กำไร:
- ความสามารถในการสแกนประชากรทั้งหมดด้วย AI และจัดลำดับความสำคัญของบันทึกที่น่าสงสัยตามกฎความผิดปกติ
- ความสามารถในการดำเนินการตรวจสอบโดยมีระเบียบวินัยในการ 'ทำเครื่องหมายและระบุเหตุผล' โดยไม่ต้องผ่านการตัดสินเกี่ยวกับแบบจำลอง
- ความสามารถในการเก็บเส้นทางการตรวจสอบ (ข้อมูล พร้อมท์ วันที่ ตัวตรวจสอบ) สำหรับเอาท์พุต AI แต่ละรายการ
บางทีขอบเขตที่ละเอียดอ่อนที่สุดของการบัญชีและการเงินก็คือการตรวจสอบ: การตรวจสอบอย่างอิสระว่าบันทึกมีความถูกต้อง ครบถ้วน และเป็นไปตามข้อกำหนด ปัญญาประดิษฐ์ (AI) เป็นเครื่องมือที่มีสองง่ามที่นี่ ในด้านหนึ่ง การสแกนสแต็กข้อมูลขนาดใหญ่เพื่อหาความผิดปกติ (บันทึกที่น่าสงสัยซึ่งเบี่ยงเบนไปจากความคาดหวัง) และการตรวจจับช่องโหว่ในการควบคุมภายในมีประสิทธิภาพมาก ในทางกลับกัน เนื่องจากลักษณะของการตรวจสอบ ผลลัพธ์ของ AI เองจึงต้องได้รับการตรวจสอบด้วย ในหน่วยนี้ เราจะได้เรียนรู้วิธีใช้ AI เป็น "ผู้ช่วยตรวจสอบ" และรักษาเส้นทางการตรวจสอบ
บทบาทของ AI ในการควบคุมภายในและการตรวจสอบ
การควบคุมภายในคือชุดของกฎและกระบวนการที่จัดทำขึ้นเพื่อป้องกันข้อผิดพลาดและการละเมิด (เช่น การแบ่งแยกหน้าที่ เกณฑ์การอนุมัติ การกระทบยอด) การตรวจสอบจะตรวจสอบว่าสิ่งเหล่านี้ใช้งานได้หรือไม่ ในกรณีที่ AI มีประสิทธิภาพมากที่สุดคือเมื่อสามารถสแกนประชากรทั้งหมดได้ โดยที่การตรวจสอบแบบดั้งเดิมเกี่ยวข้องกับการสุ่มตัวอย่าง (ตรวจสอบบันทึกสองสามรายการจากหลายร้อยรายการ) การดูบันทึกทั้งหมด 10,000 รายการเป็นเรื่องยากสำหรับมนุษย์ แต่เป็นไปได้สำหรับแบบจำลอง
แต่ความแตกต่างที่สำคัญคือ AI สร้างความสงสัย ไม่ใช่การตัดสิน “บันทึกนี้ดูผิดปกติ” เป็นจุดเริ่มต้น การตัดสินใจตรวจสอบจริงและการรวบรวมหลักฐานเป็นของมนุษย์
เคล็ดลับ: เมื่อได้รับแจ้งการตรวจสอบ ให้พูดว่า "เพียงชี้และชี้แจง ไม่ต้องสรุป/ตัดสิน" มันจะทั้งผิดและเสี่ยงสำหรับแบบจำลองในการแถลงขั้นสุดท้าย เช่น "นี่คือความผิดปกติ"; เรื่องนี้จะถูกตัดสินเมื่อคุณตรวจทาน
ทีละขั้นตอน: การสแกนความผิดปกติด้วย AI
- กำหนดชุดกฎของคุณ คุณคิดว่าผิดปกติอย่างไร? เกณฑ์ การทำซ้ำ จังหวะเวลา
- สแกนประชากรทั้งหมด ไม่ใช่แค่ตัวอย่าง แต่ทั้งหมด
- ทำเครื่องหมายและจัดชิดขอบ คำอธิบาย "เหตุใดจึงน่าสงสัย" สำหรับการค้นพบแต่ละครั้ง
- จัดลำดับความสำคัญ จัดเรียงตามความเสี่ยง/ขนาดผลกระทบ
- อ้างถึงการตรวจสอบโดยเจ้าหน้าที่ รวบรวมหลักฐาน ตัดสินใจ เอกสาร
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
คำเตือนที่อ่อนแอ: ค่าใช้จ่ายเหล่านี้มีความผิดปกติหรือไม่? [ข้อมูล]
สิ่งนี้ให้คำตอบที่เป็น "ไม่มี" หรือก่อให้เกิดข้อกล่าวหาที่ไม่มีมูลซึ่งไม่สามารถใช้ในการตรวจสอบได้
พร้อมท์ที่รัดกุม: บทบาทของคุณ: ผู้ช่วยตรวจสอบภายใน งาน: สแกนบันทึกค่าใช้จ่ายต่อไปนี้ตามกฎความเสี่ยง กฎ:1) จำนวนเงินต่ำกว่าเกณฑ์การอนุมัติ (50,000) (สงสัยแยกกัน)2) บันทึกที่ป้อนในวันหยุดสุดสัปดาห์หรือหลังเวลาทำการ3) จำนวนที่คล้ายกันซ้ำในช่วงเวลาสั้น ๆ ไปยังซัพพลายเออร์รายเดียวกัน 4) ความถี่ที่ผิดปกติของจำนวนเงินรอบผลลัพธ์: หมายเลขบันทึก | กฎที่ทริกเกอร์ | เหตุใดจึงน่าสงสัย (1 ประโยค) |ลำดับความสำคัญ (สูง/กลาง/ต่ำ)ข้อจำกัด: เพียงทำเครื่องหมายและระบุเหตุผล การตัดสินเช่น "มันเป็นสิ่งผิดปกติ"; สิ่งเหล่านี้คือผู้สมัครสำหรับการตรวจสอบของมนุษย์ ใช้ข้อมูลในข้อมูลเท่านั้น<records> ... </records>
พรอมต์นี้; โดยจะจัดลำดับความสำคัญของจำนวนเงินที่ติดอยู่ต่ำกว่าเกณฑ์การอนุมัติ (เครื่องหมาย "แยกออก") หรือบันทึกที่ป้อนหลังเวลาทำการ และทำให้ผู้ตรวจสอบมีรายการตรวจสอบที่ชัดเจน
การสนับสนุนที่ใหญ่ที่สุดของ AI ในการตรวจสอบคือข้อได้เปรียบในด้านขนาด ในการตรวจสอบแบบดั้งเดิม การสุ่มตัวอย่างทำได้เนื่องจากเป็นไปไม่ได้ทางกายภาพที่จะดูบันทึกทั้งหมด: บางทีอาจมีการตรวจสอบใบแจ้งหนี้หลายแสนใบ และผลลัพธ์ที่ได้จะเป็นภาพรวมของประชากรทั้งหมด ซึ่งหมายความว่าสามารถหลีกเลี่ยงความผิดปกติที่อยู่นอกตัวอย่างได้ ในทางกลับกัน AI สามารถใช้กฎที่คุณกำหนดกับบันทึกนับหมื่นรายการได้ภายในไม่กี่วินาที ดังนั้น การตรวจสอบจึงพัฒนาจาก "ดูตัวอย่างบางส่วนแล้วหวัง" มาเป็น "สแกนทุกบันทึกและดึงข้อยกเว้นออกมา" อย่างไรก็ตาม ทั้งหมดที่พบเป็นเพียงผู้สมัครเข้ารับการสอบสวน ไม่ใช่ข้อสรุป
กฎความผิดปกติที่ใช้บ่อยในการตรวจสอบ
กฎ
มันบ่งบอกถึงอะไร
ตัวอย่าง
การสะสมต่ำกว่าเกณฑ์
แยกเพื่อหลีกเลี่ยงการอนุมัติ
จำนวนประมาณ 49,500, 49,800
การลงทะเบียนนอกเวลา
การเข้าที่ไม่สามารถควบคุมได้
วันเสาร์ 23:40บิล
การชำระเงินซ้ำ
ความเสี่ยงของการจ่ายเงินซ้ำซ้อน
ใบแจ้งหนี้เดียวกันหมายเลขเอกสารสองฉบับ
ความถี่ของจำนวนรอบ
จำนวนเงินโดยประมาณ/ที่จัดทำขึ้น
เยอะมากๆ 10,000
ซัพพลายเออร์ใหม่ + จำนวนเงินที่สูงขึ้น
ความเสี่ยงจากซัพพลายเออร์ผี
200,000 ในการทำธุรกรรมครั้งแรก
การแยกหน้าที่และการควบคุมอำนาจ
หัวใจสำคัญของการควบคุมภายในประการหนึ่งคือการแบ่งแยกหน้าที่ โดยบุคคลที่ริเริ่ม อนุมัติ และชำระค่าธุรกรรมจะต่างกัน หากบุคคลคนเดียวกันเข้ามา อนุมัติ และชำระใบแจ้งหนี้ ประตูก็จะเปิดออกสำหรับการละเมิด AI สามารถค้นหากรณีที่นโยบายนี้ถูกละเมิดโดยการสแกนข้อมูลผู้ใช้ในบันทึกธุรกรรม
สแกนหาการแยกการละเมิดหน้าที่ในบันทึกธุรกรรมต่อไปนี้: - ธุรกรรมที่ผู้ใช้คนเดียวกันทั้งเข้าและอนุมัติ - ธุรกรรมที่ผู้ใช้คนเดียวกันทั้งอนุมัติและเริ่มต้นการชำระเงิน - จำนวนเงินที่ได้รับอนุมัติโดยบุคคลเดียวที่เกินขีดจำกัดการอนุญาต เอาต์พุต: หมายเลขธุรกรรม | ประเภทการละเมิด | ผู้ใช้ที่เกี่ยวข้อง | ลำดับความสำคัญเพียงชี้และจัดชิดขอบ; รายชื่อผู้สมัครรับโทษทบทวน
การสแกนประเภทนี้จะแยกรูปแบบออกมาในไม่กี่วินาทีซึ่งสายตามนุษย์ไม่สามารถจับภาพเป็นพัน ๆ เส้นได้ แต่ใช้หลักการเดียวกัน: รูปแบบนี้แสดงถึง "รูปแบบของการละเมิดกฎ"; ขึ้นอยู่กับผู้ตัดสินใจว่านี่เป็นปัญหาที่แท้จริงหรือข้อยกเว้นที่ถูกต้องตามกฎหมาย (เช่น การบังคับบทบาทคู่ในทีมขนาดเล็ก)
ภาระผูกพันในเส้นทางการตรวจสอบ
หากจะใช้เอาต์พุต AI ในการตรวจสอบ จะต้องตรวจสอบย้อนกลับได้: ข้อมูลอะไร, ข้อความแจ้งอะไร, รุ่นใด, วันที่ใด, ใครเป็นผู้ตรวจสอบ หากไม่มีบันทึกนี้ เอกสารที่พิมพ์ออกมาก็ไม่มีค่าหลักฐานในการตรวจสอบ
เตรียมบันทึกเส้นทางการตรวจสอบสำหรับการวิเคราะห์นี้: - แหล่งข้อมูลและระยะเวลาที่ใช้ - สรุปคำแนะนำ/กฎที่ใช้ - วันที่ของผลลัพธ์ของแบบจำลอง - ช่องว่างสำหรับขั้นตอนการตรวจสอบโดยมนุษย์ (ใคร เมื่อใด ผลลัพธ์) ส่งออกสิ่งนี้เป็นเทมเพลตที่นำมาใช้ซ้ำได้
ข้อควรระวัง: เพียงเพราะ AI บอกว่า "บันทึกนี้ใช้ได้" ไม่ได้พิสูจน์ว่าไม่มีปัญหาใดๆ โมเดลอาจพลาดรูปแบบไป "AI กล่าวว่าสะอาด" ไม่ใช่การรับรองในการตรวจสอบ บันทึกขอบเขตของขอบเขตและวิธีการเสมอ
เคสมินิ
กรณีที่ 1 — ช่องเกณฑ์ย่อย ผู้ตรวจสอบภายในพบใบแจ้งหนี้สามใบติดต่อกันมูลค่า 49,200, 49,700, 49,500 TL จากแผนกเดียวกันผ่านการสแกน AI ในบริษัทที่มีเกณฑ์การอนุมัติ 50,000 TL การสอบสวนพบว่าการซื้อครั้งเดียวมูลค่า 145,000 ปอนด์ถูกแบ่งออกเป็นสามรายการเพื่อหลีกเลี่ยงการอนุมัติ ปิดช่องว่างการควบคุมแล้ว
กรณีที่ 2 — ป้ายซัพพลายเออร์ผี AI ให้ความสำคัญกับการจ่าย 200,000 TL ให้กับซัพพลายเออร์ที่เพิ่มเข้ามาใหม่ในระบบในการทำธุรกรรมครั้งแรก การตรวจสอบพบว่าซัพพลายเออร์เป็นของแท้และอยู่ภายใต้สัญญา สัญญาณเตือนเป็นเท็จ แต่ส่วนควบคุมทำงานได้อย่างถูกต้อง บทเรียน: ไม่ใช่ทุกสัญญาณถือเป็นอาชญากรรม แต่ควรตรวจสอบทุกสัญญาณ
กรณีที่ 3 — การล่มสลายของเอาต์พุตที่ไม่มีเอกสาร ทีมงานได้ส่งรายการความผิดปกติของ AI ไปยังการตรวจสอบ แต่ไม่ได้บันทึกข้อความแจ้งและข้อมูลที่สร้างขึ้น ผู้ตรวจสอบบัญชีภายนอกไม่รับสิ่งพิมพ์ไว้เป็นหลักฐาน วิเคราะห์ซ้ำพร้อมหลักฐานการตรวจสอบ บทเรียน: ไม่มีผลลัพธ์ที่ไม่สามารถตรวจสอบได้ในการตรวจสอบ
กรณีที่ 4 — การแบ่งแยกการฝ่าฝืนหน้าที่ การสแกนการควบคุมภายในพบธุรกรรม 37 รายการในสาขาขนาดเล็กที่มีพนักงานคนเดียวกันป้อน อนุมัติ และเริ่มการชำระเงินสำหรับใบแจ้งหนี้ การสอบสวนพบว่าพนักงานไม่มีเจตนาร้าย แต่รับบทบาทเหล่านี้เนื่องจากมีพนักงานไม่เพียงพอ ถึงกระนั้น ความเสี่ยงก็มีอยู่จริง บริษัทปิดช่องว่างโดยย้ายการอนุมัติการชำระเงินมาที่ศูนย์ บทเรียน: การขาดการควบคุมเป็นสิ่งที่อันตรายแม้ว่าจะไม่มีความมุ่งร้ายก็ตาม AI ค้นหารูปแบบ มนุษย์ออกแบบวิธีแก้ปัญหา
ข้อผิดพลาดทั่วไป
- เพื่อตัดสินโมเดล การพูดว่า "มันเป็นสิ่งผิดปกติ" มีทั้งผิดและมีความเสี่ยง เพียงแค่ทำเครื่องหมายมัน
- “AI บอกว่าสะอาด” มั่นใจ อาจเป็นได้ว่าโมเดลพลาด ผลลัพธ์ที่สะอาดไม่สามารถพิสูจน์ได้
- ไม่เก็บร่องรอยการตรวจสอบ หากไม่ได้บันทึกข้อมูล ข้อความแจ้ง วันที่ และผู้ตรวจสอบ ผลลัพธ์จะไม่ถือเป็นหลักฐาน
- การคิดว่าทุกสัญญาณเป็นอาชญากรรม ความผิดปกตินี้อยู่ระหว่างการพิจารณาสอบสวน หลักฐานเป็นตัวกำหนดการตัดสินใจ
- ไม่บันทึกขอบเขต บันทึกใดที่ถูกสแกนและควรเขียนขีดจำกัดของวิธีการ
โดยสรุป
- AI มีประสิทธิภาพในการค้นหาความผิดปกติโดยการสแกนประชากรทั้งหมดในการตรวจสอบ เป็นมากกว่าการสุ่มตัวอย่าง
- แบบจำลองก่อให้เกิดความสงสัย ไม่ใช่การตัดสิน ใช้กับกฎ "เพียงแค่ชี้และจัดแนว"
- ควรกำหนดกฎความผิดปกติ (ต่ำกว่าเกณฑ์ที่ค้างอยู่ การลงทะเบียนนอกเวลาทำการ การชำระเงินซ้ำ) ล่วงหน้า
- จำเป็นต้องเก็บเส้นทางการตรวจสอบ (ข้อมูล พร้อมท์ วันที่ เครื่องมือตรวจสอบ) สำหรับเอาท์พุต AI แต่ละรายการ ผลลัพธ์ที่ติดตามไม่ได้ไม่ใช่หลักฐาน
- "AI บอกว่าสะอาด" ไม่ใช่การรับประกัน บันทึกขอบเขตของขอบเขตและวิธีการเสมอ
งานสมัคร
จัดทำบันทึกค่าใช้จ่าย 30-50 บรรทัด โดยเจตนาแบ่งย่อยและวางการชำระเงินซ้ำ รับการสแกนความผิดปกติด้วยเทมเพลตพร้อมท์ที่มีประสิทธิภาพ และตรวจสอบว่าโมเดลจับและจัดลำดับความสำคัญของกับดักของคุณหรือไม่ จากนั้นกรอกเทมเพลตเส้นทางการตรวจสอบและระบุรายการผลการวิจัยเป็น “ผู้สมัครเข้ารับการตรวจสอบ” (โดยไม่ผ่านการตัดสิน)
รายการตรวจสอบ
- [ ] ฉันได้กำหนดกฎความผิดปกติไว้ล่วงหน้าแล้ว (เกณฑ์ ระยะเวลา การทำซ้ำ)
- [ ] ฉันสแกนประชากรทั้งหมด และไม่ได้หยุดแค่การสุ่มตัวอย่าง
- [ ] ฉันป้องกันไม่ให้โมเดลผ่านการตัดสิน ฉันเพิ่งทำเครื่องหมายและแสดงเหตุผล
- [ ] ฉันบันทึกเส้นทางการตรวจสอบ (ข้อมูล การแจ้งเตือน วันที่) สำหรับการค้นพบแต่ละครั้ง
- [ ] ฉันปล่อยให้ผู้ที่ถูกทำเครื่องหมายว่าเป็น "ผู้สมัครสอบ" ขึ้นอยู่กับวิจารณญาณของมนุษย์
- [ ] ฉันบันทึกขอบเขตของการสแกนและข้อจำกัดของวิธีการ