Vinster:
- Förstå varför journalanteckningstestning är obligatoriskt enligt BDS 240 och hur artificiell intelligens kan skanna misstänkta registreringskriterier
- Förmåga att markera och prioritera extremvärden, ovanlig timing och ovanliga mängdmönster med stöd för artificiell intelligens
- Att kunna hävda att varje anomali flaggad av artificiell intelligens inte är ett fynd, utan ett frågetecken som revisorn kommer att undersöka, och elimineringen av falska positiva är mänskligt ansvar.
Ett företags bokslut är i princip summan av miljontals journalposter (i redovisningen registreras varje finansiell transaktion som debet och kredit). Både fel och bedrägerier lever i slutändan i en journalanteckning: ett belopp som skrivits till fel konto, ett bidrag som "glöms bort" och återförs i slutet av perioden, en ovanlig post som matas in manuellt mitt i natten. Därför kräver BDS 240 (standarden som reglerar revisorns ansvar när det gäller bedrägerier vid revision av finansiella rapporter) tydligt att revisorn ska utföra journalföringstester. Dess syfte är att avslöja möjliga manipulationer från ledningen genom ledningens åsidosättande.
I den här enheten kommer vi att ta upp hur man förvandlar artificiell intelligens till en motor för avvikelser och feldetektering, men varför varje markerad post är ett "frågetecken" snarare än ett "fynd". De två första begreppen. En anomali är en ovanlig post i en datamängd som avviker från det förväntade mönstret. En extremvärde är en observation som skiljer sig numeriskt signifikant från de andra (som en mycket stor mängd, en mycket hög frekvens). Anomali är inte alltid ett fel; men det är där revisorn ska titta.
Misstänkta postningskriterier i journalanteckningstest
BDS 240 anger att poster med vissa egenskaper är mer framträdande för risken för bedrägeri. AI kan skanna hundratusentals poster baserat på dessa kriterier på några sekunder. Typiska kriterier för "röd flagga":
- Ovanlig timing: Manuella poster som läggs in efter arbetstid, på en helg, på en allmän helgdag eller den sista dagen i slutet av terminen.
- Ovanlig användare: Poster inmatade av en användare som normalt inte anger bokföringsposter (till exempel en administratör).
- Ovanliga kontokombinationer: Bokningar mellan konton som inte förväntar sig varandra (t.ex. ett intäktskonto och ett ovanligt icke-kontantkonto).
- Runda belopp: "rena" stora belopp såsom 100 000, 500 000; Det är ett typiskt spår av manuell manipulation.
- Poster med tomma eller tvetydiga beskrivningar: tomma beskrivningar som "korrigering", "diverse", "provisorisk".
- Omvända poster: Poster som matas in i början av perioden och avbryts (storno) efter en kort tid.
- Duplikat av undertröskelvärde: Stort antal poster klustrade precis under godkännandetröskeln (t.ex. 50 000 USD).
Tips: Tänk på dessa kriterier tillsammans, inte var för sig. Enbart "rundt belopp" kan vara oskyldigt; men "helg, av en administratör, beskrivning tom, rund konsekvent, manuell postning i slutet av perioden" är en stark röd flagga. Att ha AI kombinera kriterier för att producera ett "riskpoäng" hjälper dig att prioritera.
Den falska positiva sanningen: varför inte varje tecken är ett fynd
Avvikelseskanningens natur är falska positiva: poster flaggade av regeln som faktiskt är legitima. Till exempel, ett företag registrerar automatiskt en round-robin hyra periodiserad den sista arbetsdagen i varje månad; Detta har fastnat med kriteriet "rundt belopp + periodens slut", men det är helt normalt. Revisorns uppgift är att utvinna verklig risk från den flaggade högen. Denna sortering är inte överförbar; för att skilja legitimt från misstänkt kräver att man känner till verksamheten och sammanhanget – något AI inte har.
Så läs alltid resultatet så här: "AI:n flaggade 420 poster åt mig. De flesta av dem är förmodligen falska positiva. Mitt jobb är att av dessa 420 ta reda på de som verkligen behöver undersökas, mönstren och de enskilda misstänkta." Den här vyn skyddar dig från både automatiseringsbias (att ta varje tecken på ett fel) och lathet (inte titta på någon av dem).
Anomalidetektering steg för steg
- Förbered data och verifiera fullständighet. (Avstämningssteg i föregående enhet.)
- Definiera kriterierna tydligt. Vilken tidpunkt, mängd, användar- och beskrivningsmönster kommer att flaggas?
- Skanna och gör poäng med AI. Markera varje post enligt kriterier; Ge högre prioritet till de som uppfyller flera kriterier.
- Eliminera falska positiva. Filtrera eller flagga kända legitima mönster (som automatiska periodiseringar).
- Granska de återstående dokumenten. Länka var och en till stöddokumentet, godkännandet och affärslogiken.
- Dokumentera slutsatsen och motiveringen. Skriv ner vad du tyckte var misstänkt och varför, och vad du eliminerade och varför.
tre minifodral
Fall 1 – Faktiskt konstaterande. En revisor skannade 240 000 journalanteckningar med AI; Den kombinerade kriterierna "periodens sista 3 dagar + manuell + beskrivning 'korrigering' + 100 000 gånger beloppet". 14 skivor fick höga poäng. I granskningen var 11 legitima årsslutsjusteringar; Men 3 poster fördes in på ett sätt som skulle blåsa upp inkomstkontot och reverseras följande period, och det fanns ingen stödjande dokumentation. Detta var ett mönster där ledningen kringgick kontroller och var ett betydande fynd. AI ställde 14 frågor; Revisorns skepsis fann de 3 riktiga svaren.
Fall 2 — Falsk positiv fälla. En teammedlem skrev de 380 "runda konsekventa" posterna som AI hade flaggat direkt på arbetsbladet under rubriken "misstänkta transaktioner." När tjänstemannen tittade såg han att de flesta hade fast hyra, fast konsultarvode och automatisk avskrivningsbok; de var alla legitima. Arbetsbladet hade blivit en "lista med falska fynd" som ledde revisionen åt fel håll. Lektion: inte varje flaggad post är ett fynd; Revisorn gör urvalet.
Fall 3 — Att fastställa kriterierna för snävt. En revisor använde endast kriteriet "helgrekord" och hittade inga misstänkta uppgifter; Han var lättad. I verksamheten fördes dock manipulativa register under vardagsarbetstid, men med ovanliga kontokombinationer. Att förlita sig på ett enda, snävt kriterium hindrade honom från att se den verkliga risken. När revisorn utökade kriterierna växte mönstret fram. Lektion: ett enda kriterium ger ingen säkerhet; Titta på det multidimensionellt.
Svag prompt / Stark prompt
Svag uppmaning:
Hitta bedrägliga poster i dessa journalanteckningar.
Problem: AI kan inte "upptäcka" fusk; Bedrägeri är en juridisk/professionell konsekvens, inte ett datamönster. Också "bedrägligt" är odefinierat. Denna prompt producerar antingen en påhittad "fusklista" eller meningslösa flaggor.
Kraftfull uppmaning:
Din roll: du är en oberoende revisors assistent för journalanteckningsanalys. Du MÄRKER posten enligt kriterierna; fusk/felbeslut tillhör mig.Kontext: Anonymiserade journaldata (kolumner: postnummer, datum, tid, användarroll, debetkonto, kreditkonto, belopp, posttyp[manuell/automatisk], beskrivning). Terminsavslutning: 31/12. Arbetstider: 09:00-18:00, mån-fre.Uppgift:1) Ge varje post en "uppmärksamhetspoäng" enligt följande kriterier (beroende på hur många kriterier som är bifogade): a) record_type=manual b) datum mellan 29-31 december ELLER helg/helgdag c) ledigt timme d) avrundat belopp 0 TLe, är beskrivning tom. {korrigering, diverse, tillfälligt} in2) Ge de med poängen 3 och högre som en prioriteringslista.3) Skriv varje kriterium du tillämpar i klartext (auditability).4) Gör klart att dessa är "undantag som ska granskas" och inte är RESULTAT av bedrägeri/fel. Lägger till en falsk post.
Denna prompt är kraftfull eftersom den tydligt definierar kriterierna, kräver flerdimensionella poäng, granskningsbarhet och exakt lokaliserar resultatet (undantaget, inte resultatet).
Vanliga misstag
- Det betyder "hitta tricket". AI upptäcker inte fusk; sätter ett märke enligt kriterierna. Fusk är en professionell/juridisk konsekvens.
- Misstag tecknet för ett fynd. Att skriva den misstänkta posten som "fel" utan att eliminera falska positiva resultat.
- Förlitar sig på ett kriterium. Använder en smal regel och saknar det verkliga mönstret.
- Att inte filtrera bort legitima mönster. Skapar brus genom att inkludera automatiska periodiseringar i den misstänkta listan.
- Dokumenterar inte motiveringen. Att lämna arbetsbladet ospårbart utan att skriva ner vad du har tagit bort/behållit och varför.
Varning: Att beskriva en inspelning som "misstänkt" är ett allvarligt uttalande. Verifiera med bevis (understödjande dokument, bekräftelse, affärscase) innan du skriver som ett fynd. Annars blir du orättvis mot verksamheten och skadar revisionskvaliteten.
Sammanfattningsvis
Journalinmatningstestning krävs enligt BDS 240, och AI är den idealiska motorn för detta: den skannar hundratusentals poster mot flerdimensionella kriterier på några sekunder och ger ett uppmärksamhetspoäng. Men AI "upptäcker" inte fusk eller fel; det markerar bara det ovanliga. Resultatet är en hög med undantag full av falska positiva; Det är upp till revisorns skepsis och omdöme att reda ut den verkliga risken från den, eliminera den legitima och dra slutsatser. Tecknet är ett frågetecken, inte ett svar.
Applikationsuppgift
Ange fem anomalikriterier för en hypotetisk journaldata (schema, användare, belopp, kontokombination, beskrivning). Låt AI producera en flerdimensionell "uppmärksamhetspoäng" med det kraftfulla promptmönstret ovan. Skriv sedan en ”screeningguide”: vilka legitima mönster (automatisk periodisering, fast hyra etc.) ska filtreras bort som falska positiva? Slutligen, för de 5 rekorden med höga poäng, "vilka bevis letar jag efter?" Svara på frågan.
checklista
- [ ] Jag anonymiserade uppgifterna och verifierade att de var fullständiga.
- [ ] Jag definierade anomalikriterierna flerdimensionellt och tydligt.
- [ ] Jag fick klartexten av uppmärksamhetspoängen och tillämpade kriterier från AI.
- [ ] Jag filtrerade bort kända legitima mönster som falska positiva.
- [ ] Jag har granskat rekord med höga poäng med stödjande dokumentation och bekräftelse.
- [ ] Jag verifierade det med bevis innan jag drog slutsatsen "fusk/fel".
- [ ] Jag dokumenterade vad jag fann misstänkt och varför.