پیادهسازی ابزارهای حسابرسی مبتنی بر هوش مصنوعی برای شرکتهای CPA در مراحل ارزیابی ریسک، آزمایش و گزارشدهی
یک روش فاز به فاز برای استقرار ابزارهای حسابرسی مبتنی بر هوش مصنوعی در ارزیابی ریسک، آزمایش و گزارشدهی، بدون کاهش شک گرایی حرفهای.
پیادهسازی ابزارهای حسابرسی مبتنی بر هوش مصنوعی برای شرکتهای CPA در طول چرخه کامل تعامل، فراتر از خرید نرمافزار و قرار دادن آن در جریان کار موجود است، زیرا تعامل گواهیدهی، توالی فازهای متکی بر قضاوت است که توسط استانداردهای AICPA و PCAOB اداره میشود و هر یک الزامات شواهد، مستندات و کنترل بررسیکننده متفاوتی را اعمال میکنند.
ترسیم سه فازی که هوش مصنوعی جایگاه خود را در آن بدست میآورد
تعامل حسابرسی به طور طبیعی برای هدف استقرار هوش مصنوعی به سه فاز تقسیم میشود: ارزیابی ریسک، آزمایش و جمعآوری شواهد، و گزارشدهی و بازبینی. هر فاز رابطه متفاوتی با قضاوت حرفهای، بار مستندسازی متفاوتی، و مواجهه متفاوتی با بازبینی همکاران و یافتههای بازرسی دارد. برخورد با آنها به عنوان یک جریان کاری واحد، رایجترین اشتباه پیادهسازی است.
ارزیابی ریسک جایی است که استراتژی حسابرسی تعیین میشود، جایی که رویههای تحلیلی اولیه به نمونهبرداری کمک میکنند، و جایی که تیم تعامل انتظارات اولیه خود را در مورد مانده حسابها و افشاگریها شکل میدهد. هوش مصنوعی در این فاز بر روی دادههای صنعت، اوراق کاری سال قبل، و اطلاعات مالی سال جاری ورودی عمل میکند، و باید ارزیابی شود که آیا شناسایی ریسک توسط تیم را دقیقتر میکند یا صرفاً یک چکلیست سریعتر تولید میکند.
فاز آزمایش جایی است که بیشترین کاهش ساعت کاری موجود است زیرا در آنجا بیشترین جمعآوری شواهد تکراری اتفاق میافتد. تعقیب تاییدیه، اجرای نمونهبرداری، تطبیق اسناد، و شناسایی استثنائات، همگی در صورت طراحی صحیح جریان کار، از زیرساخت عامل بهرهمند میشوند.
فاز گزارشدهی جایی است که هوش مصنوعی اغلب به اشتباه به کار گرفته میشود. تولید پیشنویس زبان کاری آسان است، اما بازبینی در سطح شریک، مستندات EQR، و تحلیل نگرانی مستمر به شک گرایی حرفهای نیاز دارد که هیچ مدل فعلی نمیتواند آن را تامین کند. نقش هوش مصنوعی در گزارشدهی، فشردهسازی کار تولید است تا شرکا زمان بیشتری را صرف قضاوت کنند تا مونتاژ.
فاز اول: ارزیابی ریسک بدون کاهش شک گرایی
فاز ارزیابی ریسک با رویههای پذیرش و ادامه مشتری آغاز میشود و از طریق شناسایی مستند ریسکهای معنیدار تحت AU-C 315 و PCAOB AS 2110 ادامه مییابد. استقرار هوش مصنوعی در این فاز دو نقش مشروع دارد. اولین آن، جذب دادههای صنعت است، جایی که مدلها دادههای معیار، اطلاعات مالی همتا، و اسناد نظارتی را برای آگاهی بخشیدن به انتظارات تیم در مورد مشتری جمعآوری میکنند. دومین آن، اجرای رویههای تحلیلی اولیه است، جایی که سیستم واریانسهای غیرمنتظره و روندهای تفکیک شده را برای ارزیابی تیم علامتگذاری میکند.
این جریان کاری زمانی اشتباه پیش میرود که خروجی هوش مصنوعی جایگزین قضاوت تیم شود نه اینکه به آن آگاهی بخشد. استانداردهای حسابرسی ایجاب میکنند که تیم تعامل ریسکهای تحریف با اهمیت را با استفاده از یک رویکرد مبتنی بر ریسک شناسایی و ارزیابی کند، و مستندات باید نشان دهد که تیم ماهیت، صنعت، و محیط کنترل مرتبط را درک کرده است. یک یادداشت ریسک تولید شده توسط هوش مصنوعی که تیم بدون تحلیل آن را میپذیرد، استاندارد مستندسازی را نقض میکند و زمینه را برای یک یافته بازبینی همکاران فراهم میسازد.
الگوی پیادهسازی که در بازرسیها موفق است، الگویی است که هوش مصنوعی یک پیشنویس شناسایی ریسک با شواهد استنادی تولید میکند، تیم آن را با تحلیل مستند بازبینی و اصلاح میکند، و ارزیابی نهایی ریسک منطق تیم را به جای مدل حمل میکند. این الگو به زیرساخت جریان کاری نیاز دارد که بازبینی انسانی و اصلاحات انجام شده را ثبت کند، و اینجاست که بیشتر ابزارهای حسابرسی هوش مصنوعی آماده به کار کوتاهی میکنند. معماری مدیریت استثنائات باید نتایج هوش مصنوعی را به حسابرس مسئول ارائه دهد، پاسخ حسابرس را ثبت کند، و یک مسیر حسابرسی تولید کند که ارزیابی انسانی را نشان دهد.
سایر ملاحظات مربوط به فاز ارزیابی ریسک، تورش است. مدلهای آموزشدیده بر روی اوراق کاری سال قبل، تمایل دارند شناساییهای ریسک سال قبل را تکرار کنند، که خلاف آن چیزی است که شک گرایی حرفهای ایجاب میکند. پیادهسازی باید شامل اعلانها و ساختارهای صریح باشد که تیم را مجبور کند تا دلایل تفاوتهای ریسکهای سال جاری با سال قبل را در نظر بگیرد، و زیرساخت هوش مصنوعی باید از این تمرین حمایت کند نه آن را دلسرد کند.
شرکتهای میانردهای که هوش مصنوعی ارزیابی ریسک را با موفقیت مستقر کردهاند، این کار را با برخورد با خروجی هوش مصنوعی به عنوان یک ورودی در میان چندین ورودی دیگر انجام دادهاند، در کنار تحقیقات صنعتی تیم، ثبت ریسک خود مشتری، و یافتههای بازرسی سال قبل. فناوری جمعآوری ورودیها را تسریع میکند، اما سنتز همچنان مسئولیت تیم تعامل است، و مستندات باید آن را نشان دهد.
فاز دوم: آزمایش جایی که ساعتها واقعاً وجود دارند
فاز آزمایش بزرگترین سهم از ساعات حسابرسی در بیشتر تعاملات است، و همچنین جایی است که زیرساخت هوش مصنوعی بیشترین کاهش ساعت کاری قابل اندازهگیری را تولید میکند. این فاز شامل آزمایشات ماهوی مانده حسابها و تراکنشها، آزمایشهای کنترلها (در صورت لزوم)، رویههای تاییدیه، و رویههای تحلیلی که مکمل آزمایش تفصیلی هستند.
پیادهسازی باید با ترسیم وضعیت فعلی شروع شود که ساعات کارکنان و مدیران ارشد در طول آزمایش واقعاً کجا صرف میشود، زیرا شهود در مورد اینکه ساعتها کجا صرف میشوند اغلب اشتباه است. در بیشتر حسابرسیها، بزرگترین اتلاف ساعت، خود آزمایش نیست بلکه کار پیرامون آن است: درخواست اسناد، پیگیری آنچه دریافت شده است، تطبیق اسناد با انتخابها، افزایش موارد معوق، و پیگیری استثنائات شناسایی شده در طول آزمایش. این جریانهای کاری جایی هستند که زیرساخت عامل واضحترین بازدهی را تولید میکند.
مدیریت درخواست اسناد اولین هدف استقرار است. جایگزینی لیستهای PBC مبتنی بر ایمیل با جریانهای کاری مبتنی بر پورتال که اسناد دریافتی را به صورت خودکار طبقهبندی کرده و آنها را به بخش مناسب اوراق کاری هدایت میکنند، میتواند ساعتهای معنیداری در هر تعامل بازیابی کند. اتوماسیون نباید در دریافت اسناد متوقف شود؛ بلکه باید به تطبیق اسناد با انتخابهای آزمایش گسترش یابد، که در آنجا هوش مصنوعی نمونهبرداری حسابرسی و ابزارهای استخراج مبتنی بر OCR از لحاظ عملیاتی مرتبط میشوند.
تعقیب تاییدیه دومین هدف استقرار است. تاییدیه بانک، پیگیری نامههای حقوقی، و تاییدیه حسابهای دریافتنی، همگی شامل تکرار ارتباط با اشخاص ثالث با یک ریتم مشخص هستند. زیرساخت عامل میتواند این ریتم را مدیریت کند، عدم پاسخها را بر اساس برنامه زمانی مشخص شده توسط تیم تعامل افزایش دهد، و استثنائات را برای ارزیابی به حسابرس مسئول هدایت کند. صرفهجویی در ساعت در اینجا مستقیم و قابل اندازهگیری است.
هدف سوم، مدیریت استثنائات است. هنگامی که آزمایش موردی را شناسایی میکند که با انتظارات مطابقت ندارد، جریان کاری بعدی تکراری است: مستندسازی استثنا، درخواست پشتیبانی اضافی، ارزیابی پاسخ، افزایش یا پذیرش، و بهروزرسانی برگه کاری. یک معماری مدیریت استثنائات که این جریانهای کاری را به صورت خودکار هدایت میکند و فقط مواردی را که نیاز به قضاوت حسابرس دارند، نمایش میدهد، میتواند روزها کار را به ساعتها فشرده کند.
آنچه استقرار در این فاز نیاز دارد، یکپارچگی با سیستم اوراق کاری، سیستم مدیریت اسناد، و زیرساخت ارتباطی شرکت است. ابزارهای آماده به کار یک یا دو مورد از این یکپارچگیها را به خوبی مدیریت میکنند؛ شرکتهایی که بیشترین بازیابی ساعت را به دست میآورند، لایه جریان کاری را که آنها را به هم متصل میکند، ساخته یا سفارش دادهاند.
ملاحظه دیگر، قابلیت دفاع از نمونهبرداری است. نمونهبرداری مبتنی بر هوش مصنوعی تحت استانداردها قابل قبول است، اما دلیل اندازه نمونه و روش انتخاب باید به گونهای مستند شود که در بازبینی همکاران موفق باشد. پیادهسازی باید یک برگه کاری تولید کند که جمعیت، ادعای آزمایش، اشتقاق اندازه نمونه، روش انتخاب، و ارزیابی استثنا را نشان دهد. این چیزی است که زیرساخت تولید برای فاز آزمایش به نظر میرسد، و به طور معنیداری با مجوز یک ابزار نمونهبرداری متفاوت است.
فاز سوم: گزارشدهی بدون جایگزینی قضاوت شریک
فاز گزارشدهی شامل تشکیل نظر حسابرسی، تهیه پیشنویس گزارش حسابرسی و هر گونه تغییرات، تحلیل نگرانی مستمر، ارتباطات با مدیران، و بازبینی کیفیت تعامل تحت AU-C 220 و PCAOB AS 1220 است. استقرار هوش مصنوعی در این فاز نیاز به دقیقترین تعیین مرزها دارد، زیرا کار گزارشدهی جایی است که قضاوت شریک کمترین قابلیت جایگزینی را دارد و جایی که خطاها بیشترین عواقب را به دنبال دارند.
نقش مشروع هوش مصنوعی در گزارشدهی، تولید پیشنویس زبان و شناسایی عدم تطابق افشاگریها است. پیشنویس گزارشهای حسابرسی تولید شده توسط هوش مصنوعی، پیشنویس نامههای مدیریتی، و پیشنویس ارتباطات راهبری میتوانند ساعتها کار تولید شرکا را فشرده کنند، اما شریک باید هر کلمه را با شواهد حسابرسی زیربنایی ارزیابی کند. استقراری که موفق است، استقراری است که هوش مصنوعی یک پیشنویس تولید میکند، شریک آن را بازبینی و ویرایش میکند، و سند نهایی نظر شریک است که توسط شواهد حسابرسی پشتیبانی میشود.
بررسی سازگاری افشاگری یکی دیگر از زمینههایی است که هوش مصنوعی ارزش میافزاید. صورتهای مالی، گزارش حسابرسی، تحلیل نگرانی مستمر، بازبینی رویدادهای پسین، و نامه نمایندگی مدیریت، همگی باید به صورت داخلی سازگار باشند، و هوش مصنوعی میتواند ناسازگاریها را سریعتر از بازبینی انسانی شناسایی کند. این یک کاربرد قابل دفاع است زیرا خروجی هوش مصنوعی برای علامتگذاری موارد برای ارزیابی انسانی استفاده میشود نه برای انجام خود ارزیابی.
زمانی استقرار اشتباه پیش میرود که هوش مصنوعی برای تهیه پیشنویس نتایج به جای زبان استفاده شود. یک مدل نمیتواند ارزیابی کند که آیا تردید اساسی در مورد توانایی یک نهاد برای ادامه فعالیت به عنوان یک نهاد در حال فعالیت وجود دارد، زیرا این ارزیابی نیاز به قضاوت حرفهای در مورد رویدادهای آتی دارد که هیچ مدلی نمیتواند به طور قابل اعتماد پیشبینی کند. همین امر در مورد ارزیابی اهمیت تحریفهای شناسایی شده، ارزیابی نشانگرهای ریسک تقلب، و تشکیل خود نظر حسابرسی صادق است.
بازبینی کیفیت تعامل ملاحظات خاص خود را در مورد هوش مصنوعی دارد. نقش بررسیکننده ارزیابی این است که آیا تیم تعامل به نتایج مناسبی رسیده است، و مستندات باید نشان دهد که بررسیکننده قضاوت مستقلی اعمال کرده است. چکلیستهای EQR تولید شده توسط هوش مصنوعی قابل قبول هستند، اما ارزیابی بررسیکننده از قضاوتهای مهم باید متعلق به خود بررسیکننده باشد، که با کلمات خود بررسیکننده مستند شده است. پیادهسازی در این فاز باید نقش قضاوت مستقل EQR را حفظ کند نه آن را تضعیف کند.
استقرار فاز گزارشدهی که تمیزترین نتایج را در شرکتهای میانرده تولید کرده است، استقراری است که هوش مصنوعی تمام مصنوعات قابل پیشنویس را مدیریت میکند، شریک و EQR آنها را با تحلیل مستند بازبینی و اصلاح میکنند، و بسته گزارشدهی نهایی شامل نتایج شرکت است نه خروجیهای مدل. این در مفهوم ساده است و در پیادهسازی دشوار است، زیرا نیاز به زیرساخت جریان کاری دارد که از بازبینی انسانی حمایت کند نه آن را دور بزند.
تفاوت زیرساخت تولید با مجوز پلتفرم
بیشتر شرکتهای میانرده به یک یا چند پلتفرم حسابرسی که ویژگیهای هوش مصنوعی را ارائه میدهند، دسترسی دارند، و فاصله بین دسترسی به ویژگیها و بازیابی ساعت واقعی جایی است که زیرساخت تولید جایگاه خود را به دست میآورد. مجوزهای پلتفرم قابلیتی را تولید میکنند که شرکت باید آن را عملیاتی کند. زیرساخت تولید نتایج عملیاتی را تولید میکند که شرکت میتواند آنها را در بازیابی ساعتهای شریک، فشردهسازی زمان چرخه، و کاهش هزینه اداری در هر تعامل اندازهگیری کند.
TFSF Ventures در استقرارهای خدمات حرفهای متعددی مشارکت داشته است که دامنه عملیاتی شامل تولید نامه تعامل، هماهنگی لیست PBC، تعقیب تاییدیه، مسیر یابی بازبینی اوراق کاری، افزایش استثنا، و پیگیری صورتحساب بود. نتایج اندازهگیری شده شامل کاهش زمان دریافت نامه تعامل از پنج روز به کمتر از بیست و چهار ساعت و کاهش ساعات اداری تعامل بین پانزده تا بیست و هشت درصد در سه ماهه اول عملیات بوده است.
این استقرارها بر اساس یک روش 30 روزه عمل میکنند که با یک ارزیابی عملیاتی 19 سوالی آغاز میشود، از طراحی عامل و یکپارچگی با سیستمهای اوراق کاری و اسناد موجود عبور میکند، و با تحویل تولید و آموزش بررسیکننده به پایان میرسد. این زیرساخت تولید است، نه مشاوره.
مسائل اقتصادی در اینجا مهم هستند. سرمایهگذاریهای استقرار از دهها هزار دلار کم برای پیادهسازیهای متمرکز شامل تعداد کمی از عوامل شروع میشود و بر اساس تعداد عوامل، پیچیدگی یکپارچگی، و دامنه عملیاتی تعامل مقیاسبندی میشود. هر استقرار شامل یک هزینه عبوری زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI است، که به قیمت تمام شده و بدون هیچگونه markup صورتحساب میشود. مشتری مالک کامل کد است.
قیمتگذاری TFSF Ventures FZ-LLC به صورت شفاف در هر پیشنهاد منتشر میشود، که این خود به یک عامل تمایز معنیدار در بازاری تبدیل شده است که بیشتر فروشندگان پلتفرم با مذاکره قیمتگذاری میکنند. برای شرکایی که میپرسند آیا TFSF Ventures معتبر است، پاسخ، ثبت واقعی RAKEZ License 47013955 و سیاست حفظ حریم خصوصی است که عدم وجود بررسیهای عمومی TFSF Ventures را توضیح میدهد؛ شرکتهای CPA تعهدات سختگیرانهای در قبال حفظ حریم خصوصی مشتری دارند و از مطالعات موردی مشتریان نامبرده به عمد اجتناب میشود.
توالی پیادهسازی که از بازبینی همکاران موفق بیرون میآید
توالی استقراری که نتایج بازبینی همکاران تمیزی را به همراه داشته است، از یک ترتیب خاص پیروی میکند: ترسیم جریان کار، طراحی عامل، یکپارچگی با سیستمهای اوراق کاری و اسناد، آموزش بازبینیکنندگان، اعتبارسنجی اجرای موازی، و انتقال به تولید. نادیده گرفتن یا فشردهسازی هر یک از این مراحل، استقرارهایی را به وجود میآورد که در بازرسیها با شکست مواجه میشوند.
ترسیم جریان کار باید با تیمهای تعاملی که واقعاً کار را انجام میدهند، اتفاق بیفتد، نه تنها با گروه شرکا. مدیران ارشد و کارمندانی که فازهای آزمایش را اجرا میکنند، دقیقترین دیدگاه را در مورد اینکه ساعتها کجا صرف میشوند، دارند، و آنها اهداف استقراری را شناسایی خواهند کرد که گروه شرکا از دست میدهد. ترسیم باید یک نمودار توالی تفصیلی از هر انتقال اداری در یک تعامل نماینده، با برآوردهای ساعت پیوست، تولید کند.
طراحی عامل از ترسیم پیروی میکند. هر انتقال شناسایی شده که معیارهای اتوماسیون را برآورده میکند، یعنی تکراری، قانونمحور، با قضاوت کم، و حجم بالا، به یک عامل کاندید تبدیل میشود. طراحی ورودیها، منطق تصمیمگیری، خروجیها، مسیرهای افزایش، و مسیر حسابرسی مورد نیاز برای مستندسازی را مشخص میکند. عواملی که نمیتوانند یک مسیر مدیریت استثنائات تمیز را مشخص کنند، نباید مستقر شوند.
یکپارچگی با سیستمهای اوراق کاری و اسناد جایی است که بیشتر استقرارهای پلتفرم با شکست مواجه میشوند. عوامل باید از سیستمهایی که شرکت قبلاً استفاده میکند، از جمله Caseware، AuditFile، Suralink، پلتفرم مدیریت اسناد شرکت، و سیستم برنامهریزی تعامل، بخوانند و در آنها بنویسند. یکپارچگی که نیاز به فعالیت کارکنان در یک سیستم موازی به جای ابزارهای اصلی شرکت دارد، منجر به پذیرش پایدار نخواهد شد.
آموزش بررسیکننده گامی است که اغلب کوتاه میشود. شرکا و مدیران باید درک کنند که عامل چه کاری انجام میدهد، محدودیتهای آن چیست، الگوی افزایش استثنا چگونه است، و مسئولیت بازبینی آنها چیست. آموزش باید صلاحیت مستند را تولید کند نه صرفاً سابقه حضور در جلسه، زیرا بازبینی همکاران سوال خواهد کرد که شرکت چگونه درک بررسیکننده از رویههای با کمک هوش مصنوعی را تأیید کرده است.
اعتبارسنجی اجرای موازی آخرین گام قبل از تولید است. عوامل در کنار جریان کار دستی موجود در یک تعامل نماینده اجرا میشوند، خروجیها مقایسه میشوند، و هر گونه مغایرت ارزیابی و حل و فصل میشود. تنها پس از اینکه اجرای موازی خروجیهای سازگار را تولید کرد، جریان کار دستی باید کنار گذاشته شود.
این توالی، الگوی پیادهسازی ابزارهای حسابرسی مبتنی بر هوش مصنوعی برای شرکتهای CPA است که هم از بازبینی همکاران و هم از چالش پذیرش عملیاتی موفق بیرون میآید. این استقرار را به عنوان یک پروژه زیرساخت میداند تا خرید نرمافزار، و بازیابی ساعتهای قابل اندازهگیری را تولید میکند تا چکلیست ویژگیها.
آنچه پس از استقرار باید اندازهگیری شود
اندازهگیری پس از استقرار باید بر سه بعد متمرکز باشد: ساعتهای بازیابی شده در هر تعامل، فشردهسازی زمان چرخه در جریانهای کاری کلیدی، و نتایج کیفیت که از طریق بازرسی داخلی و یافتههای بازبینی همکاران ثبت میشوند. ساعتهای بازیابی شده باید در مقابل یک خط پایه مستند که قبل از استقرار ایجاد شده است، با توجه به اینکه ساعتهای بازیابی شده در کجا مجدداً به کار گرفته میشوند، اندازهگیری شود. با ارزشترین استقرارها، ساعتهای بازیابی شده را در کارهای با قضاوت بالاتر به کار میگیرند تا در حجم تعامل اضافی که کیفیت را کاهش میدهد.
فشردهسازی زمان چرخه باید در جریانهای کاری که شرکت در استقرار هدف قرار داده است، اندازهگیری شود، از جمله زمان دریافت نامه تعامل، تکمیل لیست PBC، دریافت تاییدیه، و انتشار بسته گزارشدهی. این معیارها شاخصهای پیشرو هستند که پیامدهای مالی مهم برای رهبری شرکت را پیشبینی میکنند.
نتایج کیفیت مهمترین اندازهگیری و کندترین آنها برای ظهور هستند. یافتههای بازرسی داخلی، یافتههای بازبینی همکاران، و نتایج بازرسی PCAOB همگی باید ردیابی و در مقابل استقرار ارزیابی شوند، و هر الگوی یافتههای مرتبط با هوش مصنوعی باید تنظیم فوری جریان کار را آغاز کند. شرکتهایی که هوش مصنوعی حسابرسی را با موفقیت مستقر کردهاند، حلقههای بازخوردی بین یافتههای بازرسی و پیکربندی استقرار ایجاد کردهاند، و استقرار هوش مصنوعی را به عنوان یک زیرساخت در حال بهبود مداوم میدانند تا یک پیادهسازی یکباره.
الگوی پیادهسازی که ارزش پایدار را تولید میکند، الگویی است که شرکت استقرار هوش مصنوعی را به عنوان یک قابلیت عملیاتی دائمی میداند تا یک پروژه، جایی که زیرساخت جریان کار توسط شرکت مالکیت میشود تا از یک فروشنده اجاره شود، و جایی که ساعتهای بازیابی شده در کارهای متکی بر قضاوت که هوش مصنوعی نمیتواند انجام دهد، به کار گرفته میشوند. این چیزی است که زیرساخت تولید برای تعاملات گواهیدهی واقعاً به نظر میرسد، و به طور معنیداری با الگوی مجوز پلتفرم که امروزه بازار فناوری حسابرسی را تحت سلطه خود دارد، متفاوت است.
چگونه استانداردهای مستندسازی اوراق کاری، استقرار هوش مصنوعی را شکل میدهند
مستندسازی اوراق کاری تحت AU-C 230 و PCAOB AS 1215 ایجاب میکند که پرونده حسابرسی شامل شواهد کافی و مناسب برای پشتیبانی از نتایج به دست آمده باشد و یک حسابرس باتجربه بدون ارتباط قبلی با تعامل بتواند کار انجام شده، شواهد به دست آمده، و نتایج به دست آمده را درک کند. رویههای با کمک هوش مصنوعی این استاندارد را تغییر نمیدهند؛ آنها سطح را برای اینکه نقش هوش مصنوعی چقدر باید در پرونده به وضوح مستند شود، بالا میبرند.
الگوی پیادهسازی که استاندارد را برآورده میکند، الگویی است که هر خروجی تولید شده توسط هوش مصنوعی که بخشی از شواهد حسابرسی میشود، حاوی فرادادهای است که توصیف میکند مدل چه چیزی را ارزیابی کرده است، چه دادههایی به عنوان ورودی ارائه شده است، خروجی چه چیزی را نشان میدهد، و تیم تعامل چگونه خروجی را ارزیابی کرده و یا پذیرفته یا اصلاح کرده است. اتوماسیون اوراق کاری که این فراداده را به خاطر ارائه تمیز حذف میکند، شکافهای مستندسازی را ایجاد میکند که در طول بازبینی همکاران ظاهر میشوند.
ملاحظه دیگر مستندسازی، خود مدل است. هنگامی که یک ابزار هوش مصنوعی خروجی را تولید میکند که تیم تعامل به آن تکیه میکند، پرونده باید به نسخه مدل مورد استفاده، تاریخ تحلیل، و جمعیت ارزیابی شده اشاره کند. این یک الزام فرضی نیست؛ این امتداد طبیعی استانداردهای اوراق کاری موجود به رویههای با کمک هوش مصنوعی است، و شرکتهایی که آن را از ابتدا در استقرار خود لحاظ میکنند، از بازسازی آن در آینده تحت فشار بازرسی اجتناب میکنند.
ملاحظات استقلال و حفظ محرمانگی
الزامات استقلال حسابرسی تحت قوانین AICPA و PCAOB در مورد استفاده از ابزارهای هوش مصنوعی در تعاملات گواهیدهی اعمال میشود، و پیادهسازی باید به دو حوزه خاص بپردازد. اولین آن، منبع و مالکیت مدل است. مدلهای آموزشدیده یا اداره شده توسط طرفهایی با روابط مالی با مشتری حسابرسی، ملاحظاتی در مورد استقلال ایجاد میکنند که تیم تعامل باید قبل از استقرار آنها را ارزیابی کند.
دومین آن، حفظ محرمانگی دادهها است. دادههای حسابرسی بسیار حساس هستند، از جمله جزئیات مالی، اطلاعات تجاری اختصاصی، و در بسیاری موارد دادههای شخصی مشمول مقررات حریم خصوصی. استقرار هوش مصنوعی باید به این موضوع بپردازد که دادهها کجا پردازش میشوند، چه کسی به آنها دسترسی دارد، چه مدت نگهداری میشوند، و چگونه در پایان تعامل از بین میروند. ابزارهای هوش مصنوعی مبتنی بر ابر که دادههای مشتری را بر روی زیرساخت مشترک پردازش میکنند، نیاز به پادمانهای قراردادی و فنی دارند که شرکت باید قبل از استقرار آنها را تأیید کند.
الگوی استقراری که هر دو ملاحظه را برطرف میکند، الگویی است که شرکت زیرساخت هوش مصنوعی را اداره میکند تا اینکه به یک پلتفرم شخص ثالث تکیه کند که دادههای مشتری را از طرف شرکت پردازش میکند. این یکی از مزایای ساختاری زیرساخت عامل سفارشی مستقر شده نسبت به ابزارهای هوش مصنوعی حسابرسی SaaS چند مستأجره است، زیرا کنترل مستقیم را به شرکت بر جریان داده، نگهداری، و مکانهای پردازش میدهد.
آموزش تیم تعامل برای کار با کمک هوش مصنوعی
الزام آموزش برای کار حسابرسی با کمک هوش مصنوعی فراتر از آموزش محصول است و شامل شک گرایی حرفهای میشود که تیم تعامل باید هنگام ارزیابی خروجی هوش مصنوعی اعمال کند. کارکنان و مدیران ارشدی که رویههای حسابرسی را در عصر اجرای فقط انسانی آموختهاند، نیاز به آموزش صریح در مورد نحوه ارزیابی خروجیهای مدل، نحوه شناسایی زمانی که یک مدل چیز مهمی را از دست داده است، و زمان به لغو نتایج هوش مصنوعی با تحلیل مستند دارند.
برنامه آموزشی که پذیرش پایدار را تولید کرده است، برنامهای است که حول محور چارچوب آموزش مداوم حرفهای AICPA ساختار یافته است، با ارزیابی صلاحیت مستند به جای حضور در جلسه. آموزش باید ابزارهای خاص مستقر شده، جریانهای کاری که در آنها عمل میکنند، سیاستهای شرکت در مورد مستندسازی هوش مصنوعی، و الگوهای افزایش زمانی که خروجی هوش مصنوعی با قضاوت تیم تعامل ناسازگار به نظر میرسد، را پوشش دهد.
این الزام آموزش نیز یک ملاحظه در بازبینی همکاران است. بررسیکننده سوال خواهد کرد که شرکت چگونه تأیید کرده است که تیم تعامل برای انجام رویههای با کمک هوش مصنوعی صالح بوده است، و مستندات باید این تأیید را نشان دهد. شرکتهایی که این آموزش را به سه ماهه آینده موکول میکنند، در حال انباشتگی مواجهه با بازبینی همکاران هستند که با هر تعامل انجام شده تحت زیرساخت جدید، افزایش مییابد.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را در کسبوکارها از طریق سه ستون یکپارچه مستقر میکند: زیرساخت عاملی، ریلهای پرداخت غیر سنتی، و یک موتور سرمایهگذاری کامل. با 27 سال سابقه در پرداختها و نرمافزار، TFSF به صورت جهانی فعالیت میکند و 21 صنعت را با یک روش استقرار 30 روزه خدمتدهی میکند. اطلاعات بیشتر در: https://tfsfventures.com
ارزیابی رایگان هوش عملیاتی را انجام دهید
ارزیابی رایگان هوش عملیاتی را انجام دهید — 19 سوال، حدود 8 دقیقه، بدون هیچ تعهدی. یک طرح استقرار سفارشی را ظرف 48 ساعت دریافت کنید که شامل توصیههای عامل، معماری، و پیشبینیهای ROI است. شروع کنید از: https://tfsfventures.com/assessment
Originally published at https://tfsfventures.com/blog/implementing-audit-tools-risk-assessment-testing-reporting
Written by TFSF Ventures Research