DOI:
https://doi.org/10.56712/latam.v6i2.3761=
Impacto de la inteligencia artificial en la gestión tributaria de =
las
PYMES: avances, desafíos y oportunidades en México
Impact of
Artificial Intelligence on Tax Management of SMEs: Advances, Challenges, an=
d Opportunities
in Mexico
Felipe de Jesús Bonilla Sánchez
fbonilla@uaem.mx
https://orcid.org/0009-0001-8674-8209
Universidad
Autónoma del Estado de Morelos
Cuernavaca – Mé=
xico
Adrian Cabral Martínez
adrian.cabral@uaem.mx
https://orcid.org/0009-0008-5314-6333
Universidad
Autónoma del Estado de Morelos
Cuernavaca – Mé=
xico
Artículo
recibido: 31 de marzo de 2025. Aceptado para publicación: 14 de abril de 20=
25.
Conflictos de Interés: Ninguno que declarar.
Resumen
La
Secretaría de Hacienda y Crédito Público, a través del Servicio de
Administración Tributaria de México (SAT), ha implementado la Inteligencia
Artificial (IA) como herramienta estratégica para optimizar sus procesos de
fiscalización dentro del Plan Maestro 2024. Este avance tecnológico se empl=
ea
para segmentar a los contribuyentes según su nivel de riesgo fiscal,
identificar redes complejas de elusión y evasión tributaria, así como detec=
tar
irregularidades vinculadas al contrabando y empresas fachada. Todo ello
fortalece los sistemas de control y mejora las estrategias de prevención del
fraude fiscal en México. Este estudio examina el impacto de la IA en el
cumplimiento fiscal de las pequeñas y medianas empresas (PYMES), consideran=
do
su papel esencial en la economía global y nacional. Además, se exploran las
tendencias actuales sobre el uso de la IA en la fiscalización tributaria y =
se
identifican los factores que dificultan su adopción en este ámbito, tales c=
omo
la falta de recursos, conocimientos técnicos y confianza en la administraci=
ón
tributaria. Mediante una metodología de revisión sistemática, se recopilaro=
n y
analizaron investigaciones relevantes desde un enfoque multidimensional. Los
resultados subrayan la necesidad de mejorar la capacitación en tecnologías
fiscales y desarrollar estrategias que superen las barreras para su
implementación efectiva. Se concluye que maximizar el potencial de la IA en=
el
cumplimiento de obligaciones fiscales requiere promover programas educativos
específicos para las PYMES y diseñar políticas que fomenten su adopción
tecnológica, mejorando así el marco fiscal y la eficiencia en la recaudación
tributaria.
Palabras clave: inteligencia artificial, PYMES, gestión
tributaria, barreras de adopción, innovación administrativa
Abstract
The Ministry of Finance and Public Credit, through the Tax
Administration Service of Mexico (SAT), has implemented Artificial Intellig=
ence
(AI) as a strategic tool to optimize its auditing processes within the Mast=
er
Plan 2024. This technological advancement is used to segment taxpayers
according to their fiscal risk level, identify complex networks of tax evas=
ion
and avoidance, and detect irregularities related to smuggling and shell
companies. All of this strengthens control systems and improves strategies =
for
preventing tax fraud in Mexico. This study examines the impact of AI on the=
tax
compliance of small and medium-sized enterprises (SMEs), considering their
essential role in the global and national economy. Additionally, contempora=
ry
trends in AI usage in tax auditing are explored, and factors hindering its
adoption in this area are identified, such as lack of resources, technical
knowledge, and trust in tax administration. Through a systematic review
methodology, relevant research was collected and analyzed from a
multidimensional perspective. The results highlight the need to enhance
training in tax technologies and develop strategies that overcome barriers =
to
their effective implementation. It is concluded that maximizing the potenti=
al
of AI in fulfilling tax obligations requires promoting specific educational
programs for SMEs and designing policies that encourage technological adopt=
ion,
thereby improving the fiscal framework and increasing efficiency in tax
collection.
Keywords: artificial
intelligence, SMEs, tax management, adoption barriers, administrative
innovation
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
T=
odo
el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades, publicado en este sitio está disponibles bajo Licencia Creative
C=
ómo
citar: Bonilla Sánchez, F. de J., & Cabral Martínez, A.
(2025). Impacto de la inteligencia artificial en la gestión tributaria de l=
as
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<=
/span>
INTRODUCCIÓN
La IA se caracteriza por la habilidad de los
sistemas informáticos para replicar las funciones cognitivas humanas, tales
como el razonamiento, el aprendizaje y la resolución de problemas, con el
objetivo de ejecutar tareas complejas y tomar decisiones de forma autónoma.=
Esta tecnología se asienta en dos pilares
fundamentales: los algoritmos y el Big Data. Los algoritmos consisten en un
conjunto estructurado de instrucciones que permiten modelar y resolver
problemas específicos; entre ellos, los algoritmos de aprendizaje automático
son capaces de optimizar automáticamente a partir de los datos, mejorando
continuamente su rendimiento (Pérez-Cubero y Poler,
2020; Gutiérrez et al., 2023).
Por otro lado, el Big Data se refiere a conjun=
tos
de datos de gran volumen, variedad y velocidad que son generados continuame=
nte
a partir de diversas fuentes. Estos datos son esenciales para alimentar los
algoritmos de IA y son la base para entrenar modelos de aprendizaje automát=
ico,
permitiendo descubrir patrones y realizar predicciones con alta precisión
(González-Islas, 2019; Ramírez et al., 2022). Así, la interrelación entre e=
stos
elementos permite a las organizaciones optimizar sus operaciones, incluyend=
o el
ámbito tributario, donde la IA puede transformar la manera en que se manejan
las obligaciones fiscales. La adopción de esta tecnología en los procesos
tributarios y financieros de las PYMES ha despertado un creciente interés t=
anto
en el ámbito académico como en el profesional. Las PYMES, que son fundament=
ales
para la economía global, a menudo enfrentan desafíos significativos en su
cumplimiento de obligaciones tributarias y en la gestión de sus recursos
financieros (Škrinjarić et al., 2023). En =
este
contexto, la aplicación de tecnologías de IA ofrece la promesa de mejorar t=
anto
la eficiencia operativa como el cumplimiento de las obligaciones fiscales. =
No
obstante, a pesar del potencial evidente, persisten vacíos en el entendimie=
nto
de cómo la IA impacta este sector, así como las barreras que limitan su
adopción.
La IA y el aprendizaje automático han evolucio=
nado
hasta convertirse en la base tecnológica de diversas herramientas y solucio=
nes
ampliamente implementadas en distintos ámbitos. La capacidad de esta tecnol=
ogía
para adaptarse a diversos entornos ha permitido su aplicación en campos com=
o la
robótica, la automatización de procesos, el análisis predictivo, los asiste=
ntes
virtuales y de voz, además del monitoreo de redes sociales, la realidad
virtual, la minería de texto, el procesamiento del lenguaje natural (NLP), los sistemas de geolocalización y la analítica
avanzada (Gutiérrez et al., 2018; Valle-Cruz et al., 2020). La acelerada
evolución de la IA la ha consolidado como una de las tecnologías con mayor
influencia en la industria contemporánea. Mikalef y
Gupta (2021) subrayan que, durante un periodo de cuatro años, la cantidad de
empresas que han implementado la IA experimentó un incremento del 270%. De
acuerdo con datos de McKinsey & Company (2022), aproximadamente el 50% =
de
las organizaciones consultadas a escala global han declarado haber integrado
esta tecnología en al menos una de sus áreas de funcionamiento.
Este panorama no solo se observa en el sector
privado. En los últimos años, la adopción de IA en el ámbito gubernamental =
ha
ganado terreno de forma significativa, especialmente en áreas estratégicas =
como
la gestión administrativa, la formulación de políticas públicas, la toma de
decisiones, la prestación de servicios públicos y la atención a la ciudadan=
ía
(Valle-Cruz et al., 2020). Es importante subrayar que la adopción se aceleró
debido a la pandemia de COVID-19, periodo durante el cual numerosos gobiern=
os
recurrieron a herramientas basadas en inteligencia artificial para optimizar
sus procesos y mejorar la eficiencia administrativa (Sandoval-Almazán et al=
., 2020).
La IA ha demostrado especial utilidad en secto=
res
clave de la administración pública, tales como la salud (Sun
& Medaglia, 2019), la seguridad pública
(Ruvalcaba-Gómez, 2021), el transporte y la movilidad urbana (Yigitcanlar et al., 2021), la gestión de desastres
naturales (Sandoval-Almazán, 2021) y, de forma destacada, la administración
tributaria (Martín, 2022).
Específicamente, el sector fiscal ha sido uno =
de
los que más ha capitalizado el potencial de la IA para optimizar sus
procedimientos. Según Peña (2021), para el año 2018, el 53% de las entidades
fiscales de países miembros de la OCDE ya utilizaban la IA para optimizar s=
us
sistemas de administración tributaria. En la misma línea, Cerda (2020) seña=
la
que el 62.7% de las administraciones fiscales en países desarrollados utili=
zan
esta tecnología con el fin de fortalecer sus funciones principales.
La adopción creciente de la IA en las entidades
fiscales se atribuye en gran medida a su potencial para automatizar procesos
fundamentales. La recolección, clasificación y análisis de datos de facturas
electrónicas, el cálculo automático de impuestos, la supervisión del
cumplimiento fiscal, así como la administración de reclamaciones, devolucio=
nes
y recursos administrativos (González, 2022). Adicionalmente, la IA facilita=
la
creación de modelos predictivos que, basados en el análisis histórico y de
variables económicas, posibilitan la proyección de la recaudación fiscal, un
aspecto crucial para la planificación financiera y la toma de decisiones
estratégicas (Serrano, 2022).
Otra aplicación relevante en el ámbito tributa=
rio
es la implementación de sistemas basados en IA para identificar y clasifica=
r a
los contribuyentes en relación con su nivel de riesgo fiscal, permitiendo a=
las
autoridades identificar potenciales incumplimientos con mayor precisión
(Cuello, 2021). Del mismo modo, los algoritmos de IA son empleados para
detectar en tiempo real operaciones fraudulentas, transacciones irregulares=
y
la emisión de facturas electrónicas falsas (Cerda, 2020). Asimismo, ha perm=
itido
el desarrollo de asistentes virtuales o chatbots, que
brindan asesoría automatizada a los contribuyentes y generan borradores de
declaraciones fiscales, contribuyendo así a facilitar el cumplimiento de las
obligaciones fiscales (González, 2022; Serrano, 2022).
La expansión del uso de la IA en la administra=
ción
tributaria ha suscitado tanto expectativas positivas como preocupaciones
importantes. Algunos estudios, como los realizados por Saragih
et al. (2023), Sánchez, Brítez y Girett (2023) =
y Adelekan et al. (2024), destacan que tiene el potenci=
al de
incrementar la recaudación fiscal, reducir la evasión e incumplimiento de l=
as
obligaciones fiscales, automatizar los procesos de auditoría y mejorar la
experiencia de los contribuyentes, al ofrecer herramientas que simplifican =
el
cumplimiento de sus obligaciones fiscales.
Por otro lado, autores como Peeters y Widlak (2023), Pica (2023) y Nem=
be
et al. (2024) advierten que, pese a sus beneficios, el uso de la IA en la
gestión tributaria presenta riesgos considerables. Entre ellos se encuentra=
la
posible pérdida de empleos, la falta de transparencia en las decisiones
tributarias derivada de la opacidad algorítmica, así como posibles violacio=
nes
al derecho a la privacidad de los contribuyentes. Además, existe el riesgo =
de
que los algoritmos generen sesgos discriminatorios que afecten de forma
desproporcionada a ciertos grupos sociales en función de su raza, género o
condición socioeconómica.
En el contexto mexicano, la implementación de =
esta
tecnología en la gestión fiscal ha adquirido relevancia desde octubre de 20=
17,
cuando el SAT anunció la adopción de técnicas de IA y aprendizaje automático
para el análisis de grandes volúmenes de datos tributarios. Esta herramienta
fue concebida con el objetivo de identificar patrones irregulares en las
facturas electrónicas e identificar entidades que simulan transacciones o
eludan sus responsabilidades fiscales (Santos, 2021; Farell, 2021; Palomino,
2022).
En marzo de 2021, el SAT presentó el chatbot OrientaSAT, una
herramienta automatizada destinada a ofrecer asesoría fiscal en tiempo real=
. El
sistema está diseñado para resolver dudas y facilitar el llenado de
declaraciones de impuestos, funcionando de manera ininterrumpida durante to=
dos
los días del año, las veinticuatro horas del día (Santos, 2021).
En el contexto del Plan Maestro 2024, el SAT ha
anunciado que la IA será empleada para categorizar a los contribuyentes en
función de su grado de riesgo fiscal, identificar complejas redes de elusió=
n y
evasión fiscal, e identificar inconsistencias en los CFDI asociados con el
contrabando y las empresas fachada (El Economista, 2024).
Este panorama genera un debate necesario: ¿Cuá=
les
son los beneficios reales y los riesgos potenciales que implica el uso de la
inteligencia artificial en la administración tributaria en México? Sin emba=
rgo,
uno de los principales desafíos para responder esta interrogante es la esca=
sez
de información pública sobre cómo se está implementando esta tecnología en =
el
SAT. Santos (2021) evidenció este vacío informativo cuando solicitó, a trav=
és
del Instituto Nacional de Transparencia, Acceso a la Información y Protecci=
ón
de Datos Personales (INAI), datos sobre el uso de IA en el SAT, obteniendo =
como
respuesta que dicha información era inexistente. Este tipo de limitaciones
obstaculizan la realización de investigaciones académicas robustas sobre el
impacto real en el sistema tributario mexicano.
Dada esta falta de información, diversos estud=
ios
han optado por explorar el tema desde la perspectiva de académicos,
investigadores y profesionales involucrados en la implementación de la IA,
quienes ofrecen valiosos aportes sobre los desafíos y oportunidades que esta
tecnología representa en el ámbito fiscal (Valle-Cruz et al., 2020; Zhang et
al., 2021; Yigitcanlar et al., 2021).
METODOLOGÍA
El presente estudio se desarrolló utilizando la
metodología SALSA (Search, Appraisal,
Synthesis, and Analysis),
un enfoque ampliamente reconocido en revisiones sistemáticas que permite
realizar una búsqueda, evaluación y análisis riguroso de la literatura
científica. Esta metodología destaca por su flexibilidad y efectividad para
abordar temas interdisciplinarios, especialmente en investigaciones que
involucran tecnología emergente, como la adopción de la IA en la gestión
tributaria de las PYMES (Grant & Booth, 200=
9).
El proceso de revisión sistemática se llevó a =
cabo
en varias etapas que incluyen la búsqueda, evaluación, síntesis y análisis =
de
estudios relevantes. Primero, se realizó una búsqueda exhaustiva de literat=
ura
para identificar artículos relacionados con los objetivos de esta revisión.=
A
continuación, se aplicaron criterios de inclusión y exclusión para asegurar=
que
sólo se considerarán estudios pertinentes y relevantes en el ámbito del
cumplimiento de las obligaciones fiscales y el uso de IA en las PYMES.
La fase inicial consistió en una búsqueda
exhaustiva de información en bases de datos académicas de alto impacto,
garantizando así el acceso a fuentes científicas de calidad. Para delimitar=
la
búsqueda, se emplearon palabras clave específicas como inteligencia artific=
ial,
PYMES, gestión tributaria, barreras de adopción e innovación administrativa.
Además, se consideró que los artículos seleccionados estuvieran en español =
para
facilitar su aplicación directa al contexto mexicano y latinoamericano,
ampliando así la pertinencia del análisis en la región.
En la fase de evaluación se implementaron
criterios rigurosos para garantizar la calidad de las fuentes seleccionadas=
. Se
priorizaron artículos publicados en revistas indexadas de revisión por pare=
s y
con una antigüedad máxima de cinco años, con el fin de asegurar la vigencia=
de
los datos recopilados. Además, se verificó que los artículos contarán con
evidencia empírica que respalda el análisis de la adopción de IA en las PYM=
ES y
su impacto en la gestión tributaria y financiera.
Posteriormente, se llevó a cabo la síntesis de=
la
información obtenida, la cual fue organizada en una base de datos diseñada =
en
Excel. Esta base de datos incluyó información clave como el título del
artículo, autores, año de publicación, palabras clave y principales
conclusiones. Este proceso permitió identificar patrones, tendencias y hall=
azgos
significativos respecto a la implementación de IA en las PYMES. Destacaron
experiencias específicas en México, América Latina, Europa y Estados Unidos=
, lo
que permitió ofrecer una perspectiva comparativa del fenómeno.
En la fase final se realizó un análisis crític=
o de
los hallazgos obtenidos, identificando los principales beneficios, desafíos=
y
riesgos que enfrentan las PYMES al incorporar IA en sus sistemas tributario=
s y
financieros. Se enfatizaron los casos de éxito más relevantes, destacando c=
ómo
la automatización de procesos, la mejora en la precisión de cálculos
tributarios y el fortalecimiento de la toma de decisiones han permitido
optimizar la gestión financiera en este sector. Ejemplos como la adopción de
sistemas ERP (Enterprise Resource Planning)
basados en IA, como NetSuite en México, evidenc=
ian
que las PYMES que implementan estas tecnologías han registrado un incremento
del 30 al 40% en su productividad (PwC, 2024).
La aplicación de la metodología SALSA permitió
estructurar un análisis sólido y exhaustivo, logrando integrar información
clave sobre el impacto de la IA en las PYMES y su relación con la eficienci=
a en
la gestión tributaria. Este enfoque resultó especialmente valioso para
identificar experiencias innovadoras en distintos contextos económicos y
regulatorios, destacando casos exitosos que ofrecen un panorama alentador p=
ara
la adopción de en el sector empresarial.
Preguntas de
Investigación
Para guiar la revisión sistemática, se formula=
ron
las siguientes preguntas de investigación:
●●● REFERENCIAS Adames, L., & Medina, I. (2022). Estrategi=
a de
adopción de buenas prácticas de gobierno TI en las PYMES de la ciudad de Ne=
iva,
afiliadas a Comfamiliar. Tendencias, 23(2), 123=
-153. https://doi.org/10.22267/rtend.22=
2302.204 AENOR. (s.f.). Gestión de la Inteligencia
Artificial ISO/IEC 42001. Recuperado de https://www.aenor.com/certificacion/tecnologias-de-la-=
informacion/gestion-inteligencia-artificial Bajpai, A. (2024). Evaluating the impact of
artificial intelligence on enhancing tax compliance and financial regulatio=
n. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4922459 Bardalez=
, S., &
Brodny, J., &
Cabré, J., &
Calvas, P., Robles, L., & Sarango, M. (202=
4).
La cultura tributaria y la efectividad de las medidas =
anti-evasión:
revisión de literatura. Revista Social Fronteriza, 4(6), e46525.
https://doi.org/10.59814/resofro.=
2024.4(6)525
Canchingre, E., Ladines, J., Caicedo, J., Subiaga-Delgado, R., & Ortega, E. (2024). El come=
rcio
electrónico como estrategia de internacionalización de las pymes en el Ecua=
dor.
Revista Científica Multidisciplinar G-Nerando, =
5(1). https://doi.org/10.60100/rcmg.v5i=
1.235
Chávez, L. (2020). NIIF y tributación: Desafío=
s y
oportunidades para las administraciones tributarias. Revista de Derecho Fis=
cal,
(17), 115-145. https://d=
oi.org/10.18601/16926722.n17.04
Coya, J., Mera, M., Vera, C., & Delgado, L.
(2023). Análisis de las TIC en las administraciones tributarias: Énfasis en=
el
cumplimiento y asistencia al contribuyente. Latam Revista Latinoamericana de
Ciencias Sociales y Humanidades, 4(1). https://d=
oi.org/10.56712/latam.v4i1.470
Do, A., Villagra, A., & Pandolfi,
D. (2023). Desafíos de la transformación digital en las PYMES. Informes
Científicos - Técnicos Unpa, 15(1), 200-229. https://doi.org/10.22305/ict-unpa=
.v15.n1.941
Galarza, J., Parra, J., & Zamora, E. (2022=
).
Importancia de las estrategias en las obligaciones tributarias frente a la =
emergencia
sanitaria COVID-19 en PYMES de Cuenca, Ecuador. Religación Revista de Cienc=
ias
Sociales y Humanidades, 7(31), e210878. =
https://doi.org/10.46652/rgn.v7i3=
1.878
GlobalSUITE Solutions.
(s.f.). ¿Qué es y para qué sirve la ISO 42001:2023 de Inteligencia Artifici=
al?
Recuperado de https://www.globalsuitesolutions.com/es/que-es-y-para-=
que-sirve-la-norma-iso-42001-2023-inteligencia-artificial=
González-Islas, J. (2019). Aprendizaje Automát=
ico
en Aplicaciones Fisioterapéuticas. Pädi, Boletín
científico de ciencias básicas e ingenierías del ICBI<=
/span>,
7(2), 4473. https://doi.org/10.29057/icbi.v7iespecial.=
4473
Gutiérrez, R., et al. (2023). El impacto del
aprendizaje automático en la eficiencia empresarial. Revista técnica energí=
a,
18(1). https://doi.org/10.37116/revistaenergia.v18.n1.=
2021.461
Huiza, D., Gómez, H., Yuc=
ra,
W., & Marrón, F. (2023). Confianza en el Estado y cumplimiento de las
obligaciones fiscales en egresados universitarios. Revista Venezolana de
Gerencia, 28(103), 1346-1360. https://d=
oi.org/10.52080/rvgluz.28.103.25
Instituto Federal de Telecomunicaciones (IFT). (s.f.). Inteligencia Artificial en las PYMES:
Ventajas, Riesgos. Recuperado de https://www.ift.org.mx/transformacion-digital/blog/int=
eligencia-artificial-en-las-pymes-ventajas-riesgos
ISO. (2023). ISO/IEC 42001:2023 Information
technology — Artificial intelligence — Management system. Recuperado de <=
/span>https://www.iso.org/standa=
rd/81230.html
ISOTools. (s.f.). ISO 42001 - Gestión de la
Inteligencia Artificial. Recuperado de =
https://www.isotools.us/normas/inteligencia-artificial=
/iso-42001/
Jiménez, M., & Montiel, A. (2024). Estrate=
gias
financieras para el crecimiento económico de las PYMES del sector bananero:
Caso provincia de El Oro, Ecuador. Latam Revista Latinoamericana de Ciencia=
s Sociales
y Humanidades, 5(2). https://d=
oi.org/10.56712/latam.v5i2.1922
Monk, E., & Wagner, B. (2012). Concepts=
in
Enterprise Resource Planning. Cengage Learning.
NYCE. (s.f.). ISO/IEC 42001 – Sistemas de
Gestión de Inteligencia Artificial. Recuperado de https://www.nyce.org.mx/certificacion-42001/
Oracle NetSuite. (=
2025).
SuiteConnect 2025: NetSuit=
e
lanza innovaciones para mejorar la eficiencia de empresas en México. Portal=
ERP
México. Recuperado de https://<=
span
class=3DSpellE>www.portal-erp-mexico.com
PwC. (2024). Evaluating the impact of
artificial intelligence on enhancing tax compliance and financial regulatio=
n. SSRN Electronic
Redacción Portal ERP México. (2025). PyMEs mexicanas, con panorama positivo gracias al uso=
de
inteligencia artificial (IA) y nube: Netsuite. =
Portal
ERP México. Recuperado de https://<=
span
class=3DSpellE>www.portal-erp-mexico.com
Secretaría de Economía. (2025). Panorama econó=
mico
de las PYMES en México. Gobierno de México. Recuperado de https://<=
span
class=3DSpellE>www.economia.gob.mx
Tecnasa. (s.f.). Guía Completa para entender el
rol de ISO/IEC 42001. Recuperado de https://tecnasau.tecnasa.com/guia-completa-para-entend=
er-el-rol-de-iso-iec-42001/
Todo el contenido de LATAM Revista Latinoamericana de Cien=
cias
Sociales y Humanidades, publicados en este sitio está disponibles
bajo Licencia Creative
Commons
LATAM Revista Latinoamericana de Ciencias Soci=
ales
y Humanidades, Asunción, Paraguay. ISSN en línea: 2789-3855, agosto, 2022, Volume=
n 3,
Número 2, p. 1