Detección de anomalías y errores: pruebas de asientos contables y análisis de valores atípicos

Ganancias:

• Comprenda por qué las pruebas de entradas de diario son obligatorias según BDS 240 y cómo la inteligencia artificial puede escanear criterios de entradas sospechosas
• Capacidad para marcar y priorizar valores atípicos, tiempos inusuales y patrones de cantidades inusuales con soporte de inteligencia artificial.
• Poder sostener que toda anomalía señalada por la inteligencia artificial no es un hallazgo, sino un signo de interrogación que el auditor investigará, y la eliminación de los falsos positivos es responsabilidad humana.

Los estados financieros de una empresa son básicamente la suma de millones de asientos de diario (en contabilidad, cada transacción financiera se registra como débito y crédito). En última instancia, tanto el error como el fraude viven en un asiento de diario: una cantidad escrita en la cuenta equivocada, una asignación que se "olvida" y se revierte al final del período, un asiento inusual ingresado manualmente en medio de la noche. Por lo tanto, BDS 240 (la norma que regula las responsabilidades del auditor con respecto al fraude en la auditoría de estados financieros) requiere claramente que el auditor realice pruebas de asientos en el diario. Su objetivo es revelar posibles manipulaciones por parte de la dirección mediante la anulación de la dirección.

En esta unidad, cubriremos cómo convertir la inteligencia artificial en un motor de detección de anomalías y errores, pero por qué cada registro marcado es un "signo de interrogación" en lugar de un "hallazgo". Los dos primeros conceptos. Una anomalía es un registro inusual en un conjunto de datos que se desvía del patrón esperado. Un valor atípico es una observación que es numéricamente significativamente diferente de las demás (como una cantidad muy grande, una frecuencia muy alta). La anomalía no siempre es un error; pero es allí donde el auditor debería mirar.

Criterios de publicación sospechosos en la prueba de asiento de diario

BDS 240 establece que los registros con determinadas características son más propensos al riesgo de fraude. La IA puede escanear cientos de miles de registros según estos criterios en segundos. Criterios típicos de "bandera roja":

• Momento inusual: registros manuales ingresados fuera del horario laboral, en fin de semana, día festivo o el último día del final del plazo.
• Usuario inusual: Registros ingresados ​​por un usuario que normalmente no ingresa registros contables (por ejemplo, un administrador).
• Combinaciones de cuentas inusuales: publicaciones entre cuentas que no se esperan entre sí (por ejemplo, una cuenta de ingresos y una cuenta inusual que no es de efectivo).
• Cantidades redondas: cantidades grandes "limpias" como 100.000, 500.000; Es un rastro típico de manipulación manual.
• Registros con descripciones vacías o ambiguas: descripciones vacías como "corrección", "varios", "provisional".
• Registros invertidos: Registros ingresados ​​al inicio del período y cancelados (storno) al poco tiempo.
• Duplicados por debajo del umbral: una gran cantidad de registros agrupados justo por debajo del umbral de aprobación (por ejemplo, $50 000).

Consejo: piensen en estos criterios juntos, no individualmente. La "cantidad redonda" por sí sola puede ser inocente; pero "fin de semana, por un administrador, descripción en blanco, ronda consistente, publicación manual de fin de período" es una fuerte señal de alerta. Hacer que la IA combine criterios para producir una “puntuación de riesgo” le ayuda a priorizar.

La verdad del falso positivo: por qué no todo signo es un hallazgo

La naturaleza del escaneo de anomalías son los falsos positivos: registros marcados por la regla que en realidad son legítimos. Por ejemplo, una empresa ingresa automáticamente una acumulación de alquiler por turnos el último día hábil de cada mes; Esto se atasca con el criterio "monto redondo + final del período", pero es completamente normal. El trabajo del auditor es extraer el riesgo real del montón marcado. Esta clasificación no es transferible; porque distinguir lo legítimo de lo sospechoso requiere conocer el negocio y el contexto, algo que la IA no tiene.

Por lo tanto, lea siempre el resultado de esta manera: "La IA me marcó 420 registros. La mayoría de ellos probablemente sean falsos positivos. Mi trabajo es descubrir de estos 420 los que realmente necesitan ser investigados, los patrones y los individuos sospechosos". Esta vista lo protege tanto del sesgo de automatización (tomar cada señal como un error) como de la pereza (no mirar ninguna de ellas).

Detección de anomalías paso a paso

1. Prepare los datos y verifique que estén completos. (Pasos de conciliación en la unidad anterior).
2. Defina claramente los criterios. ¿Qué patrones de tiempo, cantidad, usuario y descripción se marcarán?
3. Escanea y puntúa con IA. Marcar cada registro según criterios; Dé mayor prioridad a aquellos que cumplan múltiples criterios.
4. Eliminar los falsos positivos. Filtrar o marcar patrones legítimos conocidos (como acumulaciones automáticas).
5. Examina los registros restantes. Vincule cada uno con el documento de respaldo, la aprobación y la lógica empresarial.
6. Documente la conclusión y el fundamento. Anota lo que te pareció sospechoso y por qué, y lo que eliminaste y por qué.

tres mini casos

Caso 1: Hallazgo real. Un auditor escaneó 240.000 entradas de diario con IA; Combinó los criterios "últimos 3 días del período + manual + descripción 'corrección' + 100.000 veces el importe". 14 registros recibieron puntuaciones altas. En la revisión, 11 fueron ajustes legítimos de fin de año; Sin embargo, se ingresaron 3 asientos de una manera que inflaría la cuenta de ingresos y se revertiría en el siguiente período, y no había documentación de respaldo. Se trataba de un patrón de gestión que eludió los controles y fue un hallazgo significativo. La IA hizo 14 preguntas; El escepticismo del auditor encontró las 3 respuestas reales.

Caso 2: Trampa de falsos positivos. Un miembro del equipo escribió los 380 registros "rondos consistentes" que AI había marcado directamente en la hoja de trabajo bajo el título "transacciones sospechosas". Cuando el oficial miró, vio que la mayoría tenían renta fija, honorarios fijos de consultoría y registros de depreciación automática; todos eran legítimos. La hoja de trabajo se había convertido en una "lista de resultados falsos" que llevaron la auditoría en la dirección equivocada. Lección: no todos los registros marcados son un hallazgo; El auditor hace la selección.

Caso 3: Establecer criterios demasiado estrictos. Un auditor utilizó únicamente el criterio del "registro de fin de semana" y no encontró registros sospechosos; Se sintió aliviado. Sin embargo, en el negocio, los registros manipulativos se ingresaban durante el horario laboral de los días laborables, pero con combinaciones de cuentas inusuales. Confiar en un criterio único y limitado le impidió ver el riesgo real. Cuando el auditor amplió los criterios, surgió el patrón. Lección: un solo criterio no proporciona seguridad; Míralo multidimensionalmente.

Aviso débil / Aviso fuerte

Aviso débil:

Encuentre entradas fraudulentas en estos asientos de diario.

Problema: la IA no puede “detectar” trampas; El fraude es una consecuencia legal/profesional, no un patrón de datos. Tampoco está definido "fraudulento". Este mensaje produce una "lista de trucos" inventada o indicadores sin sentido.

Potente mensaje:

Su función: usted es un asistente de análisis de asientos contables de un auditor independiente. MARCAS el registro según los criterios; la decisión de hacer trampa/error me pertenece. Contexto: datos del diario anonimizados (columnas: número_de_registro, fecha, hora, rol_de_usuario, cuenta_debito, cuenta_de_crédito, monto, tipo_de_registro[manual/automático], descripción). Fin del plazo: 31.12. Horas de trabajo: 09:00-18:00, lunes a viernes. Tarea:1) Dar una "puntuación de atención" a cada registro de acuerdo con los siguientes criterios (dependiendo de cuántos criterios se adjuntan): a) tipo_registro=manual b) fecha entre el 29 y el 31 de diciembre O fin de semana/vacaciones c) hora libre d) cantidad 100 000 TL sólida (redondeada) e) la descripción está vacía o {corrección, miscelánea, temporal} en2) Indique aquellos con una puntuación de 3 o más como lista de prioridades.3) Escriba cada criterio que aplique en texto plano (auditabilidad).4) Deje en claro que estas son "excepciones a examinar" y no son el RESULTADO de fraude/error. Agregar un registro falso.

Este mensaje es poderoso porque define claramente los criterios, requiere puntajes multidimensionales, auditabilidad y ubica con precisión el resultado (la excepción, no el resultado).

Errores comunes

• Significa "encontrar el truco". La IA no detecta trampas; pone una nota según los criterios. Hacer trampa es una consecuencia profesional/legal.
• Confundir la señal con un hallazgo. Redactar el registro sospechoso como “error” sin eliminar falsos positivos.
• Basándose en un criterio. Usando una regla estrecha y omitiendo el patrón real.
• No filtrar patrones legítimos. Crear ruido al incluir acumulaciones automáticas en la lista de sospechosos.
• No documentar el fundamento. Dejar la hoja de trabajo imposible de rastrear sin anotar lo que eliminó/conservó y por qué.

Precaución: Describir una grabación como "sospechosa" es una declaración seria. Verifique con evidencia (documento de respaldo, confirmación, caso de negocios) antes de escribir como hallazgo. De lo contrario, será injusto con la empresa y perjudicará la calidad de la auditoría.

En resumen

La prueba de entrada de diario es obligatoria según BDS 240, y la IA es el motor ideal para ello: escanea cientos de miles de registros según criterios multidimensionales en segundos y produce una puntuación de atención. Pero la IA no "detecta" trampas ni errores; sólo marca lo inusual. El resultado es un montón de excepciones llenas de falsos positivos; Depende del escepticismo y del juicio del auditor separar el riesgo real, eliminar el legítimo y sacar conclusiones. El signo es un signo de interrogación, no una respuesta.

Tarea de aplicación

Especifique cinco criterios de anomalía para datos de diario hipotéticos (programación, usuario, monto, combinación de cuentas, descripción). Haga que la IA produzca una "puntuación de atención" multidimensional con el poderoso patrón de indicaciones anterior. Luego escriba una “guía de selección”: ¿qué patrones legítimos (acumulación automática, alquiler fijo, etc.) deberían filtrarse como falsos positivos? Finalmente, para los 5 registros con puntuación alta, “¿qué evidencia busco?” Responde la pregunta.

lista de verificación

• [] Anonimicé los datos y verifiqué que estuvieran completos.
• [ ] Definí los criterios de anomalía de forma multidimensional y clara.
• [] Recibí el texto sin formato de la puntuación de atención y apliqué los criterios de la IA.
• [] Filtré patrones legítimos conocidos como falsos positivos.
• [ ] He revisado registros de alta puntuación con documentación de respaldo y confirmación.
• [] Lo verifiqué con evidencia antes de concluir "trampa/error".
• [] Documenté lo que encontré sospechoso y por qué.