Prijavljena dobit nije isto što i gotovina. Ona obuhvata naplaćene
poslovne rezultate, ali i obračunske stavke zasnovane na procenama,
vremenskom razgraničenju i priznavanju prihoda ili rashoda pre novčanog
toka. Upravo u toj razlici nastaje prostor i za legitimno
računovodstveno prosuđivanje i za agresivno prikazivanje rezultata.
Veštačka inteligencija može brzo pregledati finansijske odnose,
knjiženja, trendove i tekstualna objašnjenja kako bi izdvojila stavke
koje odstupaju od očekivanog ponašanja. Međutim, takav nalaz je
analitički alarm, a ne revizijski dokaz. Model može pokazati gde treba
postaviti pitanje, ali ne može samostalno utvrditi nameru uprave,
zakonitost postupka niti postojanje prevare.
Kako AI čita kvalitet
prijavljene dobiti
Procena kvaliteta dobiti počinje razdvajanjem gotovinske i obračunske
komponente rezultata. Dobit koja je stabilno podržana novčanim tokom iz
poslovanja smatra se održivijom od dobiti koja pretežno zavisi od
nenaplaćenih prihoda, promena procena ili kapitalizovanih izdataka.
AI modeli mogu istovremeno analizirati rast prihoda, potraživanja,
zaliha, marži, aktive, obaveza i poslovnog novčanog toka. Alarm se može
pojaviti kada potraživanja rastu znatno brže od prodaje, kada
prijavljena dobit raste dok poslovni novčani tok slabi ili kada se
struktura aktive pomera prema stavkama čija buduća korist zavisi od
procene.
Savremeni modeli mašinskog učenja imaju prednost u prepoznavanju
nelinearnih veza. Umesto jednog čvrstog pravila, oni mogu povezati više
slabih signala: pogoršanje marže, rast finansijske poluge, neobična
knjiženja i promenu tona u objašnjenjima uprave. Autoenkoderi dodatno
mogu naučiti uobičajene obrasce knjiženja i označiti transakcije koje se
od njih značajno razlikuju.
Objašnjiva AI treba da pokaže koji su pokazatelji najviše doprineli
oceni rizika. Bez takvog obrazloženja rezultat ostaje teško upotrebljiv
u reviziji, kontroli i regulisanom finansijskom izveštavanju.
Tri važna alarma,
ali nijedan konačan dokaz
Beneish M-Score kombinuje osam odnosa koji obuhvataju potraživanja,
bruto maržu, kvalitet aktive, rast prodaje, amortizaciju, prodajne i
administrativne rashode, finansijsku polugu i ukupne obračunske stavke.
Rezultat iznad praga od −1,78 uobičajeno se tumači kao povećana
verovatnoća manipulacije.
To ipak nije presuda. Model može pogrešno označiti kompaniju čije
promene imaju legitimno poslovno objašnjenje, ali može i propustiti
stvarnu nepravilnost. Njegova primena je posebno ograničena kod
finansijskih institucija i u sektorima čija računovodstvena struktura
odstupa od pretpostavki modela.
Sloan odnos posmatra razliku između dobiti i novčanih tokova u odnosu
na ukupnu aktivu. Visok pozitivan odnos pokazuje da se dobit snažnije
oslanja na obračunske stavke. To može značiti slabiju održivost
rezultata, ali ne govori ništa pouzdano o nameri. Brzorastuće preduzeće,
na primer, može legitimno vezati gotovinu u obrtnom kapitalu.
Treći alarm čine same anomalije obračunskih stavki: neočekivane
promene rezervisanja, kapitalizovanih troškova, potraživanja ili drugih
procenjenih pozicija. AI može efikasno rangirati takva odstupanja, ali
računovođa mora proveriti dokumentaciju, politike, događaje nakon datuma
bilansa i ekonomsko obrazloženje.
Pogled
bumera: više vremena za ono što računovođa najbolje radi
Iz optimističnog ugla, AI ne uklanja računovođu već ga oslobađa
mehaničkog rada. Excel ostaje poznato radno okruženje, dok Microsoft
Copilot može pomoći pri usaglašavanju dve tabele, pronalaženju
neuparenih transakcija, analizi odstupanja i pripremi nacrta komentara
za upravu.
Takva podrška može skratiti početno pregledanje velikih skupova
podataka i usmeriti pažnju na stavke najvećeg rizika. Umesto ručnog
prolaska kroz hiljade redova, profesionalac može razmatrati razloge
odstupanja, procenjivati računovodstvene politike i razgovarati sa
odgovornim licima.
ChatGPT Enterprise može pomoći u sažimanju beležaka uz finansijske
izveštaje, objašnjavanju formula, pripremi kontrolnih lista i
strukturisanju pitanja. Specijalizovani forenzički alati mogu
analizirati čitave populacije transakcija, tražiti duplikate i praznine
i povezati nalaze sa izvornim dokumentima. U najboljem scenariju,
tehnologija preuzima ponavljanje, a računovođi ostavlja
prosuđivanje.
Pogled
dumera: automatizacija može stvoriti novu vrstu slabosti
Pesimističan pogled počinje činjenicom da AI može proizvesti
uverljiv, ali pogrešan rezultat. Složeni tokovi rada u tabelama ostaju
problematični: greška u jednoj formuli može se preneti kroz više
međuzavisnih obračuna, dok tekstualno objašnjenje i dalje zvuči
samouvereno.
Ušteda vremena zato može postati prividna. Vreme sačuvano pri izradi
prve verzije često se vraća kroz proveru i ispravke. Ako organizacija
smanji broj početnih pozicija zato što AI obavlja rutinske analize, može
oslabiti i put kojim mlađi računovođe stiču iskustvo potrebno za
profesionalno rasuđivanje.
Dodatni rizik je automatizacijska pristrasnost: korisnik prihvata
označenu stavku ili preporučeno objašnjenje samo zato što ga je
generisao sistem. Model treniran na poznatim kompanijama može izgledati
veoma uspešno, a zatim podbaciti na novoj kompaniji ili u budućem
periodu. Pošto je prevara retka, visoka ukupna tačnost može prikriti
slabo prepoznavanje upravo onih slučajeva koji su najvažniji.
Opšti jezički modeli takođe nisu zamena za forenzički dokazni sistem.
Oni ne moraju pouzdano povezati svaku brojku sa izvornom stranicom niti
sami obezbediti potpun trag promena. Za istrage su zato važni alati sa
usaglašavanjem, kontrolom integriteta i vezom između nalaza i
izvora.
Praktični saveti za
računovodstvene timove
- Posmatrajte AI rezultat kao prioritet za proveru, ne kao
zaključak. - Uporedite dobit i poslovni novčani tok kroz više godina i sa sličnim
preduzećima. - Koristite Beneish M-Score i Sloan odnos zajedno sa analizom
politika, procena i dokumentacije. - Zahtevajte objašnjenje zašto je stavka označena i proverite ulazne
podatke i formule. - Za dokazne potrebe koristite sisteme koji čuvaju trag rada i vezu sa
izvornim dokumentima. - Uredite prava pristupa, čuvanje podataka, odobravanje rezultata i
odgovornost za konačni zaključak.
Zaključak:
inteligentniji alarm, ne automatska presuda
AI može unaprediti procenu kvaliteta dobiti tako što povezuje
obračunske stavke, novčane tokove, finansijske odnose, knjiženja i
tekstualna objašnjenja. Beneish M-Score, Sloan odnos i algoritamski
otkrivene anomalije daju vredne signale za usmeravanje rada, ali nijedan
od njih ne dokazuje prevaru.
Najbolje podržan pristup zato nije ni potpuno odbacivanje ni potpuno
poverenje. AI treba da proširi obuhvat analize i ubrza početno
otkrivanje rizika, dok profesionalni skepticizam, provera izvora,
razumevanje poslovnog konteksta i ljudska odgovornost moraju ostati
osnova konačnog računovodstvenog ili revizijskog zaključka.