Avstemming, bekreftelse og treveis matching automatisering — Kunstig intelligens i revisjon og uavhengig revisjon

Gevinster:

Forstå logikken i å automatisere gjeldende avstemming, bankavstemming og treveis matching (ordre-leveringsseddel-faktura) tester med støtte for kunstig intelligens
Evne til å klassifisere og prioritere forskjells(forskjells)analyse og årsakene til forsoningsforskjeller med kunstig intelligens
Evne til å forstå at mismatchede elementer og bekreftelsesforskjeller må undersøkes av revisor og at kunstig intelligens kun viser forskjellen.

Ryggraden i en revisjon er å verifisere ved å sammenligne den med en uavhengig kilde at en registrering faktisk eksisterer og har blitt holdt nøyaktig. En kredittpostering er reell, med godkjenning fra skyldneren; en banksaldo er korrekt, med bekreftelse fra banken; Du tester ektheten av et kjøp ved å sikre at ordre-leveringsseddel-faktura-trioen matcher hverandre. Disse prosessene kalles samlet for forsoning og bekreftelse. Fordi de iboende krever sammenligning av et stort antall varer, er de repeterende, tidkrevende og hvor kunstig intelligens skinner.

I denne enheten vil vi dekke tre jobber: bruks-/kontoavstemming (sammenlikning av registrene til to parter), bankavstemming (avstemming av reskontrosaldo og kontoutskrift) og treveis match (sammenligning av innkjøpsordren, varemottak/leveringsseddel og leverandørfaktura). Grunnprinsippet forblir uendret: AI matcher og påpeker forskjellen; Det er opp til revisor å undersøke årsaken til forskjellen og komme til en konklusjon.

Hva er treveis matching og hvorfor er det viktig?

Når en virksomhet kjøper varer/tjenester, oppstår tre dokumenter typisk: (1) Innkjøpsordre – hva ble bestilt, hvor mye, til hvilken pris; (2) Følgeseddel/mottak av varer — hva, hvor mye ble mottatt; (3) Leverandørfaktura - hva, hvor mye ble fakturert. I et sunt kontrollmiljø bør disse tre samsvare: bestilt = mottatt = fakturert. Treveistesten sjekker om disse tre stemmer overens. Tvister; Det kan bety overfakturering, fiktive kjøp, dupliserte betalinger, prismanipulasjon eller enkel datafeil.

AI kan matche tusenvis av kjøp på tvers av disse tre dokumentene på sekunder. Men listen over "umatchede elementer" som vises er ikke en liste over feil. En vare kan være feilaktig av følgende uskyldige årsaker: dellevering (ordre 100, levering 60), tidsforskjell (faktura ennå ikke mottatt), prisforskjell innenfor akseptabel toleranse, rabatt eller fraktvare. Revisors jobb er å finne årsaken til forskjellen og skille den uskyldige fra den mistenkte.

Matchtype

sammenlignet

Typiske årsaker til forskjell

Gjeldende avstemming

Vår registrering ↔ motpartsregistrering

Timing, refusjon, ufullstendig registrering, valutakursforskjell

Bankavstemming

Ledger ↔ kontoutskrift

Innsjekking, bankgebyr, post er ikke behandlet ennå

treveis kamp

Ordre ↔ følgeseddel ↔ faktura

Dellevering, timing, prisforskjell, duplikat, fiktiv

Ekstern bekreftelse: et av de mest pålitelige bevisene

Ekstern bekreftelse i revisjon er metoden for å få et skriftlig svar direkte fra en tredjepart (bank, kunde, leverandør) om en saldo eller transaksjon, og BDS 505 regulerer dette. Ekstern bekreftelse er et av revisors sterkeste bevis; fordi informasjonen kommer fra en uavhengig kilde, ikke fra den reviderte enheten. Her er AI akseleratoren for å lage utkast til bekreftelsesbrev, sammenligne innkommende svar med reskontroposter og liste opp ikke-responsive parter (de som skal følge). Men to punkter er kritiske: For det første bør utfylling og sending av bekreftelsesbrevet med den faktiske adressatinformasjonen være under revisors kontroll; For det andre må revisor være sikker på at svaret er ekte og når revisor direkte. Integriteten til verifikasjonsprosessen ligger hos revisor; AI gjør bare sammenligning og sporing enklere.

Gap-analyse: AI klassifiserer, revisor bestemmer

Den mest produktive måten å undersøke konsensusforskjeller på er å klassifisere forskjellene: som er timingsrelaterte (vil skifte mellom perioder, men er ikke faktiske forskjeller), som er permanente forskjeller, og som er uforklarlige. AI kan raskt gjøre denne foreløpige klassifiseringen: den legger forskjellsbeløpet, retningen og mulig årsak inn i en tabell. Men pass på: AIs "sannsynlige årsak"-kolonne er en prediksjon, ikke en bestemmelse. Bare fordi det står "sannsynligvis en tidsforskjell" beviser ikke at forskjellen er timing; Revisor skal verifisere dette med dokumentasjon (neste periode faktura, returkvittering, bankkvittering).

Tips: Prioriter forskjeller etter mengdestørrelse og forklarbarhet. Hopp over de små og lett forklarte forskjellene; Konsentrer revisorarbeidet om store eller uforklarlige forskjeller. AI produserer prioriteringstabellen; Du setter terskelen og fokus.

Trinn-for-trinn avstemmingsautomatisering

Forbered og anonymiser to (eller tre) datasett. Bestem samsvarsnøkkelen (fakturanummer, ordrenummer, beløp + dato).
Bekreft fullstendighet. Stemmer totalen og antallet poster for hver klynge med det som var forventet?
Definer samsvarsregelen. Vil det være et eksakt samsvar eller vil toleranse (f.eks. ±1 % prisforskjell) tillates?
Match med AI. De som samsvarer, de som ikke samsvarer, og de som er innenfor toleranse vises i separate lister.
Klassifiser og prioriter forskjeller. Timing/vedvarende/uforklarlig.
Undersøk som revisor. Bekreft eventuelle vesentlige forskjeller med dokumentasjon; Dokumenter konklusjonen og begrunnelsen.

tre minisaker

Tilfelle 1 — Duplikatbetalingsregistrering. En revisor treveis matchet 12 400 kjøp med AI. YZ merket 6 varer med to separate betalinger for samme fakturanummer. Revisor undersøkte: 4 var legitime fakturaer med tilsvarende tall fra forskjellige år; men 2 av dem var faktisk duplikatbetalinger (den samme fakturaen ble betalt to ganger), totalt 88 000 TL. Gjenopprettingsprosessen ble igangsatt og internkontrollsvakheten ble skrevet inn i lederbrevet. AI stilte 6 spørsmål; 2 reelle problemer bekreftet revisor.

Tilfelle 2 – Å misforstå tidsforskjellen for en feil. Et teammedlem skrev direkte av forskjellen på 40 000 TL merket av YZ i bankavstemmingen som en "registreringsfeil". Den ansvarlige undersøkte: forskjellen var en sjekk trukket ved slutten av perioden og ennå ikke presentert for banken; Det var en helt normal tidsforskjell og den stengte uken etter. Leksjon: en feilaktig penn er ikke en automatisk feil; Ingen konklusjon kan skrives uten å undersøke årsaken.

Tilfelle 3 - Toleransefeil. En revisor ga ingen toleranse for treveis matching; På grunn av penny-avrundingsforskjeller, merket YZ 900 varen "stemmer ikke". Listen ble ugransket; De virkelige problemene gikk seg vill i støyen. Når revisor definerte en rimelig toleranse (f.eks. ±5 TL eller ±0,5%), ble listen redusert til 27 vesentlige elementer. Leksjon: samsvarsregelen må samsvare med virksomhetens virkelighet; En for streng regel gir støy, en for løs regel gir blindhet.

Svak forespørsel / Sterk forespørsel

Svak melding:

Sammenlign disse to listene, fortell meg hva som ikke passer.

Problem: samsvarende nøkkel, toleranse og utdataformat er uklare. AI vet ikke hva den skal matche basert på; resultatet ville være upålitelig og ikke repeterbart.

Kraftig ledetekst:

Din rolle: du er avstemmingsassistent for en uavhengig revisor. Du vil matche og VISE forskjellen; Årsaken og resultatet av forskjellen er mine.Data (anonymisert):- Sett A: Innkjøpsordrer (kolonner: ordrenr, vare, antall, enhetspris, beløp)- Sett B: Følgesedler (ordre_nr, vare, levert_antall)- Sett C: Fakturaer (ordre_nr, vare, invoiced_quantity,invoiced_quantity,invoiced_quantity,invoiced_quantity:) vare.Toleranse: teller som "matchet" hvis beløpsforskjellen er innenfor ±5 TL eller ±0,5 % (det som er størst). Oppgave:1) Match tre klynger. Oppgi følgende tre lister hver for seg: (a) eksakte treff (sammendragsnummer), (b) treff innenfor toleranse, (c) elementer som IKKE samsvarer (full detalj).2) Legg til en MULIG årsakskolonne for mismatch (dellevering / manglende dokument / mengdeforskjell / beløpsforskjell), men oppgi at dette er et ESTIMAT, som skal verifiseres med bevis for regel 43). gi den totale avstemmingen (A, B, C). totaler) slik at jeg kan sjekke fullstendigheten. Ikke gjør opp det du ikke kan utlede fra dataene.

Denne forespørselen er kraftig fordi den definerer nøkkelen og toleransen, ber om tre separate lister, plasserer "sannsynlig årsak" som en gjetning, og krever total enighet for fullstendighet.

Vanlige feil

Å forveksle et element som ikke samsvarer som en feil. Skrive en konklusjon uten å undersøke årsaken (tidspunkt, delvis levering, retur).
Setter ikke toleranser. Blås opp listen med øre og mist de virkelige problemene i støyen.
Forlater paringsnøkkelen tvetydig. Kontrollerer ikke hva AI-en matcher basert på.
Hopp over fullstendighet. Stole på matchende sett uten å avstemme totalen.
Ta feil av "sannsynlig årsak" for deteksjon. Aksepterer AIs spådom uten å verifisere den med dokumentasjon.

Forsiktig: Å beskrive en forskjell som en "duplisert betaling" eller "fiktivt kjøp" er en alvorlig påstand. Bekreft dette med dokumentasjon (faktura, betalingskvittering, varemottaksprotokoll) før du skriver det ned; Hvis det er et mønster, evaluer det separat som en internkontrollsvakhet.

Oppsummert

Avstemming, bekreftelse og treveis matching er blant de mest repeterende oppgavene med revisjon og lettest akselerert med AI. AI matcher tusenvis av elementer på sekunder, viser forskjellene og forhåndsklassifiserer dem. Men den feiltilpassede pennen er ikke en feil, det er en forskjell som skal undersøkes; "sannsynlig årsak" er en gjetning, ikke en bestemmelse. Revisor bestemmer samsvarsnøkkelen og toleransen i henhold til virksomhetens virkelighet; Revisor verifiserer forskjellen med dokumentet; Revisor skriver resultatet. AI viser forskjellen, revisor gir meningen.

Søknadsoppgave

Tenk på tre små datasett (ordre, følgeseddel, faktura) eller to sett (reskontro, bank). Bestem samsvarende nøkkel og en rimelig toleranse. Få AI-en til å samsvare med det kraftige ledetekstmønsteret ovenfor, og fjern de som ikke samsvarer med kolonnen "sannsynlig årsak". Skriv deretter en "undersøkelsesplan" for hvert element som ikke samsvarer: hvilket dokument ser jeg på, hvilket spørsmål stiller jeg, hvilken konklusjon anser jeg dette som en feil/normal?

sjekkliste

[ ] Jeg anonymiserte dataene og identifiserte tydelig samsvarsnøkkelen.
[ ] Jeg bekreftet fullstendigheten av hver klynge med total og antall poster.
[ ] Jeg setter en toleranse som passer til forretningsvirkelighet (verken for streng eller for løs).
[ ] Jeg tok matchende / innenfor toleranse / ikke-matchende lister separat.
[ ] Jeg søkte i dokumentet etter hvert viktig element som ikke stemte; Jeg bekreftet hvorfor.
[ ] Jeg regnet ikke "sannsynlig årsak" gjetninger som resultater uten å bekrefte dem med bevis.
[ ] Jeg har dokumentert alvorlige kvalifikasjoner som duplikat/fiktivt og evaluert internkontrollpåvirkningen.