이득:
- BDS 520의 범위 내에 어떤 분석 절차가 있는지, 기대 생성, 비율 분석 및 편차 설명 초안 작성을 위해 인공 지능을 사용하는 방법을 이해합니다.
- 인공지능 지원을 통해 수평-수직 분석, 비율 분석, 추세 분석을 해석하고 검토해야 할 편차를 식별하는 능력
- 인공지능이 제시하는 편차 설명은 가설이며, 증거가 뒷받침되지 않으면 감사 결과로 볼 수 없다는 점을 이해하는 능력.
숙련된 감사인의 가장 강력한 무기 중 하나는 '기대'입니다. 그는 재무제표를 보기 전에 사업을 잘 알고 있기 때문에 대략적으로 봐야 할 내용을 알고 있다. “지난해 이 회사는 15% 성장했고, 인원 수도 안정적이어서 인플레이션 정도만큼 인건비가 늘어날 것으로 예상한다.” 그런 다음 현실과 기대를 비교합니다. 기대와 벗어나면 설명이 있거나 문제가 있는 것입니다. 이러한 사고방식의 체계적인 형태를 분석절차라고 하며, BDS 520은 이를 체계화한다.
분석 절차는 재무 데이터와 비재무 데이터 간의 합리적인 관계를 사용하여 기대치를 설정하고 이를 실제와 비교하여 중요한 편차를 찾는 것입니다. 이는 계획(위험 확인), 실체 테스트(실질적 검증) 및 감사 종료(전반적인 합리성 확인)의 세 가지 장소에서 사용됩니다. 이 단원에서는 기대 형성, 비율 분석 및 편차 설명 초안 작성에 인공 지능을 사용하는 방법을 배웁니다. 그런데 왜 AI가 제시한 설명이 증거가 아니라 가설인지 논의해 보겠습니다.
분석 절차 도구
감사자가 사용하는 주요 분석 도구는 다음과 같습니다.
- 수평적 분석: 해마다 항목의 변화(금액 및 %)를 조사합니다. "매출이 40% 증가했는데 왜죠?"
- 수직적 분석: 전체에 대한 항목의 비율(예: 수익에 대한 각 비용의 비율) "매출원가가 매출의 62%였는데 올해는 71%로 늘었는데, 마진이 줄어든 이유는 무엇인가요?"
- 비율분석 : 의미 있는 비율(총이익률, 재고회전율, 채권추심기간, 유동비율)을 산출하고 그 추세를 검토하며 업계와 비교합니다.
- 추세 분석: 여러 기간을 함께 보고 휴식을 취합니다.
- 합리성 테스트: 독립적인 기대치를 설정하고(예: “이자 비용 ≒ 평균 부채 × 이자율”) 이를 현실과 비교합니다.
AI는 이러한 모든 계산을 몇 초 안에 수행하여 스프레드시트에 입력하고 편차를 표시합니다. 게다가, 이는 편차에 대한 가능한 설명을 제시할 수도 있습니다. 여기서 중요한 점은 AI가 제시한 설명이 초기 가설이라는 것입니다. “원자재 가격이 올랐기 때문에 마진이 줄었다”는 말이 합리적일 수 있지만, 감사인은 계약서, 송장, 경영진 공개, 특히 예상치 못한 일탈의 경우 독립적인 증거를 통해 이를 확증하지 않고는 결론을 내릴 수 없습니다.
기대가 민감할수록 절차는 더욱 강력해집니다.
BDS 520의 중요한 미묘함: 분석 절차의 신뢰성은 기대치가 얼마나 정확하고 독립적으로 확립되었는지에 달려 있습니다. 기업이 제공하는 데이터에서 직접 기대치를 구축하면 순환 논리(동일한 데이터로 동일한 데이터를 검증하는)에 빠지게 됩니다. 강력한 기대는 가능한 한 독립적인 입력(비재무 데이터, 외부 시장 데이터, 자신의 계정)을 기반으로 합니다. AI는 기대 모델("이자 비용을 독립적으로 계산하려면 어떤 입력이 필요한가?")을 구축하는 데 도움을 줄 수 있습니다. — 그러나 감사인은 입력의 독립성과 모델의 적절성에 대한 책임이 있습니다.
팁: 편차를 해석할 때 "무의미한 임계값"을 미리 결정하십시오. 기대치에서 어느 정도 벗어나면 "조사"로 간주됩니까? 중요성에 맞게 이 임계값을 미리 설정하면 AI가 생성하는 모든 작은 변동을 추적할 필요가 없습니다.
비재무적 데이터로 강력한 기대 설정
분석 절차는 재무 데이터뿐만 아니라 비재무 데이터로부터 기대치를 구축할 때 가장 강력합니다. 예를 들어, 평균 객실 요금에 투숙한 객실 일수를 곱하여 호텔의 객실 수익을 독립적으로 추정할 수 있습니다. 생산된 단위 수와 단위당 일반적인 소비량을 통해 제조 기업의 에너지 비용을 대략적으로 계산할 수 있습니다. 학생수와 평균 등록금을 통해 해당 학교의 교육수입을 예측할 수 있습니다. 이러한 기대는 기업 자체 회계 기록과 독립적이고 실제 교차 점검을 제공하기 때문에 순환성 함정에 빠지지 않습니다. AI는 이 독립적인 기대 모델에 대한 입력과 공식을 설정하는 데 도움이 됩니다. 그러나 감사자는 입력 내용이 진정으로 독립적이고 신뢰할 수 있는지 확인하는 책임이 있습니다(학생 수, 하룻밤 숙박, 생산량이 정확합니까?). 기대와 현실의 차이가 크다면 이는 회계 오류이거나 기대 입력에 문제가 있음을 나타냅니다. 둘 다 조사해야합니다.
단계별 분석 절차
- 기대치를 설정하십시오. 가능하다면 독립적인 의견을 통해 검토 중인 항목에 대해 기대하는 바를 적어보세요.
- 데이터를 준비하고 완전성을 검증합니다. 비교할 실제 데이터가 정확하고 완전합니까?
- AI로 계산해보세요. 수평/수직/비율/추세 계산을 수행합니다. 각 계정의 단계를 표시합니다.
- 편차를 식별합니다. 미리 설정한 임계값을 초과하는 편차에 플래그를 지정합니다.
- 가설을 생성하고 검증하십시오. AI에게 가능한 설명을 요청하세요. 증거로 각각 테스트해 보세요.
- 결과를 문서화하십시오. 기대, 사실, 일탈, 설명 및 확증적 증거.
세 개의 미니 케이스
사례 1 - 편차의 실제 원인 찾기. 한 감사인은 인건비가 38% 증가한 것으로 나타났습니다. 그러나 인력 수와 인플레이션으로 인해 이를 설명하는 비율은 22%에 불과했습니다. 그는 AI에게 발산 가설에 관해 질문하도록 했습니다. YZ는 "인상, 신규 채용, 보너스, 퇴직금"과 같은 옵션을 나열했습니다. 감사인은 급여 기록을 조사했는데, 그 차이는 해당 연도에 지불한 일시불 보험료로 인한 것이지만 정확한 기간에 걸쳐 비용으로 분산되지 않았으며 계절성 오류가 있었습니다. AI가 가설을 제시했습니다. 급여 증거와 감사관의 조사를 통해 진실이 밝혀졌습니다.
사례 2 — 가설을 증거로 착각함. 한 팀원이 AI에게 비용 항목이 40% 증가했는지 물었습니다. 그는 “AI는 아마도 인플레이션 때문일 것”이라고 말했다. 팀원은 이것을 워크시트에 직접 댓글로 쓰고 펜 뚜껑을 닫았습니다. 책임자는 물었습니다. 당시 인플레이션은 25%였으며 40%는 설명되지 않았습니다. 또한, 해당 항목은 고정 계약을 통한 임대 비용으로 물가 상승에 따라 자동으로 증가하지 않았습니다. 진짜 이유는 계약에 새로운 필드가 추가되었기 때문이다. 교훈: AI에 대한 설명은 가설이다. 증거를 검증하지 않고는 결론을 내릴 수 없습니다.
사례 3 - 기대치가 낮습니다. 이자 비용의 합리성을 테스트하기 위해 감사인은 기업이 기록하는 이자 비용(원문)에서 직접 기대치를 설정했습니다. 당연히 '기대=현실'이 드러났고, 어떠한 편차도 나타나지 않았다. 책임자는 기대치가 독립적으로 설정되어야 함을 상기시켰습니다: 평균 부채 잔액 × 평균 이자율. 자체적으로 계산한 결과 실제 이자비용은 예상보다 크게 낮았고, 부채에 대한 이자는 발생하지 않은 것으로 나타났습니다. 교훈: 기대의 독립성이 절차의 강도를 결정합니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 차트를 보고 이상한 점이 있으면 말해주세요.
문제는 기대도 없고, 한계점도 없고, 맥락도 없다는 것입니다. AI는 무작위로 "이상 현상"을 표시하거나 꾸며낸 설명을 생성합니다. 결과에는 제어 값이 부족합니다.
강력한 프롬프트:
귀하의 역할: 귀하는 독립 감사인의 분석 절차 보조자입니다. 편차를 계산 및 표시하고 가능한 설명 가능한 가설을 제안합니다. 검증과 결론은 나의 것입니다.맥락(익명):제작사. 올해 수익은 2억 4천만, 전년도 2억(20% 성장)입니다. 인원수는 고정되어 있습니다.데이터:[계정; 전년도; 당해 연도] 라인 (수익, 원가, 인건비, 임대료, 이자비, ...)과제:1) 각 항목에 대한 수평 분석(금액 및 변동률)을 수행합니다. 계산 단계를 보여줍니다.2) 수직적 분석: 각 비용을 수익에 비례합니다. 2년 동안 비교합니다.3) 다음 임계값을 적용합니다. % 변화가 매출 성장(20%)에서 10절대 포인트 이상 벗어나는 경우 "검토용"으로 표시합니다.4) 표시된 각 항목에 대해 2~3가지 가능한 설명을 제안합니다. 또한 각각을 확인할 증거를 기록하십시오. 이는 결과가 아님을 명시하십시오.5) 데이터에서 파생할 수 없는 수치나 업계 벤치마크를 구성하지 마십시오.
이 프롬프트는 맥락과 기대(20% 증가)를 제공하고, 명확한 편차 임계값을 설정하고, 가설로서의 설명을 요청하고, 각 가설을 증거와 연결하기 때문에 강력합니다.
일반적인 실수
- 가설을 증거로 착각하는 것. AI의 "아마도..." 진술을 확인하지 않고 결론을 작성합니다.
- 순환적 기대를 설정합니다. 검증할 데이터에서 기대치를 도출하고 잘못된 "적합성"을 생성합니다.
- 임계값을 설정하지 않습니다. 모든 작은 변동을 쫓거나 심각한 편차를 간과합니다.
- 맥락 없는 분석. 사업을 홍보하지 않고 “변칙”을 요구하는 행위 의미없는 신호를 받습니다.
- 예상치 못한 일탈 속에서 피상적인 상태를 유지합니다. 최초의 그럴듯한 설명으로 놀라운 반전을 다루다. 반면 BDS는 예상치 못한 편차에 대해 더 깊은 조사가 필요합니다.
참고: 예상되는 편차(예: 알려진 투자로 인한 감가상각비 증가)는 예상치 못한 편차와 다릅니다. 예상치 못한 편차는 더 높은 위험을 수반하며 더 강력한 증거가 필요합니다. AI는 둘을 구별할 수 없습니다. 감사인은 이렇게 구별합니다.
요약하면
분석 절차(BDS 520)는 기대치를 설정하고 이를 현실과 비교하여 편차를 확인하는 기술입니다. AI는 이 분야의 강력한 계산 및 가설 엔진입니다. 수평/수직/비율/추세 분석을 몇 초 만에 수행하고 편차를 표시하며 가능한 설명을 제안합니다. 하지만 절차의 위력은 기대의 독립성에 달려 있으며, AI가 제시한 설명은 증거가 아닌 가설이다. 감사자는 편차 임계값을 설정하고, 감사자는 기대의 독립성을 보장하며, 감사자는 증거로 각 진술을 확인합니다. 예상치 못한 편차에는 항상 더 깊은 조사가 필요합니다.
응용과제
간단한 2년 손익계산서를 가정하고(가설) 성장 기대치를 설정합니다(예: 20%). 위의 강력한 프롬프트 패턴을 사용하여 AI가 수평 및 수직 분석을 수행하고 드리프트 임계값을 적용하고 표시된 항목에 대한 프롬프트 가설 + 증거 매칭을 수행하도록 합니다. 그런 다음 항목에 대한 "비순환 독립 기대"를 설정하는 방법(어떤 독립 입력을 사용할지)을 한 단락으로 작성합니다.
체크리스트
- [ ] 나는 검토 중인 항목에 대해 사전에 (가능한 경우 독립적인 입력을 통해) 기대치를 설정했습니다.
- [ ] 비교한 데이터의 완전성을 확인했습니다.
- [ ] AI로부터 계산 단계를 보여주는 가로/세로/비율 분석을 받아 검증했습니다.
- [ ] 중요성에 부합하는 편차 임계값을 설정했습니다.
- [ ] 저는 AI의 설명을 가설로 삼았습니다. 나는 증거로 각각을 테스트했습니다.
- [ ] 나는 예상된 편차와 예상치 못한 편차를 구별합니다. 나는 예상치 못한 일에 대해 더 깊이 파고 들었습니다.
- [ ] 기대, 현실, 일탈, 설명, 확증적 증거를 문서화했습니다.