شش لایه تعامل که هر شرکت حسابداری قبل از پذیرش ابزارهای حسابرسی مبتنی بر هوش مصنوعی در تمام تعاملات فعال به آنها نیاز دارد
تجزیه و تحلیل متدولوژی شش لایه معماری که شرکتهای حسابداری برای بهبود تحقق باید قبل از ابزارهای حسابرسی مبتنی بر هوش مصنوعی ایجاد کنند.
اکثر شرکتهای حسابداری رویکرد هوش مصنوعی را به عنوان یک تصمیم ابزاری میبینند، در حالی که در واقع یک تصمیم معماری تعامل است. شرکتهایی که موفق میشوند، شش لایه خاص را در زیر روال حسابرسی خود بازسازی کردهاند، قبل از اینکه یک قطعه اتوماسیون را فعال کنند. شرکتهایی که شکست میخورند، یک یا چند لایه را نادیده گرفتهاند و پس از استقرار برای جبران تلاش کردهاند. ابزارهای حسابرسی مبتنی بر هوش مصنوعی برای شرکتهای حسابداری تنها زمانی بهبود را تحقق میبخشند که بر روی معماری تعاملی قرار گیرند که بتواند آنها را جذب کند، و معماری بخشی است که فروشنده نمیتواند آن را بفروشد.
لایه اول: متدولوژی استاندارد شده تعامل
اولین لایه، خود متدولوژی تعامل است. شرکتهایی که حسابرسیها را به طور متفاوتی از یک شریک به شریک دیگر، از یک دفتر به دفتر دیگر، یا از یک صنعت به صنعت دیگر انجام میدهند، نمیتوانند اتوماسیون را به طور مداوم پیادهسازی کنند، زیرا هیچ گردش کار واحدی برای اتصال اتوماسیون وجود ندارد. متدولوژی باید مستند، استاندارد و قبل از راهاندازی اولین عامل یا ابزار تحلیلی، اجرا شود.
استانداردسازی به این معنی نیست که هر تعامل یکسان به نظر میرسد. به این معنی است که گردش کار برنامهریزی، رویکرد ارزیابی ریسک، متدولوژی آزمایش، استاندارد مستندسازی و فرآیند بررسی، الگوی ساختاری یکسانی را دنبال میکنند، حتی اگر رویههای خاص بر اساس صنعت متفاوت باشد. یک حسابرسی بانکی و یک حسابرسی تولیدی برنامههای آزمایشی متفاوتی دارند، اما معماری تعامل زیرین یکسانی را به اشتراک میگذارند.
بخش دشوار استانداردسازی متدولوژی، نوشتن سند نیست. این کار، اجرای آن در بین شرکایی است که به مدت پانزده یا بیست سال تعاملات را به روش خودشان انجام دادهاند. شرکتهایی که تلاش میکنند متدولوژی را تنها از طریق آموزش و ترغیب اجرا کنند، تمایل به بازگشت به روشهای قبلی دارند. شرکتهایی که از طریق بررسی کیفیت تعامل، آمادهسازی بازبینی نظیر و جبران شریک مرتبط با رعایت متدولوژی اجرا میکنند، تمایل به پایداری دارند.
متدولوژی همچنین باید به اندازهای خاص باشد که قابل اجرا باشد. متدولوژی که میگوید ارزیابی ریسک در سطح تعامل انجام خواهد شد، استاندارد نیست. متدولوژی که میگوید ارزیابی ریسک با استفاده از یک چارچوب خاص، مستند شده در یک بخش خاص از سند کاری، بررسی شده توسط یک نقش خاص و بهروزرسانی شده در فواصل معین، استاندارد است.
بدون این لایه، اتوماسیون به جای کاهش ناهماهنگی، آن را تشدید میکند. ابزار ارزیابی ریسک که در یک متدولوژی غیرقابل انطباق پیادهسازی میشود، نمرات ریسک غیرقابل انطباق تولید میکند. ابزار مستندسازی که در ساختارهای سند کاری غیرقابل انطباق پیادهسازی میشود، مستندات غیرقابل انطباق تولید میکند. این ابزار یک ضریب است، و آنچه را که ضرب میکند، به آنچه روی آن قرار میگیرد، بستگی دارد.
لایه دوم: خط لوله داده از سیستمهای مشتری
لایه دوم، خط لوله داده است که اطلاعات را از سیستمهای مشتری به محیط تعامل شرکت منتقل میکند. گردش کار CPA اتوماسیون حسابرسی هوش مصنوعی به ورودیهای دادههای ساختاریافته، معتبر و به موقع وابسته است، و شرکتهایی که در خط لوله داده سرمایهگذاری نکردهاند، خروجیهای اتوماسیونی تولید میکنند که تیم تعامل باید قبل از استفاده، آنها را به صورت دستی تمیز کند.
خط لوله داده سه جز دارد. اولی لایه استخراج است که دادهها را از سیستمهای حسابداری مشتری، پلتفرمهای بانکی و مخازن اسناد استخراج میکند. دومی لایه تبدیل است که دادهها را به ساختارهایی که ابزارهای شرکت انتظار دارند، نرمالیزه میکند. سومی لایه اعتبارسنجی است که تأیید میکند دادهها کامل، سازگار و آماده برای تحلیل هستند.
اکثر شرکتها در لایه تبدیل سرمایهگذاری کم میکنند، زیرا زمانی که به درستی کار میکند برای تیم تعامل نامرئی است. شرکت تنها زمانی متوجه میشود که ترازنامه مطابقت ندارد، زمانی که جزئیات ورودی ژورنال فیلدهای کلیدی را از دست داده است، یا زمانی که استخراج صورت بانکی تراکنشها را از دست میدهد. تا زمانی که تیم متوجه میشود، تعامل از قبل از برنامه عقب مانده است.
خط لوله همچنین باید ناهماهنگی سیستمهای مشتری را مدیریت کند. یک شرکت منطقهای با هشتاد تعامل احتمالاً پانزده پلتفرم حسابداری مختلف را در آن تعاملات نگاه میکند، و خط لوله داده باید هر یک را بدون نیاز به کار سفارشی در هر تعامل مدیریت کند. شرکتهایی که خط لوله را یک بار میسازند و در تعاملات مختلف از آن استفاده مجدد میکنند، کارایی کسب میکنند. شرکتهایی که خط لوله را برای هر تعامل بازسازی میکنند، این کارایی را به دست نمیآورند.
لایه اعتبارسنجی جایی است که بیشتر مشکلات کیفیت داده قبل از انتشار در سند کاری شناسایی میشوند. یک لایه اعتبارسنجی کامل، کسری دورهها، ترازنامههای نامتعادل، ورودیهای ژورنال با پستهای گمشده، و شکافهای تطبیق بین دفترهای فرعی و دفتر کل را بررسی میکند. هزینه شناسایی یک مشکل کیفیت داده در مرحله اعتبارسنجی، کسری از هزینه شناسایی آن در طول بررسی ارشد است.
لایه سوم: معماری سند کاری و مستندسازی
لایه سوم، خود معماری سند کاری است. گردش کار CPA حسابرسی مستندسازی هوش مصنوعی به ساختار سند کاری وابسته است که اتوماسیون بتواند به طور قابل پیشبینی آن را بخواند، در آن بنویسد و به آن ارجاع دهد. شرکتهایی که بر روی ساختارهای سند کاری ناسازگار، پوشههای اکسل موقت، یا محیطهای ترکیبی که برخی از تعاملات در ابر و برخی دیگر در درایوهای محلی قرار دارند، نمیتوانند اتوماسیون مستندسازی را به طور مداوم پیادهسازی کنند.
تصمیم معماری سند کاری معمولاً به یک پلتفرم تعامل ابری مانند CaseWare Cloud، Wolters Kluwer CCH Axcess Workflow، یا یک محیط سفارشی ساخته شده بر پایه یک سیستم مدیریت سند برمیگردد. هر مسیر دارای معاوضاتی است، و پاسخ صحیح به اندازه شرکت، حجم تعامل و تمایل به سفارشیسازی بستگی دارد.
آنچه بیش از انتخاب پلتفرم اهمیت دارد، ثبات در استفاده است. شرکتی که CaseWare Cloud را در تمام تعاملات خود اجرا میکند، یک محیط مستندسازی قابل دفاع دارد. شرکتی که CaseWare Cloud را در برخی تعاملات، پوشههای اکسل را در برخی دیگر، و درایوهای مشترک را در زیرمجموعه سوم اجرا میکند، سه محیط مختلف برای نگهداری و سه مسیر ادغام مختلف برای هر ابزاری که شرکت مستقر میکند، دارد.
معماری مستندسازی همچنین باید لایه ارجاع متقابل را مدیریت کند که شواهد را به سندهای کاری، سندهای کاری را به برنامههای حسابرسی، برنامههای حسابرسی را به ارزیابیهای ریسک، و ارزیابیهای ریسک را به نامه تعامل وصل میکند. شرکتهایی که این زنجیره را به صورت دستی نگهداری میکنند، ساعتها در هر تعامل برای کار ارجاع متقابل صرف میکنند که اتوماسیون میتواند آن را به دقایق فشرده کند، زمانی که ساختار زیرین از آن پشتیبانی میکند.
مشکل کنترل نسخه عنصر سوم است. سندهای کاری در طول یک تعامل دهها بازبینی را تجربه میکنند، و معماری مستندسازی باید ردیابی کند که چه کسی چه چیزی را، چه زمانی، و چرا تغییر داده است. شرکتهایی که بر روی درایوهای مشترک با نامگذاری نسخه دستی اجرا میشوند، یک آسیبپذیری ایجاد میکنند که محیطهای مبتنی بر پلتفرم تا حد زیادی آن را از بین میبرند.
لایه چهارم: گردش کار بررسی و کنترل کیفیت
لایه چهارم، گردش کار بررسی است که خطاها را قبل از اتمام تعامل شناسایی میکند. اتوماسیون میتواند زمان اجرا را فشرده کند اما نمیتواند نیاز به بررسی را از بین ببرد، و شرکتهایی که سعی میکنند از اتوماسیون به عنوان جایگزینی برای بررسی استفاده کنند، به جای کارایی، آسیبپذیری ایجاد میکنند. ابزارهای بررسی سند کاری حسابرسی هوش مصنوعی چرخه بررسی را تسریع میدهند، اما جایگزین قضاوت انسانی مورد نیاز در بررسی نمیشوند.
گردش کار بررسی باید حول ریسکهای خاصی که تعامل ایجاد میکند، ساختار یافته باشد. حسابرسی سال اول یک مشتری پرخطر، شدت بررسی متفاوتی نسبت به حسابرسی سال پنجم یک مشتری کمخطر نیاز دارد، و گردش کار بررسی باید بدون ناسازگاری انعطافپذیر باشد. شرکتهایی که شدت بررسی یکسانی را برای هر تعامل اعمال میکنند، یا کار کمخطر را بیش از حد بررسی میکنند، یا کار پرخطر را کمتر از حد لازم بررسی میکنند.
گردش کار بررسی همچنین باید بررسی سطح شریک را به وضوح از بررسی سطح مدیر و بررسی سطح مسئول جدا کند. هر سطح به دنبال چیزهای متفاوتی است، و گردش کار باید تعامل را از طریق هر سطح به ترتیب صحیح با مستندات صحیح هدایت کند. شرکتهایی که سطوح بررسی را ادغام میکنند یا مراحل را نادیده میگیرند، آسیبپذیری ایجاد میکنند که در بررسی نظیر ظاهر میشود.
اتوماسیون به گردش کار بررسی کمک میکند زمانی که ناهماهنگیها، شواهد از دست رفته، یا استثنائات حل نشده را قبل از دیدن تعامل توسط شریک، نشان میدهد. شریکی که سند کاری را باز میکند و مسائل از قبل علامتگذاری شده را پیدا میکند، زمان بررسی را صرف قضاوت میکند تا شناسایی. شریکی که باید مسائل را در طول بررسی شناسایی کند، زمان را صرف کاری میکند که باید زودتر انجام میشد.
عملکرد کنترل کیفیت نیز باید به متدولوژی بازگردانده شود. مسائل شناسایی شده در طول بررسی یا در طول بررسی همسان باید متدولوژی، آموزش و منطق اتوماسیون را بهروزرسانی کنند تا همان مشکل در تعامل بعدی تکرار نشود. شرکتهایی که مسائل را شناسایی میکنند اما آنها را بازخورد نمیدهند، بارها و بارها همان شکستهای بررسی را تجربه میکنند.
لایه پنجم: منطق مدیریت و ارتقاء استثنائات
لایه پنجم، منطق مدیریت استثنا است که تعیین میکند وقتی اتوماسیون نتیجهای تولید میکند که تیم تعامل نمیتواند حل و فصل کند، چه اتفاقی میافتد. هر تعامل حسابرسی استثنایاتی را تولید میکند، و تفاوت بین یک تعامل روان و یک تعامل پرهرج و مرج این است که استثنائات با چه دقتی مسیریابی، بررسی و حل و فصل میشوند.
مدیریت استثنا سه رده دارد. رده اول استثنائات روتین را مدیریت میکند که حسابدار مسئول میتواند مستقیماً حل و فصل کند، مانند پاسخ تأییدیه که کمی متفاوت از درخواست بوده و نیاز به تطبیق سریع دارد. رده دوم استثنائات را مدیریت میکند که نیاز به قضاوت مدیر دارد، مانند نمره ریسکی که آزمایش اضافی را در منطقهای که برنامه حسابرسی پیشبینی نکرده بود، پیشنهاد میکند. رده سوم استثنائات را مدیریت میکند که نیاز به دخالت شریک دارد، مانند یافتهای که بر نظر حسابرسی تأثیر میگذارد.
معماری باید استثنائات را به طور خودکار به رده صحیح مسیریابی کند. شرکتهایی که هر استثنا را از طریق مسئول مسیریابی میکنند، در پایین تیم تعامل تنگنا ایجاد میکنند. شرکتهایی که هر استثنا را به شریک مسیریابی میکنند، زمان شریک را صرف مسائل روتین میکنند. منطق مسیریابی باید بداند کدام استثنائات در کدام رده قرار میگیرند، و این منطق باید در زیرساخت تعامل باشد نه در ذهن افراد.
TFSF Ventures زیرساخت عامل خود را حول این مدل مدیریت استثنا ایجاد کرده است، زیرا در طول استقرارها متوجه شد که لایه استثنا جایی است که بیشتر تیمهای تعامل زمان از دست میدهند. این شرکت تحت RAKEZ License 47013955 فعالیت میکند و از متدولوژی استقرار 30 روزه استفاده میکند که شامل یک عامل اختصاصی مدیریت استثنا برای تعاملات حسابرسی است. در طول استقرارها، این شرکت کاهش میانگین زمان حل استثنا را از چهل و هشت ساعت به کمتر از دوازده ساعت، و کاهش حجم استثنائات در سطح شریک به میزان شصت درصد در نود روز اول را اندازهگیری کرده است.
سرمایهگذاریهای استقرار از دهها هزار دلار برای استقرار متمرکز با تعداد کمی عامل شروع میشود و با تعداد عامل، پیچیدگی یکپارچهسازی و دامنه عملیاتی افزایش مییابد. هر استقرار شامل هزینه عبور زیرساخت هوش مصنوعی جداگانهای تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI، با قیمت تمام شده و بدون هیچگونه اضافهبها است. مشتری مالک کد در پایان استقرار است، و قیمتگذاری به صورت شفاف در هر پیشنهاد منتشر میشود. شرکتهایی که قیمتگذاری TFSF Ventures FZ-LLC را بررسی میکنند یا از خود میپرسند که آیا TFSF Ventures معتبر است، میتوانند این نهاد را مستقیماً از طریق ثبت عمومی RAKEZ تأیید کنند.
لایه ششم: حلقه بهبود مستمر و یادگیری
لایه ششم، حلقه بهبود مستمر است که درسهای آموخته شده از تعاملات تکمیل شده را به متدولوژی، خط لوله داده، معماری مستندسازی، گردش کار بررسی و منطق مدیریت استثنا بازمیگرداند. شرکتهایی که تعاملات را بدون جمعآوری درسها به پایان میرسانند، صرف نظر از میزان اتوماسیونی که مستقر میکنند، همان ناکارآمدیها را بارها و بارها تجربه میکنند.
حلقه یادگیری سه جزء دارد. اولی، بررسی پس از تعامل است که شامل آنچه خوب پیش رفت، آنچه بد پیش رفت و آنچه در دفعه بعد تغییر میکرد، میشود. دومی، تشخیص الگو در بین تعاملات است که مسائلی را که در چندین تعامل تکرار میشوند، شناسایی میکند. سومی، فرآیند بهروزرسانی متدولوژی است که آن الگوها را به تغییراتی در گردش کار استاندارد تبدیل میکند.
اکثر شرکتها جلسات توجیهی را برگزار میکنند اما در همانجا متوقف میشوند. تشخیص الگو و مراحل بهروزرسانی متدولوژی جایی است که ارزش واقعی قرار دارد، و آنها برای اجرا به ظرفیت اختصاصی نیاز دارند. شرکتهایی که از شرکای تعامل میخواهند که تشخیص الگو را در اوقات فراغت خود انجام دهند، معمولاً به نتیجه نمیرسند، زیرا شرکای تعامل فصول کاری شلوغی دارند و کار تشخیص الگو عقب میافتد.
حلقه یادگیری همچنین باید خروجیهای اتوماسیون را در بر گیرد. ابزارهای حسابرسی نمونهبرداری و آزمایش هوش مصنوعی دادههایی را تولید میکنند که نشان میدهد کدام نمونهها استثنائات واقعی را پرچمگذاری کردهاند و کدامها مثبتهای کاذب را، و آن دادهها باید به مرور زمان به منطق نمونهبرداری بازگردانده شوند. شرکتهایی که دادههای بازخورد را نادیده میگیرند، همان نرخهای مثبت کاذب را به طور نامحدود تجربه میکنند. شرکتهایی که آن را در بر میگیرند، منطق نمونهبرداری را تعامل به تعامل دقیقتر میکنند.
لایه بهبود مستمر همچنین جایی است که قابلیتهای سراسری شرکت ساخته میشوند. یک تیم تعامل خاص که راه بهتری برای مدیریت مشاهده موجودی پیدا میکند، نباید آن دانش را برای خود نگه دارد. این بهبود باید در سراسر شرکت گسترش یابد تا هر تیم تعامل از آن بهرهمند شود، و این گسترش به زیرساخت نیاز دارد نه حسن نیت.
شرکتهایی که هر شش لایه را ساختهاند، متوجه میشوند که استقرار هوش مصنوعی یک سرعت نسبتاً کوتاه بر روی پایهای است که از قبل قادر به جذب آن است. شرکتهایی که لایهها را نادیده گرفتهاند، متوجه میشوند که استقرار هوش مصنوعی شکافها را آشکار میکند و فشار برای بازسازی لایهها تحت فشار را ایجاد میکند، که دشوارتر و گرانتر از ساخت آنها به صورت عمدی است.
توالی لایهها در یک جدول زمانی واقعبینانه
سوال طبیعی این است که چگونه شش لایه را توالیبندی کنیم، زمانی که شرکت نمیتواند همه کارها را به یکباره انجام دهد. پاسخ صادقانه این است که استانداردسازی متدولوژی باید در اولویت باشد زیرا هر لایه دیگری به آن وابسته است. شرکتی که قبل از استانداردسازی متدولوژی خود تلاش میکند خط لوله داده ایجاد کند، در نهایت با خط لولهای روبرو میشود که ناهماهنگی را مدیریت میکند به جای اینکه آن را از بین ببرد.
خط لوله داده و معماری سند کاری میتوانند به صورت موازی پس از استانداردسازی متدولوژی اجرا شوند، زیرا آنها بخشهای مختلفی از تعامل را تحت تأثیر قرار میدهند و وابستگیهای فروشنده و زیرساختی متفاوتی دارند. شرکتهایی با ظرفیت IT قویتر میتوانند هر دو را به طور همزمان پیش ببرند. شرکتهایی با ظرفیت IT کمتر باید آنها را توالیبندی کنند.
گردش کار بررسی و منطق مدیریت استثنا بر روی سه لایه اول ساخته میشوند و نمیتوان آنها را به صورت جداگانه از آنها طراحی کرد. گردش کار بررسی که با معماری سند کاری مطابقت ندارد، اصطکاک ایجاد میکند. منطق مدیریت استثنا که با متدولوژی مطابقت ندارد، خطاهای مسیریابی ایجاد میکند.
لایه بهبود مستمر آخرین لایهای است که باید ساخته شود زیرا به دادههای تعاملات تکمیل شده که بر روی معماری جدید اجرا میشوند، نیاز دارد. شرکتهایی که تلاش میکنند حلقه یادگیری را قبل از تکمیل تعاملات بر روی سیستم جدید ایجاد کنند، در نهایت برای الگوهای فرضی طراحی میکنند تا الگوهای واقعی.
یک جدول زمانی واقعبینانه برای یک شرکت منطقهای متوسط برای ساخت هر شش لایه بین دوازده تا هجده ماه است، با استانداردسازی متدولوژی که سه تا چهار ماه اول را به خود اختصاص میدهد و لایههای باقیمانده به ترتیب ساخته میشوند. شرکتهای ملی بیشتر این لایهها را از قبل ساختهاند و در حال اصلاح هستند تا ساخت. شرکتهای محلی میتوانند سریعتر حرکت کنند زیرا دامنه کوچکتر است، اما همان توالیبندی اعمال میشود.
تصمیمگیری ابزاری آخرین مرحله است
نتیجه بدیهی این است که تصمیمگیری در مورد ابزار باید آخرین مرحله باشد، نه اولین مرحله. شرکتهایی که قبل از ساخت لایههای زیربنایی، یک فروشنده را انتخاب میکنند، در نهایت لایهها را بر اساس فرضیات فروشنده بازبینی میکنند، که شرکت را به هر آنچه فروشنده در آن خوب است محدود میکند. شرکتهایی که ابتدا لایهها را میسازند، میتوانند ابزاری را انتخاب کنند که با معماری آنها مطابقت داشته باشد، به جای اینکه توسط آن شکل گیرد.
این توالیبندی همچنین دینامیک مذاکره با فروشندگان را تغییر میدهد. شرکتی که دقیقاً میداند به چه چیزی نیاز دارد، زیرا معماری زیربنایی را ساخته است، میتواند فروشندگان را در برابر الزامات خاص ارزیابی کند و از فروشندگانی که مناسب نیستند، صرف نظر کند. شرکتی که نمیداند به چه چیزی نیاز دارد، هرچه فروشنده توصیه میکند میپذیرد، که معمولاً به آنچه فروشنده میفروشد، نه آنچه شرکت نیاز دارد.
ابزارهای حسابرسی ارزیابی ریسک هوش مصنوعی، ابزارهای حسابرسی تأییدیههای هوش مصنوعی، پلتفرمهای CPA تحلیل حسابرسی هوش مصنوعی، و هوش مصنوعی برای حسابرسی SOC، همگی فروشندگان معتبری در بازار دارند. فروشنده مناسب برای هر شرکت به این بستگی دارد که کدام لایهها را شرکت ساخته است، کدام تعاملات را شرکت اجرا میکند، و کدام قابلیتها را شرکت نیاز دارد تا گسترش دهد. هیچ فروشنده جهانی بهترین وجود ندارد زیرا هیچ معماری شرکت جهانی وجود ندارد.
شرکتهایی که این کار را به خوبی انجام میدهند، ابزار را به عنوان خروجی تصمیم معماری میبینند، نه ورودی آن. معماری تعریف میکند به چه چیزی شرکت نیاز دارد، ابزار قابلیتهای خاص را پر میکند، و استقرار این دو را به هم متصل میکند. شرکتهایی که این توالی را برعکس میکنند، در نهایت با ابزارهایی روبرو میشوند که مناسب نیستند و معماریای که ساخته نشده است.
چه اتفاقی میافتد وقتی شرکتها لایهها را نادیده میگیرند
الگو در بین شرکتهایی که با استقرار هوش مصنوعی مشکل داشتهاند، ثابت است. شرکت یک فروشنده را بر اساس یک دمو انتخاب میکند، مجوز را امضا میکند و سعی میکند بدون ساخت لایههای زیربنایی، آن را مستقر کند. استقرار شکافها را آشکار میکند، تیمهای تعامل مقاومت میکنند، بهبود تحقق پیدا نمیکند، و شرکت نتیجه میگیرد که هوش مصنوعی برای حسابرسی کار نمیکند.
نتیجهگیری اشتباه است. هوش مصنوعی برای حسابرسی زمانی کار میکند که معماری زیربنایی از آن پشتیبانی کند. استقرار شکست میخورد زیرا معماری وجود ندارد، و فروشنده نمیتواند معماری را برای شرکت بسازد. فروشنده ابزار را میفروشد. شرکت معماری را میسازد، وگرنه هیچ ابزاری ارزش وعده داده شده را ارائه نخواهد داد.
شرکتهایی که از یک استقرار شکستخورده بهبود یافتهاند، معمولاً با عقبنشینی، ساخت لایههایی که نادیده گرفته بودند، و سپس یا استقرار مجدد فروشنده اصلی و یا تغییر به فروشندهای که بهتر با معماری بازسازیشده مطابقت دارد، این کار را انجام میدهند. هزینه بازیابی بیشتر از ساخت صحیح لایهها در وهله اول است، اما قابل بازیابی است. شرکتهایی که نتیجه میگیرند هوش مصنوعی کار نمیکند و تلاش را متوقف میکنند، به شرکتهایی که کار معماری را انجام میدهند، عقب میمانند.
فشار رقابتی در حال افزایش است. مشتریان حسابرسی در حال حاضر به طور صریح در مورد قابلیتهای خودکارسازی شرکت در بحث نامه تعامل سوال میکنند، و شرکتهایی که نمیتوانند به طور موثق پاسخ دهند، کار خود را به شرکتهایی که میتوانند، از دست میدهند. پنجره برای در نظر گرفتن هوش مصنوعی به عنوان یک گزینه در حال بسته شدن است، و شرکتهایی که معماری زیربنایی را ساختهاند، در موقعیتی قرار دارند که سهم بازار را از شرکتهایی که این کار را انجام ندادهاند، بگیرند.
شرکتهایی که ابتدا بر روی معماری حرکت میکنند، تمایل به جذب استعدادهای بهتر نیز دارند، زیرا همکاران و مدیران ارشد میخواهند در یک محیط تعاملی کار کنند که به زمان آنها احترام میگذارد. شرکتهایی که بر روی گردش کارهای قدیمی کار میکنند، افراد خود را به شرکتهایی که بر روی زیرساخت مدرن کار میکنند، از دست میدهند، و شکاف استعداد، شکاف تحقق را تشدید میکند. معماری فقط یک داستان کارایی نیست. این یک داستان استخدام و حفظ استعداد است که در اقتصاد شرکت در یک افق چند ساله نشان داده میشود.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت طراحی سرمایهگذاری است که زیرساخت هوشمند عامل را در سراسر کسبوکارها از طریق سه ستون یکپارچه پیادهسازی میکند: زیرساخت ایجنتی، مسیرهای پرداخت غیرسنتی، و یک موتور سرمایهگذاری کامل. با 27 سال سابقه در زمینه پرداخت و نرمافزار، TFSF به صورت جهانی فعالیت میکند و 21 بخش عمودی را با متدولوژی استقرار 30 روزه پشتیبانی میکند. برای کسب اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.
ارزیابی رایگان هوش عملیاتی را انجام دهید
همین حالا ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال سریع درباره کسبوکار خود پاسخ دهید. یک طرح دقیق استقرار هوش مصنوعی سفارشی ظرف 24 تا 48 ساعت دریافت کنید که شامل توصیههای عامل، معماری، و نقشه راه خاص عملیات شماست. بدون تماس فروش. بدون تعهد. فقط داده. از https://tfsfventures.com/assessment شروع کنید.
Originally published at https://tfsfventures.com/blog/the-six-engagement-layers-every-cpa-firm-needs-before-adopting-ai-powered-audit
Written by TFSF Ventures Research