Lợi nhuận:
- Khả năng quét toàn bộ dân số bằng AI và ưu tiên các hồ sơ đáng ngờ theo quy tắc bất thường
- Khả năng tiến hành kiểm toán với kỷ luật 'đánh dấu và biện minh' mà không đưa ra phán xét về mô hình
- Khả năng lưu giữ dấu vết kiểm tra (dữ liệu, lời nhắc, ngày tháng, trình xác minh) cho từng đầu ra AI
Có lẽ lĩnh vực nhạy cảm nhất của kế toán và tài chính là kiểm toán: xác minh độc lập rằng hồ sơ là chính xác, đầy đủ và tuân thủ. Trí tuệ nhân tạo (AI) là một công cụ hai hướng ở đây. Một mặt, nó rất mạnh mẽ trong việc quét các khối dữ liệu lớn để tìm các điểm bất thường (các bản ghi đáng ngờ đi chệch khỏi mong đợi) và phát hiện các lỗ hổng kiểm soát nội bộ. Mặt khác, do tính chất của hoạt động kiểm toán nên sản phẩm đầu ra của chính AI cũng phải được kiểm toán. Trong phần này, chúng ta sẽ học cách sử dụng AI làm "trợ lý kiểm toán" và duy trì quy trình kiểm tra.
Vai trò của AI trong kiểm soát và kiểm toán nội bộ
Kiểm soát nội bộ là tập hợp các quy tắc và quy trình được thiết lập để ngăn ngừa sai sót và lạm dụng (chẳng hạn như phân chia nhiệm vụ, ngưỡng phê duyệt, đối chiếu). Kiểm toán kiểm tra xem những điều này có hoạt động hay không. Trường hợp AI hiệu quả nhất là khi nó có thể quét toàn bộ quần thể trong đó việc kiểm toán truyền thống liên quan đến việc lấy mẫu (kiểm tra một vài hồ sơ trong số hàng trăm hồ sơ). Việc xem xét tất cả 10.000 bản ghi là điều khó khăn đối với con người nhưng lại có thể đối với một người mẫu.
Nhưng điểm khác biệt quan trọng là: AI tạo ra sự nghi ngờ chứ không phải phán xét. “Bản ghi này có vẻ bất thường” là điểm khởi đầu; Quyết định kiểm toán thực tế và thu thập bằng chứng thuộc về con người.
Mẹo: Khi được nhắc kiểm tra, hãy nói "chỉ chỉ ra và biện minh, đừng kết luận/đánh giá". Sẽ là sai lầm và rủi ro nếu người mẫu đưa ra những tuyên bố dứt khoát như “đây là một điều bất thường”; Vấn đề được quyết định dựa trên sự xem xét của bạn.
Từng bước: Quét bất thường bằng AI
- Xác định bộ quy tắc của bạn. Bạn coi điều gì là bất thường? Ngưỡng, sự lặp lại, thời gian.
- Quét toàn bộ dân số. Không chỉ là một mẫu, mà là tất cả chúng.
- Đánh dấu và biện minh. Lời giải thích "tại sao đáng ngờ" cho mỗi phát hiện.
- Ưu tiên. Sắp xếp theo mức độ rủi ro/tác động.
- Tham khảo đánh giá của con người. Thu thập bằng chứng, ra quyết định, lập tài liệu.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu: Có bất thường nào trong các khoản chi này không? [dữ liệu]
Điều này dẫn đến câu trả lời là "không" hoặc tạo ra những cáo buộc vô căn cứ không thể sử dụng trong cuộc kiểm toán.
Lời nhắc mạnh mẽ: Vai trò của bạn: trợ lý kiểm toán nội bộ. Nhiệm vụ: Quét các hồ sơ chi phí sau đây theo quy tắc rủi ro. Quy tắc:1) Số tiền ngay dưới ngưỡng phê duyệt (50.000) (nghi ngờ phân chia)2) Hồ sơ được nhập vào cuối tuần hoặc sau giờ làm việc3) Số tiền tương tự được lặp lại trong khoảng thời gian ngắn cho cùng một nhà cung cấp4) Tần suất làm tròn bất thườngĐầu ra: số bản ghi | quy tắc kích hoạt | tại sao lại đáng ngờ (1 câu) |ưu tiên (cao/trung bình/thấp)Hạn chế: Chỉ cần đánh dấu và biện minh. Đưa ra nhận định như “đó là điều trái quy định”; đây là những ứng cử viên để kiểm tra con người. Chỉ sử dụng thông tin trong dữ liệu.<records> ... </records>
Lời nhắc này; Nó ưu tiên số tiền bị kẹt ngay dưới ngưỡng phê duyệt (dấu hiệu "tách") hoặc các hồ sơ được nhập sau giờ làm việc và cung cấp cho kiểm toán viên một danh sách xem xét rõ ràng.
Đóng góp lớn nhất của AI cho hoạt động kiểm toán là lợi thế về quy mô. Trong kiểm toán truyền thống, việc lấy mẫu được thực hiện vì không thể xem xét tất cả các hồ sơ về mặt vật lý: có thể hàng trăm nghìn hóa đơn được kiểm tra và kết quả được khái quát cho toàn bộ tổng thể. Điều này có nghĩa là sự bất thường nằm ngoài mẫu đã được loại bỏ. Mặt khác, AI có thể áp dụng các quy tắc bạn xác định cho tất cả hàng chục nghìn bản ghi trong vài giây. Do đó, việc kiểm tra phát triển từ việc “xem xét một vài ví dụ và hy vọng” đến “quét mọi hồ sơ và rút ra các ngoại lệ”. Tuy nhiên, tất cả những gì được tìm thấy chỉ là ứng cử viên để điều tra chứ không phải kết luận.
Quy tắc bất thường thường được sử dụng trong kiểm toán
cai trị
Nó chỉ ra điều gì
ví dụ
tích lũy dưới ngưỡng
Chia nhỏ để tránh sự chấp thuận
Số tiền như 49.500, 49.800
đăng ký ngoài giờ
Nhập cảnh không được kiểm soát
Hóa đơn 23:40 thứ Bảy
thanh toán trùng lặp
Rủi ro thanh toán gấp đôi
Cùng một hóa đơn, hai số chứng từ
Tần số số tròn
Số tiền ước tính/bù đắp
Rất nhiều chính xác là 10.000
Nhà cung cấp mới + số lượng cao hơn
Rủi ro nhà cung cấp ma
200.000 trong giao dịch đầu tiên
Tách biệt nhiệm vụ và quyền kiểm soát
Một trong những nền tảng của kiểm soát nội bộ là sự phân chia nhiệm vụ: những người khởi xướng, phê duyệt và thanh toán cho một giao dịch là khác nhau. Nếu cùng một người bước vào, phê duyệt và thanh toán hóa đơn, cánh cửa sẽ mở ra cho hành vi lạm dụng. AI có thể tìm ra các trường hợp vi phạm chính sách này bằng cách quét thông tin người dùng trong hồ sơ giao dịch.
Quét để tìm các vi phạm phân tách trách nhiệm trong các hồ sơ giao dịch sau: - Giao dịch mà cùng một người dùng vừa nhập và phê duyệt - Giao dịch mà cùng một người dùng vừa phê duyệt vừa bắt đầu thanh toán - Số tiền được một người phê duyệt vượt quá giới hạn ủy quyền Đầu ra: số giao dịch | loại vi phạm | người dùng có liên quan | ưu tiênChỉ cần chỉ ra và biện minh; danh sách người bị đề nghị tuyên án, xem xét.
Kiểu quét này trích xuất các mẫu trong vài giây mà mắt người không bao giờ có thể nắm bắt được trong hàng nghìn dòng. Nhưng nguyên tắc tương tự cũng được áp dụng: mẫu hiển thị "mẫu vi phạm quy tắc"; Người ta có quyền quyết định xem đây là vấn đề thực sự hay ngoại lệ chính đáng (ví dụ: buộc phải đảm nhận vai trò kép trong nhóm nhỏ).
Nghĩa vụ kiểm tra đường mòn
Nếu đầu ra AI được sử dụng trong quá trình kiểm tra, nó phải có thể truy nguyên được: dữ liệu nào, lời nhắc nào, mô hình nào, ngày nào, ai đã xác minh nó? Nếu không có bản ghi này, bản in sẽ không có giá trị bằng chứng trong cuộc kiểm toán.
Chuẩn bị bản ghi theo dõi kiểm tra cho phân tích này: - Nguồn dữ liệu và khoảng thời gian được sử dụng - Tóm tắt các lời nhắc/quy tắc được áp dụng - Ngày đầu ra mô hình - Các trường trống cho các bước xác minh của con người (ai, khi nào, kết quả) Xuất bản này dưới dạng mẫu có thể sử dụng lại.
Thận trọng: Việc AI nói "bản ghi này ổn" không chứng tỏ rằng không có vấn đề gì ở đó. Mô hình có thể đã bỏ lỡ một mô hình. "AI cho biết sạch" không phải là sự đảm bảo trong kiểm toán; Luôn ghi lại các giới hạn về phạm vi và phương pháp.
Hộp đựng nhỏ
Trường hợp 1 - Ngăn dưới ngưỡng. Kiểm toán viên nội bộ đã tìm thấy ba hóa đơn liên tiếp 49.200, 49.700, 49.500 TL từ cùng một bộ phận thông qua quét AI trong một công ty có ngưỡng phê duyệt là 50.000 TL. Cuộc điều tra cho thấy một giao dịch mua trị giá 145.000 bảng Anh đã được chia làm ba để tránh bị phê duyệt. Khoảng cách kiểm soát đã được đóng lại.
Trường hợp 2 - Biển hiệu nhà cung cấp ma. AI đã đánh dấu mức độ ưu tiên cao rằng 200.000 TL đã được trả cho nhà cung cấp mới được thêm vào hệ thống trong giao dịch đầu tiên. Đánh giá cho thấy nhà cung cấp là chính hãng và đúng hợp đồng; Báo động sai nhưng bộ điều khiển hoạt động chính xác. Bài học: không phải mọi dấu hiệu đều là tội phạm, nhưng mọi dấu hiệu đều cần được xem xét.
Trường hợp 3 - Thu gọn đầu ra không có giấy tờ. Một nhóm đã gửi danh sách bất thường về AI để kiểm tra nhưng không ghi lại lời nhắc và dữ liệu mà danh sách đó được tạo ra. Kiểm toán viên bên ngoài không chấp nhận bản in làm bằng chứng. Chạy lại phân tích với dấu vết kiểm tra. Bài học: Không có đầu ra nào không thể giám sát được trong quá trình kiểm toán.
Trường hợp 4 - Vi phạm phân chia nhiệm vụ. Quá trình quét kiểm soát nội bộ đã tìm thấy 37 giao dịch tại một chi nhánh nhỏ nơi cùng một nhân viên đã nhập, phê duyệt và bắt đầu thanh toán hóa đơn. Cuộc điều tra cho thấy nhân viên này không có mục đích xấu mà đảm nhận những vai trò này do thiếu nhân lực. Tuy nhiên, rủi ro là có thật; Công ty đã thu hẹp khoảng cách bằng cách chuyển việc phê duyệt thanh toán về trung tâm. Bài học: thiếu kiểm soát là nguy hiểm ngay cả khi không có ác ý; AI tìm ra mô hình, con người thiết kế giải pháp.
Những lỗi thường gặp
- Để đánh giá mô hình. Nói “đó là điều bất thường” vừa sai lầm vừa nguy hiểm; Chỉ cần đánh dấu nó.
- Đảm bảo "AI nói là sạch". Có thể mô hình đã bị bỏ sót; Một kết quả sạch không phải là bằng chứng.
- Không lưu giữ dấu vết kiểm toán. Nếu dữ liệu, lời nhắc, ngày tháng và người xác minh không được ghi lại thì kết quả đầu ra sẽ không phải là bằng chứng.
- Nghĩ rằng mọi dấu hiệu đều là một tội ác. Dị thể là một ứng cử viên để điều tra; Bằng chứng xác định quyết định.
- Không ghi lại phạm vi. Những bản ghi nào đã được quét và giới hạn của phương pháp phải được ghi lại.
Tóm lại
- AI có khả năng phát hiện điểm bất thường bằng cách quét toàn bộ quần thể trong quá trình kiểm tra; vượt xa việc lấy mẫu.
- Mô hình tạo ra sự nghi ngờ chứ không phải sự phán xét; Sử dụng nó với quy tắc "chỉ và biện minh".
- Các quy tắc bất thường (dưới ngưỡng tồn đọng, đăng ký ngoài giờ, thanh toán trùng lặp) cần được xác định trước.
- Bắt buộc phải lưu giữ dấu vết kiểm tra (dữ liệu, lời nhắc, ngày tháng, trình xác nhận) cho mỗi đầu ra AI; Đầu ra không thể theo dõi không phải là bằng chứng.
- "AI nói sạch" không phải là một sự đảm bảo; Luôn ghi lại các giới hạn về phạm vi và phương pháp.
Nhiệm vụ ứng dụng
Lập hồ sơ chi phí từ 30-50 dòng; cố ý chia nhỏ và thực hiện một khoản thanh toán trùng lặp. Nhận bản quét bất thường bằng mẫu lời nhắc mạnh mẽ và kiểm tra xem mô hình có nắm bắt và ưu tiên các bẫy của bạn hay không. Sau đó điền vào mẫu dấu vết kiểm tra và liệt kê các phát hiện là “ứng cử viên để xem xét” (không cần đưa ra phán xét).
danh sách kiểm tra
- [ ] Tôi đã xác định trước các quy tắc bất thường (ngưỡng, thời gian, sự lặp lại).
- [ ] Tôi đã quét toàn bộ dân số, tôi không dừng lại việc lấy mẫu.
- [ ] Tôi đã ngăn cản mô hình đưa ra phán xét; Tôi chỉ cần đánh dấu và chứng minh điều đó.
- [ ] Tôi đã ghi lại dấu vết kiểm tra (dữ liệu, lời nhắc, ngày tháng) cho mỗi phát hiện.
- [ ] Tôi để những người được đánh dấu là "xem xét ứng cử viên" để con người phán xét.
- [ ] Tôi đã ghi lại phạm vi quét và những hạn chế của phương pháp.