Veštačka inteligencija u računovodstvu i reviziji više nije samo alat
za pisanje sažetaka. Kada je povezana sa finansijskim sistemima,
dokumentima i tokovima odobravanja, ona može pomoći timu da rekonstruiše
put jedne transakcije: od fakture i knjiženja, preko odobrenja, do
korisničke aktivnosti i konačnog dokaza o izvršenoj kontroli.
To obećava manje ručnog traganja, širu analizu podataka i ranije
otkrivanje problema. Istovremeno, otvara neprijatna pitanja. Šta se
događa kada zaposleni poveruju preporuci koju ne razumeju? Ko odgovara
ako je model propustio rizičnu transakciju? Gde završavaju poverljivi
podaci uneti u AI sistem?
Odgovor nije ni potpuno oduševljenje ni potpuno odbacivanje. AI može
znatno unaprediti finansijske i revizorske procese, ali samo ako ostane
kontrolisan pomoćnik, a ne neprovereni donosilac zaključaka.
„Boomer“
perspektiva: vise produktivnosti, manje administracije
Optimistična perspektiva počinje jednostavnim problemom: finansijski
i revizorski timovi često troše mnogo vremena tražeći dokumente,
usklađujući tabele i proveravajući da li je određena kontrola izvršena.
AI, analitika i automatizovani tokovi rada mogu preuzeti dobar deo tog
ponavljajućeg posla.
Zamislimo proces nabavke. Transakcija u glavnoj knjizi može se
povezati sa fakturom, narudžbenicom, potvrdom prijema, elektronskim
odobrenjem i aktivnošću korisnika koji je uneo ili izmenio podatke.
Umesto da revizor otvara više sistema i ručno sklapa priču, odgovarajuća
platforma može objediniti veze, vremenske oznake i dokumente u pretraživ
revizijski trag.
Takav trag ne donosi samo brzinu. On olakšava proveru ko je uradio
šta, kada i na osnovu kog dokumenta. Ako su pravila, rezultati testa,
komentari i konačno odobrenje sačuvani u istom kontrolisanom okruženju,
lakše je objasniti kako je zaključak nastao i ko ga je potvrdio.
Druga velika korist jeste analiza većeg obima podataka.
Automatizovani testovi mogu biti zakazani da periodično pregledaju čitav
skup transakcija, a ne samo mali uzorak. Mogu izdvojiti duplikate,
neuobičajene iznose, nedostajuća odobrenja, knjiženja koja odstupaju od
utvrđenog pravila ili promene korisničkih prava koje zahtevaju
proveru.
Isto važi za razdvajanje dužnosti, odnosno SoD. Sistem može tražiti
potencijalno rizične kombinacije, na primer kada jedan korisnik ima
uloge koje mu omogućavaju da pokrene i odobri povezane korake. Kod
analitičkih platformi kao što su Diligent One i ACL, testovi mogu biti
automatizovani i povezani sa tokovima za obaveštavanje i otklanjanje
izuzetaka. Međutim, pronalazak kombinacije uloga predstavlja signal za
istragu, ne konačan dokaz zloupotrebe.
AI može unaprediti i praćenje kontrola. Umesto čekanja sledećeg
ciklusa testiranja, tim može pratiti da li su dokazi dostavljeni, da li
su testovi izvršeni, koliko izuzetaka ostaje otvoreno i da li je
korektivna mera završena. Platforme mogu objediniti rezultate na
kontrolnim tablama i pomoći u izradi prvog nacrta nalaza ili izveštaja
za rukovodstvo.
Korist se vidi i u radu sa Excelom. TeamMate Analytics, na primer,
povezuje analitički rad u tabelama sa revizorskim angažmanom, a
povezivanje dokumenata omogućava da se stavke u tabeli vežu za fakture
ili račune. Dobro uređen tok rada može smanjiti broj nepovezanih
datoteka, olakšati pronalaženje izvornog dokumenta i sačuvati jasniji
trag od analize do zaključka.
U toj verziji budućnosti računovođa i revizor nisu uklonjeni. Oni
manje vremena troše na prepisivanje, traženje i oblikovanje
dokumentacije, a više na procenu rizika, razgovor sa vlasnicima procesa,
ispitivanje uzroka slabosti i donošenje stručnih zaključaka.
„Doomer“
perspektiva: automatizacija bez razumevanja
Pesimistična perspektiva upozorava da rast produktivnosti može
postati izgovor za smanjenje broja zaposlenih ili očekivanje da manji
tim pokrije sve širi obim rada. Ako se početni poslovi prikupljanja i
pregledanja dokaza previše automatizuju, može se suziti prostor u kome
mlađi stručnjaci uče procese, uočavaju obrasce i razvijaju profesionalni
skepticizam.
Još veći rizik je preterano oslanjanje na rezultat sistema. AI može
sažeti dokument, označiti izuzetak ili predložiti uzrok problema, ali
može i pogrešiti. Lažno pozitivan rezultat stvara nepotreban posao, dok
propuštena anomalija može proizvesti lažan osećaj sigurnosti. Model
takođe može dati uverljivo formulisan nacrt nalaza koji nije dovoljno
potkrepljen dokazima.
Zbog toga oznaka „nema izuzetka“ ne znači da je kontrola delotvorna,
kao što oznaka „anomalija“ ne dokazuje prevaru ili povredu pravila.
Revizor mora proveriti izvorne podatke, razumeti poslovni kontekst i
dokumentovati zašto prihvata ili odbacuje rezultat automatizovanog
testa.
Privatnost predstavlja poseban problem. Revizorski dosijei mogu
sadržati finansijske podatke, lične informacije, ugovore, pristupna
prava i osetljive nalaze. Pojedini specijalizovani dobavljači navode da
korisničke podatke ne koriste za obuku modela, da ih šifruju ili
odbacuju nakon obrade. Takve zaštite su važne, ali ih organizacija ipak
mora proveriti kroz ugovore, podešavanja, dozvole i sopstvena
pravila.
Postoji i opasnost od lažne univerzalnosti. Microsoft Copilot i
ChatGPT Enterprise pripadaju kategoriji alata opšte namene, dok
AuditBoard, Workiva, Diligent One i TeamMate+ podržavaju strukturisane
revizorske ili GRC procese. To ne znači da svaki proizvod automatski
obavlja sve zadatke. Mogućnosti zavise od licenci, integracija,
konfiguracije, kvaliteta podataka i načina na koji je kontrola
projektovana.
Prakticni
saveti za finansijske i revizorske timove
-
Počnite od procesa, ne od proizvoda. Odaberite
konkretan tok, kao što su obaveze prema dobavljačima, knjiženja ili
korisnička prava, i jasno odredite problem koji želite da
rešite. -
Definišite dokaz. Unapred utvrdite koji
dokument, zapis aktivnosti ili odobrenje potvrđuje izvršenje
kontrole. -
Pilotirajte testove. Uporedite AI rezultat sa
ručnom proverom i merite propuštene i lažno označene izuzetke. -
Zadržite ljudsko odobrenje. Konačan nalaz, ocena
slabosti i odluka o korektivnoj meri treba da ostanu odgovornost
ovlašćenog stručnjaka. -
Zaštitite podatke. Proverite gde se podaci
obrađuju, ko im pristupa, koliko se čuvaju i da li se koriste za obuku
modela. -
Vodite popis AI upotrebe. Evidentirajte alate,
vlasnike, dozvoljene podatke, svrhu i obavezni nivo provere. -
Pratite model i integracije. Kontrole nisu
trajno pouzdane ako se promene podaci, uloge, sistemi ili ponašanje
modela.
Zakljucak: pomocnik pod
kontrolom
„Boomer“ i „doomer“ perspektiva opisuju dva moguća ishoda iste
tehnologije. U prvom, AI oslobađa stručnjake administracije i pruža
pravovremeniji uvid u kontrole. U drugom, organizacija smanjuje ljudsku
proveru, izlaže poverljive podatke i zamenjuje profesionalni skepticizam
prividom automatizovane sigurnosti.
Razlika neće zavisiti samo od algoritma. Zavisiće od kvaliteta
podataka, projektovanja kontrola, integracija, prava pristupa i
spremnosti rukovodstva da zadrži jasnu odgovornost. Najbolja primena AI
nije ona u kojoj sistem sam proglašava šta je tačno, već ona u kojoj
brzo povezuje dokaze, izdvaja pitanja i ostavlja stručnjaku jasan trag
za proveru.
AI može biti snažan računovodstveni i revizorski pomoćnik. Ne može
biti zamena za dokaz, odgovornost i profesionalni sud.