La detección de anomalías en las relaciones entre sujetos contables representa un desafío creciente para las organizaciones que buscan garantizar la integridad de sus registros financieros. Los métodos tradicionales basados en reglas fijas o auditorías manuales resultan insuficientes frente a patrones complejos y cambiantes, especialmente cuando no se dispone de ejemplos etiquetados de fraudes o errores. Una aproximación alternativa consiste en modelar el sistema contable como un grafo, donde cada cuenta o sujeto contable se convierte en un nodo, y las relaciones de co-ocurrencia, débito y crédito en asientos contables se representan mediante aristas ponderadas. Estas aristas pueden codificar información estadística como frecuencias de aparición conjunta o montos agregados, generando así una estructura dinámica que evoluciona por periodos. Sobre este grafo, se aplican técnicas de representación no supervisada basadas en redes neuronales de grafos, que mediante un mecanismo de paso de mensajes integran los atributos propios de cada nodo con el contexto de su vecindad, obteniendo embeddings que capturan la estructura relacional. En la fase de detección, se emplea un decodificador de reconstrucción de aristas que estima la probabilidad de que una conexión sea coherente con el modelo aprendido; las desviaciones en estas probabilidades permiten calcular puntuaciones de anomalía a nivel de arista, que luego se agregan para obtener rankings de riesgo por nodo y localizar subestructuras sospechosas o conexiones anómalas entre comunidades contables. Este enfoque opera sin necesidad de etiquetas de anomalía previas, lo que lo hace especialmente valioso en entornos donde los fraudes son raros o difíciles de tipificar. Desde una perspectiva empresarial, la implementación de este tipo de soluciones requiere combinar conocimiento financiero con capacidades tecnológicas avanzadas. En Q2BSTUDIO desarrollamos aplicaciones a medida que integran inteligencia artificial para empresas, permitiendo a las organizaciones incorporar modelos de grafos no supervisados en sus plataformas de control interno. Estas soluciones de software a medida se apoyan en infraestructuras como servicios cloud AWS y Azure para procesar grandes volúmenes de asientos contables en tiempo real, y se complementan con herramientas de inteligencia de negocio como Power BI para visualizar los resultados de riesgo de forma intuitiva. Además, la incorporación de agentes IA capaces de analizar patrones recurrentes y sugerir acciones preventivas eleva el nivel de automatización de los procesos de auditoría. La ciberseguridad también juega un papel fundamental, ya que la exposición de datos financieros sensibles exige proteger tanto el modelo como los canales de comunicación. En definitiva, el modelado de grafos no supervisado para la detección de anomalías contables abre una vía prometedora para auditorías más precisas y escalables, y su adopción práctica depende de un ecosistema tecnológico robusto como el que ofrecemos desde nuestra experiencia en desarrollo de software y consultoría.