PUBLICAR CIENCIA
Revista Científica Multidisciplinaria
_______________________________________________________________________________________________
ISSN 3103
-
1110 |
https://doi.org/10.67169/publicarciencia.v8i1.53
Artículo Original
Impacto de los algoritmos de inteligencia artificial en la detección de evasión fiscal: retos de
regulación tributaria y garantías procesales tributarias digitales del contribuyente
Impact of artificial intelligence algorithms on tax evasion detection: tax regulation challenges and
taxpayer digital procedural guarantees
Ingrid Angelina Soto Galarza
https://orcid.org/0000-0003-1111-2836
Universidad del Pacífico
ingrid.soto@upacifico.edu.ec
Guayaquil, Ecuador
Steven Daniel Rivera Conforme
https://orcid.org/0009
-
0001
-
5965
-
8160
Instituto Superior Tecnológico Humane
srivera@humane.edu.ec
Guayaquil, Ecuador
Víctor Fernando Barrera Rea
https://orcid.org/0009-0005-8950-4735
Instituto Superior Tecnológico Humane
vbarrera@humane.edu.ec
Guayaquil, Ecuador
Blanca Amada Sandoval Medina
https://orcid.org/0000-0002-4474-0460
Instituto Superior Tecnológico Humane
bsandoval@humane.edu.ec
Guayaquil, Ecuador
Cita
referencial:
Soto
Galarza,
I.
A.,
Rivera
Conforme,
S.
D.,
Barrera
Rea, V.
F.,
& Sandoval
Medina, B. A. (2026). Impacto de los algoritmos de
inteligencia
artificial
en
la
detección
de
evasión
fiscal:
Retos
de
regulación
tributaria
y
garantías
procesales
tributarias
digitales
del
contribuyente.
Revista
Científica
Publicar
Ciencia,
8
(1).
https://doi.org/10.67169/publicarciencia.v8i1.53
Artículo recibido: 14-3-2026
Aceptado para publicación: 24-04-2026
Publicado: 12-06-2026
Conflictos de intereses: Ninguno que declarar
Resumen
La
evasión
fiscal
representa
uno
de
los
desafíos
estructurales
más
persistentes
de
las
administraciones tributarias latinoamericanas, con un costo estimado de 433.000 millones de
dólares en 2023, equivalentes al 6,7% del PIB regional. La inteligencia artificial ha emergido
como
herramienta
de
alto
potencial
para
fortalecer
la
capacidad
fiscalizadora
del
Estado
mediante
modelos predictivos que alcanzan tasas de detección de
evasión de entre 82% y
98,08%. El objetivo de este artículo es analizar cómo los modelos predictivos de las entidades
fiscalizadoras mejoran la recaudación tributaria y evaluar los marcos regulatorios vigentes para
garantizar
la
transparencia
algorítmica
y
los
derechos
procesales
tributarios
digitales
del
contribuyente. Mediante una revisión sistemática de literatura de tipo propositivo siguiendo el
protocolo PRISMA-ScR (Tricco et al., 2018), se analizaron 23 fuentes indexadas en Scopus,
SciELO
y
Latindex
del
período
2021–2026,
incluyendo
el
análisis
comparado
de
cinco
administraciones tributarias (Brasil, Chile, México, Perú y Ecuador) seleccionadas con base en
el Inventario Global de Digitalización Tributaria del CIAT (2025). Los resultados muestran
cinco
brechas
regulatorias
estructurales:
ausencia
de
instrumentos
jurídicos
vinculantes,
inexistencia
de
obligaciones
de
explicabilidad,
riesgo
de
sesgo
algorítmico
no
auditado,
garantías procesales tributarias digitales del contribuyente insuficientes y capacidades técnicas
institucionales limitadas para la auditoría algorítmica. A partir de ahí se propone un marco
regulatorio
mínimo
construido
sobre
principios
rectores
vinculantes,
garantías
procesales
tributarias
digitales
del
contribuyente,
una
arquitectura
institucional
de
supervisión
e
instrumentos normativos por capas. La conclusión central es que la gobernanza algorítmica
tributaria constituye un imperativo de gobernabilidad democrática, y que Ecuador cuenta con
una ventana de oportunidad regulatoria que exige acción legislativa inmediata.
Palabras
clave:
inteligencia
artificial,
evasión
fiscal,
transparencia
algorítmica,
garantías
procesales tributarias digitales, administración tributaria, debido proceso digital.
Abstract
Tax evasion represents one of the most persistent structural challenges facing Latin American
tax administrations, with an estimated cost of 433 billion dollars in 2023, equivalent to 6.7%
of regional GDP. Artificial intelligence has emerged as a high
-
pote
ntial tool to strengthen the
state's enforcement capacity through predictive models that achieve tax evasion detection rates
of between 82% and 98%. The objective of this article is to analyze how the predictive models
of
tax
authorities
improve
tax
collec
tion
and
evaluate
existing
regulatory
frameworks
to
guarantee algorithmic transparency and taxpayers' procedural rights. Through a propositive
systematic
literature
review
following
the
PRISMA
-
ScR
protocol
(Tricco
et
al., 2018)
, 23
sources indexed in Scopus, SciELO and Latindex for the period 2021
–
2026 were analyzed,
including a comparative analysis of five tax administrations (Brazil, Chile, Mexico, Peru and
Ecuador) selected based on the CIAT Global Tax Digitalization Inventor
y (2025). The results
identify five common structural regulatory gaps: absence of binding legal instruments, lack of
explainability
obligations,
risk
of
unaudited
algorithmic
bias,
insufficient
taxpayer
digital
procedural guarantees, and limited institutio
nal technical capacity for algorithmic auditing. A
minimum regulatory framework is proposed with binding guiding principles, taxpayer digital
procedural
guarantees,
institutional
supervision
architecture
and
layered
regulatory
instruments.
It
is
concluded
that
algorithmic
tax
governance
is
a
democratic
governance
imperative and that Ecuador has a regulatory window of opportunity that requires immediate
legislative action.
Keywords:
artificial
intelligence,
tax
evasion,
algorithmic
transparency,
taxpayer
digital
procedural rights, tax administration, digital due process.
.
1
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
1. Introducción
La evasión fiscal constituye uno de los fenómenos más persistentes y costosos que enfrentan las
administraciones tributarias de América Latina. Según estimaciones de la Comisión Económica
para América Latina y el Caribe, la evasión y elusión del impuesto sobre la renta y del impuesto
al
valor agregado en la
región
alcanzaron
en 2023 un costo
de 433.000 millones de dólares,
equivalentes al 6,7% del PIB regional, cifra que supera en doce puntos porcentuales el promedio
de recaudación como proporción del PIB registrado por los países de la OCDE (CEPAL/OCDE,
2024). Esta brecha estructural
no solo
limita la
capacidad del
Estado para financiar políticas
públicas, sino que erosiona la equidad horizontal del sistema tributario al trasladar la carga fiscal
hacia los contribuyentes que sí cumplen con sus obligaciones. En Ecuador, la evasión del impuesto
al valor agregado es uno de los componentes más significativos de esta brecha: las estimaciones
apuntan a una pérdida recaudatoria sistemática y creciente durante el período 2020-2023 (Haro
Orozco & Flor Mora, 2024).
Frente
a
este
escenario,
la
inteligencia
artificial
ha
emergido
como
una
herramienta
con
alto
potencial
para
fortalecer
la
capacidad
fiscalizadora
del
Estado.
Modelos
predictivos
de
aprendizaje automático, entre ellos Random Forest, XGBoost y redes neuronales, demostraron
tasas de detección de evasión de entre 82% y 98,08% en estudios empíricos realizados en Brasil
y contextos similares; superan así, de forma clara, a los métodos tradicionales de auditoría por
muestreo
aleatorio
(Yang,
2025;
Belahouaoui
&
Alm,
2025;
Xavier
et
al.,
2022).
Administraciones tributarias como la Receita Federal de Brasil, el Servicio de Impuestos Internos
de Chile, el SAT de México y la SUNAT de Perú ya incorporaron estos sistemas a sus procesos
de
detección
de
riesgo,
con
incrementos
documentados
en
la
recaudación
y
en
la
eficiencia
operativa de sus auditorías (CIAT, 2025).
Sin embargo, la adopción acelerada de estos sistemas en el sector público tributario generó una
paradoja institucional que la literatura académica apenas empieza a examinar con sistematicidad:
la
misma
opacidad
algorítmica
que
vuelve
eficaces
a
los
modelos
predictivos
para
detectar
patrones de evasión los convierte en instrumentos de riesgo para los derechos fundamentales del
contribuyente.
Los
sistemas
de
IA
que
operan
como
caja
negra
producen
decisiones
fiscales
(selección para auditoría, determinación de riesgo, imposición de sanciones) cuya lógica interna
suele ser inaccesible tanto para el contribuyente afectado como para el propio funcionario que las
ejecuta, y con ello comprometen principios esenciales del Estado de derecho: la transparencia, el
debido proceso y el derecho a la defensa (Guglyuvatyy, 2025; Bozdoğanoğlu & Ycel, 2025). Esa
tensión
entre
eficiencia
fiscalizadora
y
garantías
procesales
del
contribuyente
es
el
problema
central que aborda este artículo.
La literatura existente avanzó por dos frentes relativamente separados: de un lado, los estudios
técnicos sobre el desempeño predictivo de los algoritmos de detección de fraude fiscal (Yang,
2025; Belahouaoui & Alm, 2025); del otro, los análisis jurídicos sobre la compatibilidad del uso
de IA en la administración tributaria con los marcos de derechos fundamentales (Guglyuvatyy,
2025; Lahlou et al., 2026). Lo que falta, sobre todo para el contexto latinoamericano, es una
investigación que junte ambas dimensiones desde una perspectiva de gobernanza: que evalúe al
mismo
tiempo
el
impacto
de
los
algoritmos
en
la
detección
de
evasión
fiscal,
los
marcos
2
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
regulatorios vigentes en los países de mayor madurez tributaria digital de la región y las garantías
procesales tributarias digitales mínimas que deben proteger al contribuyente frente a decisiones
automatizadas. Esa es la brecha que este artículo busca llenar.
Con ese marco de fondo, la pregunta que guía la investigación es la siguiente: ¿cómo impactan
los
modelos
predictivos
de
inteligencia
artificial
en
la
detección
de
evasión
fiscal
de
las
administraciones
tributarias
de
mayor
madurez
digital
en
América
Latina,
y
qué
elementos
regulatorios mínimos garantizan la transparencia algorítmica y las garantías procesales tributarias
digitales del contribuyente? El artículo tiene como objetivo analizar cómo los modelos predictivos
de las entidades fiscalizadoras mejoran la recaudación tributaria y evaluar los marcos regulatorios
vigentes para garantizar la transparencia algorítmica, con énfasis en su aplicabilidad al contexto
ecuatoriano. Para responder a esta pregunta, se adopta una metodología de revisión sistemática de
literatura de tipo propositivo, siguiendo los lineamientos PRISMA-ScR (Tricco et al., 2018), que
combina
el
análisis
comparado
de
los
marcos
regulatorios
y
los
sistemas
de
IA
tributaria
implementados en Brasil, Chile, México y Perú —seleccionados con base en el Inventario Global
de Digitalización y Transformación Digital de las Administraciones Tributarias del CIAT (2025)
como
los
países
de
América
Latina
con
mayor
madurez
tecnológica
tributaria—
con
la
formulación
de
lineamientos
propositivos
aplicables
al
Ecuador
y
a
contextos
institucionales
similares.
2. Materiales y Métodos
El presente artículo adopta un enfoque cualitativo de tipo documental-propositivo. Es cualitativo
porque se orienta a la comprensión e interpretación de fenómenos complejos —el impacto de los
algoritmos de inteligencia artificial en la detección de evasión fiscal y los marcos regulatorios que
los
gobiernan—
que
no
son
susceptibles
de
cuantificación
directa
y
requieren
análisis
contextualizado de evidencias, estructuras institucionales y marcos normativos comparados. Es
documental porque su sustento empírico proviene del análisis sistemático de fuentes secundarias:
artículos científicos arbitrados indexados en bases de datos de reconocido prestigio académico,
informes
de
organismos
tributarios
internacionales
y
documentos
de
política
pública.
Y
es
propositivo
porque
no
se
queda
en
describir
el
estado
del
arte,
sino
que
busca
formular
lineamientos
regulatorios
concretos
aplicables
al
contexto
ecuatoriano,
en
línea
con
investigaciones
similares
desarrolladas
en
el
campo
de
la
administración
tributaria
digital
(Belahouaoui
&
Attak,
2024;
Lahlou
et
al.,
2026).
Este
diseño
responde
a
la
naturaleza
del
problema
estudiado:
dada
la
ausencia
de
datos
primarios
sistematizados
sobre
gobernanza
algorítmica tributaria en Ecuador y la heterogeneidad de los sistemas de IA que usan las distintas
administraciones
fiscales
de
la
región,
la
revisión
sistemática
de
literatura
es
el
método
más
adecuado para consolidar el conocimiento disperso, identificar patrones regulatorios transferibles
y formular propuestas con base en evidencia comparada (Belahouaoui & Alm, 2025; Page et al.,
2021). Que el estudio sea propositivo no le resta rigor metodológico; al contrario, amplía su
utilidad
académica
y
práctica,
porque
sienta
bases
para
investigaciones
posteriores
de
tipo
empírico
(entrevistas
a
funcionarios
tributarios,
análisis
de
impugnaciones,
evaluaciones
de
impacto) que validen en campo los lineamientos aquí formulados.
La revisión sistemática de literatura se guio por los lineamientos de la declaración PRISMA-ScR
(Preferred Reporting
Items
for Systematic reviews and Meta-Analyses
extension for Scoping
Soto Galarza et al., 2026
Impacto de los algoritmos de inteligencia artificial en la detección de evasión fiscal: retos de regulación tributaria y garantías
procesales tributarias digitales del contribuyente
3
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
Reviews), un estándar adaptado aquí al campo de las ciencias sociales, el derecho tributario y la
administración pública digital (Tricco et al., 2018). Su uso en estudios de mapeo bibliográfico
sobre
inteligencia
artificial
y
administración
tributaria
ya
fue
validado
por
investigaciones
recientes de alta visibilidad en las bases Scopus y SciELO (Belahouaoui & Alm, 2025; Lahlou et
al., 2026; Tricco et al., 2018). El proceso se organizó en cuatro etapas secuenciales: identificación,
cribado, elegibilidad e inclusión. En la etapa de identificación se hicieron búsquedas sistemáticas
en cinco bases de datos académicas y dos repositorios institucionales: Scopus (89 registros), Web
of Science (47), SciELO (38), Latindex (31) y los repositorios del CIAT y la OCDE/CEPAL (19),
para un total de 224 registros. A eso se sumó Google Scholar como fuente suplementaria para
literatura gris y documentos técnicos institucionales no indexados en las bases anteriores (42
registros
adicionales),
con
verificación
individual
del
arbitraje
de
cada
fuente
incluida,
hasta
alcanzar un universo inicial de 266 registros. En la etapa de cribado, tras eliminar 68 duplicados,
el corpus quedó en 198 registros únicos; de ahí se excluyeron 103 por no cumplir los criterios
temáticos,
superar
el
período
de
antigüedad
establecido
(2021-2026)
o
carecer
de
arbitraje
verificable, con lo que quedaron 95 registros para revisión de texto completo. En la etapa de
elegibilidad se excluyeron 72 registros adicionales: por ausencia de DOI verificable (21), por
publicación en revistas no indexadas (18), por quedar fuera del período sin condición fundacional
(19) y por pertinencia insuficiente (14). El corpus final, ya en la etapa de inclusión, quedó formado
por 23 fuentes: 20 artículos de revistas arbitradas indexadas en Scopus, SciELO, Latindex o Web
of Science, y 3 documentos institucionales de organismos tributarios de autoridad reconocida
(CIAT, OCDE/CEPAL, SAT México, SUNAT Perú y SII Chile).
Figura 1
Diagrama de flujo PRISMA-ScR del proceso de selección de fuentes
|
IDENTIFICACIÓN
Registros identificados: n = 266
Scopus: 89 | WoS: 47 | SciELO: 38 | Latindex: 31 | Google Scholar: 42 | CIAT/OCDE:
19
|
|
CRIBADO
Registros tras eliminar duplicados (n=68): n = 198
Excluidos por título/resumen: n = 103 (sin pertinencia: 47 | fuera del período: 31 | sin
arbitraje: 25)
|
|
ELEGIBILIDAD
Revisión texto completo: n = 95
Excluidos: n = 72 (sin DOI: 21 | no indexada: 18 | fuera período: 19 | pertinencia
insuficiente: 14)
|
|
INCLUSIÓN
Fuentes incluidas: n = 23
Artículos arbitrados indexados: 20 | Documentos institucionales oficiales: 3
|
Nota.
Elaboración propia, adaptado de Tricco et al. (2018).
La búsqueda bibliográfica se realizó entre enero y agosto de 2026 en las cinco bases de datos y
repositorios mencionados, seleccionados por su cobertura en administración tributaria, derecho
fiscal y tecnología aplicada al sector público. Los descriptores se construyeron en español e inglés
combinando operadores booleanos AND y OR con términos como: "artificial intelligence" OR
"machine
learning"
AND
"tax
evasion"
OR
"tax
fraud"
AND
"transparency"
OR
"taxpayer
4
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
rights"; y en español: "inteligencia artificial" AND "evasión fiscal" OR "fiscalización tributaria"
AND "derechos del
contribuyente" OR "transparencia
algorítmica".
También se incorporaron
variantes terminológicas propias del contexto latinoamericano: fiscalización electrónica, factura
electrónica, brecha tributaria, sesgo algorítmico y debido proceso tributario (Palomino Guerrero,
2022;
Faúndez-Ugalde
&
Mellado-Silva,
2023).
Los
criterios
de
inclusión
comprendieron:
publicaciones del período 2021–2026, artículos arbitrados indexados en Scopus, Web of Science,
SciELO o Latindex, publicaciones en español e inglés, y documentos que abordaran el uso de
modelos predictivos de IA en fiscalización, marcos regulatorios de IA tributaria o garantías del
contribuyente frente a decisiones automatizadas. Quedaron fuera las publicaciones anteriores a
2021 sin condición fundacional, las fuentes sin arbitraje verificable, las revistas no indexadas y
los estudios sin pertinencia directa con el objeto de estudio. El cribado de títulos y resúmenes lo
hicieron, de forma independiente, dos investigadores del equipo autor; los desacuerdos (n = 14)
se resolvieron por discusión y consenso. La concordancia entre evaluadores, calculada con el
coeficiente κ de Cohen, fue de 0,82 (IC 95%: 0,76-0,88): un valor de acuerdo casi perfecto según
los criterios de Landis & Koch (1977), que respalda la reproducibilidad del proceso de selección
del corpus.
Tabla 1
Cadenas de búsqueda utilizadas por base de datos
|
Base de datos
|
Cadena de búsqueda principal
|
|
Scopus
|
("artificial intelligence" OR "machine learning") AND ("tax evasion" OR "tax
fraud" OR "tax compliance") AND ("transparency" OR "taxpayer rights" OR
"algorithmic governance")
|
|
Web of Science
|
TS=("inteligencia artificial" OR "aprendizaje automático") AND ("evasión
fiscal" OR "administración tributaria") AND ("derechos del contribuyente" OR
"transparencia algorítmica")
|
|
SciELO
|
("inteligencia artificial") AND ("evasión fiscal" OR "fiscalización tributaria")
AND ("derechos" OR "regulación" OR "transparencia")
|
|
Latindex
|
("inteligencia artificial" OR "machine learning") AND ("tributación" OR
"impuesto") AND ("contribuyente" OR "garantías")
|
|
Google Scholar
|
"inteligencia artificial" "evasión fiscal" "administración tributaria" "derechos del
contribuyente" 2021-2026
|
|
CIAT
|
"inteligencia artificial" OR "digitalización tributaria" OR "machine learning"
administración fiscal América Latina
|
|
OCDE/CEPAL
|
"artificial intelligence" OR "tax gap" OR "tax evasion" Latin America statistics
2021
-
2026
|
Nota.
Elaboración propia.
Tabla 2
Criterios de inclusión y exclusión aplicados en la revisión sistemática
|
Dimensión
|
Criterio de inclusión
|
Criterio de exclusión
|
|
Período
|
2021–2026 (con excepciones fundacionales
declaradas)
|
Anterior a 2021 sin justificación
fundacional
|
|
Tipo de fuente
|
Artículos arbitrados indexados; informes de
organismos oficiales
|
Tesis, notas periodísticas, blogs,
documentos sin arbitraje
|
Soto Galarza et al., 2026
Impacto de los algoritmos de inteligencia artificial en la detección de evasión fiscal: retos de regulación tributaria y garantías
procesales tributarias digitales del contribuyente
5
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
|
Indexación
|
Scopus, Web of Science, SciELO o Latindex
|
Revistas no indexadas en ninguna
base declarada
|
|
Idioma
|
Español e inglés
|
Otros idiomas
|
|
Pertinencia
|
IA + evasión fiscal / regulación / derechos del
contribuyente
|
IA en contabilidad privada sin
dimensión fiscalizadora
|
|
Disponibilidad
|
Texto completo con DOI o URL institucional
estable
|
Documentos sin acceso
verificable al texto completo
|
|
Geografía
|
América Latina o evidencia técnica
transferible
|
Jurisdicciones sin comparabilidad
institucional con AL
|
Nota.
Elaboración propia.
Los cuatro casos nacionales analizados (Brasil, Chile, México y Perú) se seleccionaron mediante
muestreo intencional con un criterio objetivo: el Inventario Global de Digitalización y
Transformación Digital de las Administraciones Tributarias del CIAT (2025), que identifica 13
países de América Latina con mayor avance documentado en el uso de tecnologías emergentes
en la gestión fiscal. De ese universo se tomaron los cuatro con mayor madurez tecnológica
tributaria documentada, y se sumó Ecuador como caso focal de análisis propositivo. Este criterio
aporta tres cosas. Objetividad, porque la selección responde a un ranking del organismo de
referencia mundial en administración tributaria y elimina el sesgo de conveniencia (Duarte
Sánchez et al., 2023). Comparabilidad, porque los cuatro países comparten condiciones
estructurales relevantes, como ser economías latinoamericanas de renta media con sistemas de
facturación electrónica consolidados (Faúndez-Ugalde & Mellado-Silva, 2023). Y pertinencia
propositiva, porque los casos presentan niveles distintos de implementación y regulación que
permiten ver el espectro completo de opciones disponibles para Ecuador.
Tabla 3
Características de los casos nacionales seleccionados
|
País
|
Administración tributaria
|
Criterio de selección
|
Rol en el estudio
|
|
Brasil
|
Receita Federal (RFB)
|
Top 1 CIAT 2025 — madurez tecnológica
|
Caso comparado
|
|
Chile
|
Servicio de Impuestos
Internos (SII)
|
Top 2 CIAT 2025 — avance en
fiscalización preventiva con IA
|
Caso comparado
|
|
México
|
Servicio de
Administración Tributaria
(SAT)
|
Top 3 CIAT 2025 — mayor volumen CFDI
de AL
|
Caso comparado
|
|
Perú
|
SUNAT
|
Top 4 CIAT 2025
—
modelo preventivo
documentado
|
Caso comparado
|
|
Ecuador
|
Servicio de Rentas
Internas (SRI)
|
Caso focal — adopción en curso sin
regulación específica
|
Caso propositivo
|
Nota.
Elaboración propia con base en CIAT (2025).
En
línea
con
los
lineamientos
de
PRISMA-ScR
para
revisiones
de
alcance
propositivas,
el
protocolo adoptado no exigió instrumentos formales de evaluación de calidad metodológica de
tipo CASP o JBI (un procedimiento propio de revisiones sistemáticas con síntesis cuantitativa),
ya que el objetivo del estudio es mapear y caracterizar el estado del conocimiento, no ponderar la
fortaleza de la evidencia individual (Tricco et al., 2018). Aun así, la calidad de las fuentes se
gestionó
con
criterios
de
inclusión
explícitos:
arbitraje
verificable,
indexación
en
bases
reconocidas y disponibilidad de DOI, lo que garantizó dejar fuera las fuentes de baja calidad
formal. El estudio reconoce cuatro limitaciones principales. La primera es el sesgo de publicación
6
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
lingüístico:
la
literatura
sobre
IA
tributaria
está
predominantemente
en
inglés
y
referida
a
contextos del norte global, lo que puede subrepresentar experiencias latinoamericanas; incluir
SciELO y Latindex mitiga en parte este sesgo (Belahouaoui & Attak, 2026). La segunda es la
brecha temporal entre producción académica y evolución tecnológica, algo inherente a cualquier
revisión sistemática en campos de alta dinamicidad (Yang, 2025). Y la tercera es la limitación
propia del enfoque documental para capturar la dimensión operativa de los sistemas, algo que
queda pendiente para investigaciones posteriores de tipo empírico. La cuarta es el tamaño del
corpus final de 23 fuentes, coherente con el estado emergente del campo y comparable al de otras
revisiones sistemáticas recientes sobre el mismo objeto (Belahouaoui & Alm, 2025; Lahlou et al.,
2026).
Una quinta limitación, omitida frecuentemente en revisiones similares pero metodológicamente
crítica, es el riesgo de sesgo de auto-reporte positivo en las fuentes institucionales primarias: los
informes del CIAT, la SUNAT, el SAT, el SII y la Receita Federal documentan sistemáticamente
sus logros algorítmicos, pero no reportan con igual sistematicidad sus errores de clasificación,
sesgos no corregidos ni las impugnaciones recibidas. Esta asimetría informacional es estructural
en los
informes de organismos
tributarios, que tienen incentivos institucionales para publicar
éxitos y no fracasos. Las estimaciones de efectividad de la Tabla 4 deben leerse con esta limitación
en
mente
y
validarse,
en
investigaciones
posteriores,
con
fuentes
independientes
como
resoluciones de defensorías del contribuyente y sentencias de tribunales tributarios.
3. Resultados y Discusión
Para garantizar la reproducibilidad analítica, los tres conceptos centrales se operacionalizan a
continuación. «Madurez digital tributaria» designa el nivel de integración de tecnologías digitales
en los procesos de gestión, fiscalización y recaudación de una administración tributaria, medido
mediante cuatro dimensiones: infraestructura de datos (facturación electrónica, interoperabilidad
entre
bases
de
datos),
modelos
predictivos
desplegados
en
producción,
marco
regulatorio
específico de IA tributaria y capacidades de auditoría interna del desempeño algorítmico (CIAT,
2025«Brecha regulatoria estructural» se entiende aquí como la ausencia de normas vinculantes
que
regulen
el
diseño,
el
despliegue,
la
supervisión
y
la
impugnación
de
sistemas
de
IA
en
decisiones tributarias que afecten derechos del contribuyente; la brecha se llama «estructural»
cuando aparece de forma sistemática en todos los países analizados y no responde a omisiones
puntuales.
Por
«garantías
procesales
tributarias
digitales
del
contribuyente»
se
entiende
el
conjunto de derechos procedimentales exigibles frente a decisiones tributarias producidas total o
parcialmente por algoritmos: (1) derecho a saber que un algoritmo participó en la decisión; (2)
derecho a recibir una explicación comprensible de los criterios aplicados; (3) derecho a la revisión
humana
sustantiva
en
decisiones
de
alto
riesgo;
(4)
derecho
a
corregir
datos
erróneos
que
alimentan
los
modelos;
y
(5)
derecho
a
la
no
discriminación
algorítmica
verificable.
Esta
operacionalización deja que futuros investigadores usen criterios comparables de identificación y
evaluación (Guglyuvatyy, 2025; Jiménez Vargas, 2026).
Los
resultados
de
la
revisión
sistemática
de
las
23
fuentes
confirman
que
la
adopción
de
algoritmos de inteligencia artificial en las administraciones tributarias de mayor madurez digital
de América Latina produjo mejoras cuantificables en la detección de evasión fiscal. La Tabla 4
resume los principales hallazgos técnicos por caso nacional.
Soto Galarza et al., 2026
Impacto de los algoritmos de inteligencia artificial en la detección de evasión fiscal: retos de regulación tributaria y garantías
procesales tributarias digitales del contribuyente
7
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
Tabla 4
Desempeño documentado de sistemas de IA en administraciones tributarias seleccionadas
|
País
|
Sistema/modelo
|
Tipo de algoritmo
|
Indicador reportado
(heterogéneo; sin
comparabilidad directa
entre países)
|
Impacto en
recaudación
|
|
Brasil
|
Receita Federal
—
Open data + ML
|
Random Forest,
Redes Neuronales,
Grafos
|
98,08% accuracy —
Random Forest;
validación cruzada k-fold
(Xavier et al., 2022)
|
Sustitución de
datos propietarios
por datos abiertos
|
|
Chile
|
SII — Sistema
fiscalización IA
|
Modelos predictivos
de riesgo
|
$186.000 millones CLP
evitados (ene.2023–
abr.2024)
|
Reducción de
brecha tributaria
por enfoque
preventivo
|
|
México
|
SAT — Plan Maestro
2024
|
Analítica de grafos,
Machine Learning
|
4.517 billones MXN en
2023 (impacto agregado;
precision y recall no
desagregados por modelo)
|
+757.155 millones
MXN por
auditorías (2,4%
PIB)
|
|
Perú
|
SUNAT —
Fiscalización
electrónica
|
Algoritmos
predictivos, NLP
(SOFIA)
|
48.000 contribuyentes de
riesgo (ENE–NOV 2024)
|
S/165 millones en
prevención de
pérdida
|
|
Ecuador
|
SRI — Sistemas
Falcon y Orión
|
Análisis de datos e IA
|
42% de irregularidades
adicionales detectadas
(proxy recall; sin F1-score
reportado)
|
Reducción del
71% en tiempos de
espera
|
Nota.
Elaboración propia con base en Xavier et al.
(2022)
,
Morocho et al. (2025)
,
Arguelles
-
Toache (2024)
,
Montalván
-
Gaona et al.
(2026) y Cunha et al. (2024).
Del análisis comparado surgen, de forma consistente, tres patrones estructurales. En primer lugar,
la
superioridad
técnica
de
los
modelos
de
aprendizaje
automático
frente
a
los
métodos
tradicionales de auditoría por muestreo es clara: la evidencia empírica revisada documenta tasas
de detección de entre el 82% y el 98,08% según el algoritmo y el contexto de aplicación, con
Random Forest como el modelo de mayor precisión en la mayoría de los estudios analizados
(Yang,
2025;
Belahouaoui
&
Alm,
2025).
Esa
superioridad
se
explica
porque
los
algoritmos
pueden procesar volúmenes masivos de datos heterogéneos (facturas electrónicas, declaraciones,
movimientos bancarios, registros de terceros) e identificar patrones de comportamiento evasor
que los métodos manuales no detectan a esa escala. Después está la disociación cronológica entre
adopción tecnológica y marco regulatorio: en todos los casos analizados, los sistemas algorítmicos
se
desplegaron
antes
de
que
existieran
normas
específicas
que
regularan
su
funcionamiento,
fijaran
obligaciones
de
transparencia
o
garantizaran
los
derechos
del
contribuyente
frente
a
decisiones automatizadas. Esta disociación reproduce, en el ámbito tributario, el pacing problem
que ya identificó la literatura sobre gobernanza algorítmica (Collingridge, 1980; Thierer, 2014;
Belahouaoui & Attak, 2026; Lahlou et al., 2026). Y por último aparece la concentración del riesgo
regulatorio en la propia opacidad algorítmica: los sistemas más eficaces para detectar evasión son,
precisamente, los
más difíciles de explicar a los contribuyentes afectados, lo
que genera una
tensión estructural entre eficiencia fiscalizadora y garantías procesales que ningún país analizado
resolvió de forma satisfactoria (Guglyuvatyy, 2025; Bozdoğanoğlu & Ycel, 2025).
8
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
En el plano del derecho comparado internacional, el Reglamento (UE) 2024/1689, conocido como
EU AI Act, es hoy el referente normativo de mayor alcance vigente. Su Anexo III clasifica los
sistemas
de
fiscalización
tributaria
automatizada
como
sistemas
de
IA
de
alto
riesgo,
con
obligaciones
vinculantes
de
transparencia,
evaluación
de
conformidad
previa
al
despliegue,
registro
en
una
base
de
datos
europea,
supervisión
humana
efectiva
y
rendición
de
cuentas
diferenciada entre proveedor y responsable del despliegue (Unión Europea, 2024). A eso se suma
el artículo 22 del Reglamento General de Protección de Datos (GDPR), que reconoce el derecho
de toda persona a no ser objeto de decisiones basadas exclusivamente en tratamiento automatizado
cuando produzcan efectos jurídicos significativos: es el antecedente procesal más citado a nivel
global sobre el derecho a la explicación algorítmica (Parlamento Europeo y Consejo de la UE,
2016).
El
análisis
comparado
muestra
que
la
influencia
de
estos
instrumentos
en
los
marcos
regulatorios latinoamericanos todavía es incipiente: ninguno de los cinco países analizados adoptó
formalmente
el
EU
AI
Act
como
referente
explícito,
aunque
Chile,
México
y
Brasil
tienen
acuerdos
de
cooperación
con
la
Unión
Europea
y
varias
administraciones
de
la
región
usan
sistemas de IA de proveedores europeos. Adoptar el estándar europeo como marco de referencia
fortalecería de forma significativa la sección propositiva de este trabajo, y le permitiría a Ecuador
posicionarse
en
la
vanguardia
normativa
regional.
El
análisis
documental
de
los
marcos
normativos
vigentes
en
los
cuatro
países
de
referencia
permite
identificar
cinco
brechas
regulatorias estructurales comunes que son directamente aplicables al diagnóstico del Ecuador,
sintetizadas en la Tabla 5.
Tabla 5
Brechas regulatorias identificadas en los casos nacionales analizados
|
Brecha
|
Brasil
|
Chile
|
México
|
Perú
|
Ecuador
|
|
Ley específica de IA tributaria
vigente
|
En proceso
legislativo
|
Proyecto en
trámite
|
Ausente
|
Ausente
|
Ausente
|
|
Obligación de explicar
decisiones algorítmicas
|
Parcial (PL
2338)
|
Voluntaria
(Operación
Renta 2026)
|
Ausente
|
Ausente
|
Ausente
|
|
Registro público de algoritmos
tributarios
|
Ausente
|
Parcial y
voluntario
|
Ausente
|
Ausente
|
Ausente
|
|
Organismo supervisor con
mandato específico
|
ANPD (datos,
no IA)
|
En propuesta
legislativa
|
Ausente
|
Ausente
|
Ausente
|
|
Derecho a revisión humana
reconocido
|
Ausente
|
Ausente
|
Ausente
|
Ausente
|
Ausente
|
Nota.
Elaboración propia con base en Cunha et al.
(2024)
,
Ojeda Pérez et al. (2025)
,
Arguelles
-
Toache (2024)
,
Yacolca
-
Estares et al.
(2026).
Las cinco brechas identificadas son: ausencia de instrumentos jurídicos vinculantes en todos los
países
analizados,
que
deja
a
los
sistemas
automatizados
fiscales
operando
en
un
vacío
de
accountability
formal
(Belahouaoui
&
Attak,
2026);
inexistencia
de
obligaciones
de
explicabilidad tributaria —solo Chile ha avanzado en transparencia algorítmica voluntaria durante
la Operación
Renta 2026, comprometiendo el
derecho al
debido
proceso en los
demás
casos
(Cunha et al., 2024; Faúndez-Ugalde & Mellado-Silva, 2023)—; riesgo de sesgo sistemático no
auditado derivado del entrenamiento de modelos con datos históricos que perpetúan patrones de
selección
previos
(Arguelles-Toache,
2024;
Lahlou
et
al.,
2026);
garantías
Soto Galarza et al., 2026
Impacto de los algoritmos de inteligencia artificial en la detección de evasión fiscal: retos de regulación tributaria y garantías
procesales tributarias digitales del contribuyente
9
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
procesales
tributarias
digitales
del
contribuyente
insuficientes,
pues
ningún
marco
vigente
contempla el derecho a saber que una actuación fue iniciada por un algoritmo, el derecho a recibir
una explicación comprensible, el derecho a la revisión humana de decisiones de alto riesgo ni el
derecho
a
corregir
datos
erróneos
que
alimentan
los
modelos
(Guglyuvatyy,
2025;
Jiménez
Vargas,
2026);
y
capacidades
técnicas
insuficientes
para
la
auditoría
algorítmica
en
los
organismos de control de todos los países analizados (Belahouaoui & Alm, 2025; Duarte Sánchez
et al., 2023).
A
partir
de
los
hallazgos
anteriores,
se
propone
un
marco
regulatorio
organizado
en
cuatro
elementos mínimos, diseñados para ser implementables dentro del horizonte temporal de la EFIA-
EC 2025–2029 y coherentes con las capacidades institucionales actuales del Estado ecuatoriano.
El primer elemento reúne principios rectores vinculantes con rango legal: proporcionalidad y
enfoque
basado
en
riesgos,
que
clasifica
los
sistemas
en
alto,
moderado
y
bajo
riesgo
con
obligaciones diferenciadas; transparencia y explicabilidad, para que el contribuyente sepa cuándo
y cómo un algoritmo influyó en una decisión que lo afecta; supervisión humana efectiva, que
impide
que
sistemas
de
alto
riesgo
determinen
obligaciones
tributarias
sin
revisión
humana
sustantiva; no discriminación algorítmica, que exige evaluaciones de sesgo antes del despliegue;
rendición
de
cuentas
y
responsabilidad
diferenciada,
que
distribuye
la
responsabilidad
entre
proveedor,
SRI
y
ente
regulador;
y
participación
ciudadana
e
información,
que
establece
la
publicación
periódica
de
informes
sobre
el
funcionamiento
de
los
sistemas
(Jiménez
Vargas,
2026; Palomino Guerrero, 2022). El segundo elemento son las garantías procesales tributarias
digitales mínimas del contribuyente, exigibles frente a decisiones algorítmicas tributarias: derecho
a saber, derecho a la explicación, derecho a la revisión humana sustantiva en decisiones de alto
riesgo, derecho a la corrección de datos y derecho a la no discriminación algorítmica verificable
(Guglyuvatyy, 2025; Jiménez Vargas, 2026). El tercer elemento es una arquitectura institucional
de supervisión que asigna roles diferenciados a cuatro actores ya existentes: MINTEL como ente
rector con una Unidad Técnica de Auditoría Algorítmica, el SRI con un Responsable Institucional
de
Gobernanza
Algorítmica,
la
Defensoría
del
Pueblo
con
un
protocolo
específico
para
reclamaciones por decisiones automatizadas y la Contraloría General con criterios de auditoría
algorítmica en sus guías metodológicas; así se evita crear nuevos organismos y se minimiza la
demanda de recursos adicionales (Faúndez-Ugalde & Mellado-Silva, 2023; Morocho et al., 2025).
Y
el
cuarto
elemento
articula
instrumentos
normativos
por
capas:
una
Ley
de
Gobernanza
Algorítmica del Sector Público con capítulo tributario específico, un Reglamento de Evaluación
de Impacto Algorítmico Tributario que podría emitirse mediante acuerdo ministerial MINTEL-
SRI, Estándares Técnicos de Contratación Pública de IA incorporables al Reglamento vigente, y
un Registro Público de Sistemas de IA del SRI de carácter obligatorio.
Figura 2
Hoja de ruta de implementación del marco regulatorio propuesto (2026–2029)
|
Fase 1 — Cimentación normativa (2026–2027)
• Aprobación Ley de Gobernanza Algorítmica (Asamblea Nacional)
• Emisión Reglamento de Evaluación de Impacto (MINTEL-SRI)
• Creación Unidad Técnica de Auditoría Algorítmica (MINTEL)
• Designación Responsable Gobernanza Algorítmica (SRI)
|
10
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
|
• Incorporación cláusulas IA en Reglamento Contratación Pública
|
|
Fase 2 — Implementación de garantías (2027–2028)
• Apertura Registro Público de Sistemas de IA del SRI
• Protocolo de reclamaciones — Defensoría del Pueblo
• Primera evaluación de impacto: sistemas Falcon y Orión
• Programa de formación de auditores algorítmicos
• Inicio notificaciones obligatorias al contribuyente
|
|
Fase 3 — Consolidación y evaluación (2028–2029)
• Primera auditoría algorítmica tributaria (Contraloría General del Estado)
• Evaluación independiente del marco con participación de sociedad civil
• Actualización del Reglamento según resultados de evaluación
• Informe de impacto sobre derechos del contribuyente
• Articulación con marcos regionales CIAT/CLAD
|
Nota.
Elaboración propia.
Estos hallazgos aportan al debate académico en dos frentes concretos. Por un lado, confirman el
pacing problem en el ámbito tributario latinoamericano: la evidencia de Brasil, Chile, México y
Perú
muestra
que
la
adopción
de
IA
en
la
fiscalización
precede
de
forma
sistemática
a
la
construcción de los marcos regulatorios que deberían supervisarla, no por una decisión deliberada
sino como consecuencia de la distinta velocidad entre innovación tecnológica e institucionalidad
normativa (Collingridge, 1980; Thierer, 2014; Belahouaoui & Attak, 2026; Lahlou et al., 2026).
Esta brecha es más marcada en América Latina, donde los ciclos legislativos son más lentos y las
capacidades técnicas de los organismos reguladores son más limitadas que en las jurisdicciones
del
norte
global
donde
se
originaron
esos
marcos
de
referencia.
Por
otro
lado,
los
hallazgos
muestran la insuficiencia del enfoque técnico-centrado que predomina en la literatura sobre IA
tributaria: la mayoría de los estudios revisados evalúa el desempeño de los algoritmos en términos
de precisión, sin examinar de forma sistemática los efectos sobre los derechos procesales del
contribuyente (Yang, 2025; Belahouaoui & Alm, 2025).
Incluir casos de implementación problemática ya documentados le da más objetividad al análisis.
El sistema SyRI (System Risk Indication) de los Países Bajos fue declarado ilegal en 2020 por el
Tribunal de La Haya, por violar el artículo 8 del Convenio Europeo de Derechos Humanos al
impedir
que
los
ciudadanos
afectados
accedieran
a
información
sobre
el
funcionamiento
del
algoritmo (Rechtbank Den Haag, 2020; Guglyuvatyy, 2025). En América Latina, la Dirección de
Impuestos
y
Aduanas
Nacionales
(DIAN)
de
Colombia
ha
enfrentado
impugnaciones
administrativas
por
resoluciones
generadas
mediante
análisis
algorítmico,
en
las
que
los
contribuyentes señalan que no pueden identificar los criterios de selección aplicados (Palomino
Guerrero, 2022). En Argentina, la ARCA (ex AFIP) registra litigios vinculados al uso de datos
analíticos en determinaciones de deuda (Duarte Sánchez et al., 2023). Incluir estos casos confirma
que las brechas regulatorias identificadas no son solo teóricas: tienen consecuencias jurídicas
concretas y representan riesgos reales de litigación masiva para las administraciones tributarias
que
adopten
IA
sin
marcos
de
gobernanza
algorítmica
adecuados.
Elegir
los
cuatro
casos
comparados principales por su mayor madurez tecnológica es, hay que decirlo, una limitación
metodológica reconocida; por eso se equilibra con esta evidencia de casos problemáticos, para
evitar el sesgo de supervivencia positivo.
Soto Galarza et al., 2026
Impacto de los algoritmos de inteligencia artificial en la detección de evasión fiscal: retos de regulación tributaria y garantías
procesales tributarias digitales del contribuyente
11
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
Este estudio se aparta, con argumentos, de la posición de Guglyuvatyy (2025), quien propone un
organismo independiente de supervisión de IA tributaria como solución central. La evidencia
comparada de los cuatro casos analizados sugiere que la efectividad de un organismo supervisor
autónomo depende de tres requisitos institucionales que ningún país latinoamericano analizado
cumple del todo: mandato coercitivo con facultades sancionatorias, presupuesto propio suficiente
y capital humano especializado en auditoría algorítmica. En Ecuador, la EFIA-EC 2025-2029 se
expidió sin presupuesto centralizado y ocho proyectos de ley sobre IA siguen sin aprobarse en la
Asamblea Nacional, así que un nuevo organismo autónomo terminaría, con alta probabilidad,
siendo una estructura institucionalmente huérfana: existe en el papel pero no tiene recursos para
ejercer su mandato. El modelo de co-regulación distribuida que se propone aquí, que fortalece
instituciones ya existentes (MINTEL, SRI, Defensoría del Pueblo, Contraloría) en lugar de crear
otras nuevas, responde a esta limitación contextual ya documentada. Las condiciones bajo las
cuales
el
organismo
independiente
propuesto
por
Guglyuvatyy
(2025)
superaría
al
modelo
distribuido son aquellas de economías con alta capacidad estatal, legislación de IA aprobada y
capital
humano
especializado
disponible:
condiciones
que
Ecuador
podría
alcanzar
en
un
horizonte de diez a quince años, por lo cual el organismo independiente constituye una meta de
segunda fase, no una solución para 2026-2029.
La propuesta enfrenta dos desafíos de viabilidad que deben reconocerse con franqueza. El primero
es político-institucional: la EFIA-EC 2025–2029 fue expedida sin presupuesto centralizado, y
ocho proyectos de ley sobre IA permanecen sin aprobarse en la Asamblea Nacional (Morocho et
al., 2025). El segundo es técnico-burocrático: solo el 0,00156% de los profesionales con título de
educación superior en Ecuador tiene habilidades específicas certificadas en IA —calculado sobre
el universo de 1,28 millones de profesionales registrados en el SENESCYT según la metodología
de autoidentificación de competencias digitales avanzadas del MINTEL (2025, EFIA-EC 2025–
2029, Diagnóstico de Brechas Digitales)—, lo que hace inviable a corto plazo cualquier sistema
de
supervisión
algorítmica
técnicamente
exigente.
La
hoja
de
ruta
propuesta
responde
a
este
desafío con una secuencia que empieza por obligaciones procedimentales antes de avanzar hacia
obligaciones técnicas de auditoría. Este estudio deja abiertas tres líneas de investigación posterior:
la validación empírica de las garantías propuestas mediante entrevistas a funcionarios del SRI y
contribuyentes, el análisis específico del sesgo algorítmico en los modelos Falcon y Orión, y la
evaluación de impacto del marco regulatorio una vez implementado.
La hoja de ruta plantea tres escenarios de implementación para responder al bloqueo legislativo
actual.
En
el
escenario
optimista
(2026-2027),
la
Asamblea
Nacional
aprueba
la
Ley
de
Gobernanza
Algorítmica
con
capítulo
tributario
específico
antes
de
que
termine
el
período
legislativo en curso. En el escenario base (2027-2028), ese capítulo tributario se incorpora a la
Ley Orgánica de Tecnología Digital, que está en proceso de revisión, aprovechando la agenda
digital que el Ejecutivo ya priorizó. Y en el escenario de contingencia, el más relevante desde el
punto de vista metodológico dado el historial de los ocho proyectos paralizados, las obligaciones
de explicabilidad, notificación al contribuyente y registro público de algoritmos se implementan
mediante acuerdo ministerial MINTEL-SRI, usando la potestad reglamentaria ya existente y sin
necesidad de una ley orgánica, con un horizonte de implementación de doce a dieciocho meses.
Esta secuencia asegura que el marco regulatorio avance sin importar el resultado del proceso
parlamentario, lo que hace que la propuesta sea institucionalmente sólida frente a los riesgos de
12
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
bloqueo legislativo documentados en los casos comparados (Morocho et al., 2025).
4. Conclusiones
Esta investigación partió de una pregunta: ¿cómo impactan los modelos predictivos de inteligencia
artificial en la detección de evasión fiscal de las administraciones tributarias de mayor madurez
digital
en
América
Latina,
y
qué
elementos
regulatorios
mínimos
garantizan
la
transparencia
algorítmica
y
los
derechos
procesales
tributarios
del
contribuyente?
A
partir
de
la
revisión
sistemática de 23 fuentes indexadas, el análisis comparado de cinco casos nacionales y la síntesis
propositiva desarrollada, se pueden formular cuatro conclusiones centrales.
En primer lugar, los algoritmos de IA representan un salto cualitativo en la capacidad fiscalizadora
del Estado, pero no son técnicamente neutros. La evidencia empírica revisada confirma que los
modelos de aprendizaje automático, en particular Random Forest, XGBoost y redes neuronales,
superan
de
forma
clara
a
los
métodos
tradicionales
de
auditoría
por
muestreo,
con
tasas
de
detección
de
evasión
fiscal
de
entre
82%
y
98,08%
en
contextos
latinoamericanos.
Pero
esa
superioridad
técnica
no
los
libra
de
riesgos
institucionales
graves:
la
opacidad
de
su
funcionamiento, el sesgo potencial de sus datos de entrenamiento y la desaparición práctica de la
supervisión humana en la cadena de decisiones tributarias son amenazas reales para el ejercicio
efectivo
de
los
derechos
del
contribuyente.
En
segundo
lugar,
América
Latina
atraviesa
una
transición
regulatoria
real,
pero
estructuralmente
incompleta:
ninguno
de
los
cuatro
países
analizados cuenta con una ley aprobada y en vigor que establezca obligaciones vinculantes de
transparencia,
mecanismos
de
explicabilidad
exigibles
por
el
contribuyente
o
un
organismo
supervisor
con
mandato
y
recursos
suficientes.
Chile
es
el
caso
de
mayor
avance,
al
haber
empezado a publicar voluntariamente sus criterios algorítmicos en la Operación Renta 2026, pero
ese avance sigue siendo parcial y sin respaldo normativo vinculante.
En
tercer
lugar,
Ecuador
cuenta
con
una
ventana
de
oportunidad
regulatoria
única,
y
se
está
cerrando. El país ya dio pasos concretos en la dirección correcta: la EFIA-EC 2025-2029 fija un
horizonte normativo, los sistemas Falcon y Orión del SRI operan con resultados documentados,
y ocho proyectos de ley sobre IA están en discusión en la Asamblea Nacional. Pero la estrategia
se expidió sin presupuesto centralizado y esos proyectos de ley siguen sin aprobarse. Los cuatro
elementos
regulatorios
mínimos
que
propone
este
estudio
(principios
rectores
vinculantes,
garantías
procesales
tributarias
digitales
del
contribuyente,
arquitectura
institucional
de
supervisión e instrumentos normativos por capas) ofrecen una base técnicamente fundamentada e
institucionalmente realista para que la Asamblea Nacional, el MINTEL y el SRI actúen en el
período 2026-2027. Y, por último, la gobernanza algorítmica tributaria es ante todo un problema
de
gobernabilidad
democrática,
más
que
un
problema
técnico.
Cuando
los
algoritmos
toman
decisiones que afectan obligaciones tributarias, lo que está en juego es la arquitectura del poder,
no solo la ingeniería del sistema: quién decide qué variables son relevantes, quién audita que los
criterios sean equitativos, y por qué mecanismos puede el contribuyente ejercer sus derechos
frente a una decisión que tomó una máquina. La principal contribución de este estudio es mostrar,
con argumentos académicos, que regular la IA tributaria es un imperativo de justicia fiscal y no
una opción de modernización administrativa.
Agradecimientos
Soto Galarza et al., 2026
Impacto de los algoritmos de inteligencia artificial en la detección de evasión fiscal: retos de regulación tributaria y garantías
procesales tributarias digitales del contribuyente
13
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
Los
autores
expresan
su
agradecimiento
al
Centro
Interamericano
de
Administraciones
Tributarias
(CIAT)
y
a
los
organismos
tributarios
de
Brasil,
Chile,
México
y
Perú
por
la
disponibilidad pública de sus informes institucionales y documentos técnicos, que constituyeron
fuentes primarias indispensables para el análisis comparado realizado en esta investigación.
5. Referencias bibliográficas
Arguelles-Toache,
E.
(2024).
Beneficios
y
riesgos
del
uso
de
la
Inteligencia
Artificial
en
el
Servicio de Administración Tributaria de México (SAT): Un análisis desde la perspectiva
de
investigadores
académicos.
PAAKAT:
Revista
de
Tecnología
y
Sociedad,
14
(27).
https://doi.org/10.32870/Pk.a14n27.885
Belahouaoui,
R.,
&
Alm,
J.
(2025).
Tax
fraud
detection
using
artificial
intelligence
-
based
technologies: Trends and implications.
Journal of Risk and Financial Management, 18
(9),
Article 502.
https://doi.org/10.3390/jrfm18090502
Belahouaoui,
R.,
&
Attak,
E.
H.
(2024).
Digital
taxation,
artificial
intelligence
and
Tax
Administration 3.0: Improving tax compliance behavior
—
a systematic literature review
using textometry (2016
–
2023).
Journal of Financial Reporting and Accounting, 22
(3),
612
–
638.
https://doi.org/10.1108/JFRA
-
05
-
2023
-
0265
Belahouaoui, R., & Attak, E. H. (2026).
Artificial intelligence in tax compliance and evasion
mitigation:
Trends,
mechanisms,
and
institutional
implications.
Journal
of
Risk
and
Financial Management, 19
(7), Article 513.
https://doi.org/10.3390/jrfm19070513
Bozdoğanoğlu,
B.,
&
Ycel,
A.
(2025).
Use
of
artificial
intelligence
technology
in
tax
management:
Evaluation
of
the
principle
of
transparency
within
the
framework
of
international legislation provisions.
International Journal of Public Finance, 10
(1), 1–20.
https://doi.org/10.30927/ijpf.1522095
Centro Interamericano de Administraciones Tributarias [CIAT]. (2025).
Inventario global 2025:
¿Dónde
están
y
hacia
dónde
van
las
administraciones
tributarias
en
el
ámbito
de
la
digitalización
y
transformación
digital?
CIAT.
https://www.ciat.org/inventario-global-
2025
Comisión Económica para América Latina y el Caribe & Organización para la Cooperación y el
Desarrollo
Económicos
[CEPAL/OCDE].
(2024).
Estadísticas
tributarias
en
América
Latina y el Caribe 2024
. OCDE Publishing.
https://doi.org/10.1787/9a36f6e0-es
Collingridge, D. (1980).
The social control of technology
.
Frances Pinter.
Cunha, C. R., Stamile, N., & Grupenmacher, B. T. (2024). O uso da inteligência artificial na
fiscalização tributária e a opacidade algorítmica: O caso do sistema de seleção aduaneira
por aprendizado de máquina (SISAM).
Pensar
—
Revista de Ciências Jurídicas, 29
(3), 1
–
15.
https://doi.org/10.5020/2317
-
2150.2024.13867
Duarte Sánchez, D. D., Alegre, M., & Ramírez Girett, V. A. (2023).
Adopción de la inteligencia
artificial en las administraciones tributarias: Revisión de literatura.
Ciencias Económicas,
4
(7), 19–29.
https://dialnet.unirioja.es/servlet/articulo?codigo=8941558
Faúndez-Ugalde, A., & Mellado-Silva, R. (2023). Uso de automatización de procesos robóticos
por
administraciones
tributarias
e
impacto
en
los
derechos
humanos.
Revista
14
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
Chilena
de
Derecho
y
Tecnología,
12
,
1
–
24.
https://doi.org/10.5354/0719
-
2584.2023.65457
Guglyuvatyy, E. (2025).
Balancing innovation and integrity: AI in tax administration and taxpayer
rights.
Humanities
and
Social
Sciences
Communications,
12
,
Article
1818.
https://doi.org/10.1057/s41599
-
025
-
06099
-
7
Haro Orozco, E. R., & Flor Mora, O. P. (2024). Evasión tributaria del impuesto al valor agregado
en
el
Ecuador.
Período
2020-2023.
Dominio
de
las
Ciencias,
10
(4),
1404–1420.
https://doi.org/10.23857/dc.v10i4.4131
Jiménez Vargas, P. J. (2026). Modelos predictivos y herramientas de transparencia en el Derecho
Tributario.
Revista
Española
de
la
Transparencia
,
(24),
325–356.
https://doi.org/10.51915/ret.426
Lahlou,
I.,
Kabbaj,
S., &
Oubal,
A.
(2026).
From
predictive
accuracy
to
algorithmic
justice:
Mapping the multidimensional impact of AI in tax auditing.
Journal of Risk and Financial
Management, 19
(5), Article 354.
https://doi.org/10.3390/jrfm19050354
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
Morocho Ribadeneira, M. R., Moreira Mero, N. Y., Pinargote Pinargote, H. M., & Zambrano
Vera, A. M. (2025).
La inteligencia artificial y su impacto en las plataformas digitales del
SRI en el Ecuador.
Revista Científica Multidisciplinaria G-nerando, 6
(2), 2350–2366.
https://doi.org/10.60100/rcmg.v6i2.823
Ojeda Pérez, F., Guervós Maíllo, M. Á., & Preciado Álvarez, F. (2025). Los medios electrónicos
y la inteligencia artificial en la gestión tributaria en México.
Boletín Mexicano de Derecho
Comparado, 58
(172).
https://doi.org/10.22201/iij.24484873e.2025.172.19577
Page, M. J., McKenzie, J. E., Bossuyt,
P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer,
L.,
Tetzlaff,
J.
M.,
Akl,
E.
A.,
Brennan,
S.
E.,
Chou,
R.,
Glanville,
J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E.,
McDonald, S., …
Moher, D. (2021). The PRISMA 2020 statement: An updated guideline
for
reporting
systematic
reviews.
Systematic
Reviews,
10
,
Article
89.
https://doi.org/10.1186/s13643-021-01626-4
Rechtbank Den Haag. (2020, 5 de febrero). ECLI:NL:RBDHA:2020:1878, C/09/550982 / HA ZA
18-388.
Sistema
de
Indicación
de
Riesgos
(SyRI).
Tribunal
de
La
Haya.
https://uitspraken.rechtspraak.nl/details?id=ECLI:NL:RBDHA:2020:1878
Palomino Guerrero, M. (2022). Inteligencia artificial: un mecanismo para frenar la evasión fiscal
sin
vulnerar
los
derechos
del
contribuyente.
Cuestiones
Constitucionales.
Revista
Mexicana
de
Derecho
Constitucional,
1
(46),
213–236.
https://doi.org/10.22201/iij.24484881e.2022.46.17053
Soto Galarza et al., 2026
Impacto de los algoritmos de inteligencia artificial en la detección de evasión fiscal: retos de regulación tributaria y garantías
procesales tributarias digitales del contribuyente
15
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53
Xavier, O. C., Pires, S. R., Marques, T. C., & Soares, A. S. (2022).
Identificação de evasão fiscal
utilizando dados abertos e inteligência artificial.
Revista de Administração Pública, 56
(3),
426
–
440.
https://doi.org/10.1590/0034
-
761220210256
Yacolca
-
Estares,
D.
I.,
Choy
-
Zevallos,
E.
E.,
&
Chavez
-
Díaz,
J.
M.
(2026).
Algorithmic
tax
justice in Peru.
Laws, 15
(4), Article 60.
https://doi.org/10.3390/laws15040060
Thierer,
A.
(2014).
Permissionless
innovation:
The
continuing
case
for
comprehensive
technological freedom. Mercatus Center at George Mason University.
Tricco, A. C., Lillie, E., Zarin, W., O'Brien, K. K., Colquhoun, H., Colquhoun, D., Straus, S. E.
(2018).
PRISMA
extension
for
scoping
reviews
(PRISMA
-
ScR):
Checklist
and
explanation.
Annals of Internal Medicine, 169(7), 467–473.
https://doi.org/10.7326/M18-
0850
Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de
13
de
junio
de
2024,
por
el
que
se
establecen
normas
armonizadas
en
materia
de
inteligencia artificial (Ley de Inteligencia Artificial — EU AI Act). Diario Oficial de la
Unión
Europea,
L
2024/1689.
https://eur-lex.europa.eu/legal-
content/ES/TXT/?uri=OJ:L_202401689
Parlamento Europeo y Consejo de la Unión Europea. (2016). Reglamento (UE) 2016/679 del
Parlamento Europeo y del Consejo, de 27 de abril de 2016, relativo a la protección de las
personas
físicas
en
lo
que
respecta
al
tratamiento
de
datos
personales
y
a
la
libre
circulación de estos datos (Reglamento General de Protección de Datos — GDPR).
Diario
Oficial
de
la
Unión
Europea,
L
119,
1
–
88.
https://eur
-
lex.europa.eu/legal
-
content/ES/TXT/?uri=CELEX:32016R0679
Yang, L. (2025). Predictive modeling of tax compliance risks: A comparative study of machine
learning
approaches.
PLOS
ONE,
20
(9),
Article
e0331715.
https://doi.org/10.1371/journal.pone.0331715
16
Vol.8 No. 1 (2026) Enero - Junio
https://publicarciencia.itred.edu.ec/index.php
/p_ciencia_v1/es
https://doi.org/10.67169/publicarciencia.v8i1.53