Satuan
1. Pengantar Kecerdasan Buatan dalam Audit: Peran, Batasan, Independensi, Otentikasi, dan Kerahasiaan 2. Penilaian Risiko dan Materialitas: Peta Risiko Sehubungan dengan BDS 315 dan 320 3. Pengujian Populasi Lengkap dengan Analisis Data: Dari Sampel hingga Keseluruhan 4. Deteksi Anomali dan Kesalahan: Pengujian Entri Jurnal dan Analisis Outlier 5. Penyusunan Kertas Kerja: Dokumentasi Audit dan Kecerdasan Buatan 6. Penelitian Standar dan Perundang-undangan: BDS, TFRS dan Disiplin Verifikasi 7. Rekonsiliasi, Konfirmasi, dan Otomatisasi Pencocokan Tiga Arah 8. Prosedur Analitik dan Pemodelan Ekspektasi: Analisis Tren, Rasio dan Deviasi 9. Pemeriksaan Cheat: Bendera Merah, Hukum Benford, dan Analisis Teks 10. Pelaporan Audit: Penulisan Temuan, Surat Manajemen, dan Draf Laporan 11. Skeptisisme Profesional dan Kecerdasan Buatan: Bias Konfirmasi, Halusinasi, dan Pertanyaan Kritis 12. Alur Kerja AI Etika, Independensi, Privasi, dan Audit End-to-End
Satuan 4 / 12

Deteksi Anomali dan Kesalahan: Pengujian Entri Jurnal dan Analisis Outlier

Keuntungan:

  • Pahami mengapa pengujian entri jurnal wajib dilakukan berdasarkan BDS 240 dan bagaimana kecerdasan buatan dapat memindai kriteria entri yang mencurigakan
  • Kemampuan untuk menandai dan memprioritaskan outlier, waktu yang tidak biasa, dan pola jumlah yang tidak biasa dengan dukungan kecerdasan buatan
  • Mampu mempertahankan bahwa setiap anomali yang ditandai oleh kecerdasan buatan bukanlah sebuah temuan, melainkan tanda tanya yang akan diselidiki oleh auditor, dan penghapusan positif palsu adalah tanggung jawab manusia.

Laporan keuangan suatu bisnis pada dasarnya adalah jumlah jutaan entri jurnal (dalam akuntansi, setiap transaksi keuangan dicatat sebagai debit dan kredit). Kesalahan dan penipuan pada akhirnya hidup dalam entri jurnal: jumlah yang ditulis ke rekening yang salah, penyisihan yang “dilupakan” dan dibalik pada akhir periode, entri yang tidak biasa dimasukkan secara manual di tengah malam. Oleh karena itu, BDS 240 (standar yang mengatur tanggung jawab auditor mengenai kecurangan dalam audit laporan keuangan) dengan jelas mewajibkan auditor untuk melakukan pengujian entri jurnal. Tujuannya adalah untuk mengungkap kemungkinan manipulasi yang dilakukan manajemen melalui pengesampingan manajemen.

Dalam unit ini, kita akan membahas bagaimana mengubah kecerdasan buatan menjadi mesin deteksi anomali dan kesalahan, namun mengapa setiap catatan yang ditandai merupakan "tanda tanya" dan bukan "temuan". Dua konsep pertama. Anomali adalah catatan yang tidak biasa dalam kumpulan data yang menyimpang dari pola yang diharapkan. Pencilan adalah observasi yang secara numerik berbeda signifikan dengan observasi lainnya (misalnya jumlah yang sangat besar, frekuensi yang sangat tinggi). Anomali tidak selalu merupakan kesalahan; tapi di situlah auditor harus melihat.

Kriteria posting yang mencurigakan dalam tes masuk jurnal

BDS 240 menyatakan bahwa arsip dengan karakteristik tertentu lebih menonjol terhadap risiko kecurangan. AI dapat memindai ratusan ribu catatan berdasarkan kriteria ini dalam hitungan detik. Kriteria umum "bendera merah":

  • Waktu yang tidak biasa: Pencatatan manual dimasukkan setelah jam kerja, pada akhir pekan, pada hari libur, atau pada hari terakhir akhir semester.
  • Pengguna yang tidak biasa: Catatan yang dimasukkan oleh pengguna yang biasanya tidak memasukkan catatan akuntansi (misalnya, administrator).
  • Kombinasi akun yang tidak biasa: Posting antar akun yang tidak saling mengharapkan (misalnya, akun pendapatan dan akun non-tunai yang tidak biasa).
  • Jumlah bulat: jumlah besar yang "bersih" seperti 100.000, 500.000; Ini adalah ciri khas manipulasi manual.
  • Catatan dengan deskripsi kosong atau ambigu: deskripsi kosong seperti "koreksi", "lain-lain", "sementara".
  • Catatan terbalik: Catatan yang dimasukkan pada awal periode dan dibatalkan (storno) setelah waktu yang singkat.
  • Duplikat subthreshold: Sejumlah besar catatan dikelompokkan tepat di bawah ambang batas persetujuan (misalnya $50.000).
Tip: Pikirkan kriteria ini secara bersama-sama, bukan satu per satu. "Jumlah bulat" saja mungkin tidak bersalah; tetapi "akhir pekan, oleh administrator, deskripsi kosong, konsisten bulat, posting manual akhir periode" adalah tanda bahaya yang kuat. Memiliki AI yang menggabungkan kriteria untuk menghasilkan “skor risiko” membantu Anda membuat prioritas.

Kebenaran positif palsu: mengapa tidak setiap tanda merupakan temuan

Sifat pemindaian anomali adalah positif palsu: catatan yang ditandai oleh aturan sebenarnya sah. Misalnya, perusahaan secara otomatis memasukkan akrual sewa round-robin pada hari kerja terakhir setiap bulannya; Ini terjebak dengan kriteria "jumlah bulat + akhir periode", tetapi ini sepenuhnya normal. Tugas auditor adalah mengambil risiko nyata dari tumpukan yang ditandai. Penyortiran ini tidak dapat dipindahtangankan; karena membedakan hal yang sah dan yang mencurigakan memerlukan pengetahuan tentang bisnis dan konteksnya — sesuatu yang tidak dimiliki oleh AI.

Jadi selalu baca keluarannya seperti ini: "AI menandai 420 catatan untuk saya. Kebanyakan di antaranya mungkin positif palsu. Tugas saya adalah mencari tahu dari 420 catatan ini yang benar-benar perlu diselidiki, polanya, dan individu yang mencurigakan." Pandangan ini melindungi Anda dari bias otomatisasi (menganggap setiap tanda sebagai kesalahan) dan kemalasan (tidak melihat satupun).

Deteksi anomali selangkah demi selangkah

  1. Menyiapkan data dan memverifikasi kelengkapannya. (Langkah-langkah rekonsiliasi di unit sebelumnya.)
  2. Tentukan kriterianya dengan jelas. Pola waktu, jumlah, pengguna, dan deskripsi apa yang akan ditandai?
  3. Pindai dan cetak skor dengan AI. Tandai setiap catatan sesuai kriteria; Berikan prioritas lebih tinggi kepada mereka yang memenuhi beberapa kriteria.
  4. Hilangkan positif palsu. Filter atau tandai pola sah yang diketahui (seperti akrual otomatis).
  5. Periksa catatan yang tersisa. Tautkan masing-masing ke dokumen pendukung, persetujuan, dan logika bisnis.
  6. Dokumentasikan kesimpulan dan alasannya. Tuliskan apa yang Anda anggap mencurigakan dan alasannya, serta apa yang Anda hilangkan dan alasannya.

tiga kasus mini

Kasus 1 — Temuan aktual. Seorang auditor memindai 240.000 entri jurnal dengan AI; Ini menggabungkan kriteria "3 hari terakhir periode + manual + deskripsi 'koreksi' + 100.000 kali lipat jumlahnya". 14 rekor mendapat skor tinggi. Dalam peninjauan tersebut, 11 diantaranya merupakan penyesuaian akhir tahun yang sah; Namun, 3 entri dimasukkan dengan cara yang akan meningkatkan akun pendapatan dan dibalik pada periode berikutnya, dan tidak ada dokumentasi pendukung. Ini adalah pola manajemen yang mengabaikan pengendalian dan merupakan temuan yang signifikan. AI mengajukan 14 pertanyaan; Skeptisisme auditor menemukan 3 jawaban nyata.

Kasus 2 — Jebakan positif palsu. Seorang anggota tim menulis 380 catatan “konsisten” yang telah ditandai oleh AI langsung ke lembar kerja di bawah judul “transaksi mencurigakan”. Ketika petugas melihat, dia melihat bahwa sebagian besar dari mereka mempunyai uang sewa tetap, biaya konsultasi tetap dan catatan penyusutan otomatis; semuanya sah. Lembar kerja tersebut telah menjadi "daftar temuan palsu" yang mengarahkan audit ke arah yang salah. Pelajaran: tidak semua catatan yang ditandai merupakan temuan; Auditor membuat pilihan.

Kasus 3 — Menetapkan kriteria terlalu sempit. Auditor hanya menggunakan kriteria "catatan akhir pekan" dan tidak menemukan catatan yang mencurigakan; Dia merasa lega. Namun, dalam bisnis, catatan manipulatif dimasukkan selama jam kerja hari kerja, namun dengan kombinasi akun yang tidak biasa. Mengandalkan satu kriteria sempit mencegahnya melihat risiko sebenarnya. Ketika auditor memperluas kriterianya, pola tersebut muncul. Pelajaran: kriteria tunggal tidak memberikan jaminan; Lihatlah secara multidimensi.

Perintah lemah / Perintah kuat

Perintah yang lemah:

Temukan entri palsu dalam entri jurnal ini.

Masalah: AI tidak bisa “mendeteksi” kecurangan; Penipuan adalah konsekuensi hukum/profesional, bukan pola data. Juga "penipuan" tidak terdefinisi. Prompt ini menghasilkan "daftar curang" yang dibuat-buat atau tanda yang tidak berarti.

Perintah yang kuat:

Peran Anda: Anda adalah asisten analisis entri jurnal auditor independen. Anda MENANDAI catatan sesuai dengan kriteria; Keputusan curang/kesalahan ada di tangan saya. Konteks: Data jurnal yang dianonimkan (kolom: nomor_catatan, tanggal, waktu, peran_pengguna, akun_debit, akun_kredit, jumlah, tipe_catatan[manual/otomatis], deskripsi). Akhir semester: 31.12. Jam kerja: 09:00-18:00, Senin-Jumat.Tugas:1) Memberikan "skor perhatian" pada setiap catatan sesuai dengan kriteria berikut (tergantung pada berapa banyak kriteria yang dilampirkan): a) tipe_catatan=manual b) tanggal antara 29-31 Desember ATAU akhir pekan/hari libur c) jam bebas tugas d) jumlah 100.000 TL padat (dibulatkan) e) deskripsi kosong atau {koreksi, lain-lain, sementara} di2) Berikan kriteria yang memiliki skor 3 ke atas sebagai daftar prioritas.3) Tulis setiap kriteria yang Anda terapkan dalam teks biasa (auditabilitas).4) Perjelas bahwa ini adalah "pengecualian untuk diperiksa" dan bukan HASIL penipuan/kesalahan. Menambahkan catatan palsu.

Perintah ini sangat berguna karena mendefinisikan kriteria dengan jelas, memerlukan skor multidimensi, kemampuan untuk diaudit, dan secara akurat menentukan lokasi keluaran (pengecualian, bukan hasil).

Kesalahan umum

  • Artinya "temukan triknya". AI tidak mendeteksi kecurangan; memberi tanda sesuai kriteria. Kecurangan adalah konsekuensi profesional/hukum.
  • Salah mengira tanda sebagai temuan. Menulis catatan mencurigakan sebagai "kesalahan" tanpa menghilangkan positif palsu.
  • Mengandalkan satu kriteria. Menggunakan aturan yang sempit dan kehilangan pola sebenarnya.
  • Tidak menyaring pola yang sah. Membuat kebisingan dengan memasukkan akrual otomatis ke dalam daftar mencurigakan.
  • Tidak mendokumentasikan alasannya. Membiarkan lembar kerja tidak dapat dilacak tanpa menuliskan apa yang Anda hilangkan/simpan dan alasannya.
Perhatian: Mendeskripsikan suatu rekaman sebagai "mencurigakan" adalah pernyataan yang serius. Verifikasi dengan bukti (dokumen pendukung, konfirmasi, kasus bisnis) sebelum ditulis sebagai temuan. Jika tidak, Anda akan bersikap tidak adil terhadap bisnis dan merusak kualitas audit.

Singkatnya

Pengujian entri jurnal diwajibkan dalam BDS 240, dan AI adalah mesin yang ideal untuk hal ini: AI memindai ratusan ribu catatan berdasarkan kriteria multidimensi dalam hitungan detik dan menghasilkan skor perhatian. Namun AI tidak "mendeteksi" kecurangan atau kesalahan; itu hanya menandai hal yang tidak biasa. Outputnya adalah tumpukan pengecualian yang penuh dengan positif palsu; Terserah pada skeptisisme dan pertimbangan auditor untuk memilah risiko sebenarnya, menghilangkan risiko yang sah, dan menarik kesimpulan. Tandanya adalah tanda tanya, bukan jawaban.

Tugas aplikasi

Tentukan lima kriteria anomali untuk data jurnal hipotetis (jadwal, pengguna, jumlah, kombinasi akun, deskripsi). Minta AI menghasilkan "skor perhatian" multidimensi dengan pola cepat yang kuat di atas. Kemudian tulis “panduan penyaringan”: pola sah mana (akrual otomatis, sewa tetap, dll.) yang harus disaring sebagai positif palsu? Terakhir, untuk 5 rekor skor tinggi, “bukti apa yang saya cari?” Jawab pertanyaannya.

daftar periksa

  • [ ] Saya menganonimkan data dan memverifikasi kelengkapannya.
  • [ ] Saya mendefinisikan kriteria anomali secara multidimensi dan jelas.
  • [ ] Saya menerima teks biasa dari skor perhatian dan kriteria yang diterapkan dari AI.
  • [ ] Saya memfilter pola sah yang diketahui sebagai positif palsu.
  • [ ] Saya telah meninjau catatan dengan skor tinggi dengan dokumentasi pendukung dan konfirmasi.
  • [ ] Saya memverifikasinya dengan bukti sebelum menyimpulkan "kecurangan/kesalahan".
  • [ ] Saya mendokumentasikan apa yang menurut saya mencurigakan dan alasannya.
Sebelumnya Selanjutnya