જોખમ મૂલ્યાંકન અને સામગ્રી: BDS 315 અને 320 ના પ્રકાશમાં જોખમ નકશો

નફો:

• વ્યવસાય અને તેના વાતાવરણને જાણીને સામગ્રીના ખોટા નિવેદનના જોખમને ઓળખવાની પ્રક્રિયામાં જોખમ વિચાર જનરેટર અને ડ્રાફ્ટર તરીકે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની ક્ષમતા
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે સ્ક્રિપ્ટ ભૌતિકતા અને તુચ્છતા થ્રેશોલ્ડ ગણતરી કરવાની ક્ષમતા અને દરેક નંબરને સ્વતંત્ર રીતે ચકાસવા
• જાળવવાની ક્ષમતા કે અંતિમ જોખમ મૂલ્યાંકન અને ભૌતિકતાનો ચુકાદો ઓડિટરના વ્યાવસાયિક ચુકાદાનો છે અને તે કૃત્રિમ બુદ્ધિ માત્ર ઇનપુટ પ્રદાન કરે છે

ફિલ્ડવર્કના ઘણા સમય પહેલા ડેસ્ક પર સારું ઓડિટ જીતવામાં કે હારી જાય છે. જો ઑડિટર વ્યવસાયને જાણ્યા વિના, ક્યાં ખોટું થવાની સંભાવના વધારે છે તે અનુમાન કર્યા વિના, અને તેના સંસાધનો (સમય, ટીમ, પરીક્ષણો) ને આ જોખમો તરફ નિર્દેશિત કર્યા વિના, તે ખોટી જગ્યાએ જોઈ શકે છે, પછી ભલે તે ગમે તેટલી સખત મહેનત કરે. તેથી, BDS 315 (વ્યવસાય અને તેના વાતાવરણને જાણીને સામગ્રીના ખોટા નિવેદનના જોખમને નક્કી કરવા અને તેનું મૂલ્યાંકન કરવા માટેનું ધોરણ) અને BDS 320 (ઓડિટિંગમાં ભૌતિકતા ધોરણ) ઑડિટનું માળખું સ્થાપિત કરે છે.

આ એકમમાં, અમે આયોજનના તબક્કાના બે મુખ્ય કાર્યો - ભૌતિકતાની ગણતરી અને જોખમ મેપિંગ - એક આઈડિયા પાર્ટનર અને ડ્રાફ્ટ જનરેટર તરીકે તમે AIને કેવી રીતે લાગુ કરી શકો છો તે અમે આવરી લઈશું, પરંતુ શા માટે તમે હંમેશા અંતિમ ન્યાયાધીશ બનશો. ચાલો પહેલા બે ખ્યાલો સ્પષ્ટ કરીએ. ભૌતિક ખોટા નિવેદન એ નાણાકીય નિવેદનોમાં ભૂલ અથવા છેતરપિંડી છે જે, વ્યક્તિગત રીતે અથવા સામૂહિક રીતે, નિવેદનોના વપરાશકર્તાઓના આર્થિક નિર્ણયોને અસર કરવા માટે પૂરતી મોટી છે. જોખમ મૂલ્યાંકન એ નક્કી કરવાનો પ્રયાસ છે કે કયા ખાતામાં, વ્યવહારના વર્ગ અથવા જાહેરાત અને કયા કારણોસર, આવી ખોટી નિવેદનો થવાની સંભાવના છે.

વ્યવસાયને જાણવું: જ્યાં AI એક વિચાર ભાગીદાર બને છે

ISA 315 ઓડિટરને તે સંસ્થા અને પર્યાવરણ કે જેમાં તે કાર્ય કરે છે તે જાણવા માટે પૂછે છે (ઉદ્યોગ, કાયદો, વ્યવસાય મોડેલ, આંતરિક નિયંત્રણ). આ ઓળખ પ્રક્રિયા દરમિયાન, ઓડિટર પૂછે છે કે "સામાન્ય રીતે વ્યવસાયની આ લાઇનમાં શું ખોટું થાય છે?" તે પૂછે છે. આ તે છે જ્યાં AI એક મૂલ્યવાન મંથન ભાગીદાર છે: તે ઉદ્યોગના લાક્ષણિક જોખમ વિસ્તારો, એકાઉન્ટિંગ છેતરપિંડીની સામાન્ય પેટર્ન, મોસમ અને આવકની ઓળખની જટિલતાઓને ઝડપથી સૂચિબદ્ધ કરી શકે છે. પરંતુ સાવચેત રહો: ​​AI દ્વારા આપવામાં આવેલી આ સૂચિ સામાન્ય અને સામાન્ય છે; તમારા વ્યવસાયને ઓળખતો નથી. તેથી આઉટપુટ "ચેકલિસ્ટ ડ્રાફ્ટ" છે, "જોખમ આકારણી" નથી.

ચાલો પ્રક્રિયાને સ્ટેપ બાય સ્ટેપ સેટ કરીએ:

1. સંદર્ભ આપો. વ્યવસાયના ઉદ્યોગ, કદ, વ્યવસાય મોડેલ અને નોંધપાત્ર સુવિધાઓનું અનામી રૂપે વર્ણન કરો. (કોઈ નામ નથી, TIN.)
2. સામાન્ય જોખમ વિચારની વિનંતી કરો. "સામાન્ય રીતે આ પ્રકારના વ્યવસાયમાં સામગ્રીના ખોટા નિવેદનનું જોખમ ક્યાં વધારે છે?" પૂછો AI તમને પ્રારંભિક નકશો આપે છે.
3. વ્યવસાય માટે કસ્ટમાઇઝ કરો. તમે જાણો છો તે તથ્યો સાથે AI ની સૂચિને ફિલ્ટર કરો (આ વ્યવસાયનો ઇતિહાસ, આંતરિક નિયંત્રણો, અગાઉના વર્ષના તારણો). કેટલાક જોખમો આ વ્યવસાય પર લાગુ પડતા નથી; કેટલાક અનન્ય જોખમો છે જે AI ક્યારેય જોશે નહીં.
4. તેને પુરાવા સાથે બાંધો. ક્ષેત્રીય અભ્યાસમાં તમે કયા પરીક્ષણને સંબોધિત કરશો તે પ્રત્યેક જોખમને લિંક કરો.

ટિપ: AI વિશે વિચારો કે "સામગ્રીના ખોટા નિવેદનનું જોખમ ક્યાં હોઈ શકે?" તમને વિચારવા માટે તેનો ઉપયોગ કરો; તમને એવું કહેવા માટે નહીં કે "આ તે છે જ્યાં જોખમ છે, ખાતરી માટે". જોખમનું મૂલ્યાંકન એ વ્યાવસાયિક નિર્ણય છે; જોખમ વિચાર વિચાર મંથન.

ભૌતિકતા: સંખ્યા, પરંતુ ચુકાદા પર આધારિત સંખ્યા

ISA 320 માટે ઑડિટ શરૂ કરતી વખતે ઑડિટરને ભૌતિકતાનું સ્તર નક્કી કરવાની જરૂર છે. વ્યવહારમાં, આ એક સૂચક (દા.ત. નફો, આવક, કુલ અસ્કયામતો અથવા ઇક્વિટી પહેલાંનો કર) પસંદ કરીને અને તેના પર ટકાવારી લાગુ કરવાથી શરૂ થાય છે. ઉદાહરણ તરીકે, ચાલુ કામગીરીથી કર પૂર્વેના નફાના 5% અથવા આવકના 0.5-1%. આ કોઈ યાંત્રિક સૂત્ર નથી: ઓડિટર નક્કી કરે છે કે કયું સૂચક વ્યવસાય માટે સૌથી વધુ અર્થપૂર્ણ છે, ટકાવારી શું હશે અને અંતિમ રકમ. કામગીરીની ભૌતિકતા (આયોજન દરમિયાન પરીક્ષણને કડક બનાવવા માટે ભૌતિકતાની નીચેનો નીચો થ્રેશોલ્ડ સેટ) અને સ્પષ્ટપણે બિનમહત્વપૂર્ણ થ્રેશોલ્ડ (અહેવાલ કરવા માટે તફાવતોની મર્યાદા ખૂબ નાની છે) પણ નિર્ધારિત કરવામાં આવે છે.

AI અહીં એક ઉત્તમ કેલ્ક્યુલેટર અને દૃશ્ય એન્જિન છે: તે વિવિધ સૂચકાંકો અને ટકાવારીઓ માટે તરત જ રકમની ગણતરી કરે છે, તેને તમારી સામે ટેબલમાં મૂકે છે. પરંતુ સૂચકની પસંદગી અને અંતિમ નિર્ણય તમારો છે. નીચેનું કોષ્ટક લાક્ષણિક દૃશ્ય આઉટપુટ બતાવે છે (નંબર ઉદાહરણો છે):

સૂચક

રકમ (TL)

% લાગુ

સામગ્રી (TL)

કર પહેલાં નફો

12,000,000

5%

600,000

આવક

240,000,000

0.5%

1,200,000

કુલ સંપત્તિ

180,000,000

1%

1,800,000

ઇક્વિટી

90,000,000

2%

1,800,000

આ કોષ્ટકને જોઈને, ઑડિટર વિચારે છે: "જો નફો અસ્થિર હોય, તો આવક આધારિત ભૌતિકતા વધુ વાજબી હોઈ શકે છે; પરંતુ જો આ વ્યવસાયમાં વપરાશકર્તાઓની મુખ્ય રુચિ નફાકારકતા છે, તો કર પૂર્વેનો નફો વધુ યોગ્ય છે." આ મૂલ્યાંકન વ્યાવસાયિક ચુકાદો છે જેને AI બદલી શકતું નથી. AI 5 સેકન્ડમાં ચાર દૃશ્યોની ગણતરી કરે છે; તમે નક્કી કરો કે કયું સાચું છે.

સાવધાન: એઆઈ દ્વારા આપવામાં આવેલ ભૌતિકતાના દૃશ્યને ચકાસો. ટકાવારીની ગણતરી જાતે ફરીથી કરો (શું 600,000 ખરેખર 12,000,000 માંથી 5% છે?) અને ખાતરી કરો કે સૂચકાંકો સાચી માત્રામાં છે. AI ગુણાકારને ખોટી રીતે કરી શકે છે અથવા ખોટી રકમનો ઉપયોગ કરી શકે છે.

જોખમ નકશો: AI ડ્રાફ્ટ, ઓડિટર પ્રાધાન્ય આપે છે

જોખમ નકશો એ એક કાર્યપત્રક છે જે ઓળખાયેલા જોખમોને એક જગ્યાએ એકત્રિત કરે છે અને દરેકને મૂલ્યાંકન (સંભાવના, અસર, સંબંધિત દાવો, આયોજિત પરીક્ષણ) સોંપે છે. એકાઉન્ટિંગમાં નિવેદનો એ સત્ય છે કે જે મેનેજમેન્ટ એકાઉન્ટ અથવા ટ્રાન્ઝેક્શન વિશે સ્પષ્ટપણે દાવો કરે છે: વાસ્તવિકતા/અસ્તિત્વ, સંપૂર્ણતા, ચોકસાઈ, મૂલ્યાંકન, સામયિકતા (કટઓફ), અધિકારો-જવાબદારીઓ, રજૂઆત. ઉદાહરણ તરીકે, "આવક સંપૂર્ણ છે" એ પૂર્ણતાનો દાવો છે; "સ્ટોક્સનું મૂલ્ય તેમના નેટ રીલીઝેબલ વેલ્યુ પર કરવામાં આવે છે" એ વેલ્યુએશન ક્લેમ છે.

AI જોખમોની કાચી સૂચિને સંગઠિત નકશામાં ફેરવવા માટે સારી રીતે કાર્ય કરે છે: દરેક જોખમને સંબંધિત દાવા પર મેપિંગ કરવું, સંભવિત પરીક્ષણોની સૂચિબદ્ધ કરવું, કોષ્ટકનું ફોર્મેટ કરવું. પરંતુ તેના માટે બે બાબતો ક્યારેય છોડશો નહીં: (1) આ વ્યવસાયને ખરેખર કયું જોખમ લાગુ પડે છે, (2) જોખમોની પ્રાથમિકતા. આ નિર્ધારિત કરે છે કે તમે તમારા ઓડિટ સંસાધનો ક્યાં ખર્ચો છો અને ઓડિટ ગુણવત્તાને સીધી અસર કરે છે.

ત્રણ નાના કેસો

કેસ 1 - સાચો ઉપયોગ. ઓડિટ એક્ઝિક્યુટિવ નવા હસ્તગત કરાયેલ રિટેલ ક્લાયન્ટ માટે જોખમો પર વિચાર કરે છે. AI ને પૂછો "મલ્ટિ-બ્રાન્ચ રિટેલ બિઝનેસમાં સામગ્રીના ખોટા નિવેદનનું જોખમ ક્યાં વધારે છે?" તેણે પૂછ્યું; તેને 11 વસ્તુઓનો ડ્રાફ્ટ મળ્યો, જેમ કે કેશ મેનેજમેન્ટ, સ્ટોક કાઉન્ટ ડિફરન્સ, રેવન્યુ કટિંગ, રિટર્ન/ડિસ્કાઉન્ટ મેનીપ્યુલેશન. તેણે તેના પોતાના જ્ઞાન દ્વારા આને ફિલ્ટર કર્યું: ક્લાયન્ટનું રોકડ વેચાણ ઓછું હતું (કાર્ડ-ભારે), તે જોખમ ઘટાડે છે; પરંતુ સ્ટોક કટિંગનું જોખમ, જે એઆઈએ ચૂક્યું ન હતું, તે આ વ્યવસાયમાં નિર્ણાયક હતું કારણ કે વર્ષના અંતે એક તીવ્ર ઝુંબેશ ચાલી રહી હતી. પરિણામ: AI એ બીજ પહોંચાડ્યું, ઓડિટર એ નકશાને વ્યવસાય માટે કસ્ટમાઇઝ કર્યો.

કેસ 2 — મહત્વના ગુણાકારની ભૂલ. એક ટીમના સભ્ય પાસે એઆઈ કાર્ડિનલિટી સિનારિયોની ગણતરી કરી હતી. YZએ ભૂલથી આવકને 240 મિલિયનને બદલે 24 મિલિયન તરીકે લીધી અને ભૌતિકતા વધારીને 120,000 TL કરી. ટીમના સભ્યએ ચકાસણી કર્યા વિના આને આયોજનમાં મૂક્યું; કારણ કે પ્રદર્શનની ભૌતિકતા ઓછી નિર્ધારિત હતી, ટીમે બિનજરૂરી રીતે સેંકડો વધારાની વસ્તુઓનું પરીક્ષણ કરવાનું શરૂ કર્યું. જવાબદાર વ્યક્તિના ધ્યાને આવતાં રકમ સુધારી હતી. પાઠ: AI ના દરેક ગુણાકારની પુનઃ ગણતરી કરો.

કેસ 3 - વ્યવસાય માટે સાર્વજનિક સૂચિમાં ભૂલ કરવી. એક ઇન્ટર્નએ જોખમ મૂલ્યાંકન કાર્યપત્રક પર YZ દ્વારા આપવામાં આવેલ સામાન્ય "બાંધકામ ઉદ્યોગના જોખમો" ની સૂચિ પેસ્ટ કરી. જો કે, આ ગ્રાહકને "બહુ-વર્ષીય બાંધકામ કરારોમાં પૂર્ણતાની ટકાવારી" નું જોખમ ન હતું (ગ્રાહક સામગ્રી સપ્લાયર હતો, પેટા કોન્ટ્રાક્ટર નહીં); બીજી બાજુ, ગ્રાહક-વિશિષ્ટ "ઇન્ટ્રા-ગ્રૂપ વેચાણમાં ટ્રાન્સફર પ્રાઇસિંગ" જોખમ સૂચિમાં ન હતું. વ્યાપાર-વિશિષ્ટ આકારણી તરીકે સામાન્ય સૂચિને ભૂલથી બંનેમાં વધારો થયો અને જોખમો અધૂરા રહી ગયા.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

અમને આ કંપનીના જોખમો અને ભૌતિકતા જણાવો.

સમસ્યા: વ્યવસાય રજૂ કરવામાં આવ્યો નથી, સૂચક અને રકમ આપવામાં આવી નથી, અને AI "ચોક્કસ જોખમ" અને કાલ્પનિક ભૌતિકતાની રકમ પેદા કરવા માટે બનાવવામાં આવ્યું છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તમે સ્વતંત્ર ઓડિટરના આયોજન સહાયક છો. જોખમ અને ભૌતિકતાનો અંતિમ ચુકાદો મારો છે. સંદર્ભ (અનામી): એક મધ્યમ કદનો, બહુ-શાખા ખાદ્ય છૂટક વેપાર. વર્ષના અંતે સઘન ઝુંબેશ ચાલી રહી છે. કાર્ડ આધારિત વેચાણ, ઓછી રોકડ. પાછલા વર્ષની શોધ: ઇન્વેન્ટરી કાઉન્ટ ભિન્નતા. કાર્ય A - જોખમનો વિચાર: આ પ્રકારના વ્યવસાયમાં સામગ્રીના ખોટા નિવેદનનું જોખમ સામાન્ય રીતે વધારે હોય તેવા વિસ્તારોની યાદી બનાવો, દરેકને સંબંધિત એકાઉન્ટિંગ નિવેદન (સંપૂર્ણતા, સત્યતા, સામયિકતા/કટઓફ, મૂલ્યાંકન, વગેરે) સાથે મેપિંગ કરો. કૃપા કરીને નોંધો કે આ સામાન્ય છે અને વ્યવસાય-વિશિષ્ટ મૂલ્યાંકન મારું છે. કાર્ય B - ભૌતિકતા દૃશ્ય: નીચેના સૂચકાંકો માટે %s સાથે ભૌતિકતા દૃશ્ય કોષ્ટકની ગણતરી કરો; દરેક ગુણાકાર સ્પષ્ટ રીતે બતાવો જેથી હું તેને ચકાસી શકું. હું નક્કી કરીશ કે કયું સૂચક પસંદ કરવું.- કરવેરા પહેલાં નફો: 12.000.000 TL- આવક: 240.000.000 TL- કુલ સંપત્તિ: 180.000.000 TLRule: મેં ડેટા ન આપ્યો હોય તેવા કોઈપણ નંબરો બનાવશો નહીં.

આ પ્રોમ્પ્ટ મજબૂત છે કારણ કે તે વ્યવસાયનો પરિચય આપે છે, દાવો મેચિંગની જરૂર છે, એકાઉન્ટને ચકાસી શકાય તેવું બનાવે છે અને નિર્ણય ઓડિટર પર છોડી દે છે.

સામાન્ય ભૂલો

• વ્યાપાર આકારણી માટે સામાન્ય જોખમ યાદીમાં ભૂલ કરવી. AI ના સામાન્ય આઉટપુટને ફિલ્ટર કર્યા વિના વર્કશીટમાં મૂકવું.
• કાર્ડિનલિટી ગુણાકારની ચકાસણી કરી રહ્યાં નથી. રકમ અથવા ટકાવારીમાં AI ની ભૂલને ધ્યાનમાં લેતા નથી.
• સૂચક પસંદગી AI પર છોડીને. કયું સૂચક યોગ્ય છે તે વ્યાવસાયિક નિર્ણયની બાબત છે.
• જોખમોને દાવાઓ સાથે જોડતા નથી. ક્લેમ મેચિંગ વિનાના જોખમને ટેસ્ટ સાથે જોડી શકાતું નથી.
• પાછલા વર્ષના તારણો અને વ્યવસાય વિશિષ્ટ માહિતીની અવગણના. AI આ વસ્તુઓને જાણતું નથી; જો તમે તેને નહીં કહો, તો જોખમનો નકશો અધૂરો રહેશે.

ટીપ: જોખમનો નકશો તૈયાર કર્યા પછી, એઆઈને પૂછો કે "આ નકશામાં કયા જોખમો અવગણવામાં આવ્યા હશે?" પાછળ પૂછો. આ તમને બ્લાઇન્ડ સ્પોટ્સ જોવામાં મદદ કરે છે; પરંતુ વિચારોને જાતે ફિલ્ટર કરો.

સારાંશમાં

આયોજનના તબક્કામાં, AI બે શક્તિશાળી ઉપયોગો લાવે છે: ક્ષેત્રીય જોખમ વિચારણા અને ભૌતિકતાના દૃશ્યની ગણતરી. પરંતુ ASA 315 અનુસાર સામગ્રીના ખોટા નિવેદનના જોખમનું મૂલ્યાંકન કરવું અને ASA 320 અનુસાર ભૌતિકતા નક્કી કરવી એ વ્યાવસાયિક ચુકાદો છે. AI સામાન્ય જોખમ આંતરદૃષ્ટિ અને ચકાસી શકાય તેવું એકાઉન્ટિંગ પ્રદાન કરે છે; કયું જોખમ માન્ય છે, કયું સૂચક પસંદ કરવું અને અંતિમ ભૌતિકતાની રકમ ઓડિટરની છે. દરેક ભૌતિકતાના ગુણાકારની પુનઃગણતરી કરો, દરેક જોખમી વિચારને વ્યવસાય-વિશિષ્ટ ફિલ્ટર કરો.

એપ્લિકેશન કાર્ય

અનુમાનિત વ્યવસાય પસંદ કરો (ઉદ્યોગ, કદ, પાછલા વર્ષની શોધ નક્કી કરો). ઉપરોક્ત શક્તિશાળી પ્રોમ્પ્ટ પેટર્ન સાથે, પહેલા સામાન્ય જોખમનો વિચાર મેળવો, પછી ભૌતિકતાનું દૃશ્ય. AI ની જોખમ સૂચિને ત્રણ-કૉલમ કોષ્ટકમાં રૂપાંતરિત કરો: "જોખમ / સંબંધિત દાવો / શું તે આ વ્યવસાયને લાગુ પડે છે (Y/N, વાજબીપણું)". ભૌતિકતાના દૃશ્યમાં દરેક ગુણાકારને મેન્યુઅલી ચકાસો અને એક વાક્યમાં તમારા પસંદ કરેલા સૂચકનું સમર્થન લખો.

ચેકલિસ્ટ

• [ ] મેં વ્યવસાયનું અનામી રીતે વર્ણન કર્યું છે પરંતુ પૂરતા સંદર્ભ (ઉદ્યોગ, કદ, ઐતિહાસિક તારણો) સાથે.
• [ ] મેં વ્યવસાય-વિશિષ્ટ જ્ઞાન દ્વારા AI ના જોખમ વિચારોને ફિલ્ટર કર્યા; મેં અમાન્યને દૂર કર્યા અને ગુમ થયેલા ઉમેર્યા.
• [] મેં દરેક જોખમને સંબંધિત એકાઉન્ટિંગ નિવેદન સાથે મેપ કર્યું છે અને તેને પરીક્ષણ સાથે લિંક કર્યું છે.
• [ ] મેં ભૌતિકતાના દૃશ્યમાં દરેક ઉત્પાદન અને રકમની સ્વતંત્ર રીતે ચકાસણી કરી છે.
• [ ] મેં સૂચકની પસંદગીને વાજબી ઠેરવી છે; મેં નિર્ણય લીધો.
• [] મેં પ્રદર્શન ભૌતિકતા અને દેખીતી રીતે બિન-ભૌતિકતા માટે થ્રેશોલ્ડ સેટ કર્યું છે.
• [ ] "શું કોઈ જોખમો અવગણવામાં આવે છે?" મેં પાછળની તરફ પૂછ્યું અને વિચારોને ફિલ્ટર કર્યા.