Winst:
- Inzicht in de logica van het automatiseren van huidige afstemmings-, bankafstemmings- en drievoudige matchingtests (order-afleveringsnota-factuur) met ondersteuning voor kunstmatige intelligentie
- Vermogen om verschil(verschil)analyse en de redenen voor verzoeningsverschillen met kunstmatige intelligentie te classificeren en prioriteren
- Vermogen om te begrijpen dat niet-overeenkomende items en bevestigingsverschillen door de auditor moeten worden onderzocht en dat kunstmatige intelligentie alleen het verschil laat zien.
De ruggengraat van een audit is het verifiëren, door deze te vergelijken met een onafhankelijke bron, dat een record daadwerkelijk bestaat en nauwkeurig is bijgehouden. Een creditering is reëel, met goedkeuring van de debiteur; een banksaldo klopt, met bevestiging van de bank; Je test de echtheid van een aankoop door ervoor te zorgen dat het trio order-afleverbon-factuur met elkaar overeenkomt. Deze processen worden gezamenlijk verzoening en bevestiging genoemd. Omdat ze inherent de vergelijking van grote aantallen items vereisen, zijn ze repetitief, tijdrovend en blinken kunstmatige intelligentie uit.
In dit onderdeel behandelen we drie taken: afstemming van lopende rekeningen (het vergelijken van de gegevens van twee partijen), bankafstemming (het afstemmen van het grootboeksaldo en het bankafschrift) en driewegmatch (het vergelijken van de inkooporder, de goederenontvangst/leveringsbon en de factuur van de leverancier). Het basisprincipe blijft ongewijzigd: AI matcht en wijst het verschil aan; Het is aan de auditor om de reden voor het verschil te onderzoeken en tot een conclusie te komen.
Wat is driewegmatching en waarom is het belangrijk?
Wanneer een bedrijf goederen/diensten koopt, komen er doorgaans drie documenten voor: (1) Inkooporder – wat is besteld, hoeveel, tegen welke prijs; (2) Leveringsbon/ontvangstbewijs van goederen — wat en hoeveel er is ontvangen; (3) Leveranciersfactuur — wat en hoeveel er is gefactureerd. In een gezonde controleomgeving moeten deze drie overeenkomen: besteld = ontvangen = gefactureerd. Bij de driewegmatchtest wordt gecontroleerd of deze drie matchen. Geschillen; Het kan gaan om overfacturering, fictieve aankopen, dubbele betalingen, prijsmanipulatie of eenvoudige gegevensfouten.
AI kan binnen enkele seconden duizenden aankopen in deze drie documenten matchen. Maar de lijst met 'niet-overeenkomende items' die verschijnt, is geen lijst met fouten. Een artikel kan om de volgende onschuldige redenen niet overeenkomen: gedeeltelijke levering (bestelling 100, levering 60), timingverschil (factuur nog niet aangekomen), prijsverschil binnen aanvaardbare tolerantie, korting of verzendartikel. Het is de taak van de auditor om de reden voor het verschil te vinden en de onschuldigen van de verdachte te scheiden.
Overeenkomsttype
vergeleken
Typische redenen voor verschil
Huidige verzoening
Onze registratie ↔ tegenpartijregistratie
Timing, terugbetaling, onvolledige registratie, wisselkoersverschil
Afstemming van de banken
Grootboek ↔ bankafschrift
Cheque onderweg, bankkosten, record nog niet verwerkt
drievoudige wedstrijd
Bestelling ↔ pakbon ↔ factuur
Gedeeltelijke levering, timing, prijsverschil, duplicaat, fictief
Externe bevestiging: een van de meest betrouwbare bewijzen
Externe bevestiging bij auditing is de methode om rechtstreeks van een derde partij (bank, klant, leverancier) een schriftelijk antwoord te verkrijgen over een saldo of transactie, en BDS 505 regelt dit. Externe bevestiging is een van de sterkste bewijzen van de auditor; omdat de informatie afkomstig is van een onafhankelijke bron en niet van de gecontroleerde entiteit. Hier is AI de versneller bij het opstellen van conceptbevestigingsbrieven, het vergelijken van inkomende reacties met grootboekrecords en het opsommen van niet-reagerende partijen (degenen die moeten volgen). Maar twee punten zijn van cruciaal belang: ten eerste moet het invullen en verzenden van de bevestigingsbrief met de daadwerkelijke geadresseerde informatie onder controle van de auditor staan; Ten tweede moet de auditor er zeker van zijn dat het antwoord oprecht is en de auditor rechtstreeks bereikt. De integriteit van het verificatieproces berust bij de auditor; AI maakt vergelijken en volgen alleen maar eenvoudiger.
Gap-analyse: AI classificeert, auditor beslist
De meest productieve manier om consensusverschillen te onderzoeken is door de verschillen te classificeren: welke timing-gerelateerd zijn (zal tussen perioden verschuiven maar geen feitelijke verschillen zijn), welke permanente verschillen zijn, en welke onverklaard zijn. AI kan deze voorlopige classificatie snel uitvoeren: het zet het verschilbedrag, de richting en de mogelijke oorzaak in een tabel. Maar pas op: de kolom 'waarschijnlijke oorzaak' van AI is een voorspelling, geen vaststelling. Het feit dat er staat "waarschijnlijk een verschil in timing" bewijst niet dat het verschil timing is; De accountant moet dit verifiëren met documentatie (volgende periode factuur, retourbon, bankbon).
Tip: Geef prioriteit aan verschillen op basis van bedraggrootte en verklaarbaarheid. Sla de kleine en gemakkelijk te verklaren verschillen over; Concentreer het werk van de auditor op grote of onverklaarde verschillen. AI produceert de prioriteitentabel; Jij bepaalt de drempel en de focus.
Stapsgewijze automatisering van afstemming
- Bereid twee (of drie) datasets voor en anonimiseer ze. Bepaal de overeenkomende sleutel (factuurnummer, ordernummer, bedrag + datum).
- Bevestig de volledigheid. Komen het totaal en aantal records voor elk cluster overeen met wat werd verwacht?
- Definieer de matchingregel. Zal er een exacte match zijn of zal tolerantie (bijvoorbeeld ±1% prijsverschil) worden toegestaan?
- Match met AI. Degenen die overeenkomen, degenen die niet overeenkomen en degenen die binnen de tolerantie vallen, verschijnen in afzonderlijke lijsten.
- Classificeer en prioriteer verschillen. Timing/aanhoudend/onverklaard.
- Onderzoek als auditor. Controleer eventuele significante verschillen met documentatie; Documenteer de conclusie en de redenering.
drie minikoffers
Geval 1 — Dubbele vastlegging van betalingen. Een drieweg-auditor matchte 12.400 aankopen met AI. YZ markeerde 6 artikelen met twee afzonderlijke betalingen voor hetzelfde factuurnummer. De accountant onderzocht: 4 waren legitieme facturen met vergelijkbare nummers uit verschillende jaren; maar bij 2 daarvan waren het feitelijk dubbele betalingen (dezelfde factuur werd tweemaal betaald), voor een totaalbedrag van 88.000 TL. Het herstelproces werd in gang gezet en de tekortkomingen in de interne controle werden vastgelegd in de managementletter. AI stelde 6 vragen; Twee echte problemen bevestigde de auditor.
Geval 2 – Het timingverschil voor een fout aanzien. Een teamlid schreef het verschil van 40.000 TL gemarkeerd door YZ in de bankafstemming direct af als een "registratiefout". De onderzochte verantwoordelijke persoon: het verschil was een cheque die aan het einde van de periode was getrokken en nog niet aan de bank was overhandigd; Het was een volkomen normaal timingverschil en het sloot de week daarop. Les: een niet-overeenkomende pen is geen automatische fout; Er kan geen conclusie worden getrokken zonder de oorzaak te onderzoeken.
Geval 3 — Tolerantiefout. Eén auditor tolereerde geen driewegmatching; Vanwege afrondingsverschillen heeft de YZ 900 het item gemarkeerd als "komt niet overeen". De lijst werd niet onderzocht; De echte problemen gingen verloren in het lawaai. Nadat de auditor een redelijke tolerantie had gedefinieerd (bijvoorbeeld ±5 TL of ±0,5%), werd de lijst teruggebracht tot 27 significante items. Les: de matchingregel moet aansluiten bij de zakelijke realiteit; Een te strikte regel veroorzaakt lawaai, een te losse regel veroorzaakt blindheid.
Zwakke prompt/sterke prompt
Zwakke prompt:
Vergelijk deze twee lijsten, vertel me wat niet past.
Probleem: matchingsleutel, tolerantie en uitvoerformaat zijn onduidelijk. AI weet niet waar het op moet afstemmen; het resultaat zou onbetrouwbaar en onherhaalbaar zijn.
Krachtige prompt:
Jouw rol: je bent de afstemmingsassistent van een onafhankelijke auditor. Jij matcht en TOON het verschil; De reden en het resultaat van het verschil zijn van mij. Gegevens (geanonimiseerd): - Set A: inkooporders (kolommen: ordernummer, item, hoeveelheid, eenheidsprijs, bedrag) - Set B: leveringsbonnen (order_nr, item, geleverde_hoeveelheid) - Set C: facturen (order_nr, item, gefactureerde_hoeveelheid, gefactureerde_hoeveelheid) Overeenkomende sleutel: order_nr + item. Tolerantie: telt als "gematcht" als het verschil in bedrag binnen ± 5 TL ligt of ±0,5% (welke van de twee het grootst is). Taak: 1) Zoek drie clusters. Geef de volgende drie lijsten afzonderlijk: (a) exacte matches (samenvattingsnummer), (b) matches binnen tolerantie, (c) items die NIET matchen (volledige details).2) Voeg een kolom MOGELIJKE oorzaak toe voor mismatches (gedeeltelijke levering / ontbrekend document / hoeveelheidsverschil / bedragverschil), maar vermeld dat dit een SCHATTING is, te verifiëren met bewijsmateriaal.3) Schrijf in platte tekst de matching- en tolerantieregel die je hebt toegepast.4) Geef ook de totale afstemming op (A, B, C). totalen) zodat ik de volledigheid kan controleren. Verzin niet wat je niet uit de gegevens kunt afleiden.
Deze prompt is krachtig omdat hij de sleutel en de tolerantie definieert, om drie afzonderlijke lijsten vraagt, de ‘waarschijnlijke oorzaak’ als een gok positioneert en volledige overeenstemming vereist voor volledigheid.
Veel voorkomende fouten
- Een niet-overeenkomend item als een vergissing beschouwen. Een conclusie schrijven zonder de reden te onderzoeken (timing, deellevering, retour).
- Geen toleranties instellen. Verhoog de lijst met centen en verlies de echte problemen in het lawaai.
- De koppelingssleutel blijft onduidelijk. Geen controle over waar de AI op gebaseerd is.
- Volledigheid overslaan. Vertrouwen op overeenkomende sets zonder hun totalen met elkaar in overeenstemming te brengen.
- Het verwarren van ‘waarschijnlijke oorzaak’ met detectie. Het accepteren van de voorspelling van de AI zonder deze met documentatie te verifiëren.
Let op: het omschrijven van een verschil als een "dubbele betaling" of "fictieve aankoop" is een serieuze claim. Controleer dit met documentatie (factuur, betalingsbewijs, goederenontvangstbewijs) voordat u het opschrijft; Als er een patroon is, evalueer dit dan afzonderlijk als een zwak punt in de interne controle.
Samengevat
Afstemming, bevestiging en driewegmatching behoren tot de meest repetitieve taken van auditing en kunnen het gemakkelijkst worden versneld met AI. AI matcht binnen enkele seconden duizenden items, somt de verschillen op en classificeert ze vooraf. Maar de niet-overeenkomende pen is geen fout, het is een verschil dat moet worden onderzocht; “waarschijnlijke oorzaak” is een gok, geen vaststelling. De auditor bepaalt de matchingsleutel en tolerantie volgens de bedrijfsrealiteit; De auditor verifieert het verschil met het document; De auditor schrijft het resultaat op. AI laat het verschil zien, de auditor geeft de betekenis.
Applicatie taak
Denk aan drie kleine datasets (bestelling, pakbon, factuur) of twee sets (grootboek, bank). Bepaal de bijpassende sleutel en een redelijke tolerantie. Laat de AI overeenkomen met het krachtige promptpatroon hierboven en verwijder degenen die niet overeenkomen met de kolom 'waarschijnlijke oorzaak'. Schrijf vervolgens voor elk niet-overeenkomend item een ‘onderzoeksplan’: welk document moet ik bekijken, welke vraag moet ik stellen, welke conclusie beschouw ik dit als een bug/normaal?
controlelijst
- [ ] Ik heb de gegevens geanonimiseerd en de bijbehorende sleutel duidelijk geïdentificeerd.
- [ ] Ik heb de volledigheid van elk cluster bevestigd met het totaal en het aantal records.
- [ ] Ik heb een tolerantie ingesteld die past bij de zakelijke realiteit (niet te streng en niet te losjes).
- [ ] Ik heb de matching/binnen tolerantie/niet-matchende lijsten apart genomen.
- [ ] Ik heb het document doorzocht op elk belangrijk item dat niet overeenkwam; Ik bevestigde waarom.
- [ ] Ik heb gissingen over de "waarschijnlijke oorzaak" niet als resultaat geteld zonder ze met bewijsmateriaal te bevestigen.
- [ ] Ik heb ernstige kwalificaties zoals duplicaat/fictief gedocumenteerd en de impact op de interne controle geëvalueerd.