利益:
- BDS 520 の範囲内にある分析手順と、期待値の生成、比率分析、偏差の説明の草案作成に人工知能を使用する方法を理解します。
- 人工知能のサポートにより水平垂直分析、比率分析、傾向の内訳を解釈し、調査する必要がある逸脱を特定する能力
- 人工知能によって提案された逸脱の説明は仮説であり、証拠による裏付けがなければ監査結果として考慮できないことを理解する能力。
経験豊富な監査人の最も強力な武器の 1 つは「期待」です。彼はビジネスを知っているため、財務諸表を見る前に何を確認する必要があるかを大まかに知っています。「この会社は昨年 15% 成長し、従業員数は安定しているため、人件費はインフレとほぼ同じくらい増加すると予想されます。」次に、現実と期待を比較します。期待からの逸脱がある場合は、説明があるか、問題があるかのどちらかです。この考え方を体系化したものを分析手順と呼び、BDS 520 が体系化しています。
分析手順は、財務データと非財務データの間の合理的な関係を使用して期待を確立し、それを実際と比較して重大な逸脱を探すことです。これは、計画時 (リスクを確認するため)、実質的なテスト時 (実質的な検証のため)、監査の最後 (全体的な合理性チェックのため) の 3 つの場所で使用されます。この単元では、期待値の形成、比率分析、偏差の説明草案の作成に人工知能を使用する方法を学びます。しかし、AI によって提案された説明が証拠ではなく仮説である理由については後で説明します。
分析手順のツール
監査人が使用する主な分析ツールは次のとおりです。
- 水平分析: ある項目の年々の変化 (金額と%) を調べること。 「売上が 40% 増加しました。なぜですか?」
- 垂直分析: 全体に対する項目の比率 (例: 収益に対する各費用の比率)。 「売上原価は収益の 62% でしたが、今年は 71% になりました。なぜ利益率が狭まったのでしょうか?」
- 比率分析：意味のある比率（売上総利益率、在庫回転率、債権回収期間、流動比率）を計算し、その傾向や業界との比較を検討します。
- 傾向分析: 複数の期間をまとめて確認し、ブレイクをキャッチします。
- 合理性テスト: 独立した期待値 (例: 「支払利息 ≈ 平均負債 × 金利」) を設定し、それを現実と比較します。
AI はこれらすべての計算を数秒で実行し、スプレッドシートに入力して、逸脱にフラグを立てます。さらに、逸脱の考えられる説明を示唆することもできます。ここが重要なポイントです。AI によって生み出される説明は初期仮説であるということです。 「原材料価格が上昇したため利益率が縮小した」というのは合理的かもしれないが、監査人はそれを契約、請求書、経営陣の開示、そして特に予期せぬ逸脱の場合には独立した証拠で裏付けずに結論を下すことはできない。
期待が敏感であればあるほど、手順は強力になります
BDS 520 の重要な微妙な点: 分析手順の信頼性は、期待値がどの程度正確かつ独立して確立されるかによって決まります。企業が提供するデータから直接期待値を構築すると、循環ロジック (同じデータを同じデータで検証する) に陥ります。強い期待は、可能な限り独立したインプット (非財務データ、外部市場データ、自分自身のアカウント) に基づいています。 AI は、「支払利息を独自に計算するにはどのような入力が必要か?」という期待モデルの構築に役立ちます。 — ただし、監査人は入力の独立性とモデルの適切性に対して責任を負います。
ヒント: 逸脱を解釈するときは、「有意性のしきい値」を事前に決定します。予想からどれだけ逸脱すれば「調査」とみなされますか?このしきい値は重要性と一致するように事前に設定しておくと、AI が生み出す小さな変動をすべて追跡する必要がなくなります。
非財務データによる強い期待の確立
分析手順が最も強力になるのは、財務データだけでなく非財務データから期待を構築する場合です。たとえば、宿泊宿泊数に平均宿泊料金を乗算することで、ホテルの客室収益を独自に見積もることができます。製造事業のエネルギー費用は、生産されたユニット数とユニットごとの一般的な消費量から概算できます。生徒数と平均授業料から学校の教育収入を予測できます。このような期待は、企業自身の会計記録から独立しており、実際のクロスチェックを提供するため、循環性の罠に陥ることはありません。 AI は、この独立した期待モデルの入力と式を確立するのに役立ちます。しかし、監査人は入力が真に独立していて信頼できるものであることを確認する責任があります（生徒の数、一晩の宿泊日数、生産量は正しいか？）。期待と現実の差が大きい場合、これは会計上の誤りまたは期待入力に問題があることを示しています。どちらも調査する必要があります。
段階的な分析手順
- 期待値を設定します。可能であれば独立した意見を添えて、レビュー対象のアイテムに何を期待しているかを書き留めてください。
- データを準備し、完全性を確認します。比較する実際のデータは正確かつ完全ですか?
- AIで計算する。水平/垂直/比率/トレンドの計算を行います。各アカウントの手順を表示します。
- 逸脱を特定します。事前に設定したしきい値を超える逸脱にフラグを立てます。
- 仮説を立てて検証する。 AI に考えられる説明を尋ねます。それぞれを証拠を使ってテストします。
- 結果を文書化します。期待、事実、逸脱、説明、確認証拠。
ミニケース3個
ケース 1 — 逸脱の本当の原因を見つける。ある監査人は、人件費が 38% 増加したことを発見しました。しかし、人員数とインフレではこれを説明できるのはわずか 22% でした。彼は AI に発散仮説について質問させました。 YZは「昇給、新規採用、ボーナス、退職金」などの選択肢を列挙した。監査人は給与記録を調査しました。この差異は、その年に支払われた保険料の一時金によるものでしたが、正しい期間にわたって費用として分散されておらず、季節性の誤差がありました。 AIは仮説を与えた。給与明細と監査人の調査により真実が明らかになりました。
ケース 2 — 仮説を証拠と取り違える。チームメンバーは AI に経費項目の 40% 増加について尋ねました。 AIは「おそらくインフレが原因だ」と同氏は述べた。チームメンバーはこれをコメントとしてワークシートに直接書き込み、ペンのキャップを閉めました。担当者は、当時のインフレ率は 25% でしたが、40% は説明されていませんでした、と尋ねました。さらに、この項目は固定契約のレンタル費用であり、インフレによって自動的に増加するものではありませんでした。本当の理由は、契約に新しいフィールドが追加されたことでした。教訓: AI の説明は仮説にすぎません。証拠に基づいて検証されなければ結論は出せない。
ケース 3 — 期待が低い。支払利息の合理性をテストするために、監査人は事業によって記録された支払利息から直接期待値を確立しました（回覧）。当然のことながら「期待＝現実」となり、ズレは出ませんでした。責任者は、期待値は平均債務残高 × 平均金利という独立して確立されるべきであると念を押した。独自に計算したところ、実際の支払利息は予想より大幅に低く、借金に対する利息は発生していなかったことが判明しました。教訓: 期待の独立性が手順の強度を決定します。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
このグラフを見て、何か異常があれば教えてください。
問題は、期待も閾値も背景もないことです。 AI はランダムに「異常」のフラグを立てるか、でっちあげの説明を生成します。結果には制御値がありません。
強力なプロンプト:
あなたの役割: あなたは、独立監査人の分析手順のアシスタントです。偏差を計算して表示し、考えられる説明仮説を提案します。検証と結論は私によるものです。コンテキスト (匿名): 制作会社。今年の収益は 2 億 4,000 万、前年は 2 億 (20% 成長)。人員の数は固定です。データ:[アカウント;前年。 [当年度] 行 (収益、COGS、人件費、家賃、支払利息など) タスク:1) 各項目の水平分析 (金額と変化率) を作成します。計算ステップを表示します。2) 垂直分析: 各支出を収益に比例させます。 3) 次のしきい値を適用します。% 変化が収益成長率 (20%) から 10 絶対ポイントを超えて逸脱している場合は、「検討用」とマークします。4) マークされた各項目について、考えられる説明を 2 ～ 3 つ提案します。また、それぞれを検証する証拠も書き留めます。これらは調査結果ではないことを述べてください。5) データから導き出せない数値や業界ベンチマークをでっち上げないでください。
このプロンプトは、コンテキストと期待 (20% の成長) を提供し、明確な偏差しきい値を設定し、仮説としての説明を求め、各仮説を証拠に結び付けるため、強力です。
よくある間違い
- 仮説を証拠と取り違える。 AIの「おそらく…」という発言を検証せずに結論を書く。
- 循環的な期待を確立する。検証対象のデータから期待値を導き出し、誤った「適合」を生成します。
- 閾値を設定していない。小さな変動をすべて追いかけたり、大きな逸脱を見逃したりします。
- 文脈のない分析。ビジネスを宣伝せずに「異常」を要求する。意味のないサインを受け取ります。
- 予期せぬ逸脱で表面的なままになる。最初のもっともらしい説明で驚くべき展開をカバーします。一方、BDS では予期せぬ逸脱についてのより深い調査が必要です。
注: 予想される逸脱 (たとえば、既知の投資による減価償却費の増加) は、予想外の逸脱とは異なります。予期せぬ逸脱はリスクが高く、より強力な証拠が必要です。 AI は 2 つを区別できません。監査人がこの区別を行います。
要約すれば
分析手順 (BDS 520) は、期待を確立し、それを現実と比較することによって逸脱を確認する技術です。 AI は、この分野における強力な計算および仮説エンジンです。水平/垂直/比率/傾向分析を数秒で実行し、逸脱にフラグを立て、考えられる説明を提案します。しかし、この手順の威力は期待の独立性に依存しており、AI によって提案された説明は仮説であり、証拠ではありません。監査人は逸脱しきい値を設定し、期待の独立性を確保し、各記述を証拠で検証します。予期せぬ逸脱が発生した場合は、常により深い調査が必要になります。
アプリケーションタスク
単純な 2 年間の損益計算書 (仮説) を作成し、成長期待値 (例: 20%) を設定します。上記の強力なプロンプト パターンを使用して、AI に水平分析と垂直分析を実行させ、ドリフトしきい値を適用し、マークされた項目の仮説と証拠の照合を促します。次に、項目に対して「非循環の独立した期待値」を設定する方法 (どのような独立した入力を使用するか) を 1 つの段落で書きます。
チェックリスト
- [ ] 私は、レビュー対象の項目について、事前に (可能であれば独立した入力を伴って) 予想を確立しました。
- [ ] 比較したデータの完全性を確認しました。
- [ ] AIから計算ステップを示す水平・垂直・比率解析を受け取り、検証してみました。
- [ ] 重要性と一致する逸脱閾値を設定しました。
- [ ] 私は AI の説明を仮説として受け入れました。それぞれを証拠とともにテストしました。
- [ ] 私は予想される逸脱と予想外の逸脱を区別します。予想外のことをさらに深く掘り下げてみました。
- [ ] 私は期待、現実、逸脱、説明、裏付け証拠を文書化しました。