Detecção de anomalias e erros: testes de lançamentos contábeis manuais e análise de valores discrepantes — Inteligência Artificial em Auditoria e Auditoria Independente

Ganhos:

Entenda por que o teste de lançamento contábil manual é obrigatório de acordo com o BDS 240 e como a inteligência artificial pode verificar critérios de lançamento suspeitos
Capacidade de marcar e priorizar valores discrepantes, timing incomum e padrões de quantidade incomuns com suporte de inteligência artificial
Ser capaz de sustentar que toda anomalia sinalizada pela inteligência artificial não é uma descoberta, mas sim um ponto de interrogação que o auditor irá investigar, e a eliminação de falsos positivos é responsabilidade humana.

As demonstrações financeiras de uma empresa são basicamente a soma de milhões de lançamentos contábeis manuais (na contabilidade, cada transação financeira é registrada como débito e crédito). Tanto o erro quanto a fraude residem, em última análise, em um lançamento contábil manual: um valor lançado na conta errada, uma provisão que é “esquecida” e revertida no final do período, um lançamento incomum lançado manualmente no meio da noite. Portanto, a BDS 240 (a norma que regula as responsabilidades do auditor em relação à fraude na auditoria das demonstrações financeiras) exige claramente que o auditor realize testes de lançamentos contábeis manuais. Seu objetivo é revelar possíveis manipulações por parte da administração por meio de cancelamento de gestão.

Nesta unidade, abordaremos como transformar a inteligência artificial em um motor de detecção de anomalias e erros, mas por que cada registro marcado é um “ponto de interrogação” e não uma “descoberta”. Os dois primeiros conceitos. Uma anomalia é um registro incomum em um conjunto de dados que se desvia do padrão esperado. Um outlier é uma observação numericamente significativamente diferente das outras (como uma quantidade muito grande, uma frequência muito alta). A anomalia nem sempre é um erro; mas é para onde o auditor deve olhar.

Critérios de lançamento suspeitos no teste de lançamento contábil manual

A BDS 240 afirma que registros com determinadas características são mais salientes ao risco de fraude. A IA pode digitalizar centenas de milhares de registros com base nesses critérios em segundos. Critérios típicos de "bandeira vermelha":

Horário incomum: Registros manuais inseridos após o horário comercial, em final de semana, feriado ou no último dia do término do semestre.
Usuário incomum: Registros inseridos por um usuário que normalmente não insere registros contábeis (por exemplo, um administrador).
Combinações incomuns de contas: Lançamentos entre contas que não se esperam entre si (por exemplo, uma conta de receita e uma conta não-caixa incomum).
Montantes redondos: grandes quantias "limpas", como 100.000, 500.000; É um traço típico de manipulação manual.
Registros com descrições vazias ou ambíguas: descrições vazias como “correção”, “diversos”, “provisório”.
Registros estornados: Registros lançados no início do período e cancelados (storno) após pouco tempo.
Duplicatas abaixo do limite: um grande número de registros agrupados logo abaixo do limite de aprovação (por exemplo, US$ 50.000).

Dica: Pense nesses critérios em conjunto, não individualmente. A “quantia redonda” por si só pode ser inocente; mas "fim de semana, por um administrador, descrição em branco, rodada consistente, postagem manual no final do período" é um forte sinal de alerta. Fazer com que a IA combine critérios para produzir uma “pontuação de risco” ajuda você a priorizar.

A verdade do falso positivo: por que nem todo sinal é uma descoberta

A natureza da verificação de anomalias são os falsos positivos: registros sinalizados pela regra que são realmente legítimos. Por exemplo, uma empresa insere automaticamente um acúmulo de aluguel round-robin no último dia útil de cada mês; Isso está preso ao critério “valor redondo + final do período”, mas é completamente normal. O trabalho do auditor é extrair o risco real da pilha sinalizada. Esta classificação não é transferível; porque distinguir o legítimo do suspeito requer conhecer o negócio e o contexto – algo que a IA não tem.

Portanto, sempre leia o resultado assim: "A IA sinalizou 420 registros para mim. A maioria deles são provavelmente falsos positivos. Meu trabalho é descobrir desses 420 aqueles que realmente precisam ser investigados, os padrões e os suspeitos individuais." Essa visualização protege você tanto do preconceito de automação (considerar todos os sinais como um erro) quanto da preguiça (não olhar para nenhum deles).

Detecção de anomalia passo a passo

Prepare os dados e verifique a integridade. (Etapas de reconciliação na unidade anterior.)
Defina os critérios claramente. Quais padrões de tempo, quantidade, usuário e descrição serão sinalizados?
Digitalize e marque com IA. Marque cada registro de acordo com critérios; Dê maior prioridade àqueles que atendem a vários critérios.
Elimine falsos positivos. Filtre ou sinalize padrões legítimos conhecidos (como acúmulos automáticos).
Examine os registros restantes. Vincule cada um ao documento de suporte, à aprovação e à lógica de negócios.
Documente a conclusão e a justificativa. Anote o que você achou suspeito e por quê, e o que eliminou e por quê.

três mini cases

Caso 1 — Achado real. Um auditor digitalizou 240.000 lançamentos contábeis manuais com IA; Combinou os critérios “últimos 3 dias do período + manual + ‘correção’ de descrição + 100 mil vezes o valor”. 14 registros receberam pontuações altas. Na revisão, 11 foram ajustes legítimos de final de ano; Porém, foram lançados 3 lançamentos de forma que inflacionariam a conta de rendimentos e seriam revertidos no período seguinte, e não havia documentação comprobatória. Este foi um padrão de gestão contornando os controles e foi uma descoberta significativa. A IA fez 14 perguntas; O ceticismo do auditor encontrou as 3 respostas reais.

Caso 2 — Armadilha de falso positivo. Um membro da equipe escreveu os 380 registros “consistentes” que a IA havia sinalizado diretamente na planilha sob o título “transações suspeitas”. Quando o policial olhou, viu que a maioria deles tinha aluguel fixo, honorários fixos de consultoria e registros automáticos de depreciação; eles eram todos legítimos. A planilha tornou-se uma “lista de descobertas falsas” que levou a auditoria na direção errada. Lição: nem todo registro sinalizado é uma descoberta; O auditor faz a seleção.

Caso 3 — Definição de critérios demasiado restritiva. Um auditor utilizou apenas o critério “registro de fim de semana” e não encontrou registros suspeitos; Ele ficou aliviado. No entanto, no negócio, registros manipulativos foram inseridos durante o horário de trabalho dos dias úteis, mas com combinações de contas incomuns. Confiar num critério único e restrito impediu-o de ver o risco real. Quando o auditor ampliou os critérios, o padrão surgiu. Lição: o critério único não fornece garantia; Olhe para isso multidimensionalmente.

Alerta fraco / Alerta forte

Alerta fraco:

Encontre entradas fraudulentas nesses lançamentos contábeis manuais.

Problema: a IA não consegue “detectar” trapaça; A fraude é uma consequência legal/profissional, não um padrão de dados. Além disso, "fraudulento" é indefinido. Este prompt produz uma "lista de truques" inventada ou sinalizadores sem sentido.

Alerta poderoso:

Sua função: você é assistente de análise de lançamentos contábeis manuais de um auditor independente. Você MARCA o registro de acordo com os critérios; a decisão de trapaça/erro pertence a mim.Contexto: dados anonimizados do diário (colunas: número_de_registro, data, hora, função_do_usuário, conta_debito, conta_de_crédito, valor, tipo_de_registro[manual/automático], descrição). Fim do prazo: 31/12. Horário de funcionamento: 09h00-18h00, Seg-Sex.Tarefa:1) Dar uma "pontuação de atenção" a cada registro de acordo com os seguintes critérios (dependendo de quantos critérios estão anexados): a) record_type = manual b) data entre 29 e 31 de dezembro OU fim de semana / feriado c) hora de folga d) valor 100.000 TL sólido (arredondado) e) a descrição está vazia ou {correção, diversos, temporário} in2) Dê aqueles com pontuação igual ou superior a 3 como uma lista de prioridades.3) Escreva cada critério que você aplica em texto simples (auditabilidade).4) Deixe claro que estas são "exceções a serem examinadas" e não são o RESULTADO de fraude/erro. Adicionando um registro falso.

Esse prompt é poderoso porque define claramente os critérios, exige pontuações multidimensionais, auditabilidade e localiza com precisão o resultado (a exceção, não o resultado).

Erros comuns

Significa "encontre o truque". A IA não detecta trapaça; coloca uma marca de acordo com os critérios. Trapacear é uma consequência profissional/legal.
Confundindo o sinal com uma descoberta. Escrever o registro suspeito como “erro” sem eliminar os falsos positivos.
Baseando-se em um critério. Usando uma regra estreita e perdendo o padrão real.
Não filtrar padrões legítimos. Criando ruído ao incluir acúmulos automáticos na lista de suspeitos.
Não documentar a justificativa. Deixar a planilha indetectável sem anotar o que você eliminou/manteve e por quê.

Cuidado: Descrever uma gravação como “suspeita” é uma afirmação séria. Verifique com evidências (documento de apoio, confirmação, caso de negócios) antes de escrever como uma conclusão. Caso contrário, você será injusto com o negócio e prejudicará a qualidade da auditoria.

Resumindo

O teste de entrada de diário é exigido pelo BDS 240, e a IA é o mecanismo ideal para isso: ela verifica centenas de milhares de registros em relação a critérios multidimensionais em segundos e produz uma pontuação de atenção. Mas a IA não “detecta” trapaças ou erros; apenas marca o incomum. A saída é uma pilha de exceções cheias de falsos positivos; Cabe ao ceticismo e julgamento do auditor separar o risco real dele, eliminar o legítimo e tirar conclusões. O sinal é um ponto de interrogação, não uma resposta.

Tarefa de aplicativo

Especifique cinco critérios de anomalia para dados de diário hipotéticos (programação, usuário, valor, combinação de contas, descrição). Faça com que a IA produza uma “pontuação de atenção” multidimensional com o poderoso padrão de alerta acima. Em seguida, escreva um “guia de triagem”: quais padrões legítimos (acréscimo automático, aluguel fixo, etc.) devem ser filtrados como falsos positivos? Finalmente, para os 5 registros com pontuação alta, “que evidências devo procurar?” Responda à pergunta.

lista de verificação

[ ] Anonimizei os dados e verifiquei sua integridade.
[ ] Defini os critérios de anomalia de forma multidimensional e clara.
[] Recebi o texto simples da pontuação de atenção e os critérios aplicados da IA.
[] Eu filtrei padrões legítimos conhecidos como falsos positivos.
[] Analisei registros de pontuação alta com documentação de apoio e confirmação.
[] Eu verifiquei com evidências antes de concluir "trapaça/erro".
[ ] Documentei o que achei suspeito e por quê.