異常とエラーの検出: 仕訳テストと外れ値分析 — 監査および独立監査における人工知能

利益:

BDS 240 で仕訳テストが必須である理由と、人工知能が疑わしい仕訳基準をどのようにスキャンできるかを理解する
人工知能のサポートにより、外れ値、異常なタイミング、異常な量のパターンをマークして優先順位を付ける機能
人工知能によってフラグが付けられたすべての異常は発見ではなく、監査人が調査する疑問符であり、誤検知を排除するのは人間の責任であると主張できること。

企業の財務諸表は、基本的に何百万もの仕訳の合計です（会計では、各金融取引は借方と貸方として記録されます）。間違いも不正も、最終的には仕訳帳に反映されます。たとえば、間違った口座に書き込まれた金額、「忘れられて」期末に取り消された引当金、深夜に手動で入力された異常な入力などです。したがって、BDS 240 (財務諸表監査における不正行為に関する監査人の責任を規定する基準) は、監査人に仕訳テストを実行することを明確に要求しています。その目的は、管理オーバーライドを通じて管理による操作の可能性を明らかにすることです。

この単元では、人工知能を異常およびエラー検出のエンジンに変える方法について説明しますが、マークされた各レコードが「発見」ではなく「疑問符」である理由について説明します。最初の 2 つのコンセプト。異常とは、予期されたパターンから逸脱した、データセット内の異常なレコードです。外れ値は、他の観測値と数値的に著しく異なる観測値です (非常に大きな量、非常に高い頻度など)。異常は必ずしもエラーではありません。しかし、監査人が注目すべきはそこです。

仕訳テストにおける不審転記基準

BDS 240 では、特定の特徴を持つ記録は詐欺のリスクがより顕著であると述べています。 AI は、これらの基準に基づいて数十万のレコードを数秒でスキャンできます。典型的な「危険信号」の基準:

異常なタイミング: 勤務時間後、週末、祝日、または学期末の最終日に手動で記録が入力されました。
特殊なユーザー: 通常会計レコードを入力しないユーザー (管理者など) によって入力されたレコード。
異常な勘定科目の組み合わせ: 相互に予期しない勘定科目間の転記 (収益勘定科目と特殊な非現金勘定科目など)。
ラウンド金額: 100,000、500,000 などの「クリーンな」大きな金額。これは典型的な手動操作の痕跡です。
空または曖昧な説明を含むレコード: 「修正」、「その他」、「暫定」などの空の説明。
逆記録: 期間の初めに入力され、短時間後に取り消された記録 (ストルノ)。
しきい値以下の重複: 承認しきい値 (例: 50,000 ドル) のすぐ下にクラスター化された多数のレコード。

ヒント: これらの基準については、個別に考えるのではなく、一緒に考えてください。「概算金額」だけでは無害かもしれません。しかし、「週末、管理者による、説明空白、ラウンド一貫性、期末手動転記」は強力な危険信号です。 AI に基準を組み合わせて「リスクスコア」を生成させると、優先順位を付けるのに役立ちます。

誤検知の真実: なぜすべての兆候が所見ではないのか

異常スキャンの性質は誤検知です。つまり、実際には正当なルールによってフラグが付けられたレコードです。たとえば、企業は毎月の最終営業日にラウンドロビンの賃料見越額を自動的に入力します。これは「ラウンド金額 + 期間終了」基準に引っかかりますが、まったく正常です。監査人の仕事は、フラグが立てられた山から実際のリスクを抽出することです。この並べ替えは譲渡できません。なぜなら、正規のものと疑わしいものを区別するには、ビジネスとコンテキストを理解する必要がありますが、AI にはそれがありません。

したがって、常に次のような出力を読んでください。「AI は私に代わって 420 件のレコードにフラグを立てました。それらのほとんどはおそらく誤検知です。私の仕事は、これら 420 件の中から本当に調査する必要があるもの、パターン、および個々の疑わしいものを見つけることです。」このビューは、自動化バイアス (エラーの兆候をすべて受け入れる) と怠惰 (それらのいずれにも注目しない) の両方から保護します。

異常検出のステップバイステップ

データを準備し、完全性を検証します。 (前の単元の調整手順。)
基準を明確に定義します。どのようなタイミング、金額、ユーザー、説明パターンにフラグが立てられるのでしょうか?
スキャンして AI でスコアリングします。基準に従って各レコードにマークを付けます。複数の条件を満たすものを優先します。
誤検知を排除します。既知の正当なパターン (自動見越など) をフィルターまたはフラグを立てます。
残りの記録を調べます。それぞれをサポート文書、承認、ビジネスロジックにリンクします。
結論と根拠を文書化します。疑わしいと思ったものとその理由、削除したものとその理由を書き留めます。

ミニケース3個

ケース 1 — 実際の発見。監査人は AI を使用して 240,000 件の仕訳入力をスキャンしました。「期間の最後の 3 日間 + マニュアル + 説明「修正」 + 金額の 10 万倍」という基準を組み合わせたものです。 14 件のレコードが高スコアを獲得しました。調査では、11件が正当な年末調整であった。しかし、所得勘定を膨らませて次の期間に取り消す方法で 3 つの仕訳が入力されており、裏付けとなる文書はありませんでした。これは管理が統制を回避するパターンであり、重要な発見でした。 AIは14の質問をしました。監査人の懐疑的な姿勢から、本当の答えは 3 つ見つかりました。

ケース 2 — 誤検知のトラップ。チームメンバーは、AI が「不審な取引」という見出しの下にワークシートに直接フラグを立てた 380 件の「ラウンド一貫性のある」記録を書き込みました。警官が見てみると、ほとんどの物件には固定家賃、固定コンサルタント料、自動減価償却記録が付いていることがわかりました。それらはすべて合法的でした。ワークシートは監査を誤った方向に導く「虚偽の所見のリスト」となっていた。教訓: フラグが立てられたすべてのレコードが結果であるわけではありません。監査人が選択を行います。

ケース 3 — 基準の設定が狭すぎる。監査人は「週末の記録」基準のみを使用し、疑わしい記録は見つかりませんでした。彼は安心した。しかし、ビジネスでは、操作記録は平日の勤務時間中に入力されましたが、通常とは異なるアカウントの組み合わせが使用されていました。単一の狭い基準に依存していたため、彼は本当のリスクを認識することができませんでした。監査人が基準を拡張したところ、パターンが明らかになりました。教訓: 単一の基準では保証は得られません。多次元的に見てください。

弱いプロンプト / 強いプロンプト

弱いプロンプト:

これらの仕訳帳から不正なエントリを見つけます。

問題: AI は不正行為を「検出」できません。不正行為は法的/職業上の結果であり、データパターンではありません。「不正行為」も定義されていません。このプロンプトは、でっち上げられた「チートリスト」または無意味なフラグを生成します。

強力なプロンプト:

あなたの役割: あなたは独立監査人の仕訳分析アシスタントです。基準に従ってレコードにマークを付けます。不正行為/エラーの決定は私に属します。コンテキスト: 匿名化された仕訳データ (列: Record_number、date、time、user_role、debit_account、credit_account、金額、record_type[manual/automatic]、description)。学期末：12月31日。勤務時間: 月曜～金曜 09:00～18:00。タスク:1) 次の基準に従って各レコードに「注目スコア」を付けます (添付されている基準の数に応じて): a) Record_type=manual b) 日付が 12 月 29 日～31 日または週末/休日 c) 非番時間 d) 金額 100,000 TL 固体 (四捨五入) e) 説明が空、または {修正、その他、一時的} in2) スコア 3 以上のものを優先リストとして指定します。3) 適用する各基準をプレーンテキストで記述します (監査可能性)。4) これらは「検査対象の例外」であり、不正/エラーの結果ではないことを明確にします。偽の記録を追加します。

このプロンプトは、基準を明確に定義し、多次元のスコアと監査可能性を必要とし、出力 (結果ではなく例外) を正確に特定するため、強力です。

よくある間違い

「コツを見つける」という意味です。 AI は不正行為を検出しません。基準に従ってマークを付けます。不正行為は職業上/法的な結果となります。
標識を発見物と間違える。誤検知を排除せずに、疑わしいレコードを「エラー」として書き込みます。
1 つの基準に依存します。狭いルールを使用し、実際のパターンを見逃してしまいます。
正当なパターンをフィルタリングしていない。自動発生を疑わしいリストに含めることでノイズを発生させます。
根拠を文書化していない。何を削除/保持したか、およびその理由を書き留めずに、ワークシートを追跡できない状態にしておくこと。

注意: 録音を「疑わしい」と表現することは重大な発言です。所見として書く前に、証拠（裏付け文書、確認書、ビジネスケース）で検証してください。そうしないと、ビジネスに対して不公平になり、監査の品質が損なわれることになります。

要約すれば

BDS 240 では仕訳テストが義務付けられており、AI はこれに最適なエンジンです。AI は数十万のレコードを多次元基準に照らして数秒でスキャンし、注意スコアを生成します。しかし、AI は不正行為やエラーを「検出」しません。それは異常なことを示すだけです。出力は、誤検知を含む例外の山です。そこから本当のリスクを選別し、正当なリスクを排除し、結論を導き出すかどうかは、監査人の懐疑と判断にかかっています。記号は疑問符であり、答えではありません。

アプリケーションタスク

仮想仕訳データの 5 つの異常基準 (スケジュール、ユーザー、金額、勘定科目の組み合わせ、説明) を指定します。上記の強力なプロンプトパターンを使用して、AI に多次元の「注意スコア」を生成させます。次に、「スクリーニングガイド」を作成します。どの正当なパターン (自動発生、固定賃料など) を誤検知として除外する必要がありますか?最後に、5 つの高得点記録について、「どのような証拠を探す必要がありますか?」質問に答えてください。

チェックリスト

[ ] データを匿名化し、完全性を検証しました。
[ ] 異常の基準を多面的かつ明確に定義しました。
[ ] 注意スコアの平文を受け取り、AI から基準を適用しました。
[ ] 既知の正当なパターンを誤検知として除外しました。
[ ] 私は裏付けとなる文書と確認とともに高得点の記録を検討しました。
[ ] 「浮気・過失」と結論付ける前に証拠とともに検証してみました。
[ ] 疑わしいと思ったこととその理由を文書化しました。