Проект будет реализовываться совместно с сотрудниками аудиторской и технологической практик компании Технологии Доверия (Компания «Технологии Доверия» (www.tedo.ru) предоставляет аудиторские и консультационные услуги компаниям разных отраслей).
Цель и контекст проекта
Студенты должны исследовать, как развитие искусственного интеллекта, больших данных и программных роботов позволяет аудиторам проверять 100% транзакций вместо традиционной выборки, и как это меняет ожидания компаний и модель аудита. Важная задача проекта — показать, что сплошной анализ, сделанный при помощи ИИ-агентов, усиливает профессиональное суждение аудитора, а не подменяют его, и требуют адаптации методологии, ИТ архитектуры и контроля качества.
Предпосылками необходимости такого исследования стал рост интереса к сплошному аудиту со стороны компаний, а именно:
Компании ожидают от аудиторов более глубокого анализа транзакций и раннего выявления рисков, поэтому рынок движется от эпизодических выборочных проверок к непрерывному и сплошному анализу данных.
Распространение ИИ-инструментов, способных за минуты анализировать миллионы операций и выявлять аномалии, делает сплошной аудит экономически оправданным, и превращает его в конкурентное преимущество для аудиторских и консалтинговых фирм.
Ограничения исследования: фокус будет на двух областях: аудит выручки и дебиторской задолженности:
Выручка и дебиторская задолженность критичны для оценки финансового результата и кредитного риска, при этом традиционный аудит этих участков трудоёмок и ресурсозатратен, предполагает большой объем тестирования первичных документов.
ИИ уже применяется для анализа трендов выручки, сопоставления темпов роста выручки и дебиторской задолженности, оценки оборачиваемости и прогнозирования невозвратной дебиторской задолженности, распознавания первичных документов.
На какие вопросы надо ответить по результатам исследования:
Возникают правовые вопросы: защита персональных данных и коммерческой тайны, ответственность при ошибках алгоритма, требования к документированию процедур и аудиторских доказательств при использовании ИИ и тд). Необходимо определить и описать эти области (по возможности - предложить решения).
Как помогают ИИ и автоматизация. (Алгоритмы машинного обучения и аналитики больших данных позволяют автоматизировать рутинные процедуры: загрузку и очистку данных, сверку, запросы подтверждений дебиторской задолженности и анализ 100% проводок на аномалии и тд)
Какие условия для сплошного аудита должны быть созданы (Наличие цифровой учётной системы, позволяющей выгружать полные, структурированные и сопоставимые данные по выручке и дебиторской задолженности, а также настроенные права доступа и защищённые каналы обмена и тд) Ожидаемый результат В практической части проекта студенты должны предложить:
Необходимо описать целевую архитектуру решения сплошного аудита выручки и дебиторской задолженности: контур извлечения данных (ETL), слой аналитики/ИИ, уровень визуализации и аудиторской документации, а также контрольные точки для проверки корректности моделей.
Набор ИИ агентов, которые могут потребоваться (список необходимо будет определить в процессе исследования):
агент загрузки и нормализации данных бухгалтерского учёта;
агент аномалий, анализирующий 100% транзакций на предмет несоответствий (фиктивные продажи, манипуляции датами, нетипичные условия оплаты);
агент аналитических процедур для сопоставления динамики выручки и дебиторской задолженности, расчёта показателей оборачиваемости и прогнозирования сомнительных долгов.
Примеры промптов (на русском и/или английском) для LLM агента, который:
формирует план процедур сплошного аудита по выручке и дебиторской задолженности с учётом МСА/ФПСАД;
объясняет выявленные аномалии на языке, понятном партнёру и клиенту;
формирует рабочие документы (описание выборки = 100%, описание моделей, выводы по рискам).
Рекомендуемые источники информации для студентов
Обзор влияния ИИ на аудит и перехода от выборки к тотальному анализу транзакций (аналитические материалы университетов и профессиональных сообществ)
Статьи по аудиту дебиторской задолженности и возможностям ИИ в автоматизации запросов, сверок и прогнозировании невозвратной дебиторской задолженности.
Материалы о практической автоматизации аудита и контроле ИИ систем, включая вопросы ответственности, прозрачности алгоритмов и участия специалистов по данным.
