收益：
- 了解在人工智能支持下自动进行当前对账、银行对账和三向匹配（订单-交货单-发票）测试的逻辑
- 能够对差异（差异）进行分类和优先级分析以及利用人工智能调节差异的原因
- 能够理解不匹配的项目和确认差异必须由审核员进行调查，并且人工智能仅显示差异。
审计的核心是通过与独立来源进行比较来验证记录是否确实存在并且已准确保存。信用分录真实有效，并经债务人同意；银行余额正确，并经银行确认；您可以通过确保订单-交货单-发票三者相互匹配来测试购买的真实性。这些过程统称为核对和确认。因为它们本质上需要比较大量的项目，所以它们是重复性的、耗时的，而这正是人工智能的亮点。
在本单元中，我们将涵盖三项工作：往来/账户对账（比较两方的记录）、银行对账（核对账本余额和银行对账单）以及三向匹配（比较采购订单、收货/交货单和供应商发票）。基本原理不变：AI匹配并指出差异；由审核员调查差异的原因并得出结论。
什么是三向匹配以及为什么它很重要？
当企业购买商品/服务时，通常会出现三个文件：（1）采购订单——订购了什么、数量、价格； (2) 交货单/货物收据——收到什么、收到多少； (3) 供应商发票 — 开具发票的内容、金额。在健康的控制环境中，这三者应该匹配：订购 = 收到 = 开具发票。三向匹配测试检查这三者是否匹配。纠纷；这可能意味着多开发票、虚假购买、重复付款、价格操纵或简单的数据错误。
人工智能可以在几秒钟内匹配这三个文档中的数千个购买记录。但出现的“不匹配项”列表并不是错误列表。商品可能因以下无害原因而不匹配：部分交货（订单 100，交货 60）、时间差异（发票尚未到达）、可接受容差范围内的价格差异、折扣或运输商品。审计员的工作是找出差异的原因并将无辜者与嫌疑人区分开来。
比赛类型
比较
差异的典型原因
当前调节
我方注册 ↔ 交易对手注册
计时、退款、注册不完整、汇率差异
银行往来调节表
分类账 ↔ 银行对账单
支票在途、银行收费、记录尚未处理
三路比赛
订单 ↔ 交货单 ↔ 发票
部分交货、时间安排、差价、重复、虚构
外部确认：最可靠的证据之一
审计中的外部确认是直接从第三方（银行、客户、供应商）获取有关余额或交易的书面答复的方法，BDS 505 对此进行了规范。外部确认是审计师最有力的证据之一；因为信息来自独立来源，而不是来自被审计实体。在这里，人工智能是生成确认函草稿、将收到的回复与账本记录进行比较以及列出未回复方（要关注的各方）的加速器。但有两点很关键：第一，确认函的实际收件人信息的填写和发送应在审核员的控制之下；其次，审核员必须确保回复是真实的并直接到达审核员。验证过程的完整性取决于审核员；人工智能只是让比较和跟踪变得更容易。
差距分析：人工智能分类，审核员决定
检查共识差异的最有效方法是对差异进行分类：哪些是与时间相关的（会在不同时期之间变化，但不是实际差异），哪些是永久性差异，哪些是无法解释的。 AI可以快速完成这种初步分类：它将差异的数量、方向和可能的原因放入表格中。但要注意：人工智能的“可能原因”栏是预测，而不是确定。仅仅因为它说“可能是时间差异”并不能证明差异是时间差异；审核员必须用文件（下一期发票、回执、银行收据）来验证这一点。
提示：根据金额大小和可解释性对差异进行优先级排序。跳过微小且容易解释的差异；将审计工作集中在较大或无法解释的差异上。 AI生成优先级表；您设置阈值和焦点。
逐步对账自动化
- 准备并匿名化两个（或三个）数据集。确定匹配键（发票号、订单号、金额+日期）。
- 确认完整性。每个集群的记录总数和数量是否与预期相符？
- 定义匹配规则。是否会存在精确匹配或是否允许容差（例如 ±1% 的价格差异）？
- 与AI匹配。那些匹配的、不匹配的以及在容差范围内的那些出现在单独的列表中。
- 对差异进行分类并确定优先级。时机/持续/无法解释。
- 作为审计员进行调查。验证与文档的任何显着差异；记录结论和理由。
三个迷你箱子
案例 1 — 重复付款捕获。一名审计员使用人工智能对 12,400 笔采购进行了三向匹配。 YZ 对同一发票编号的 6 件商品标记了两次单独付款。审核员检查：4张是不同年份、号码相似的合法发票；但其中有 2 笔实际上是重复付款（同一张发票支付了两次），总计 88,000 土耳其里拉。恢复流程已启动，内部控制缺陷已写入管理信函。 AI问了6个问题；审核员确认的2个真实问题。
案例 2 — 将时间差异误认为是错误。一名团队成员直接将银行对账单中YZ标记的40,000 TL差额作为“记录错误”注销。负责人检查：差额是期末开出的、尚未交给银行的支票；这是完全正常的时间差异，并在接下来的一周结束。教训：笔不匹配并不是自动错误；而是错误。不调查原因就不能下结论。
情况 3 — 公差误差。一位审核员不允许三向匹配；由于四舍五入的差异，YZ 900 将该项目标记为“不匹配”。该清单未经审查；真正的问题在噪音中消失了。一旦审核员定义了合理的容差（例如±5 TL或±0.5%），清单就减少到27个重要项目。教训：匹配规则必须符合业务实际；太严格的规则会产生噪音，太宽松的规则会产生盲目性。
弱提示/强提示
弱提示：
比较这两个列表，告诉我哪些不合适。
问题：匹配密钥、容差和输出格式不清楚。 AI不知道根据什么来匹配；结果将是不可靠且不可重复的。
强力提示：
您的角色：您是独立审计师的对账助理。您将匹配并展示差异；差异的原因和结果是我的。数据（匿名）：- A 组：采购订单（列：order_no、item、quantity、unit_price、amount）- B 组：交货单（order_no、item、delivered_quantity）- C 组：发票（order_no、item、invoiced_quantity、invoiced_amount）匹配键：order_no + item.Tolerance：如果金额差异在 ±5 以内，则视为“匹配” TL 或±0.5%（以较大者为准）。任务：1) 匹配三个簇。分别给出以下三个列表：(a) 完全匹配（摘要数字），(b) 容差范围内的匹配，(c) 不匹配的项目（完整详细信息）。2) 为不匹配添加可能的原因列（部分交付/丢失文件/数量差异/金额差异），但说明这是一个估计，以便用证据进行验证。3) 以纯文本形式写下您应用的匹配和容差规则。4) 还给出总调节（A、B、 C）。总计），这样我就可以检查完整性。无法从数据中推断出的内容就不要编造。
这个提示很强大，因为它定义了密钥和容差，要求提供三个单独的列表，将“可能的原因”定位为猜测，并要求完全一致以确保完整性。
常见错误
- 将不匹配的物品误认为是错误。写结论而不调查原因（时间、部分交付、退货）。
- 不设定公差。将清单夸大一些，并在噪音中忽略真正的问题。
- 使配对密钥不明确。不控制AI基于什么进行匹配。
- 跳过完整性。依赖匹配集而不核对它们的总数。
- 错误地检测“可能原因”。接受人工智能的预测而不用文档验证它。
注意：将差异描述为“重复付款”或“虚构购买”是一种严重的索赔。在记录之前用文件（发票、付款收据、收货记录）验证这一点；如果存在模式，请将其作为内部控制缺陷单独评估。
总之
核对、确认和三向匹配是审计中最重复的任务，并且最容易通过人工智能加速。人工智能在几秒钟内匹配数千个项目，列出差异，并对它们进行预先分类。但笔不匹配并不是错误，而是有待追究的差异； “可能的原因”是猜测，而不是确定。审核员根据业务实际确定匹配键和容差；审核员核实与文件的差异；审核员写下结果。人工智能显示差异，审计员给出含义。
应用任务
考虑三个小数据集（订单、交货单、发票）或两个数据集（分类帐、银行）。确定匹配键和合理的公差。让AI与上面强大的提示模式进行匹配，并删除与“可能原因”一栏不匹配的内容。然后为每个不匹配的项目写一个“调查计划”：我看哪个文档，我要问哪个问题，我认为这是一个错误/正常的结论是什么？
清单
- [ ] 我对数据进行了匿名处理，并清楚地识别了匹配的密钥。
- [ ] 我确认了每个簇的完整性以及记录总数和数量。
- [ ] 我设置了适合业务实际的容差（既不太严格也不太宽松）。
- [ ] 我分别获取了匹配/容差范围内/不匹配列表。
- [ ] 我在文档中搜索了每个不匹配的重要项目；我确认了原因。
- [ ] 在没有用证据证实的情况下，我没有将“可能原因”的猜测算作结果。
- [ ] 我记录了重复/虚构等严重限定条件，并评估了内部控制影响。