هوش مصنوعی در تحلیل گزارشهای مالی چرا خطا میکند؟ پاسخ سریع
هوش مصنوعی در تحلیل گزارشهای مالی میتواند در جستوجو، استخراج عدد، خلاصهسازی و مقایسه بسیار سریع باشد؛ اما وقتی پاسخ یک سؤال مالی به چند صورت مالی، چند جدول، پاورقی، یادداشت توضیحی و اطلاعات پراکنده در صدها صفحه وابسته باشد، احتمال خطا بیشتر میشود.
مشکل اصلی این نیست که مدل نمیتواند متن طولانی بخواند. مشکل این است که باید چندین رابطه مالی را همزمان پیدا کند، معنای هر عدد را بفهمد و بین اطلاعات دور از هم ارتباط درست برقرار کند.
در تحلیلهای مهم مالی، هوش مصنوعی بهتر است یکی از اجزای فرایند باشد؛ نه تنها مرجع تصمیم.
اطلاعات مالی فقط متن نیست
یک گزارش مالی فقط مجموعهای از جملهها نیست. صورت سود و زیان، ترازنامه، صورت جریان وجوه نقد، یادداشتهای توضیحی، گزارش هیئتمدیره، جدولها و پاورقیها هرکدام بخشی از تصویر را نشان میدهند.
مثلاً ممکن است رقم فروش در صورت سود و زیان باشد، جزئیات آن در یادداشتهای توضیحی آمده باشد، اطلاعات مشتریان عمده چند ده صفحه جلوتر قرار گرفته باشد و ریسکهای مرتبط با همان فروش در بخش دیگری توضیح داده شده باشند.
برای پاسخ دقیق، هوش مصنوعی باید این قطعات را پیدا کرده و به یکدیگر متصل کند. این همان جایی است که تحلیل مالی با خلاصهکردن متن تفاوت پیدا میکند.
گزارشهای چندصدصفحهای چرا دشوارند؟
فرض کنید یک گزارش سالانه ۳۰۰ صفحهای در اختیار سامانه قرار گیرد و سؤال این باشد:
«دلیل اصلی کاهش حاشیه سود شرکت چیست؟»
پاسخ احتمالاً در یک پاراگراف مشخص نیست.
برای رسیدن به نتیجه ممکن است لازم باشد فروش، بهای تمامشده، موجودی کالا، قیمت مواد اولیه، نرخ ارز، ترکیب محصولات و چند یادداشت توضیحی با هم بررسی شوند.
اگر یکی از این حلقهها از تحلیل جا بماند، نتیجه نهایی هم ممکن است غلط باشد.
ظرفیت خواندن زیاد با توان استدلال دقیق یکی نیست
مدلهای جدید میتوانند حجم بسیار زیادی از متن را دریافت کنند.
اما اینکه سامانه بتواند صدها هزار واحد متنی را بخواند، به این معنا نیست که تمام روابط میان آنها را با دقت کامل نگه میدارد و تحلیل میکند.
ظرفیت دریافت اطلاعات با توان استدلال دقیق روی همه اطلاعات یکسان نیست.
در اسناد مالی این تفاوت مهم است؛ چون پاسخ یک سؤال ممکن است به اطلاعاتی وابسته باشد که در چند بخش بسیار دور از هم قرار گرفتهاند.
سؤال مالی واقعی فقط پیدا کردن یک عدد نیست
اگر سؤال این باشد:
«درآمد سال گذشته چقدر بوده است؟»
پیدا کردن پاسخ نسبتاً ساده است.
اما سؤالهای واقعی مدیر مالی معمولاً پیچیدهترند.
مثلاً:
«چرا با وجود رشد سود، جریان نقد عملیاتی کاهش یافته است؟»
برای پاسخ باید سود خالص، حسابهای دریافتنی، موجودی کالا، حسابهای پرداختنی، هزینههای غیرنقدی و سایر اجزای سرمایه در گردش کنار هم دیده شوند.
پس هوش مصنوعی باید رابطه بین اعداد را بفهمد، نه اینکه فقط آنها را پیدا کند.
جدولها و معنای عددها نقطه حساساند
بخش زیادی از اطلاعات مالی در جدول قرار دارد.
اما جدول مالی برای ماشین همیشه ساده نیست. عنوان ستونها ممکن است چندسطحی باشند، واحد ارقام بالای صفحه آمده باشد، ارقام منفی داخل پرانتز باشند، پاورقی معنای عدد را تغییر دهد یا جدول در دو صفحه ادامه پیدا کند.
فرض کنید سامانه عدد ۲۵۰ را پیدا کند.
این عدد میتواند ۲۵۰ ریال، ۲۵۰ هزار ریال، ۲۵۰ میلیون ریال یا حتی ۲۵۰ درصد باشد.
ممکن است مربوط به سال جاری، سال قبل، بودجه یا یک بخش خاص شرکت باشد.
بنابراین عدد بدون زمینه مالی کامل، معنای قابل اتکایی ندارد.
چرا هوش مصنوعی در برنامهنویسی معمولاً عملکرد روشنتری دارد؟
در برنامهنویسی بسیاری از مسائل ساختار مشخصتری دارند.
خیلی سریع میتوان بررسی کرد که برنامه اجرا میشود یا نه، آزمون را پاس میکند یا نه و خروجی مطابق انتظار هست یا خیر.
اما در تحلیل مالی، بسیاری از پاسخها فقط «درست» یا «غلط» نیستند.
مثلاً اینکه افزایش بدهی یک شرکت خطرناک است یا نه، به نوع بدهی، سررسید، هزینه مالی، جریان نقد، داراییها، صنعت و برنامه مدیریت وابسته است.
تحلیل مالی علاوه بر عدد، به زمینه و قضاوت حرفهای نیاز دارد.
یک عدد مثبت ممکن است داستان منفی داشته باشد
فرض کنید یک شرکت اعلام کند:
«درآمد ۱۲ درصد افزایش یافته است.»
در نگاه اول خبر خوبی است.
اما چند صفحه بعد مشخص شود:
- حجم فروش فقط ۲ درصد رشد کرده؛
- افزایش درآمد عمدتاً ناشی از افزایش قیمت بوده؛
- حاشیه سود کاهش یافته؛
- و حسابهای دریافتنی ۳۵ درصد بیشتر شدهاند.
در این صورت تحلیلگر مالی ممکن است نتیجه بگیرد که رشد درآمد وجود دارد، اما کیفیت رشد پایینتر است و وصول مطالبات هم ضعیفتر شده است.
تفاوت تحلیل سطحی و تحلیل حرفهای دقیقاً در اتصال این قطعات به یکدیگر است.
گزارش طولانی مشکل حافظه رابطهای ایجاد میکند
در یک گزارش بزرگ، اطلاعات مهم ممکن است صدها صفحه از یکدیگر فاصله داشته باشند.
برای مثال:
صفحه ۳۰ درباره بدهی صحبت کند، صفحه ۸۰ نرخ هزینه مالی را توضیح دهد، صفحه ۱۵۰ شروط قرارداد تسهیلات را بیاورد، صفحه ۲۱۰ جریان نقد را نشان دهد و صفحه ۲۶۰ سررسید وامها را ارائه کند.
برای ارزیابی ریسک بدهی، همه این اطلاعات باید در یک تحلیل واحد کنار هم قرار گیرند.
اگر یکی از روابط از دست برود، نتیجه ناقص میشود.
خطر بزرگتر؛ پاسخ اشتباه اما قانعکننده
یکی از خطرناکترین خطاهای هوش مصنوعی در امور مالی این است که پاسخ اشتباه ممکن است کاملاً حرفهای به نظر برسد.
سامانه ممکن است عدد ارائه کند، دلیل بیاورد و نتیجهگیری منظم داشته باشد؛ اما شاید عدد را از ستون اشتباه خوانده یا اطلاعات سال قبل را با سال جاری ترکیب کرده باشد.
ممکن است پاورقی مهمی را ندیده باشد یا یک اطلاعات متناقض را کنار گذاشته باشد.
در امور مالی:
ظاهر حرفهای پاسخ هیچ تضمینی برای درستبودن آن نیست.
استخراج اطلاعات با تحلیل اطلاعات فرق دارد
بین این دو کار باید تفاوت گذاشت.
استخراج اطلاعات
مثلاً:
«وجه نقد پایان سال چقدر است؟»
در اینجا سامانه باید عدد درست را از محل درست پیدا کند.
تحلیل اطلاعات
مثلاً:
«آیا وضعیت نقدینگی شرکت نسبت به سال قبل ضعیفتر شده است؟»
حالا باید وجه نقد، بدهی کوتاهمدت، جریان نقد عملیاتی، سررسید تسهیلات و سرمایه در گردش بررسی شوند.
پس عملکرد خوب در استخراج عدد، تضمین نمیکند که مدل در تحلیل مالی هم همانقدر دقیق باشد.
هر سؤال مالی یک زنجیره استدلال دارد
برای پاسخ به سؤال:
«آیا رشد شرکت پایدار است؟»
ممکن است این زنجیره بررسی شود:
رشد درآمد → رشد حجم فروش → حاشیه سود ناخالص → تمرکز مشتریان → حسابهای دریافتنی → جریان نقد عملیاتی → مخارج سرمایهای
اگر یکی از حلقهها اشتباه فهمیده شود، نتیجه نهایی هم ممکن است اشتباه شود.
در تحلیل مالی، اطلاعات بیشتر بهتنهایی کافی نیست؛ رابطه درست میان اطلاعات مهمتر است.
عدد درست هم میتواند تحلیل غلط بسازد
فرض کنید:
- درآمد ۲۰ درصد رشد کرده؛
- سود ۱۵ درصد رشد کرده؛
- وجه نقد ۱۰ درصد افزایش یافته است.
سامانه ممکن است بگوید:
«عملکرد شرکت قوی بوده است.»
اما اگر کل صنعت ۴۰ درصد رشد کرده باشد، ممکن است شرکت در واقع سهم بازار از دست داده باشد.
پس تحلیل مالی فقط به اطلاعات داخل یک گزارش محدود نیست.
شرایط صنعت، نرخ ارز، تورم، بازار و رقبا هم میتوانند معنای اعداد را تغییر دهند.
آزمونهای تخصصی مالی چرا اهمیت دارند؟
برای اینکه بفهمیم یک مدل واقعاً در امور مالی چقدر توانمند است، نباید فقط سؤالهای ساده از آن بپرسیم.
آزمون مناسب باید سناریوهایی داشته باشد که نیازمند خواندن چندین صفحه، اتصال چند جدول، محاسبه، مقایسه و استدلال مالی باشند.
اگر فقط سؤالهایی مثل «فروش چقدر است؟» پرسیده شوند، ممکن است توان مدل بیش از واقعیت برآورد شود.
در برخی ارزیابیهای بسیار طولانی نیز گزارش شده که وقتی حجم اطلاعات بسیار زیاد میشود، دقت بعضی مدلهای پیشرفته در سناریوهای خاص مالی میتواند به شکل محسوسی افت کند.
این موضوع به همه کاربردهای هوش مصنوعی مالی قابل تعمیم نیست؛ اما یک پیام روشن دارد:
بزرگترشدن ظرفیت دریافت متن بهتنهایی مشکل تحلیل مالی پیچیده را حل نمیکند.
چرا بررسی انسانی هنوز ضروری است؟
اگر نتیجه هوش مصنوعی برای سرمایهگذاری، اعتباردهی، حسابرسی، ارزشگذاری یا تصمیم مدیریتی استفاده شود، خطا میتواند هزینه زیادی داشته باشد.
متخصص مالی باید بتواند بپرسد:
- این عدد از کجا آمده است؟
- نتیجه بر پایه کدام جدول و بخش ساخته شده؟
- چه فرضی استفاده شده؟
- آیا اطلاعات متناقض وجود دارد؟
- محاسبه چگونه انجام شده است؟
به همین دلیل در مهندس حسابرسی و نقش جدید حسابرسان در عصر هوش مصنوعی هم نقش کنترل سامانه و قضاوت حرفهای مهم است.
پاسخ مالی خوب باید قابل ردیابی باشد
یک سامانه مالی قابل اعتماد نباید فقط جواب نهایی بدهد.
باید بتواند مشخص کند:
- عدد از کدام جدول آمده؛
- مربوط به کدام دوره است؛
- چه بخشهایی در تحلیل استفاده شدهاند؛
- چه محاسباتی انجام شدهاند؛
- و چه اطلاعاتی با یکدیگر مقایسه شدهاند.
در تحلیل مالی، قابلیت ردیابی تقریباً به اندازه خود پاسخ اهمیت دارد.
روش مطمئنتر برای تحلیل اسناد مالی چیست؟
روش بهتر این نیست که یک گزارش چندصدصفحهای را یکجا در اختیار مدل قرار دهیم و سؤال بسیار کلی بپرسیم.
میتوان تحلیل را مرحلهای انجام داد:
- صورتهای مالی اصلی استخراج شوند.
- جدولها و دادههای مهم جدا شوند.
- یادداشتهای مرتبط شناسایی شوند.
- دادهها اعتبارسنجی شوند.
- محاسبات اصلی با فرمول قطعی انجام شوند.
- هوش مصنوعی روابط و تغییرات را تحلیل کند.
- نتیجه با اطلاعات اصلی تطبیق داده شود.
- متخصص مالی نتیجه نهایی را بررسی کند.
این روش احتمال خطا را کمتر میکند.
محاسبات مهم بهتر است قطعی انجام شوند
اگر سؤال نیازمند محاسبه است، عدد اصلی بهتر است با فرمول مشخص به دست آید.
مثلاً:
- نسبت جاری؛
- نسبت بدهی؛
- حاشیه سود ناخالص؛
- جریان نقد آزاد؛
- نرخ رشد؛
- گردش موجودی؛
- دوره وصول مطالبات.
هوش مصنوعی میتواند نتیجه را تفسیر کند، اما بهتر است عدد اصلی از محاسبه کنترلشده به دست آید.
چرا متخصص مالی همچنان اهمیت دارد؟
یک مدل شاید هزار صفحه را در چند ثانیه بخواند.
اما متخصص مالی میداند کدام عدد مهم است، کدام تغییر غیرعادی است، کجا مدیریت ممکن است تصویر خوشبینانه ارائه کرده باشد و کدام پاورقی میتواند معنای کل گزارش را تغییر دهد.
همچنین در فضای ایران، عواملی مانند تورم، تغییر نرخ ارز، شرایط تأمین مالی و ویژگیهای صنعت میتوانند معنای یک رشد اسمی را کاملاً تغییر دهند.
سرعت خواندن جایگزین قضاوت حرفهای نیست.
همین نکته یکی از دلایل اصلی شکست برخی پروژههای هوش مصنوعی در واحد مالی است که در مقاله چرا پروژههای هوش مصنوعی در واحد مالی شکست میخورند؟ بررسی شده است.
آینده تحلیل مالی ترکیبی است
آینده منطقی تحلیل مالی نه «انسان بدون هوش مصنوعی» است و نه «هوش مصنوعی بدون انسان».
ترکیب قویتر شامل:
- هوش مصنوعی برای جستوجو و تحلیل سریع؛
- داده ساختاریافته برای کاهش ابهام؛
- ابزار محاسباتی برای عدد دقیق؛
- و متخصص مالی برای قضاوت و تفسیر است.
بهترین نتیجه زمانی ایجاد میشود که هرکدام در جای درست خود قرار بگیرند.
برای استفاده مطمئنتر از هوش مصنوعی در تحلیل مالی چه کنیم؟
برای واحدهای مالی میتوان چند قاعده عملی در نظر گرفت:
- سؤال را دقیق و محدود بنویسید.
- یک گزارش چندصدصفحهای را با یک سؤال خیلی کلی تحلیل نکنید.
- جدولها و یادداشتهای مرتبط را جدا کنید.
- واحد پول و دوره مالی را صریح مشخص کنید.
- محاسبات مهم را مستقل کنترل کنید.
- از سامانه بخواهید محل داده مورد استفاده را مشخص کند.
- اطلاعات متناقض را جداگانه بررسی کنید.
- تصمیمهای مهم را با بازبینی انسانی نهایی کنید.
هدف این نیست که استفاده از هوش مصنوعی سخت شود.
هدف این است که سرعت آن حفظ شود، اما کنترل و قابلیت اعتماد قربانی سرعت نشوند.
سؤالات متداول
چرا هوش مصنوعی در تحلیل گزارشهای مالی خطا میکند؟
چون پاسخ بسیاری از سؤالهای مالی در یک نقطه قرار ندارد و مدل باید چند جدول، پاورقی، صورت مالی و توضیح پراکنده را به هم متصل کند.
آیا هوش مصنوعی برای تحلیل مالی مناسب نیست؟
مناسب است، اما بیشترین اطمینان زمانی ایجاد میشود که برای جستوجو، استخراج و تحلیل اولیه استفاده شود و محاسبات و نتیجههای مهم کنترل شوند.
آیا گزارش طولانی باعث خطای بیشتر میشود؟
ممکن است؛ بهخصوص زمانی که اطلاعات لازم برای پاسخ در بخشهای دور از هم قرار گرفته باشند.
چرا جدولهای مالی مشکلسازند؟
چون واحد اعداد، پاورقی، دوره مالی، عنوان ستونها و ادامه جدول در صفحات بعدی میتوانند معنای عدد را تغییر دهند.
چرا پیدا کردن عدد با تحلیل عدد فرق دارد؟
پیدا کردن عدد فقط استخراج اطلاعات است؛ تحلیل نیازمند فهم معنای عدد، دوره، واحد، روابط مالی و شرایط کسبوکار است.
آیا محاسبات مالی را باید به هوش مصنوعی سپرد؟
برای محاسبات مهم بهتر است فرمول قطعی یا ابزار محاسباتی استفاده شود و هوش مصنوعی بیشتر تفسیر را انجام دهد.
چگونه بفهمیم پاسخ هوش مصنوعی قابل اعتماد است؟
باید بتوان محل عدد، دوره زمانی، روش محاسبه و اطلاعات استفادهشده را بررسی کرد. پاسخ بدون ردپای مشخص باید با احتیاط بیشتری استفاده شود.
آیا متخصص مالی با پیشرفت هوش مصنوعی کماهمیت میشود؟
خیر. نقش او بیشتر به سمت تفسیر، قضاوت، تشخیص تناقض و کنترل کیفیت نتیجه حرکت میکند.
جمعبندی
پیشرفت هوش مصنوعی بسیار سریع است، اما توانایی مدلها در همه حوزهها یکسان نیست.
مدلی که در برنامهنویسی عملکرد بسیار خوبی دارد، ممکن است هنگام تحلیل گزارش مالی چندصدصفحهای دچار خطا شود.
دلیل فقط حجم متن نیست.
اسناد مالی شامل جدولهای پیچیده، اطلاعات پراکنده، واحدهای متفاوت، پاورقیها، تعاریف تخصصی، ارتباط میان چند صورت مالی و قضاوتهای حرفهای هستند.
بنابراین سؤال اصلی در تحلیل مالی فقط این نیست:
«هوش مصنوعی چقدر متن میتواند بخواند؟»
سؤال مهمتر این است:
«از میان این حجم اطلاعات، چند رابطه مالی را میتواند درست پیدا کند، محاسبه کند و به نتیجهای قابل ردیابی برساند؟»
مقالات مرتبط
مهندس حسابرسی کیست؟ شغل جدید حسابرسان در عصر هوش مصنوعی
چرا پروژههای هوش مصنوعی در واحد مالی شکست میخورند؟ ۱۱ دلیل و راهحل
مربی هوش مصنوعی حسابداری؛ نقش جدید حسابداران
هوش مصنوعی در حسابداری چیست؟ ۱۰ کاربرد، مزایا و آینده حسابداران