Κέρδη:
- Ικανότητα χρήσης τεχνητής νοημοσύνης ως δημιουργός ιδεών κινδύνου και σύνταξη στη διαδικασία εντοπισμού του κινδύνου ουσιώδους ανακρίβειας γνωρίζοντας την επιχείρηση και το περιβάλλον της
- Δυνατότητα σεναρίου υπολογισμών ορίου ουσιαστικότητας και ασημαντότητας με υποστήριξη τεχνητής νοημοσύνης και ανεξάρτητα επαλήθευσης κάθε αριθμού
- Ικανότητα να υποστηρίζεται ότι η τελική εκτίμηση κινδύνου και η κρίση σημαντικότητας ανήκουν στην επαγγελματική κρίση του ελεγκτή και ότι η τεχνητή νοημοσύνη παρέχει μόνο στοιχεία
Ο καλός έλεγχος κερδίζεται ή χάνεται στο γραφείο, πολύ πριν από την επιτόπια εργασία. Εάν ένας ελεγκτής ξεκινήσει χωρίς να γνωρίζει την επιχείρηση, χωρίς να μαντέψει πού υπάρχει μεγάλη πιθανότητα να πάει στραβά και χωρίς να κατευθύνει τους πόρους του (χρόνο, ομάδα, δοκιμές) προς αυτούς τους κινδύνους, μπορεί να ψάξει σε λάθος μέρη, ανεξάρτητα από το πόσο σκληρά εργάζεται. Ως εκ τούτου, το BDS 315 (Πρότυπο για τον προσδιορισμό και την αξιολόγηση του κινδύνου ουσιώδους ανακρίβειας γνωρίζοντας την επιχείρηση και το περιβάλλον της) και το BDS 320 (Πρότυπο ουσιαστικότητας στον έλεγχο) καθορίζουν το πλαίσιο του ελέγχου.
Σε αυτήν την ενότητα, θα καλύψουμε πώς μπορείτε να εφαρμόσετε την τεχνητή νοημοσύνη στις δύο κύριες εργασίες της φάσης σχεδιασμού - τον υπολογισμό ουσιαστικότητας και τη χαρτογράφηση κινδύνου - ως συνεργάτης ιδεών και ως δημιουργός σχεδίων, αλλά γιατί θα είστε πάντα ο τελικός κριτής. Ας διευκρινίσουμε πρώτα δύο έννοιες. Ένα ουσιώδες σφάλμα είναι ένα λάθος ή απάτη στις οικονομικές καταστάσεις που, μεμονωμένα ή συλλογικά, είναι αρκετά μεγάλο ώστε να επηρεάσει τις οικονομικές αποφάσεις των χρηστών των καταστάσεων. Η εκτίμηση κινδύνου είναι μια προσπάθεια να προσδιοριστεί σε ποιο λογαριασμό, κατηγορία συναλλαγών ή γνωστοποίηση, και για ποιον λόγο, είναι πιο πιθανό να συμβεί ένα τέτοιο λάθος.
Γνωριμία με την επιχείρηση: Όπου η τεχνητή νοημοσύνη γίνεται συνεργάτης σκέψης
Το ISA 315 ζητά από τον ελεγκτή να γνωρίζει την οντότητα και το περιβάλλον στο οποίο δραστηριοποιείται (βιομηχανία, νομοθεσία, επιχειρηματικό μοντέλο, εσωτερικός έλεγχος). Κατά τη διάρκεια αυτής της διαδικασίας αναγνώρισης, ο ελεγκτής ρωτά "τι συνήθως πηγαίνει στραβά σε αυτόν τον τομέα της επιχείρησης;" ρωτάει. Εδώ η τεχνητή νοημοσύνη είναι ένας πολύτιμος συνεργάτης για καταιγισμό ιδεών: μπορεί γρήγορα να απαριθμήσει τους τυπικούς τομείς κινδύνου ενός κλάδου, τα κοινά μοτίβα λογιστικής απάτης, την εποχικότητα και τις περιπλοκές αναγνώρισης εσόδων. Αλλά προσέξτε: αυτή η λίστα που δίνεται από την τεχνητή νοημοσύνη είναι γενική και γενική. δεν αναγνωρίζει την επιχείρησή σας. Επομένως, το αποτέλεσμα είναι ένα "πρόχειρο λίστας ελέγχου", όχι μια "αξιολόγηση κινδύνου".
Ας ρυθμίσουμε τη διαδικασία βήμα προς βήμα:
- Δώστε το πλαίσιο. Περιγράψτε ανώνυμα τον κλάδο, το μέγεθος, το επιχειρηματικό μοντέλο και τα αξιοσημείωτα χαρακτηριστικά της επιχείρησης. (Χωρίς όνομα, ΑΦΜ.)
- Ζητήστε μια γενική ιδέα κινδύνου. "Πού είναι συνήθως υψηλός ο κίνδυνος ουσιώδους ανακρίβειας σε αυτόν τον τύπο επιχείρησης;" παρακαλώ. Το AI σας δίνει έναν αρχικό χάρτη.
- Προσαρμογή στην επιχείρηση. Φιλτράρετε τη λίστα της τεχνητής νοημοσύνης με στοιχεία που γνωρίζετε (το ιστορικό αυτής της επιχείρησης, εσωτερικοί έλεγχοι, ευρήματα του προηγούμενου έτους). Ορισμένοι κίνδυνοι δεν ισχύουν για αυτήν την επιχείρηση. Μερικοί είναι μοναδικοί κίνδυνοι που το AI δεν θα δει ποτέ.
- Δέστε το με στοιχεία. Συνδέστε κάθε κίνδυνο με το τεστ που θα εξετάσετε στη μελέτη πεδίου.
Συμβουλή: Σκεφτείτε την τεχνητή νοημοσύνη ως "πού μπορεί να υπάρχει κίνδυνος ουσιώδους σφάλματος;" Χρησιμοποιήστε το για να σας κάνει να σκεφτείτε. Όχι για να σε κάνω να πεις «εδώ είναι το ρίσκο, σίγουρα». Η αξιολόγηση κινδύνου είναι επαγγελματική κρίση. καταιγισμός ιδεών κινδύνου.
Υλικότητα: αριθμός, αλλά αριθμός με βάση την κρίση
Το ISA 320 απαιτεί από τον ελεγκτή να προσδιορίσει ένα επίπεδο σημαντικότητας κατά την έναρξη του ελέγχου. Στην πράξη, αυτό ξεκινά με την επιλογή ενός δείκτη (π.χ. φόρο πριν από τα κέρδη, τα έσοδα, τα συνολικά περιουσιακά στοιχεία ή τα ίδια κεφάλαια) και την εφαρμογή ενός ποσοστού σε αυτόν. Για παράδειγμα, το 5% του κέρδους προ φόρων από τις συνεχιζόμενες δραστηριότητες ή το 0,5-1% των εσόδων. Αυτό δεν είναι ένας μηχανικός τύπος: ο ελεγκτής αποφασίζει ποιος δείκτης είναι πιο σημαντικός για την επιχείρηση, ποιο θα είναι το ποσοστό και το τελικό ποσό. Καθορίζονται επίσης η ουσιαστικότητα απόδοσης (το κατώτερο όριο που έχει οριστεί κάτω από την ουσιαστικότητα για αυστηρότερους ελέγχους κατά τον προγραμματισμό) και το σαφώς ασήμαντο όριο (το όριο των διαφορών είναι πολύ μικρό για να αναφερθεί).
Το AI είναι μια εξαιρετική μηχανή αριθμομηχανής και σεναρίου εδώ: υπολογίζει άμεσα τα ποσά για διαφορετικούς δείκτες και ποσοστά, τα βάζει μπροστά σας σε έναν πίνακα. Αλλά η επιλογή του δείκτη και η τελική κρίση είναι δική σας. Ο παρακάτω πίνακας δείχνει μια τυπική έξοδο σεναρίου (οι αριθμοί είναι παραδείγματα):
δείκτης
Ποσό (TL)
% Εφαρμόστηκε
Υλικότητα (TL)
κέρδος προ φόρων
12.000.000
5%
600.000
έσοδα
240.000.000
0,5%
1.200.000
Σύνολο ενεργητικού
180.000.000
1%
1.800.000
ίδια κεφάλαια
90.000.000
2%
1.800.000
Εξετάζοντας αυτόν τον πίνακα, ο ελεγκτής σκέφτεται: "Εάν τα κέρδη είναι ασταθή, μπορεί να είναι πιο εύλογη η ουσιαστικότητα που βασίζεται στα έσοδα, αλλά εάν το κύριο συμφέρον των χρηστών σε αυτήν την επιχείρηση είναι η κερδοφορία, το κέρδος προ φόρων είναι πιο κατάλληλο". Αυτή η αξιολόγηση είναι επαγγελματική κρίση που η τεχνητή νοημοσύνη δεν μπορεί να αντικαταστήσει. Το AI υπολογίζει τέσσερα σενάρια σε 5 δευτερόλεπτα. Εσείς αποφασίζετε ποιο είναι το σωστό.
Προσοχή: Επαληθεύστε το σενάριο σημαντικότητας που δίνεται από το AI. Επαναλάβετε τον υπολογισμό του ποσοστού μόνοι σας (είναι όντως το 600.000 το 5% των 12.000.000;) και βεβαιωθείτε ότι οι δείκτες είναι τα σωστά ποσά. Το AI μπορεί να εκτελέσει τον πολλαπλασιασμό εσφαλμένα ή να χρησιμοποιήσει λάθος ποσότητα.
Χάρτης κινδύνου: Προσχέδια AI, ο ελεγκτής δίνει προτεραιότητα
Ο χάρτης κινδύνου είναι ένα φύλλο εργασίας που συλλέγει τους εντοπισμένους κινδύνους σε ένα μέρος και αναθέτει αξιολογήσεις (πιθανότητα, αντίκτυπος, σχετικός ισχυρισμός, προγραμματισμένες δοκιμές) στον καθένα. Οι ισχυρισμοί στη λογιστική είναι αλήθειες που η διοίκηση ισχυρίζεται σιωπηρά για έναν λογαριασμό ή συναλλαγή: πραγματικότητα/ύπαρξη, πληρότητα, ακρίβεια, αποτίμηση, περιοδικότητα (cutoff), δικαιώματα-υποχρεώσεις, παρουσίαση. Για παράδειγμα, "το εισόδημα είναι πλήρες" είναι μια αξίωση πληρότητας. «Οι μετοχές αποτιμώνται στην καθαρή ρευστοποιήσιμη αξία τους» είναι ένας ισχυρισμός αποτίμησης.
Η τεχνητή νοημοσύνη λειτουργεί καλά στη μετατροπή μιας ακατέργαστης λίστας κινδύνων σε έναν οργανωμένο χάρτη: αντιστοίχιση κάθε κινδύνου στην αντίστοιχη αξίωση, λίστα πιθανών δοκιμών, μορφοποίηση του πίνακα. Αλλά μην αφήνετε ποτέ δύο πράγματα σε αυτόν: (1) ποιος κίνδυνος ισχύει πραγματικά για αυτήν την επιχείρηση, (2) ιεράρχηση των κινδύνων. Αυτά καθορίζουν πού ξοδεύετε τους πόρους ελέγχου σας και επηρεάζουν άμεσα την ποιότητα του ελέγχου.
τρεις μίνι θήκες
Περίπτωση 1 — Σωστή χρήση. Ένα στέλεχος ελέγχου εξέτασε τους κινδύνους για έναν νεοαποκτηθέντα πελάτη λιανικής. Ρωτήστε την τεχνητή νοημοσύνη «πού είναι συνήθως υψηλός ο κίνδυνος ουσιώδους ανακρίβειας σε μια επιχείρηση λιανικής πώλησης πολλών υποκαταστημάτων;» ρώτησε? Έλαβε ένα προσχέδιο 11 ειδών, όπως διαχείριση μετρητών, διαφορές αποθεμάτων, περικοπή εσόδων, χειραγώγηση επιστροφής/έκπτωσης. Αυτό το φιλτράρισε μέσα από τις δικές του γνώσεις: ο πελάτης είχε χαμηλές πωλήσεις σε μετρητά (βαριές κάρτες), μειώνοντας αυτόν τον κίνδυνο. Όμως ο κίνδυνος περικοπής μετοχών, που δεν έχασε η τεχνητή νοημοσύνη, ήταν κρίσιμος σε αυτήν την επιχείρηση, επειδή υπήρξε μια έντονη εκστρατεία στο τέλος του έτους. Αποτέλεσμα: Η τεχνητή νοημοσύνη παρέδωσε τον σπόρο, ο ελεγκτής προσάρμοσε τον χάρτη στην επιχείρηση.
Περίπτωση 2 — Σφάλμα πολλαπλασιασμού σημαντικότητας. Ένα μέλος της ομάδας ζήτησε από την τεχνητή νοημοσύνη να υπολογίσει ένα σενάριο καρδιαλικότητας. Η YZ έλαβε κατά λάθος τα έσοδα ως 24 εκατομμύρια αντί για 240 εκατομμύρια και αύξησε την ουσιαστικότητα σε 120.000 TL. Το μέλος της ομάδας το έβαλε στον προγραμματισμό χωρίς επαλήθευση. Επειδή η ουσιαστικότητα απόδοσης ήταν υποκαθορισμένη, η ομάδα άρχισε να δοκιμάζει εκατοντάδες πρόσθετα αντικείμενα χωρίς λόγο. Το ποσό διορθώθηκε όταν το παρατήρησε ο υπεύθυνος. Μάθημα: Υπολογίστε ξανά κάθε πολλαπλασιασμό του AI.
Περίπτωση 3 — Παρεξήγηση της δημόσιας λίστας με μια επιχείρηση. Ένας ασκούμενος επικόλλησε τη λίστα των γενικών "κινδύνων της κατασκευαστικής βιομηχανίας" που δόθηκε από την YZ στο φύλλο εργασίας αξιολόγησης κινδύνου. Ωστόσο, αυτός ο πελάτης δεν είχε τον κίνδυνο "ποσοστό χειραγώγησης ολοκλήρωσης σε πολυετείς συμβάσεις κατασκευής" που αναφέρεται (ο πελάτης ήταν προμηθευτής υλικών και όχι υπεργολάβος). Από την άλλη πλευρά, ο ειδικός για τον πελάτη κίνδυνος «τιμολόγησης μεταβίβασης στις πωλήσεις εντός του ομίλου» δεν περιλαμβανόταν στη λίστα. Η παρερμηνεία της γενικής λίστας ως αξιολόγησης για συγκεκριμένες επιχειρήσεις διογκώνει και άφησε τους κινδύνους ημιτελείς.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Πείτε μας τους κινδύνους και την ουσιαστικότητα αυτής της εταιρείας.
Πρόβλημα: η επιχείρηση δεν εισάγεται, ο δείκτης και το ποσό δεν δίνονται και η τεχνητή νοημοσύνη έχει κατασκευαστεί για να παράγει έναν "ορισμένο κίνδυνο" και ένα πλασματικό ποσό σημαντικότητας.
Ισχυρή προτροπή:
Ο ρόλος σας: είστε ο βοηθός σχεδιασμού ενός ανεξάρτητου ελεγκτή. Η τελική κρίση του κινδύνου και της ουσιαστικότητας είναι δική μου. Πλαίσιο (ανώνυμο): Μια μεσαίου μεγέθους επιχείρηση λιανικής πώλησης τροφίμων πολλαπλών κλάδων. Υπάρχει μια έντονη καμπάνια στο τέλος του χρόνου. Πωλήσεις με κάρτες, χαμηλά μετρητά. Εύρημα προηγούμενου έτους: διακυμάνσεις καταμέτρησης αποθεμάτων. Εργασία Α - Ιδέα κινδύνου: Καταγράψτε τους τομείς όπου ο κίνδυνος ουσιώδους ανακρίβειας θα ήταν συνήθως υψηλός σε αυτόν τον τύπο επιχείρησης, αντιστοιχίζοντας το καθένα με τον σχετικό λογιστικό ισχυρισμό (πληρότητα, ειλικρίνεια, περιοδικότητα/περικοπή, αποτίμηση κ.λπ.). Παρακαλώ σημειώστε ότι αυτά είναι ΓΕΝΙΚΑ και η αξιολόγηση για την επιχείρηση ανήκει σε εμένα. Εργασία Β - Σενάριο ουσιαστικότητας: Υπολογίστε τον πίνακα σεναρίου σημαντικότητας με %s για τους ακόλουθους δείκτες. Δείξτε καθαρά κάθε πολλαπλασιασμό για να μπορώ να τον επαληθεύσω. Θα αποφασίσω ποιος δείκτης θα επιλέξω.- Κέρδη προ φόρων: 12.000.000 TL- Έσοδα: 240.000.000 TL- Σύνολο ενεργητικού: 180.000.000 TLΚανόνας: Μην κάνετε αριθμούς για τους οποίους δεν έχω δώσει στοιχεία.
Αυτή η προτροπή είναι ισχυρή επειδή εισάγει την επιχείρηση, απαιτεί αντιστοίχιση αξιώσεων, καθιστά τον λογαριασμό επαληθεύσιμο και αφήνει την απόφαση στον ελεγκτή.
Συνήθη λάθη
- Λάθος της λίστας γενικών κινδύνων για μια επιχειρηματική αξιολόγηση. Τοποθέτηση της γενικής εξόδου του AI στο φύλλο εργασίας χωρίς να το φιλτράρετε.
- Μη επαλήθευση πολλαπλασιασμού καρδιναικότητας. Δεν παρατηρείτε το σφάλμα του AI σε ποσό ή ποσοστό.
- Αφήνοντας την επιλογή δείκτη στο AI. Ποιος δείκτης είναι κατάλληλος είναι θέμα επαγγελματικής κρίσης.
- Μη σύνδεση των κινδύνων με αξιώσεις. Ο κίνδυνος χωρίς αντιστοίχιση αξιώσεων δεν μπορεί να συνδεθεί με τη δοκιμή.
- Παράβλεψη ευρημάτων του προηγούμενου έτους και επιχειρηματικών πληροφοριών. Το AI δεν τα ξέρει αυτά τα πράγματα. Αν δεν του το πείτε, ο χάρτης κινδύνου θα είναι ελλιπής.
Συμβουλή: Αφού ετοιμάσετε τον χάρτη κινδύνου, ρωτήστε το AI "Ποιοι είναι οι κίνδυνοι που μπορεί να έχουν παραβλεφθεί σε αυτόν τον χάρτη;" ρωτήστε ανάποδα. Αυτό σας βοηθά να δείτε τα τυφλά σημεία. Αλλά φιλτράρετε μόνοι σας τις ιδέες.
Συνοπτικά
Στη φάση του σχεδιασμού, η τεχνητή νοημοσύνη φέρνει δύο ισχυρές χρήσεις: τον καταιγισμό ιδεών κατά τομέα και τον υπολογισμό σεναρίων ουσιαστικότητας. Αλλά η αξιολόγηση του κινδύνου ουσιώδους ανακρίβειας σύμφωνα με το ASA 315 και ο προσδιορισμός της σημαντικότητας σύμφωνα με το ASA 320 είναι επαγγελματική κρίση. Η τεχνητή νοημοσύνη παρέχει γενική εικόνα κινδύνου και επαληθεύσιμη λογιστική. Ποιος κίνδυνος είναι έγκυρος, ποιος δείκτης να επιλέξει και το τελικό ποσό σημαντικότητας ανήκουν στον ελεγκτή. Υπολογίστε εκ νέου κάθε πολλαπλασιασμό ουσιαστικότητας, φιλτράρετε κάθε ιδέα κινδύνου για συγκεκριμένη επιχείρηση.
Εργασία εφαρμογής
Επιλέξτε μια υποθετική επιχείρηση (προσδιορίστε τον κλάδο, το μέγεθος, το εύρημα του προηγούμενου έτους). Με το ισχυρό μοτίβο προτροπής παραπάνω, λάβετε πρώτα τη γενική ιδέα κινδύνου και μετά το σενάριο ουσιαστικότητας. Μετατρέψτε τη λίστα κινδύνου του AI σε έναν πίνακα τριών στηλών: "κίνδυνος / σχετική αξίωση / ισχύει για αυτήν την επιχείρηση (Ναι/Οχι, αιτιολόγηση)". Επαληθεύστε χειροκίνητα κάθε πολλαπλασιασμό στο σενάριο σημαντικότητας και γράψτε σε μία πρόταση την αιτιολόγηση για τον δείκτη που επιλέξατε.
λίστα ελέγχου
- [ ] Περιέγραψα την επιχείρηση ανώνυμα αλλά με επαρκές πλαίσιο (βιομηχανία, μέγεθος, ιστορικά ευρήματα).
- [ ] Φιλτράρισα τις ιδέες κινδύνου της τεχνητής νοημοσύνης μέσω γνώσεων που αφορούν συγκεκριμένες επιχειρήσεις. Αφαίρεσα τα άκυρα και πρόσθεσα αυτά που λείπουν.
- [ ] Αντιστοίχισα κάθε κίνδυνο με τον σχετικό λογιστικό ισχυρισμό και τον συνέδεσα με μια δοκιμή.
- [ ] Έχω επαληθεύσει ανεξάρτητα κάθε προϊόν και ποσότητα στο σενάριο σημαντικότητας.
- [ ] Δικαιολόγησα την επιλογή του δείκτη. Πήρα την απόφαση.
- [ ] Έθεσα το όριο για ουσιαστικότητα απόδοσης και προφανώς μη υλικότητα.
- [ ] "Υπάρχουν κίνδυνοι να παραβλεφθούν;" Ρώτησα ανάποδα και φιλτράρισα τις ιδέες.