Zyski:
- Zrozumienie logiki automatyzacji rozliczeń bieżących, rozliczeń bankowych i testów trójstronnego dopasowania (zamówienie-dowód dostawy-faktura) przy wsparciu sztucznej inteligencji
- Umiejętność klasyfikowania i ustalania priorytetów analizy różnic (różnic) oraz powodów uzgadniania różnic ze sztuczną inteligencją
- Umiejętność zrozumienia, że audytor musi zbadać niedopasowane pozycje i różnice w potwierdzeniu oraz że sztuczna inteligencja jedynie pokazuje różnicę.
Podstawą audytu jest sprawdzenie poprzez porównanie z niezależnym źródłem, czy dokumentacja faktycznie istnieje i została prowadzona prawidłowo. Wpis kredytowy jest prawdziwy, za zgodą dłużnika; saldo bankowe jest prawidłowe, z potwierdzeniem z banku; Testujesz autentyczność zakupu, upewniając się, że trio zamówienia, dowodu dostawy i faktury pasuje do siebie. Procesy te nazywane są łącznie pojednaniem i potwierdzeniem. Ponieważ z natury wymagają porównania dużej liczby elementów, są powtarzalne, czasochłonne i w nich wyróżnia się sztuczna inteligencja.
W tej jednostce omówimy trzy zadania: uzgodnienie bieżące/rachunek (porównanie zapisów dwóch stron), uzgodnienie bankowe (uzgodnienie salda księgi i wyciągu bankowego) oraz dopasowanie trójstronne (porównanie zamówienia zakupu, dowodu odbioru/dostawy towaru i faktury od dostawcy). Podstawowa zasada pozostaje niezmieniona: AI dopasowuje się i wskazuje różnicę; Do audytora należy zbadanie przyczyny różnicy i wyciągnięcie wniosków.
Co to jest dopasowanie trójstronne i dlaczego jest ważne?
Kiedy firma kupuje towary/usługi, zazwyczaj pojawiają się trzy dokumenty: (1) Zamówienie zakupu — co zostało zamówione, ile i za jaką cenę; (2) Dowód dostawy/odbiór towaru – co, ile otrzymano; (3) Faktura dostawcy — co i ile została zafakturowana. W zdrowym środowisku kontroli te trzy elementy powinny być zgodne: zamówione = otrzymane = zafakturowane. Test dopasowania trójstronnego sprawdza, czy te trzy elementy pasują do siebie. Sprzeczanie się; Może to oznaczać zawyżanie faktur, fikcyjne zakupy, dublowanie płatności, manipulację cenami lub zwykły błąd w danych.
Sztuczna inteligencja może w ciągu kilku sekund dopasować tysiące zakupów w tych trzech dokumentach. Jednak wyświetlana lista „niepasujących elementów” nie jest listą błędów. Artykuł może być niedopasowany z następujących niewinnych powodów: częściowa dostawa (zamówienie 100, dostawa 60), różnica w czasie (faktura jeszcze nie dotarła), różnica w cenie w ramach dopuszczalnej tolerancji, rabat lub przedmiot wysyłki. Zadaniem audytora jest znalezienie przyczyny różnicy i oddzielenie niewinnego od podejrzanego.
Typ dopasowania
porównane
Typowe powody różnic
Aktualne pojednanie
Nasza rejestracja ↔ rejestracja kontrahenta
Czas, zwrot pieniędzy, niekompletna rejestracja, różnica kursowa
Uzgodnienie bankowe
Księga ↔ wyciąg bankowy
Odprawa w transporcie, opłata bankowa, dokument jeszcze nie przetworzony
mecz trójstronny
Zamówienie ↔ dowód dostawy ↔ faktura
Dostawa częściowa, termin, różnica w cenie, duplikat, fikcyjny
Potwierdzenie zewnętrzne: jeden z najbardziej wiarygodnych dowodów
Zewnętrzne potwierdzenie w audycie to metoda uzyskania pisemnej odpowiedzi bezpośrednio od strony trzeciej (banku, klienta, dostawcy) na temat salda lub transakcji i reguluje to BDS 505. Zewnętrzne potwierdzenie jest jednym z najmocniejszych dowodów audytora; ponieważ informacje pochodzą z niezależnego źródła, a nie od kontrolowanej jednostki. W tym przypadku sztuczna inteligencja przyspiesza tworzenie projektów listów potwierdzających, porównywanie przychodzących odpowiedzi z zapisami w księdze i sporządzanie wykazów stron, które nie odpowiedziały (tych, które mają nastąpić). Jednak dwie kwestie są istotne: po pierwsze, wypełnienie i wysłanie pisma potwierdzającego z podaniem rzeczywistych informacji o adresacie powinno znajdować się pod kontrolą audytora; Po drugie, audytor musi mieć pewność, że odpowiedź jest autentyczna i dotrze bezpośrednio do niego. Integralność procesu weryfikacji leży w gestii audytora; Sztuczna inteligencja po prostu ułatwia porównywanie i śledzenie.
Analiza luk: sztuczna inteligencja klasyfikuje, audytor decyduje
Najbardziej produktywnym sposobem badania różnic w konsensusie jest klasyfikacja różnic: które są związane z czasem (będą się zmieniać między okresami, ale nie są różnicami rzeczywistymi), które są różnicami trwałymi i które są niewyjaśnione. Sztuczna inteligencja może szybko dokonać wstępnej klasyfikacji: umieszcza w tabeli wielkość różnicy, kierunek i możliwą przyczynę. Ale uwaga: kolumna „prawdopodobna przyczyna” AI to przewidywanie, a nie ustalenie. To, że jest napisane „prawdopodobnie różnica w czasie” nie dowodzi, że różnica jest w czasie; Audytor musi to zweryfikować za pomocą dokumentacji (faktura z następnego okresu, dowód zwrotu, paragon bankowy).
Wskazówka: nadaj różnicom priorytet według wielkości kwoty i możliwości wyjaśnienia. Pomiń małe i łatwe do wyjaśnienia różnice; Skoncentruj pracę audytora na dużych lub niewyjaśnionych różnicach. AI tworzy tabelę priorytetów; Ustawiasz próg i skupiasz się.
Automatyzacja uzgadniania krok po kroku
- Przygotuj i zanonimizuj dwa (lub trzy) zbiory danych. Określ pasujący klucz (numer faktury, numer zamówienia, kwota + data).
- Potwierdź kompletność. Czy suma i liczba rekordów dla każdego klastra zgadza się z oczekiwaniami?
- Zdefiniuj regułę dopasowania. Czy będzie dokładne dopasowanie, czy też dozwolona będzie tolerancja (np. ±1% różnicy w cenie)?
- Dopasuj się do AI. Te, które pasują, te, które nie pasują, i te, które mieszczą się w granicach tolerancji, pojawiają się na osobnych listach.
- Klasyfikuj i ustalaj priorytety różnic. Czasowy/trwały/niewyjaśniony.
- Zbadaj jako audytor. Zweryfikuj wszelkie istotne różnice w dokumentacji; Udokumentuj wnioski i uzasadnienie.
trzy mini etui
Przypadek 1 – Przechwytywanie zduplikowanych płatności. Audytor trójstronny dopasował 12 400 zakupów za pomocą sztucznej inteligencji. YZ oznaczył 6 pozycji z dwiema oddzielnymi płatnościami dla tego samego numeru faktury. Audytor zbadał: 4 faktury były zgodne z prawem i zawierały podobne numery, z różnych lat; ale 2 z nich były w rzeczywistości płatnościami zduplikowanymi (ta sama faktura została zapłacona dwukrotnie) na łączną kwotę 88 000 TL. Rozpoczęto proces przywracania do pracy, a w piśmie do kierownictwa wskazano słabość kontroli wewnętrznej. AI zadała 6 pytań; 2 rzeczywiste problemy potwierdzone przez audytora.
Przypadek 2 — Wzięcie różnicy czasu za pomyłkę. Członek zespołu bezpośrednio odpisał różnicę w wysokości 40 000 TL oznaczoną przez YZ w uzgodnieniu bankowym jako „błąd w zapisie”. Osoba odpowiedzialna zbadała: różnicę stanowił czek wystawiony na koniec okresu i jeszcze nie przedstawiony bankowi; Była to całkowicie normalna różnica w czasie i zakończyła się w następnym tygodniu. Lekcja: niedopasowany długopis nie jest automatycznym błędem; Bez zbadania przyczyny nie można wyciągnąć żadnych wniosków.
Przypadek 3 — Błąd tolerancji. Jeden z audytorów nie wyraził żadnej tolerancji dla dopasowywania trójstronnego; Ze względu na różnice w zaokrąglaniu groszy YZ 900 oznaczył artykuł jako „nie pasuje”. Lista nie została zbadana; Prawdziwe problemy ginęły w hałasie. Po określeniu przez audytora rozsądnej tolerancji (np. ±5 TL lub ±0,5%) lista została zredukowana do 27 istotnych pozycji. Lekcja: reguła dopasowywania musi odpowiadać rzeczywistości biznesowej; Zbyt rygorystyczna reguła powoduje hałas, zbyt luźna reguła powoduje ślepotę.
Słaba zachęta/silna zachęta
Słaba zachęta:
Porównaj te dwie listy i powiedz, co nie pasuje.
Problem: klucz dopasowania, tolerancja i format wyjściowy są niejasne. AI nie wie, na podstawie czego dopasować; wynik byłby niewiarygodny i niepowtarzalny.
Potężny monit:
Twoja rola: jesteś asystentem niezależnego audytora ds. uzgodnień. Dopasujesz i POKAŻ różnicę; Przyczyna i wynik różnicy są moje. Dane (anonimowe): - Zestaw A: Zamówienia zakupu (kolumny: nr_zamówienia, pozycja, ilość, cena_jednostkowa, ilość) - Zestaw B: Dowody dostawy (nr zamówienia, pozycja, ilość_dostarczona) - Zestaw C: Faktury (nr zamówienia, pozycja, ilość_zafakturowana, kwota_zafakturowana) Klucz dopasowania: nr_zamówienia + pozycja. Tolerancja: liczyć jako „dopasowane”, jeśli różnica kwot mieści się w granicach ±5 TL lub ±0,5% (w zależności od tego, która wartość jest większa). Zadanie: 1) Dopasuj trzy skupienia. Podaj oddzielnie następujące trzy listy: (a) dokładne dopasowania (liczba podsumowania), (b) dopasowania w ramach tolerancji, (c) pozycje, które NIE pasują (pełne szczegóły).2) Dodaj kolumnę MOŻLIWA przyczyna dla rozbieżności (częściowa dostawa / brakujący dokument / różnica ilościowa / różnica kwotowa), ale zaznacz, że jest to SZACUNEK, który należy zweryfikować na podstawie dowodów.3) Napisz zwykłym tekstem zastosowaną regułę dopasowania i tolerancji.4) Podaj także całkowite uzgodnienie (A, B, C). sumy), abym mógł sprawdzić kompletność. Nie wymyślaj tego, czego nie możesz wywnioskować z danych.
Podpowiedź ta jest potężna, ponieważ definiuje klucz i tolerancję, wymaga trzech oddzielnych list, umieszcza „prawdopodobną przyczynę” jako przypuszczenie i wymaga całkowitej zgody co do kompletności.
Typowe błędy
- Uznanie niedopasowanego przedmiotu za pomyłkę. Napisanie wniosku bez badania przyczyny (termin, dostawa częściowa, zwrot).
- Nie ustalanie tolerancji. Nadmuchaj listę o grosze i zgub prawdziwe problemy w hałasie.
- Pozostawienie klucza parowania niejednoznacznego. Brak kontroli na podstawie czego AI dopasowuje.
- Pomijam kompletność. Poleganie na pasujących zestawach bez uzgadniania ich sum.
- Mylenie „prawdopodobnej przyczyny” z wykryciem. Akceptacja przewidywań AI bez weryfikowania ich dokumentacją.
Uwaga: opisywanie różnicy jako „zduplikowanej płatności” lub „fikcyjnego zakupu” jest poważnym roszczeniem. Sprawdź to za pomocą dokumentacji (faktura, dowód zapłaty, protokół odbioru towaru) przed zapisaniem; Jeśli istnieje wzorzec, oceń go osobno jako słabość kontroli wewnętrznej.
Podsumowując
Uzgadnianie, potwierdzanie i trójstronne dopasowywanie to jedne z najbardziej powtarzalnych zadań audytu, które najłatwiej przyspieszyć dzięki sztucznej inteligencji. Sztuczna inteligencja dopasowuje tysiące elementów w ciągu kilku sekund, wyświetla listę różnic i wstępnie je klasyfikuje. Jednak niedopasowany długopis nie jest błędem, jest to różnica, którą należy zbadać; „Prawdopodobna przyczyna” to przypuszczenie, a nie ustalenie. Audytor określa klucz dopasowania i tolerancję zgodnie z rzeczywistością biznesową; Audytor weryfikuje różnicę z dokumentem; Audytor zapisuje wynik. AI pokazuje różnicę, audytor nadaje znaczenie.
Zadanie aplikacji
Rozważ trzy małe zestawy danych (zamówienie, dowód dostawy, faktura) lub dwa zestawy (księga rachunkowa, bank). Określ pasujący klucz i rozsądną tolerancję. Dopasuj sztuczną inteligencję do powyższego potężnego wzorca podpowiedzi i usuń te, które nie pasują do kolumny „prawdopodobna przyczyna”. Następnie napisz „plan dochodzenia” dla każdego niedopasowanego elementu: do jakiego dokumentu się odwołam, jakie pytanie zadaję, jaki wniosek uważam za błąd/normalny?
lista kontrolna
- [ ] Zanonimizowałem dane i wyraźnie zidentyfikowałem pasujący klucz.
- [ ] Potwierdziłem kompletność każdego klastra podając sumę i liczbę rekordów.
- [ ] Ustalam tolerancję adekwatną do realiów biznesowych (ani zbyt rygorystyczną, ani zbyt luźną).
- [ ] Listy pasujące / w granicach tolerancji / niepasujące wziąłem osobno.
- [ ] Przeszukałem dokument pod kątem wszystkich istotnych pozycji, które nie pasowały; Potwierdziłem dlaczego.
- [ ] Nie liczyłem domysłów dotyczących „prawdopodobnej przyczyny” jako wyników bez potwierdzenia ich dowodami.
- [ ] Udokumentowałem poważne kwalifikatory, takie jak duplikat/fikcja, i oceniłem wpływ kontroli wewnętrznej.