de implementación,
pilotos, métricas, auditoría
algorítmica y gobernanza de IA.
Montalván-Gaona et al.
(2026)
Artículo científico Ecuador, Machala Analiza IA en fiscalización tributaria
del SRI, eficiencia, ética pública y
evasión fiscal.
Moreno-Hernandez et al.
(2023)
Artículo científico Colombia Aporta evidencia sobre IA para
detección de fraude fiscal mediante
patrones de información.
Obreque Espinoza y
Gómez Inzunza (2024)
Artículo científico Chile Desarrolla el eje jurídico sobre
transparencia algorítmica y gestión de
sesgos en administraciones
tributarias.
OCDE (2025) Informe
internacional
Gobierno central Ubica la IA en funciones públicas
centrales, con énfasis en gobernanza,
confianza y responsabilidad.
Oliver Cuello (2021) Artículo científico Administración
tributaria
comparada
Fundamenta usos de big data e IA en
selección de contribuyentes, perfiles
de riesgo y actuaciones
automatizadas.
Ordoñez Sanchez et al.
(2025)
Artículo científico Sistemas fiscales
modernos
Resume beneficios operativos de IA
en gestión de impuestos y
cumplimiento tributario.
Ossandón Cerda (2021) Artículo científico Administraciones
tributarias
Presenta oportunidades y desafíos
iniciales de IA en organismos
tributarios.
Peredo (2026) Informe CEPAL América Latina Identifica condiciones de
implementación: datos, tecnología,
talento humano, normativa y
financiamiento.
Reyes-Tagle et al. (2021) Informe BID Chile Aporta evidencia sobre
transformación digital, factura
electrónica, datos y gestión de riesgos
tributarios.
Reyes-Tagle et al. (2024) Informe BID Uruguay Introduce el modelo de madurez
digital para evaluar capacidades de
administraciones tributarias.
Fuente Tipo de
documento
País o alcance Aporte al artículo
González Cao (2025) Documento técnico Administración
tributaria
Propone fases de implementación,
pilotos, métricas, auditoría
algorítmica y gobernanza de IA.
Montalván-Gaona et al.
(2026)
Artículo científico Ecuador, Machala Analiza IA en fiscalización tributaria
del SRI, eficiencia, ética pública y
evasión fiscal.
Moreno-Hernandez et al.
(2023)
Artículo científico Colombia Aporta evidencia sobre IA para
detección de fraude fiscal mediante
patrones de información.
Obreque Espinoza y
Gómez Inzunza (2024)
Artículo científico Chile Desarrolla el eje jurídico sobre
transparencia algorítmica y gestión de
sesgos en administraciones
tributarias.
OCDE (2025) Informe
internacional
Gobierno central Ubica la IA en funciones públicas
centrales, con énfasis en gobernanza,
confianza y responsabilidad.
Oliver Cuello (2021) Artículo científico Administración
tributaria
comparada
Fundamenta usos de big data e IA en
selección de contribuyentes, perfiles
de riesgo y actuaciones
automatizadas.
Ordoñez Sanchez et al.
(2025)
Artículo científico Sistemas fiscales
modernos
Resume beneficios operativos de IA
en gestión de impuestos y
cumplimiento tributario.
Ossandón Cerda (2021) Artículo científico Administraciones
tributarias
Presenta oportunidades y desafíos
iniciales de IA en organismos
tributarios.
Peredo (2026) Informe CEPAL América Latina Identifica condiciones de
implementación: datos, tecnología,
talento humano, normativa y
financiamiento.
Reyes-Tagle et al. (2021) Informe BID Chile Aporta evidencia sobre
transformación digital, factura
electrónica, datos y gestión de riesgos
tributarios.
Reyes-Tagle et al. (2024) Informe BID Uruguay Introduce el modelo de madurez
digital para evaluar capacidades de
administraciones tributarias.
pág. 3699
Fuente Tipo de
documento
País o alcance Aporte al artículo
Serrano Antón (2022) Informe CAF América Latina Relaciona IA con optimización de
ingresos tributarios, gobierno digital
y lucha contra el fraude.
Servicio de Rentas
Internas (2023)
Documento
institucional
Ecuador Contextualiza procesos de
fortalecimiento y contratación
vinculados con modernización
institucional.
Torrez Mogro (2024) Artículo científico Bolivia, Sucre Aporta evidencia sobre inteligencia
fiscal y selección de casos en
contribuyentes del régimen general.
Tualombo-Tituaña et al.
(2024)
Artículo científico Ecuador, Jipijapa Permite observar retos y
oportunidades de IA tributaria en
gobiernos locales.
Valverde-Alulema et al.
(2025)
Artículo científico Economía digital Sitúa los retos fiscales asociados a
nuevas formas de negocio y avances
tecnológicos.
Villca Condori (2025) Artículo científico Gobiernos locales Explica la IA como alternativa para
mejorar recaudación, normativa e
integración interinstitucional.
Von Schmeling
González (2022)
Artículo científico Paraguay, SET Aterriza el uso de big data e IA en
procesos de fiscalización y control
tributario.
Fuente: Elaboración propia con base en la matriz bibliográfica de revisión.
El procedimiento analítico se estructuró en cuatro fases. En la primera se realizó la identificación
preliminar de documentos mediante búsquedas temáticas y revisión de repositorios. En la segunda se
aplicaron los criterios de inclusión, exclusión y pertinencia. En la tercera se organizó el corpus mediante
la matriz bibliográfica. En la cuarta fase se elaboró una síntesis temática orientada a identificar usos,
beneficios, riesgos, limitaciones y condiciones de implementación responsable. La Agencia Estatal de
Administración Tributaria (2024) se empleó como referencia institucional para contrastar cómo una
administración tributaria puede formalizar una estrategia de IA con criterios de control y pertinencia
pública.
Fuente Tipo de
documento
País o alcance Aporte al artículo
Serrano Antón (2022) Informe CAF América Latina Relaciona IA con optimización de
ingresos tributarios, gobierno digital
y lucha contra el fraude.
Servicio de Rentas
Internas (2023)
Documento
institucional
Ecuador Contextualiza procesos de
fortalecimiento y contratación
vinculados con modernización
institucional.
Torrez Mogro (2024) Artículo científico Bolivia, Sucre Aporta evidencia sobre inteligencia
fiscal y selección de casos en
contribuyentes del régimen general.
Tualombo-Tituaña et al.
(2024)
Artículo científico Ecuador, Jipijapa Permite observar retos y
oportunidades de IA tributaria en
gobiernos locales.
Valverde-Alulema et al.
(2025)
Artículo científico Economía digital Sitúa los retos fiscales asociados a
nuevas formas de negocio y avances
tecnológicos.
Villca Condori (2025) Artículo científico Gobiernos locales Explica la IA como alternativa para
mejorar recaudación, normativa e
integración interinstitucional.
Von Schmeling
González (2022)
Artículo científico Paraguay, SET Aterriza el uso de big data e IA en
procesos de fiscalización y control
tributario.
Fuente: Elaboración propia con base en la matriz bibliográfica de revisión.
El procedimiento analítico se estructuró en cuatro fases. En la primera se realizó la identificación
preliminar de documentos mediante búsquedas temáticas y revisión de repositorios. En la segunda se
aplicaron los criterios de inclusión, exclusión y pertinencia. En la tercera se organizó el corpus mediante
la matriz bibliográfica. En la cuarta fase se elaboró una síntesis temática orientada a identificar usos,
beneficios, riesgos, limitaciones y condiciones de implementación responsable. La Agencia Estatal de
Administración Tributaria (2024) se empleó como referencia institucional para contrastar cómo una
administración tributaria puede formalizar una estrategia de IA con criterios de control y pertinencia
pública.
pág. 3700
Las categorías deductivas de análisis fueron: aplicaciones de IA en fiscalización, beneficios operativos,
barreras institucionales, riesgos éticos y jurídicos, gobernanza de datos, transparencia algorítmica y
lineamientos de implementación. Durante la lectura se generaron subcategorías inductivas:
perfilamiento de riesgo, control preventivo, asistencia al contribuyente, uso de documentos
electrónicos, detección de fraude, capacidades del talento humano, interoperabilidad, explicabilidad y
supervisión humana. Esta combinación permitió mantener coherencia con el objetivo del estudio e
incorporar hallazgos emergentes de la literatura reciente.
Respecto a las consideraciones éticas, el estudio se basó en honestidad intelectual, respeto a la autoría,
trazabilidad de fuentes y citación bajo pautas APA séptima edición. El Centro Latinoamericano de
Administración para el Desarrollo (2023) sostiene que el uso público de IA debe respetar derechos
fundamentales, prevenir sesgos y garantizar trazabilidad y transparencia; estos principios orientaron la
interpretación crítica del corpus. La principal limitación fue la disponibilidad desigual de
investigaciones empíricas en español sobre aplicaciones específicas de IA en administraciones
tributarias latinoamericanas.
Si bien se identificaron documentos científicos, técnicos e institucionales recientes, gran parte de la
evidencia disponible mantiene un enfoque descriptivo, normativo o prospectivo. Asimismo, algunas
administraciones tributarias no publican información detallada sobre métricas de desempeño, criterios
algorítmicos, auditorías de modelos o resultados verificables de sus sistemas de fiscalización
inteligente. Esta limitación abre una línea futura de investigación orientada a estudios comparativos,
análisis empíricos y evaluación de impacto de la IA en la reducción efectiva del incumplimiento
tributario.
RESULTADOS Y DISCUSIÓN
A partir del análisis de 25 documentos, se observa que la inteligencia artificial ingresa en las
administraciones tributarias latinoamericanas con distintos niveles de avance y con una función común:
transformar la fiscalización desde una lógica predominantemente reactiva hacia un modelo preventivo,
selectivo y basado en riesgos. Peredo (2026) sostiene que su adopción depende de capacidades
institucionales como gobernanza de datos, modernización tecnológica, talento humano, adecuación
Las categorías deductivas de análisis fueron: aplicaciones de IA en fiscalización, beneficios operativos,
barreras institucionales, riesgos éticos y jurídicos, gobernanza de datos, transparencia algorítmica y
lineamientos de implementación. Durante la lectura se generaron subcategorías inductivas:
perfilamiento de riesgo, control preventivo, asistencia al contribuyente, uso de documentos
electrónicos, detección de fraude, capacidades del talento humano, interoperabilidad, explicabilidad y
supervisión humana. Esta combinación permitió mantener coherencia con el objetivo del estudio e
incorporar hallazgos emergentes de la literatura reciente.
Respecto a las consideraciones éticas, el estudio se basó en honestidad intelectual, respeto a la autoría,
trazabilidad de fuentes y citación bajo pautas APA séptima edición. El Centro Latinoamericano de
Administración para el Desarrollo (2023) sostiene que el uso público de IA debe respetar derechos
fundamentales, prevenir sesgos y garantizar trazabilidad y transparencia; estos principios orientaron la
interpretación crítica del corpus. La principal limitación fue la disponibilidad desigual de
investigaciones empíricas en español sobre aplicaciones específicas de IA en administraciones
tributarias latinoamericanas.
Si bien se identificaron documentos científicos, técnicos e institucionales recientes, gran parte de la
evidencia disponible mantiene un enfoque descriptivo, normativo o prospectivo. Asimismo, algunas
administraciones tributarias no publican información detallada sobre métricas de desempeño, criterios
algorítmicos, auditorías de modelos o resultados verificables de sus sistemas de fiscalización
inteligente. Esta limitación abre una línea futura de investigación orientada a estudios comparativos,
análisis empíricos y evaluación de impacto de la IA en la reducción efectiva del incumplimiento
tributario.
RESULTADOS Y DISCUSIÓN
A partir del análisis de 25 documentos, se observa que la inteligencia artificial ingresa en las
administraciones tributarias latinoamericanas con distintos niveles de avance y con una función común:
transformar la fiscalización desde una lógica predominantemente reactiva hacia un modelo preventivo,
selectivo y basado en riesgos. Peredo (2026) sostiene que su adopción depende de capacidades
institucionales como gobernanza de datos, modernización tecnológica, talento humano, adecuación
pág. 3701
normativa y financiamiento. Por ello, la IA no debe interpretarse como una solución aislada, sino como
una herramienta que solo produce valor cuando se articula con procesos institucionales ya digitalizados.
La Tabla 2 sintetiza los resultados centrales de la revisión. Los hallazgos no se presentan como una
simple enumeración de usos tecnológicos, sino como ejes de discusión que conectan beneficios
operativos, condiciones institucionales y riesgos jurídicos. Esta organización permite diferenciar entre
la promesa técnica de la IA y las condiciones reales que determinan su viabilidad en los sistemas
tributarios latinoamericanos.
Tabla 2 Síntesis de resultados sobre la inteligencia artificial en la fiscalización tributaria
Eje de análisis Resultado principal Implicación tributaria
Gestión del riesgo
tributario
La IA permite identificar
contribuyentes, operaciones y sectores
con mayor probabilidad de
incumplimiento.
Mejora la selección de casos y la
priorización de auditorías.
Facturación electrónica y
datos
Los documentos tributarios
electrónicos generan información útil
para el análisis masivo de datos.
Fortalece la detección de
inconsistencias, evasión y elusión
tributaria.
Fiscalización preventiva Los modelos predictivos permiten
anticipar riesgos antes de que el
incumplimiento se consolide.
Favorece un control fiscal más
oportuno y menos reactivo.
Gobernanza y ética
pública
La IA exige transparencia, supervisión
humana, protección de datos y control
de sesgos.
Garantiza legitimidad y respeto al
debido proceso tributario.
Madurez digital
institucional
Su aplicación depende de datos
confiables, interoperabilidad, talento
humano e infraestructura tecnológica.
Evita decisiones automatizadas poco
confiables o jurídicamente
cuestionables.
Fuente: Elaboración propia con base en la revisión bibliográfica.
El primer eje crítico corresponde a la gestión del riesgo tributario. Oliver Cuello (2021) identifica el
uso de big data e inteligencia artificial en la selección de contribuyentes, la construcción de perfiles de
riesgo y las actuaciones automatizadas. Esta perspectiva coincide con Torrez Mogro (2024), quien
muestra que la inteligencia fiscal puede mejorar la selección de casos en contribuyentes del régimen
general. Sin embargo, la comparación evidencia una diferencia importante: mientras la literatura
doctrinal describe capacidades tecnológicas amplias, los estudios regionales muestran que su
normativa y financiamiento. Por ello, la IA no debe interpretarse como una solución aislada, sino como
una herramienta que solo produce valor cuando se articula con procesos institucionales ya digitalizados.
La Tabla 2 sintetiza los resultados centrales de la revisión. Los hallazgos no se presentan como una
simple enumeración de usos tecnológicos, sino como ejes de discusión que conectan beneficios
operativos, condiciones institucionales y riesgos jurídicos. Esta organización permite diferenciar entre
la promesa técnica de la IA y las condiciones reales que determinan su viabilidad en los sistemas
tributarios latinoamericanos.
Tabla 2 Síntesis de resultados sobre la inteligencia artificial en la fiscalización tributaria
Eje de análisis Resultado principal Implicación tributaria
Gestión del riesgo
tributario
La IA permite identificar
contribuyentes, operaciones y sectores
con mayor probabilidad de
incumplimiento.
Mejora la selección de casos y la
priorización de auditorías.
Facturación electrónica y
datos
Los documentos tributarios
electrónicos generan información útil
para el análisis masivo de datos.
Fortalece la detección de
inconsistencias, evasión y elusión
tributaria.
Fiscalización preventiva Los modelos predictivos permiten
anticipar riesgos antes de que el
incumplimiento se consolide.
Favorece un control fiscal más
oportuno y menos reactivo.
Gobernanza y ética
pública
La IA exige transparencia, supervisión
humana, protección de datos y control
de sesgos.
Garantiza legitimidad y respeto al
debido proceso tributario.
Madurez digital
institucional
Su aplicación depende de datos
confiables, interoperabilidad, talento
humano e infraestructura tecnológica.
Evita decisiones automatizadas poco
confiables o jurídicamente
cuestionables.
Fuente: Elaboración propia con base en la revisión bibliográfica.
El primer eje crítico corresponde a la gestión del riesgo tributario. Oliver Cuello (2021) identifica el
uso de big data e inteligencia artificial en la selección de contribuyentes, la construcción de perfiles de
riesgo y las actuaciones automatizadas. Esta perspectiva coincide con Torrez Mogro (2024), quien
muestra que la inteligencia fiscal puede mejorar la selección de casos en contribuyentes del régimen
general. Sin embargo, la comparación evidencia una diferencia importante: mientras la literatura
doctrinal describe capacidades tecnológicas amplias, los estudios regionales muestran que su
pág. 3702
efectividad depende de la calidad de las bases de datos, la actualización de los registros y la capacidad
humana para interpretar los resultados.
El segundo eje se relaciona con la facturación electrónica y los documentos tributarios digitales como
infraestructura previa de la fiscalización inteligente. García y Calijuri (2023) sostienen que los
documentos tributarios electrónicos y el big data económico fortalecen la lucha contra la evasión, la
elusión y los delitos aduaneros. El caso chileno descrito por Reyes-Tagle et al. (2021) confirma que la
acumulación de datos estructurados permite avanzar hacia servicios digitales y controles preventivos.
No obstante, este avance no es homogéneo en la región: países con mayor trayectoria en factura
electrónica pueden explotar mejor la IA, mientras que administraciones con datos fragmentados o baja
interoperabilidad enfrentan mayores riesgos de error.
El tercer eje corresponde a la detección de fraude, evasión e inconsistencias. Moreno-Hernandez et al.
(2023) muestran que la IA puede apoyar la detección de fraude fiscal en Colombia mediante patrones
de información y análisis automático. Aguilar-Morocho et al. (2025) relacionan su uso con prevención
de evasión, transparencia y dilemas éticos en El Oro. Ambos aportes permiten afirmar que la IA
incrementa la capacidad de observación fiscal, pero también exige mecanismos de validación, porque
una alerta algorítmica no equivale por sí misma a prueba de incumplimiento tributario.
El cuarto eje se refiere a gobiernos locales y administraciones con menores capacidades tecnológicas.
Villca Condori (2025) concluye que la IA puede mejorar la recaudación local si se acompaña de ajustes
normativos, cooperación interinstitucional y enfoques integrales. Tualombo-Tituaña et al. (2024), en el
cantón Jipijapa, destacan oportunidades asociadas con eficiencia y mejora de procedimientos
tributarios. La comparación entre ambos trabajos muestra que el potencial de la IA no se limita a
organismos nacionales; sin embargo, en gobiernos subnacionales el principal desafío suele ser la
disponibilidad de infraestructura, personal técnico y cultura tributaria digital.
En el caso ecuatoriano, la literatura revisada muestra un interés creciente por la fiscalización inteligente.
Montalván-Gaona et al. (2026) analizan la implementación de IA en la fiscalización tributaria del SRI
en Machala y la vinculan con eficiencia, ética pública y evasión fiscal. Chamorro y Herrera (2026)
complementan este panorama al estudiar el sistema Orión del SRI frente a herramientas tecnológicas
adoptadas en otros países de América Latina. Estos estudios sitúan a Ecuador dentro de una agenda
efectividad depende de la calidad de las bases de datos, la actualización de los registros y la capacidad
humana para interpretar los resultados.
El segundo eje se relaciona con la facturación electrónica y los documentos tributarios digitales como
infraestructura previa de la fiscalización inteligente. García y Calijuri (2023) sostienen que los
documentos tributarios electrónicos y el big data económico fortalecen la lucha contra la evasión, la
elusión y los delitos aduaneros. El caso chileno descrito por Reyes-Tagle et al. (2021) confirma que la
acumulación de datos estructurados permite avanzar hacia servicios digitales y controles preventivos.
No obstante, este avance no es homogéneo en la región: países con mayor trayectoria en factura
electrónica pueden explotar mejor la IA, mientras que administraciones con datos fragmentados o baja
interoperabilidad enfrentan mayores riesgos de error.
El tercer eje corresponde a la detección de fraude, evasión e inconsistencias. Moreno-Hernandez et al.
(2023) muestran que la IA puede apoyar la detección de fraude fiscal en Colombia mediante patrones
de información y análisis automático. Aguilar-Morocho et al. (2025) relacionan su uso con prevención
de evasión, transparencia y dilemas éticos en El Oro. Ambos aportes permiten afirmar que la IA
incrementa la capacidad de observación fiscal, pero también exige mecanismos de validación, porque
una alerta algorítmica no equivale por sí misma a prueba de incumplimiento tributario.
El cuarto eje se refiere a gobiernos locales y administraciones con menores capacidades tecnológicas.
Villca Condori (2025) concluye que la IA puede mejorar la recaudación local si se acompaña de ajustes
normativos, cooperación interinstitucional y enfoques integrales. Tualombo-Tituaña et al. (2024), en el
cantón Jipijapa, destacan oportunidades asociadas con eficiencia y mejora de procedimientos
tributarios. La comparación entre ambos trabajos muestra que el potencial de la IA no se limita a
organismos nacionales; sin embargo, en gobiernos subnacionales el principal desafío suele ser la
disponibilidad de infraestructura, personal técnico y cultura tributaria digital.
En el caso ecuatoriano, la literatura revisada muestra un interés creciente por la fiscalización inteligente.
Montalván-Gaona et al. (2026) analizan la implementación de IA en la fiscalización tributaria del SRI
en Machala y la vinculan con eficiencia, ética pública y evasión fiscal. Chamorro y Herrera (2026)
complementan este panorama al estudiar el sistema Orión del SRI frente a herramientas tecnológicas
adoptadas en otros países de América Latina. Estos estudios sitúan a Ecuador dentro de una agenda
pág. 3703
regional de modernización, aunque todavía se requiere mayor evidencia pública sobre métricas de
desempeño, criterios de selección algorítmica y auditoría de modelos.
El quinto eje confirma que la adopción de IA requiere madurez digital. Reyes-Tagle et al. (2024)
presentan un modelo de madurez digital que permite evaluar capacidades de las administraciones
tributarias en dimensiones tecnológicas, organizacionales y de datos. En términos prácticos, una
administración no debería implementar modelos algorítmicos sofisticados sin contar previamente con
bases depuradas, interoperabilidad, control de accesos, protocolos de seguridad, gestión documental y
equipos técnicos capaces de supervisar los resultados. La madurez digital funciona, por tanto, como
condición de entrada y no como consecuencia automática de incorporar IA.
Desde la dimensión regional, Carrillo Noguera et al. (2025) plantean que la reforma digital tributaria
en América Latina debe articular IA, regulación y capacidades estatales. Esta tesis es consistente con
Serrano Antón (2022), quien advierte que la IA puede optimizar ingresos tributarios cuando se inserta
en políticas de gobierno digital y análisis de riesgo. El contraste permite precisar que el valor de la IA
no radica únicamente en automatizar tareas, sino en reconfigurar la forma en que las administraciones
priorizan riesgos, orientan recursos y se relacionan con los contribuyentes.
Los beneficios operativos identificados se concentran en reducción de tiempos de revisión,
procesamiento masivo de información, automatización de tareas repetitivas y mejora del cumplimiento.
Ordoñez Sanchez et al. (2025) resaltan que la IA optimiza procesos e incrementa la fiscalización en
sistemas fiscales modernos. Sin embargo, estos beneficios deben leerse con cautela: si los datos son
incompletos, sesgados o desactualizados, la automatización puede acelerar decisiones incorrectas. Por
esa razón, la eficiencia tecnológica debe ir acompañada de control humano, auditoría y mecanismos de
corrección. La revisión también muestra que la IA tributaria incide sobre los contribuyentes,
especialmente en pymes. Bonilla Sánchez y Cabral Martínez (2025) evidencian avances y desafíos de
la IA en la gestión tributaria de pymes mexicanas. Este hallazgo amplía la discusión, porque la
fiscalización inteligente no solo transforma a la administración, sino también los deberes contables, la
trazabilidad de operaciones y la relación de las empresas con plataformas fiscales digitales. En
consecuencia, la modernización debe incorporar asistencia, pedagogía tributaria y mecanismos de
acceso equitativo para evitar brechas de cumplimiento.
regional de modernización, aunque todavía se requiere mayor evidencia pública sobre métricas de
desempeño, criterios de selección algorítmica y auditoría de modelos.
El quinto eje confirma que la adopción de IA requiere madurez digital. Reyes-Tagle et al. (2024)
presentan un modelo de madurez digital que permite evaluar capacidades de las administraciones
tributarias en dimensiones tecnológicas, organizacionales y de datos. En términos prácticos, una
administración no debería implementar modelos algorítmicos sofisticados sin contar previamente con
bases depuradas, interoperabilidad, control de accesos, protocolos de seguridad, gestión documental y
equipos técnicos capaces de supervisar los resultados. La madurez digital funciona, por tanto, como
condición de entrada y no como consecuencia automática de incorporar IA.
Desde la dimensión regional, Carrillo Noguera et al. (2025) plantean que la reforma digital tributaria
en América Latina debe articular IA, regulación y capacidades estatales. Esta tesis es consistente con
Serrano Antón (2022), quien advierte que la IA puede optimizar ingresos tributarios cuando se inserta
en políticas de gobierno digital y análisis de riesgo. El contraste permite precisar que el valor de la IA
no radica únicamente en automatizar tareas, sino en reconfigurar la forma en que las administraciones
priorizan riesgos, orientan recursos y se relacionan con los contribuyentes.
Los beneficios operativos identificados se concentran en reducción de tiempos de revisión,
procesamiento masivo de información, automatización de tareas repetitivas y mejora del cumplimiento.
Ordoñez Sanchez et al. (2025) resaltan que la IA optimiza procesos e incrementa la fiscalización en
sistemas fiscales modernos. Sin embargo, estos beneficios deben leerse con cautela: si los datos son
incompletos, sesgados o desactualizados, la automatización puede acelerar decisiones incorrectas. Por
esa razón, la eficiencia tecnológica debe ir acompañada de control humano, auditoría y mecanismos de
corrección. La revisión también muestra que la IA tributaria incide sobre los contribuyentes,
especialmente en pymes. Bonilla Sánchez y Cabral Martínez (2025) evidencian avances y desafíos de
la IA en la gestión tributaria de pymes mexicanas. Este hallazgo amplía la discusión, porque la
fiscalización inteligente no solo transforma a la administración, sino también los deberes contables, la
trazabilidad de operaciones y la relación de las empresas con plataformas fiscales digitales. En
consecuencia, la modernización debe incorporar asistencia, pedagogía tributaria y mecanismos de
acceso equitativo para evitar brechas de cumplimiento.
pág. 3704
El eje jurídico y ético es uno de los puntos más sensibles de la revisión. Obreque Espinoza y Gómez
Inzunza (2024) advierten que las administraciones tributarias deben gestionar sesgos y transparentar los
criterios de uso de algoritmos. La OCDE (2025) ubica la IA dentro de una agenda de gobernanza pública
basada en confianza, responsabilidad y seguridad. Trasladado a la fiscalización tributaria, esto significa
que un contribuyente clasificado como de alto riesgo debe poder conocer, al menos en términos
comprensibles, la lógica general de la decisión administrativa que lo afecta y contar con vías efectivas
de defensa.
La Carta Iberoamericana de Inteligencia Artificial en la Administración Pública refuerza esta lectura al
proponer principios de transparencia, rendición de cuentas, inclusión, intervención humana y respeto a
los derechos (Centro Latinoamericano de Administración para el Desarrollo, 2023). En materia
tributaria, estos principios adquieren especial relevancia porque la administración ejerce potestades de
control, determinación y sanción que pueden afectar la situación patrimonial del contribuyente. Por ello,
la fiscalización algorítmica debe ser explicable, proporcional y jurídicamente revisable.
Otro hallazgo relevante es la conveniencia de una implementación gradual. González Cao (2025)
recomienda avanzar mediante pilotos controlados, métricas documentadas, evaluación de sesgos,
capacitación y auditoría algorítmica. Esta propuesta resulta especialmente pertinente para América
Latina, donde las administraciones tributarias presentan capacidades heterogéneas. Una
implementación escalonada permite probar modelos en entornos acotados, corregir errores, medir
resultados y evitar dependencia tecnológica de soluciones no auditables.
La experiencia paraguaya permite aterrizar el debate en procesos concretos. Von Schmeling González
(2022) estudia la aplicación de big data e IA en la Subsecretaría de Estado de Tributación y vincula su
uso con disminución de fraudes, aceleración de consultas y fortalecimiento de controles. En Bolivia,
Torrez Mogro (2024) evidencia el potencial de la inteligencia fiscal para seleccionar casos de control.
Estos antecedentes muestran que la fiscalización tributaria deja de ser únicamente una verificación
posterior y se convierte progresivamente en un sistema de inteligencia institucional orientado a anticipar
riesgos.
El eje jurídico y ético es uno de los puntos más sensibles de la revisión. Obreque Espinoza y Gómez
Inzunza (2024) advierten que las administraciones tributarias deben gestionar sesgos y transparentar los
criterios de uso de algoritmos. La OCDE (2025) ubica la IA dentro de una agenda de gobernanza pública
basada en confianza, responsabilidad y seguridad. Trasladado a la fiscalización tributaria, esto significa
que un contribuyente clasificado como de alto riesgo debe poder conocer, al menos en términos
comprensibles, la lógica general de la decisión administrativa que lo afecta y contar con vías efectivas
de defensa.
La Carta Iberoamericana de Inteligencia Artificial en la Administración Pública refuerza esta lectura al
proponer principios de transparencia, rendición de cuentas, inclusión, intervención humana y respeto a
los derechos (Centro Latinoamericano de Administración para el Desarrollo, 2023). En materia
tributaria, estos principios adquieren especial relevancia porque la administración ejerce potestades de
control, determinación y sanción que pueden afectar la situación patrimonial del contribuyente. Por ello,
la fiscalización algorítmica debe ser explicable, proporcional y jurídicamente revisable.
Otro hallazgo relevante es la conveniencia de una implementación gradual. González Cao (2025)
recomienda avanzar mediante pilotos controlados, métricas documentadas, evaluación de sesgos,
capacitación y auditoría algorítmica. Esta propuesta resulta especialmente pertinente para América
Latina, donde las administraciones tributarias presentan capacidades heterogéneas. Una
implementación escalonada permite probar modelos en entornos acotados, corregir errores, medir
resultados y evitar dependencia tecnológica de soluciones no auditables.
La experiencia paraguaya permite aterrizar el debate en procesos concretos. Von Schmeling González
(2022) estudia la aplicación de big data e IA en la Subsecretaría de Estado de Tributación y vincula su
uso con disminución de fraudes, aceleración de consultas y fortalecimiento de controles. En Bolivia,
Torrez Mogro (2024) evidencia el potencial de la inteligencia fiscal para seleccionar casos de control.
Estos antecedentes muestran que la fiscalización tributaria deja de ser únicamente una verificación
posterior y se convierte progresivamente en un sistema de inteligencia institucional orientado a anticipar
riesgos.
pág. 3705
Finalmente, la economía digital plantea desafíos que refuerzan la necesidad de herramientas analíticas
avanzadas. Valverde-Alulema et al. (2025) señalan que los nuevos modelos de negocio, la velocidad de
las transacciones y la digitalización de actividades económicas exigen políticas tributarias y educación
fiscal adaptadas a entornos tecnológicos. En este punto, la IA no solo mejora la fiscalización existente,
sino que permite enfrentar fenómenos económicos transfronterizos, dinámicos y difíciles de observar
mediante procedimientos tradicionales.
La modernización ecuatoriana debe analizarse con prudencia. El Servicio de Rentas Internas (2023)
registra procesos de contratación relacionados con fortalecimiento institucional financiado por el BID,
lo que evidencia una ruta de modernización. Sin embargo, la revisión no encontró suficiente
información pública sobre resultados de modelos de IA, métricas de precisión, criterios de auditoría
algorítmica o mecanismos de protección efectiva de derechos de los administrados. Esta brecha
constituye una línea prioritaria para investigaciones futuras.
En conjunto, la discusión permite sostener que la IA aporta valor a la fiscalización tributaria cuando se
cumplen tres condiciones. Primero, bases de datos confiables, interoperables y actualizadas. Segundo,
talento humano capaz de interpretar, auditar y corregir resultados algorítmicos. Tercero, un marco de
gobernanza que garantice legalidad, transparencia, proporcionalidad y control. La contribución
principal de esta revisión es integrar evidencias dispersas sobre IA, fiscalización tributaria y gobernanza
pública, mostrando que la IA debe ser concebida como una capacidad institucional estratégica y no
como una solución inmediata o autónoma.
Propuesta de lineamientos para la implementación responsable de inteligencia artificial en la
fiscalización tributaria latinoamericana.
A partir de la revisión documental realizada, se propone un esquema de lineamientos generales para
orientar la implementación responsable de inteligencia artificial en los procesos de fiscalización
tributaria de las administraciones latinoamericanas. Esta propuesta busca superar una visión meramente
descriptiva del uso tecnológico y plantea una ruta progresiva de adopción institucional basada en seis
componentes: diagnóstico de madurez digital, gobernanza de datos, selección de casos de uso,
implementación piloto, supervisión humana y auditoría algorítmica.
Finalmente, la economía digital plantea desafíos que refuerzan la necesidad de herramientas analíticas
avanzadas. Valverde-Alulema et al. (2025) señalan que los nuevos modelos de negocio, la velocidad de
las transacciones y la digitalización de actividades económicas exigen políticas tributarias y educación
fiscal adaptadas a entornos tecnológicos. En este punto, la IA no solo mejora la fiscalización existente,
sino que permite enfrentar fenómenos económicos transfronterizos, dinámicos y difíciles de observar
mediante procedimientos tradicionales.
La modernización ecuatoriana debe analizarse con prudencia. El Servicio de Rentas Internas (2023)
registra procesos de contratación relacionados con fortalecimiento institucional financiado por el BID,
lo que evidencia una ruta de modernización. Sin embargo, la revisión no encontró suficiente
información pública sobre resultados de modelos de IA, métricas de precisión, criterios de auditoría
algorítmica o mecanismos de protección efectiva de derechos de los administrados. Esta brecha
constituye una línea prioritaria para investigaciones futuras.
En conjunto, la discusión permite sostener que la IA aporta valor a la fiscalización tributaria cuando se
cumplen tres condiciones. Primero, bases de datos confiables, interoperables y actualizadas. Segundo,
talento humano capaz de interpretar, auditar y corregir resultados algorítmicos. Tercero, un marco de
gobernanza que garantice legalidad, transparencia, proporcionalidad y control. La contribución
principal de esta revisión es integrar evidencias dispersas sobre IA, fiscalización tributaria y gobernanza
pública, mostrando que la IA debe ser concebida como una capacidad institucional estratégica y no
como una solución inmediata o autónoma.
Propuesta de lineamientos para la implementación responsable de inteligencia artificial en la
fiscalización tributaria latinoamericana.
A partir de la revisión documental realizada, se propone un esquema de lineamientos generales para
orientar la implementación responsable de inteligencia artificial en los procesos de fiscalización
tributaria de las administraciones latinoamericanas. Esta propuesta busca superar una visión meramente
descriptiva del uso tecnológico y plantea una ruta progresiva de adopción institucional basada en seis
componentes: diagnóstico de madurez digital, gobernanza de datos, selección de casos de uso,
implementación piloto, supervisión humana y auditoría algorítmica.
pág. 3706
En primer lugar, toda administración tributaria que pretenda incorporar inteligencia artificial debe
realizar un diagnóstico previo de madurez digital, con el fin de identificar el estado de sus bases de
datos, infraestructura tecnológica, interoperabilidad, seguridad de la información y capacidades del
talento humano. En segundo lugar, debe establecer reglas claras de gobernanza de datos, asegurando
calidad, actualización, trazabilidad, protección de información sensible y criterios de acceso
institucional. En tercer lugar, la selección de casos de uso debe responder a necesidades tributarias
concretas, como segmentación de contribuyentes, detección de inconsistencias, priorización de
auditorías, asistencia al contribuyente o control preventivo.
En cuarto lugar, se recomienda que la implementación se desarrolle mediante pilotos controlados, con
objetivos medibles, indicadores de desempeño y evaluación de resultados antes de su ampliación
institucional. En quinto lugar, la supervisión humana debe mantenerse como principio rector,
especialmente cuando los sistemas algorítmicos influyan en decisiones que puedan afectar derechos del
contribuyente. Finalmente, la auditoría algorítmica debe permitir revisar sesgos, falsos positivos,
criterios de clasificación, explicabilidad de los modelos y mecanismos de corrección. De esta manera,
la inteligencia artificial puede contribuir a una fiscalización tributaria más eficiente, preventiva y
legítima, sin desplazar las garantías jurídicas propias del procedimiento administrativo tributario.
Figura 2 Modelo de implementación responsable de inteligencia artificial en la fiscalización tributaria
Fuente: Elaboración propia con base en la revisión documental.
En primer lugar, toda administración tributaria que pretenda incorporar inteligencia artificial debe
realizar un diagnóstico previo de madurez digital, con el fin de identificar el estado de sus bases de
datos, infraestructura tecnológica, interoperabilidad, seguridad de la información y capacidades del
talento humano. En segundo lugar, debe establecer reglas claras de gobernanza de datos, asegurando
calidad, actualización, trazabilidad, protección de información sensible y criterios de acceso
institucional. En tercer lugar, la selección de casos de uso debe responder a necesidades tributarias
concretas, como segmentación de contribuyentes, detección de inconsistencias, priorización de
auditorías, asistencia al contribuyente o control preventivo.
En cuarto lugar, se recomienda que la implementación se desarrolle mediante pilotos controlados, con
objetivos medibles, indicadores de desempeño y evaluación de resultados antes de su ampliación
institucional. En quinto lugar, la supervisión humana debe mantenerse como principio rector,
especialmente cuando los sistemas algorítmicos influyan en decisiones que puedan afectar derechos del
contribuyente. Finalmente, la auditoría algorítmica debe permitir revisar sesgos, falsos positivos,
criterios de clasificación, explicabilidad de los modelos y mecanismos de corrección. De esta manera,
la inteligencia artificial puede contribuir a una fiscalización tributaria más eficiente, preventiva y
legítima, sin desplazar las garantías jurídicas propias del procedimiento administrativo tributario.
Figura 2 Modelo de implementación responsable de inteligencia artificial en la fiscalización tributaria
Fuente: Elaboración propia con base en la revisión documental.
pág. 3707
La Figura 1 sintetiza la contribución conceptual del artículo, al presentar una ruta de implementación
gradual y responsable de inteligencia artificial en la fiscalización tributaria. El modelo propuesto parte
de la premisa de que la IA no debe incorporarse como una solución automática o aislada, sino como
una herramienta institucional sometida a condiciones técnicas, jurídicas y éticas. Por ello, la
fiscalización inteligente requiere datos confiables, reglas claras de gobernanza, pruebas piloto,
supervisión humana y auditoría permanente de los modelos utilizados.
CONCLUSIONES
La revisión de la literatura permite concluir que la inteligencia artificial se ha convertido en una
herramienta relevante para modernizar la fiscalización tributaria en América Latina, principalmente por
su capacidad para procesar grandes volúmenes de información, segmentar contribuyentes, detectar
inconsistencias, priorizar auditorías y fortalecer el control preventivo. No obstante, su efectividad
depende de condiciones previas como digitalización de procesos, calidad de datos, interoperabilidad,
infraestructura tecnológica y madurez institucional.
También se concluye que la IA ofrece beneficios operativos significativos, como reducción de tiempos
de revisión, mejora en la selección de casos, fortalecimiento del análisis de riesgos y automatización de
tareas repetitivas. Sin embargo, estos beneficios no pueden separarse de la supervisión humana, porque
los modelos algorítmicos pueden reproducir sesgos, generar falsos positivos o producir resultados
difíciles de explicar si no existen controles técnicos y jurídicos suficientes.
Desde el ámbito jurídico y ético, la fiscalización tributaria basada en IA debe regirse por principios de
transparencia, explicabilidad, proporcionalidad, protección de datos, no discriminación, rendición de
cuentas y debido proceso. La IA no debe sustituir la motivación del acto administrativo ni limitar el
derecho de defensa del contribuyente; por el contrario, debe funcionar como apoyo técnico para mejorar
la calidad de las decisiones públicas sin debilitar las garantías fundamentales.
Los documentos revisados muestran avances importantes, aunque heterogéneos, en el uso de IA, big
data, documentos tributarios electrónicos y modelos de madurez digital en la región. En Ecuador, el
tema representa una oportunidad para fortalecer la fiscalización del SRI y de los gobiernos locales, pero
persiste la necesidad de publicar evidencia sobre resultados, métricas de desempeño, criterios de
La Figura 1 sintetiza la contribución conceptual del artículo, al presentar una ruta de implementación
gradual y responsable de inteligencia artificial en la fiscalización tributaria. El modelo propuesto parte
de la premisa de que la IA no debe incorporarse como una solución automática o aislada, sino como
una herramienta institucional sometida a condiciones técnicas, jurídicas y éticas. Por ello, la
fiscalización inteligente requiere datos confiables, reglas claras de gobernanza, pruebas piloto,
supervisión humana y auditoría permanente de los modelos utilizados.
CONCLUSIONES
La revisión de la literatura permite concluir que la inteligencia artificial se ha convertido en una
herramienta relevante para modernizar la fiscalización tributaria en América Latina, principalmente por
su capacidad para procesar grandes volúmenes de información, segmentar contribuyentes, detectar
inconsistencias, priorizar auditorías y fortalecer el control preventivo. No obstante, su efectividad
depende de condiciones previas como digitalización de procesos, calidad de datos, interoperabilidad,
infraestructura tecnológica y madurez institucional.
También se concluye que la IA ofrece beneficios operativos significativos, como reducción de tiempos
de revisión, mejora en la selección de casos, fortalecimiento del análisis de riesgos y automatización de
tareas repetitivas. Sin embargo, estos beneficios no pueden separarse de la supervisión humana, porque
los modelos algorítmicos pueden reproducir sesgos, generar falsos positivos o producir resultados
difíciles de explicar si no existen controles técnicos y jurídicos suficientes.
Desde el ámbito jurídico y ético, la fiscalización tributaria basada en IA debe regirse por principios de
transparencia, explicabilidad, proporcionalidad, protección de datos, no discriminación, rendición de
cuentas y debido proceso. La IA no debe sustituir la motivación del acto administrativo ni limitar el
derecho de defensa del contribuyente; por el contrario, debe funcionar como apoyo técnico para mejorar
la calidad de las decisiones públicas sin debilitar las garantías fundamentales.
Los documentos revisados muestran avances importantes, aunque heterogéneos, en el uso de IA, big
data, documentos tributarios electrónicos y modelos de madurez digital en la región. En Ecuador, el
tema representa una oportunidad para fortalecer la fiscalización del SRI y de los gobiernos locales, pero
persiste la necesidad de publicar evidencia sobre resultados, métricas de desempeño, criterios de
pág. 3708
selección algorítmica, auditorías de modelos y formación del talento humano responsable de interpretar
los resultados tecnológicos.
Se recomienda que futuras investigaciones desarrollen estudios empíricos comparativos entre
administraciones tributarias latinoamericanas, midan el efecto real de la IA sobre la reducción del
incumplimiento, evalúen la precisión de los modelos predictivos, analicen la percepción de los
contribuyentes y delimiten los alcances jurídicos de las actuaciones automatizadas. Solo mediante
evidencia verificable será posible pasar de la promesa tecnológica a una fiscalización tributaria
moderna, responsable y socialmente legítima.
REFERENCIAS BIBLIOGRAFICAS
Agencia Estatal de Administración Tributaria. (2024, 27 de mayo). Estrategia Inteligencia Artificial.
https://sede.agenciatributaria.gob.es/static_files/AEAT_Intranet/Gabinete/Estrategia_IA.pdf
Aguilar-Morocho, C. E., Jiménez-Sánchez, N. S., & Orellana-Ulloa, M. N. (2025). Uso de la
inteligencia artificial en la prevención de la evasión fiscal: eficiencia, transparencia y desafíos
éticos en El Oro. Sociedad & Tecnología, 8, 1311-1329. https://doi.org/10.51247/st.v8iS3.693
Bonilla Sánchez, F. D., & Cabral Martínez, A. (2025). Impacto de la inteligencia artificial en la gestión
tributaria de las PYMES: avances, desafíos y oportunidades en México. LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, 6(2), 2190-2208.
https://doi.org/10.56712/latam.v6i2.3761
Carrillo Noguera, N., Olivera Pineda, P. A., & Villasmil Molero, M. D. (2025). Inteligencia artificial y
reforma digital tributaria en América Latina. Revista Accounting and Management Research,
4(17), 1-17. https://doi.org/10.22209/amr.v4a06.2025
Centro Latinoamericano de Administración para el Desarrollo. (2023). Carta Iberoamericana de
Inteligencia Artificial en la Administración Pública.
https://rinedtep.edu.pa/server/api/core/bitstreams/e04dfadf-8fd9-45f8-b075-
9fd70456c6db/content
Chamorro Arellano, S. A., & Herrera Valenzuela, G. A. (2026). Análisis del impacto de la inteligencia
artificial en la gestión tributaria a través del sistema Orión del SRI de Ecuador frente a
herramientas tecnológicas adoptadas en países de América Latina durante el periodo 2024-2025
selección algorítmica, auditorías de modelos y formación del talento humano responsable de interpretar
los resultados tecnológicos.
Se recomienda que futuras investigaciones desarrollen estudios empíricos comparativos entre
administraciones tributarias latinoamericanas, midan el efecto real de la IA sobre la reducción del
incumplimiento, evalúen la precisión de los modelos predictivos, analicen la percepción de los
contribuyentes y delimiten los alcances jurídicos de las actuaciones automatizadas. Solo mediante
evidencia verificable será posible pasar de la promesa tecnológica a una fiscalización tributaria
moderna, responsable y socialmente legítima.
REFERENCIAS BIBLIOGRAFICAS
Agencia Estatal de Administración Tributaria. (2024, 27 de mayo). Estrategia Inteligencia Artificial.
https://sede.agenciatributaria.gob.es/static_files/AEAT_Intranet/Gabinete/Estrategia_IA.pdf
Aguilar-Morocho, C. E., Jiménez-Sánchez, N. S., & Orellana-Ulloa, M. N. (2025). Uso de la
inteligencia artificial en la prevención de la evasión fiscal: eficiencia, transparencia y desafíos
éticos en El Oro. Sociedad & Tecnología, 8, 1311-1329. https://doi.org/10.51247/st.v8iS3.693
Bonilla Sánchez, F. D., & Cabral Martínez, A. (2025). Impacto de la inteligencia artificial en la gestión
tributaria de las PYMES: avances, desafíos y oportunidades en México. LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, 6(2), 2190-2208.
https://doi.org/10.56712/latam.v6i2.3761
Carrillo Noguera, N., Olivera Pineda, P. A., & Villasmil Molero, M. D. (2025). Inteligencia artificial y
reforma digital tributaria en América Latina. Revista Accounting and Management Research,
4(17), 1-17. https://doi.org/10.22209/amr.v4a06.2025
Centro Latinoamericano de Administración para el Desarrollo. (2023). Carta Iberoamericana de
Inteligencia Artificial en la Administración Pública.
https://rinedtep.edu.pa/server/api/core/bitstreams/e04dfadf-8fd9-45f8-b075-
9fd70456c6db/content
Chamorro Arellano, S. A., & Herrera Valenzuela, G. A. (2026). Análisis del impacto de la inteligencia
artificial en la gestión tributaria a través del sistema Orión del SRI de Ecuador frente a
herramientas tecnológicas adoptadas en países de América Latina durante el periodo 2024-2025
pág. 3709
[Tesis de grado, Universidad Politécnica Salesiana]. Repositorio Universidad Politécnica
Salesiana. https://dspace.ups.edu.ec/handle/123456789/32058
García, G., & Calijuri, M. S. (2023). Documentos tributarios electrónicos y big data económica para el
control tributario y aduanero. Banco Interamericano de Desarrollo.
https://publications.iadb.org/es/documentos-tributarios-electronicos-y-big-data-economica-
para-el-control-tributario-y-aduanero-uso
González Cao, R. L. (2025). Marco de Implementación de IA Tributaria. Centro de Estudios en
Administración Tributaria. https://www.economicas.uba.ar/extension/wp-content/uploads/003-
CEAT-RGC-IA-USO-AT.pdf
Montalván-Gaona, A. S., Ortiz-Tinoco, D. E., & Orellana-Ulloa, M. N. (2026). Análisis del uso de
inteligencia artificial en la fiscalización tributaria del SRI en Machala: eficiencia, ética pública
y evasión fiscal. Sociedad & Tecnología, 9(S1), 171-186. https://doi.org/10.51247/st.v9iS1.61
Moreno-Hernandez, J., Campos-Molano, J., Medina-Betancourt, Y., & Poloche-Valencia, D. (2023). La
inteligencia artificial como herramienta para la detección del fraude fiscal: caso Colombia.
Revista Económica, 11(2), 25-35. https://doi.org/10.54753/rve.v11i2.1677
Obreque Espinoza, R., & Gómez Inzunza, P. (2024). Aplicación de la inteligencia artificial por parte de
las administraciones tributarias: transparencia algorítmica y gestión de sesgos. Revista Chilena
de la Administración del Estado, (11), 123-147. https://doi.org/10.57211/revista.v11i11.186
OCDE. (2025, 10 de noviembre). Gobernar con la inteligencia artificial: panorama actual y hoja de ruta
en las funciones centrales de gobierno. OECD Publishing. https://doi.org/10.1787/dc00e56a-es
Oliver Cuello, R. (2021). Big data e inteligencia artificial en la Administración tributaria. IDP. Revista
de Internet, Derecho y Política, (33), 1-13. https://doi.org/10.7238/idp.v0i33.381275
Ordoñez Sanchez, S. G., Hernández Barrena, G., Muñoz, R. P., Aguilar Pliego, G., & Herrera Martínez,
V. J. (2025). La inteligencia artificial como herramienta para la gestión de impuestos. Revista
Veritas de Difusão Científica, 6(1), 1561-1586. https://doi.org/10.61616/rvdc.v6i1.472
Ossandón Cerda, F. (2021). Inteligencia artificial en las administraciones tributarias: oportunidades y
desafíos. Revista de Estudios Tributarios, (24), 123-156.
https://revistaestudiostributarios.uchile.cl/index.php/RET/article/view/60703
[Tesis de grado, Universidad Politécnica Salesiana]. Repositorio Universidad Politécnica
Salesiana. https://dspace.ups.edu.ec/handle/123456789/32058
García, G., & Calijuri, M. S. (2023). Documentos tributarios electrónicos y big data económica para el
control tributario y aduanero. Banco Interamericano de Desarrollo.
https://publications.iadb.org/es/documentos-tributarios-electronicos-y-big-data-economica-
para-el-control-tributario-y-aduanero-uso
González Cao, R. L. (2025). Marco de Implementación de IA Tributaria. Centro de Estudios en
Administración Tributaria. https://www.economicas.uba.ar/extension/wp-content/uploads/003-
CEAT-RGC-IA-USO-AT.pdf
Montalván-Gaona, A. S., Ortiz-Tinoco, D. E., & Orellana-Ulloa, M. N. (2026). Análisis del uso de
inteligencia artificial en la fiscalización tributaria del SRI en Machala: eficiencia, ética pública
y evasión fiscal. Sociedad & Tecnología, 9(S1), 171-186. https://doi.org/10.51247/st.v9iS1.61
Moreno-Hernandez, J., Campos-Molano, J., Medina-Betancourt, Y., & Poloche-Valencia, D. (2023). La
inteligencia artificial como herramienta para la detección del fraude fiscal: caso Colombia.
Revista Económica, 11(2), 25-35. https://doi.org/10.54753/rve.v11i2.1677
Obreque Espinoza, R., & Gómez Inzunza, P. (2024). Aplicación de la inteligencia artificial por parte de
las administraciones tributarias: transparencia algorítmica y gestión de sesgos. Revista Chilena
de la Administración del Estado, (11), 123-147. https://doi.org/10.57211/revista.v11i11.186
OCDE. (2025, 10 de noviembre). Gobernar con la inteligencia artificial: panorama actual y hoja de ruta
en las funciones centrales de gobierno. OECD Publishing. https://doi.org/10.1787/dc00e56a-es
Oliver Cuello, R. (2021). Big data e inteligencia artificial en la Administración tributaria. IDP. Revista
de Internet, Derecho y Política, (33), 1-13. https://doi.org/10.7238/idp.v0i33.381275
Ordoñez Sanchez, S. G., Hernández Barrena, G., Muñoz, R. P., Aguilar Pliego, G., & Herrera Martínez,
V. J. (2025). La inteligencia artificial como herramienta para la gestión de impuestos. Revista
Veritas de Difusão Científica, 6(1), 1561-1586. https://doi.org/10.61616/rvdc.v6i1.472
Ossandón Cerda, F. (2021). Inteligencia artificial en las administraciones tributarias: oportunidades y
desafíos. Revista de Estudios Tributarios, (24), 123-156.
https://revistaestudiostributarios.uchile.cl/index.php/RET/article/view/60703
pág. 3710
Peredo, G. (2026). La inteligencia artificial en las administraciones tributarias: recomendaciones para
implementarla. Comisión Económica para América Latina y el Caribe.
https://repositorio.cepal.org/handle/11362/85976
Reyes-Tagle, G., Calijuri, M., Santín, O., Roca, C., Cadena, L. F., Barraza Luengo, F., & Marinkovic
Febré, E. M. (2021). Transformación digital en las administraciones tributarias de América
Latina: el caso de Chile. Banco Interamericano de Desarrollo.
https://doi.org/10.18235/0003871
Reyes-Tagle, G., Gómez Reino, J. L., Santín, O., Cadena, L. F., & Rego, M. (2024). Transformación
digital en las administraciones tributarias de América Latina: modelo de madurez digital.
Dirección General Impositiva de la República Oriental del Uruguay. Banco Interamericano de
Desarrollo. https://doi.org/10.18235/0013341
Serrano Antón, F. (2022). El uso de la inteligencia artificial para optimizar los ingresos tributarios. CAF.
https://scioteca.caf.com/handle/123456789/1933
Servicio de Rentas Internas. (2023, 9 de mayo). Contrataciones BID.
https://www.sri.gob.ec/contrataciones-bid
Torrez Mogro, V. H. (2024). Inteligencia fiscal en procesos de fiscalización tributaria en contribuyentes
del régimen general, caso de estudio ciudad de Sucre. Revista de Ciencia, Tecnología e
Innovación, 22(31), 329-340. https://doi.org/10.56469/rcti.v22i31.922
Tualombo-Tituaña, J. J., Pita-Soledispa, M. A., & Figueroa-Soledispa, M. L. (2024). La integración de
la inteligencia artificial en la administración tributaria, cantón Jipijapa: retos y oportunidades.
Revista Científica Multidisciplinaria Arbitrada Yachasun, 8(15), 45-56.
https://editorialibkn.com/index.php/Yachasun/article/view/493
Valverde-Alulema, F., Quito-Guachamin, S., Rengel-Sandoval, H., & Ortiz-Moya, R. (2025). Economía
digital y retos fiscales: una revisión integral de la literatura sobre políticas tributarias y
educación tributaria. Revista Científica Retos de la Ciencia, 1(5), 121-137.
https://doi.org/10.53877/rc1.5-570
Peredo, G. (2026). La inteligencia artificial en las administraciones tributarias: recomendaciones para
implementarla. Comisión Económica para América Latina y el Caribe.
https://repositorio.cepal.org/handle/11362/85976
Reyes-Tagle, G., Calijuri, M., Santín, O., Roca, C., Cadena, L. F., Barraza Luengo, F., & Marinkovic
Febré, E. M. (2021). Transformación digital en las administraciones tributarias de América
Latina: el caso de Chile. Banco Interamericano de Desarrollo.
https://doi.org/10.18235/0003871
Reyes-Tagle, G., Gómez Reino, J. L., Santín, O., Cadena, L. F., & Rego, M. (2024). Transformación
digital en las administraciones tributarias de América Latina: modelo de madurez digital.
Dirección General Impositiva de la República Oriental del Uruguay. Banco Interamericano de
Desarrollo. https://doi.org/10.18235/0013341
Serrano Antón, F. (2022). El uso de la inteligencia artificial para optimizar los ingresos tributarios. CAF.
https://scioteca.caf.com/handle/123456789/1933
Servicio de Rentas Internas. (2023, 9 de mayo). Contrataciones BID.
https://www.sri.gob.ec/contrataciones-bid
Torrez Mogro, V. H. (2024). Inteligencia fiscal en procesos de fiscalización tributaria en contribuyentes
del régimen general, caso de estudio ciudad de Sucre. Revista de Ciencia, Tecnología e
Innovación, 22(31), 329-340. https://doi.org/10.56469/rcti.v22i31.922
Tualombo-Tituaña, J. J., Pita-Soledispa, M. A., & Figueroa-Soledispa, M. L. (2024). La integración de
la inteligencia artificial en la administración tributaria, cantón Jipijapa: retos y oportunidades.
Revista Científica Multidisciplinaria Arbitrada Yachasun, 8(15), 45-56.
https://editorialibkn.com/index.php/Yachasun/article/view/493
Valverde-Alulema, F., Quito-Guachamin, S., Rengel-Sandoval, H., & Ortiz-Moya, R. (2025). Economía
digital y retos fiscales: una revisión integral de la literatura sobre políticas tributarias y
educación tributaria. Revista Científica Retos de la Ciencia, 1(5), 121-137.
https://doi.org/10.53877/rc1.5-570
pág. 3711
Villca Condori, H. F. (2025). Inteligencia artificial y recaudación de impuestos: una alternativa de
mejora en gobiernos locales. Impulso, Revista de Administración, 5(11), 537-553.
https://doi.org/10.59659/impulso.v.5i11.161
Von Schmeling González, R. (2022). Big data e inteligencia artificial en los procesos de fiscalización
de la Subsecretaría de Estado de Tributación (SET) al 2021. Revista de Ciencias Empresariales
Tributarias Comerciales y Administrativas, 1(1), 106-127. https://doi.org/10.58287/rcfotriem-
1-1-2022-3
Villca Condori, H. F. (2025). Inteligencia artificial y recaudación de impuestos: una alternativa de
mejora en gobiernos locales. Impulso, Revista de Administración, 5(11), 537-553.
https://doi.org/10.59659/impulso.v.5i11.161
Von Schmeling González, R. (2022). Big data e inteligencia artificial en los procesos de fiscalización
de la Subsecretaría de Estado de Tributación (SET) al 2021. Revista de Ciencias Empresariales
Tributarias Comerciales y Administrativas, 1(1), 106-127. https://doi.org/10.58287/rcfotriem-
1-1-2022-3