از ۵۹٬۱۵۷ ردیف خام تا داده قابل‌آزمون
یکی از وقت‌گیرترین مراحل حسابرسی همیشه خود آزمون حسابرسی نیست. گاهی ساعت‌ها یا حتی روزها صرف کاری می‌شود که پیش از شروع آزمون باید انجام شود: تمیزکردن فایل دفتر کل، حذف سطرهای اضافی، یکسان‌کردن تاریخ‌ها، اصلاح ساختار داده، شناسایی فیلدهای ناقص و در نهایت تطبیق دفتر کل با تراز آزمایشی. در نمونه عملی منتشرشده در Journal of Accountancy در ۱ اکتبر ۲۰۲۶، یک Excel Agent روی ۵۹٬۱۵۷ ردیف داده تراکنشی دفتر کل آزمایش شد و فرآیند پاک‌سازی، استانداردسازی، اعتبارسنجی و تطبیق با Trial Balance به‌طور متوسط حدود ۱۰ دقیقه زمان برد.
مشکل واقعی دفتر کل خام چیست؟
حسابرس معمولاً یک General Ledger کاملاً مرتب و آماده تحلیل دریافت نمی‌کند. فایل ممکن است شامل تاریخ‌هایی با فرمت‌های مختلف، سلول‌های خالی، عنوان‌های اضافی، ترکیب عدد و متن در یک فیلد، ستون‌های نامنظم یا داده‌هایی باشد که قبل از تحلیل باید اصلاح شوند. این وضعیت یک ریسک مهم ایجاد می‌کند: اگر Population اولیه ناقص یا اشتباه باشد، بهترین آزمون حسابرسی هم ممکن است روی داده اشتباه اجرا شود. بنابراین پیش از سؤال «کدام تراکنش غیرعادی است؟» باید پرسید «آیا داده‌ای که قرار است آزمایش کنم کامل، صحیح و قابل اتکاست؟»
Excel Agent دقیقاً چه کاری انجام می‌دهد؟
تفاوت Agent با یک فرمول ساده Excel این است که کاربر می‌تواند یک هدف چندمرحله‌ای برای آن تعریف کند. برای مثال: «دفتر کل را بررسی کن، مشکلات ساختاری را پیدا کن، برنامه پاک‌سازی پیشنهاد بده، پس از تأیید من اصلاحات را انجام بده، داده را اعتبارسنجی کن و در نهایت آن را با Trial Balance تطبیق بده.» در نمونه منتشرشده، Agent ابتدا Plan پیشنهادی ارائه می‌دهد و فقط پس از بررسی منطق و تأیید کاربر وارد اجرا می‌شود. همین Human-in-the-loop بودن برای محیط حسابرسی اهمیت زیادی دارد.
مرحله اول: شناخت ساختار دفتر کل
قبل از هر تغییر، Agent باید ساختار فایل را بشناسد: شماره حساب در کدام ستون است، تاریخ ثبت کجاست، Debit و Credit کجا قرار گرفته‌اند، شرح سند چیست، آیا Header غیرضروری یا Blank Row وجود دارد و آیا ستون‌هایی که عددی دیده می‌شوند در واقع Text ذخیره شده‌اند. این مرحله شبیه بررسی اولیه یک حسابرس باتجربه هنگام دریافت فایل جدید است؛ با این تفاوت که Agent می‌تواند حجم بزرگی از داده را سریع‌تر مرور و مشکلات ساختاری را فهرست کند.
مرحله دوم: پاک‌سازی و استانداردسازی داده
پس از شناخت ساختار، نوبت Data Cleaning است. هدف زیباترکردن Excel نیست؛ داده باید به فرمتی تبدیل شود که بتوان روی آن آزمون حسابرسی قابل‌اتکا اجرا کرد. Agent می‌تواند تاریخ‌های ناسازگار، سطرهای خالی، Headerهای اضافی، مقادیر نامعتبر یا قالب‌های متفاوت را شناسایی و طبق Plan تأییدشده اصلاح کند. اصل مهم این است که Raw Data بدون ردپا از بین نرود؛ نسخه اصلی باید حفظ شود و تغییرات روی نسخه کاری به‌صورت قابل ردیابی ثبت شوند.
مرحله سوم: Validation بعد از پاک‌سازی
تمیزشدن فایل به این معنا نیست که فایل صحیح است. مرحله بعدی اعتبارسنجی است. ممکن است ستونی که باید فقط شامل تاریخ باشد چند مقدار متنی داشته باشد، ستون مبلغ به‌صورت Text ذخیره شده باشد یا تعداد رکوردها قبل و بعد از Transformation بدون دلیل تغییر کرده باشد. Agent می‌تواند این ناسازگاری‌ها را پیدا کند، اما حسابرس باید کنترل کند که اتوماسیون فقط خطای قبلی را با سرعت بیشتری بازتولید نکرده باشد.
مرحله چهارم: تطبیق دفتر کل با تراز آزمایشی
یکی از مهم‌ترین بخش‌های Workflow، Reconciliation با Trial Balance است. برای هر حساب می‌توان گردش یا مانده محاسبه‌شده از General Ledger را با رقم متناظر در Trial Balance مقایسه کرد. اگر اختلاف وجود داشته باشد، باید Exception ایجاد شود. این کنترل کمک می‌کند قبل از Journal Entry Testing، Risk Analytics یا سایر آزمون‌ها، حسابرس مطمئن شود Population مورد استفاده با اطلاعات مالی مبنا سازگار است.
چرا عدد ۵۹٬۱۵۷ ردیف مهم است؟
اهمیت مثال فقط در بزرگی عدد نیست. نکته اصلی این است که Workflow روی داده تراکنشی نسبتاً حجیم اجرا شده و کاری که به روش دستی می‌تواند ساعت‌ها طول بکشد، در شبیه‌سازی منتشرشده حدود ۱۰ دقیقه انجام شده است. البته این عدد به این معنا نیست که هر دفتر کل ۵۹ هزار ردیفی دقیقاً در ۱۰ دقیقه آماده می‌شود؛ زمان واقعی به ساختار فایل، کیفیت داده، ابزار، توان پردازشی، دستورها و میزان بررسی انسانی وابسته است.
آیا حسابدار باید برنامه‌نویسی بلد باشد؟
یکی از جذاب‌ترین جنبه‌های این رویکرد آن است که کار در محیطی انجام می‌شود که تقریباً همه حسابداران آن را می‌شناسند: Microsoft Excel. بنابراین برای شروع الزاماً نیازی نیست حسابدار Python بنویسد یا یک Data Platform پیچیده راه‌اندازی کند. این موضوع می‌تواند مانع ورود AI به مؤسسات حسابرسی کوچک‌تر و واحدهای مالی را کاهش دهد؛ هرچند استفاده حرفه‌ای همچنان به سیاست امنیتی، مجوز سازمانی و کنترل مناسب داده نیاز دارد.
فقط برای حسابرسی نیست
همین Workflow را می‌توان در بخش‌های دیگر حسابداری نیز به‌کار گرفت. فایل Aging حساب‌های دریافتنی ممکن است قبل از تحلیل به پاک‌سازی نیاز داشته باشد. Export حساب‌های پرداختنی می‌تواند برای بررسی Duplicate Payment یا تراکنش‌های غیرعادی آماده شود. Asset Register ممکن است طبقه‌بندی ناسازگار یا اطلاعات ناقص داشته باشد. داده‌های مالیاتی می‌توانند قبل از Compliance یا Provision استاندارد شوند و Scheduleهای گزارشگری مالی نیز قبل از تهیه گزارش با هم Reconcile شوند.
خطر بزرگ: سرعت می‌تواند اطمینان کاذب ایجاد کند
فرض کنید Agent در ده دقیقه ۵۹ هزار ردیف را پاک‌سازی کرده است. هنوز باید پرسید آیا هیچ تراکنشی حذف شده، تبدیل نوع داده باعث تغییر اطلاعات شده، تاریخ‌ها درست تفسیر شده‌اند، Debit و Credit اشتباه جابه‌جا نشده‌اند، Mapping حساب‌ها صحیح بوده و Reconciliation واقعاً با منبع قابل‌اعتماد انجام شده است یا نه. سرعت بالا ارزشمند است، اما در محیط مالی سرعت بدون قابلیت بررسی می‌تواند فقط خطا را سریع‌تر کند.
Audit Trail باید از سرعت مهم‌تر باشد
در محیط حسابرسی پاسخ صحیح به‌تنهایی کافی نیست؛ باید بتوان نشان داد پاسخ چگونه تولید شده است. اگر Agent داده‌ای را تغییر می‌دهد، حسابرس باید ببیند چه چیزی تغییر کرده، چرا تغییر کرده و نتیجه قبل و بعد چه بوده است. نسخه Raw Data، نسخه Cleaned Data، دستورهای داده‌شده به Agent، Transformationهای اجراشده، Exceptions و نتیجه Reconciliation باید تا حد لازم قابل ردیابی باشند. این Audit Trail بخشی از کنترل حرفه‌ای Workflow است.
اشتباه خطرناک: «AI گفت، پس درست است»
یکی از ریسک‌های جدی Automation Bias است. وقتی سیستم هزاران ردیف را در چند دقیقه پردازش می‌کند و یک گزارش مرتب تحویل می‌دهد، کاربر ممکن است ناخودآگاه نتیجه را صحیح فرض کند. اما ظاهر حرفه‌ای خروجی، Evidence صحت آن نیست. حسابدار باید منطق Transformation را بفهمد و کنترل‌های مستقلی برای اطمینان از صحت خروجی اجرا کند. هرچه Agent قدرتمندتر شود، مهارت Review کردن خروجی آن نیز مهم‌تر می‌شود.
کنترل جمع قبل و بعد از Transformation
یکی از ساده‌ترین کنترل‌ها می‌تواند بسیار مؤثر باشد. قبل از پاک‌سازی، تعداد رکوردها، جمع Debit، جمع Credit و سایر Control Totalهای مهم ثبت شوند. پس از Transformation نیز همین مقادیر دوباره محاسبه شوند. اگر Agent صرفاً Format داده را تغییر داده است، نباید بدون دلیل اقتصادی یا منطقی جمع‌های اصلی تغییر کنند. این کنترل ساده می‌تواند بسیاری از خطاهای Transformation را سریع آشکار کند.
مهارت جدید حسابدار: طراحی Workflow برای AI
برای سال‌ها مهارت Excel حسابداران عمدتاً به فرمول، PivotTable، Power Query و ابزارهای مشابه مربوط می‌شد. Agentها یک لایه جدید اضافه می‌کنند: توانایی تعریف Workflow برای AI. حسابدار باید دقیقاً توضیح دهد هدف چیست، محدودیت‌ها کدام‌اند، چه چیزی نباید تغییر کند، چه کنترل‌هایی باید اجرا شوند و در چه نقطه‌ای Agent باید متوقف شود و تأیید انسان را درخواست کند. این مهارت را می‌توان «طراحی فرآیند برای AI» دانست.
Agent نباید اختیار نامحدود داشته باشد
در محیط حرفه‌ای بهترین Agent الزاماً مستقل‌ترین Agent نیست. طراحی مناسب می‌تواند چنین باشد: Agent فایل را بررسی کند، مشکلات را گزارش دهد، Plan پیشنهاد کند، حسابدار Plan را تأیید کند، Agent عملیات را انجام دهد، Control Totalها اجرا شوند، مغایرت‌ها گزارش شوند و حسابدار نتیجه نهایی را تأیید کند. این ساختار کاملاً Autonomous نیست، اما برای فرآیند مالی کنترل‌پذیرتر و قابل‌دفاع‌تر است.
Power Query و ابزارهای قطعی کنار نمی‌روند
برای فرآیندهای تکرارشونده و کاملاً ساختاریافته، ابزارهای Deterministic مانند Power Query، SQL، Script و Rule-based Automation همچنان مزایای مهمی دارند. مزیت Agent بیشتر زمانی آشکار می‌شود که داده نامرتب باشد، مراحل کار نیازمند تفسیر باشند یا کاربر بخواهد بدون نوشتن کد یک Workflow چندمرحله‌ای بسازد. معماری عملی آینده احتمالاً ترکیبی است: قواعد قطعی برای کنترل‌های قطعی، AI برای بخش‌های انعطاف‌پذیر و انسان برای قضاوت و تأیید.
این تغییر برای مؤسسات حسابرسی چه معنایی دارد؟
اگر Data Preparation سریع‌تر شود، اقتصاد انجام حسابرسی نیز تغییر می‌کند. تیم حسابرسی می‌تواند زمان کمتری صرف مرتب‌کردن فایل مشتری و زمان بیشتری صرف Risk Assessment، تحلیل Exception و قضاوت حرفه‌ای کند. برای مؤسسات کوچک‌تر هم اهمیت موضوع بالاست؛ بخشی از قابلیت‌هایی که قبلاً نیازمند متخصص Data Analytics بود ممکن است مستقیماً داخل Excel در دسترس حسابرس قرار گیرد. این مزیت فقط زمانی واقعی است که ابزار در محیط سازمانی امن و با کنترل دسترسی و محرمانگی مناسب استفاده شود.
جمع‌بندی: هوش مصنوعی از پاسخ‌دادن به انجام Workflow می‌رسد
عامل هوش مصنوعی داخل Excel می‌تواند یکی از عملی‌ترین نقاط شروع Agentic AI برای حسابداران باشد. نمونه اکتبر ۲۰۲۶ نشان می‌دهد پاک‌سازی، استانداردسازی، Validation و Reconciliation روی ۵۹٬۱۵۷ ردیف داده دفتر کل می‌تواند در حدود ۱۰ دقیقه اجرا شود. اما سرعت به‌تنهایی معیار موفقیت نیست. Agent باید قابل‌کنترل، قابل‌بررسی و قابل‌ردیابی باشد. حسابدار آینده کسی است که بتواند به AI وظیفه درست بدهد، محدودیت درست تعریف کند، کنترل درست طراحی کند و نتیجه را با تردید حرفه‌ای بررسی کند.
سؤالات متداول
Excel Agent چیست؟
Excel Agent نوعی عامل هوش مصنوعی است که می‌تواند در محیط Excel داده را تحلیل کند و برای انجام Workflowهای چندمرحله‌ای به کاربر کمک کند. قابلیت دقیق آن به محصول و محیط سازمانی مورد استفاده بستگی دارد.
آیا می‌توان دفتر کل را با AI پاک‌سازی کرد؟
بله. AI می‌تواند مشکلات ساختاری، قالب‌های ناسازگار، مقادیر ناقص و سایر موارد را شناسایی کند و در یک فرآیند کنترل‌شده به پاک‌سازی و استانداردسازی داده کمک کند.
آیا AI می‌تواند دفتر کل را با تراز آزمایشی تطبیق دهد؟
بله، اگر داده‌های لازم و منطق صحیح در اختیار سیستم قرار گیرد، Reconciliation دفتر کل با Trial Balance یکی از Workflowهای قابل خودکارسازی است. نتیجه باید توسط حسابدار یا حسابرس کنترل شود.
آیا اطلاعات مالی شرکت را می‌توان در هر ابزار AI بارگذاری کرد؟
خیر. اطلاعات محرمانه مالی باید طبق سیاست امنیت اطلاعات سازمان و فقط در ابزارها و مجوزهای سازمانی مورد تأیید پردازش شوند.
آیا Agent جای حسابدار را می‌گیرد؟
این نمونه بیشتر نشان‌دهنده خودکارشدن Data Preparation و فعالیت‌های تکراری است. تعریف منطق، کنترل کیفیت داده، بررسی استثناها و قضاوت حرفه‌ای همچنان به نقش حسابدار و حسابرس وابسته است.
عضویت در حسابداران برتر
برای دسترسی به آموزش‌ها و محتوای تخصصی حسابداری، حسابرسی، کنترل داخلی و هوش مصنوعی، از بخش عضویت حسابداران برتر وارد پنل کاربری شوید.