الذكاء الاصطناعي في التدقيق المالي والمحاسبي الرقمي

الذكاء الاصطناعي والتدقيق المالي: من فحص العينات إلى التحليل الشامل

يشهد التدقيق المالي والمحاسبي تحولاً جذرياً بفضل الذكاء الاصطناعي، حيث ينتقل من نموذج قائم على عينات محدودة إلى تحليل شامل لكامل البيانات المالية. تشير الأبحاث الحديثة إلى أن نماذج الذكاء الاصطناعي قادرة على تحديد المخاطر بدقة عالية، مع تحقيق مكاسب إنتاجية تتراوح بين 30% و40% وفقاً لشهادات عملاء شركات الريادة في هذا المجال. من المتوقع أن يصل تبني الذكاء الاصطناعي في التقارير المالية إلى مستويات واسعة خلال السنوات القادمة، حيث تستخدم فرق التدقيق الداخلي بالفعل أو تخطط لاستخدام الذكاء الاصطناعي التوليدي لتحسين جودة وكفاءة أعمالها. يستعرض هذا المقال، المعتمد على أبحاث أكاديمية وتقارير مؤسسية وتطبيقات ميدانية، الأبعاد المختلفة لهذا التحول، من آليات عمل الذكاء الاصطناعي في التدقيق إلى التحديات التنظيمية والأخلاقية، مع استعراض نماذج تطبيقية من شركات رائدة.

أولاً: التحول من العينات إلى التحليل الشامل

لطالما اعتمدت أساليب التدقيق التقليدية على فحص عينات محدودة من المعاملات المالية، وهي منهجية تواجه تحديات في الكشف عن الحالات الشاذة أو المخاطر الناشئة في بيئات المعلومات المالية المتزايدة التعقيد. يمثل الذكاء الاصطناعي نقلة نوعية من خلال قدرته على تحليل كامل البيانات بدلاً من العينات، مما يحسن قدرة المدققين على اكتشاف الحالات الشاذة وتخصيص الموارد بكفاءة.

1. تقنيات الذكاء الاصطناعي الأساسية في التدقيق

تُستخدم في التدقيق المالي الرقمي مجموعة متكاملة من تقنيات الذكاء الاصطناعي، أبرزها:

• التعلم الآلي (Machine Learning): أنظمة تتعلم من البيانات وتقوم بالتنبؤات أو القرارات دون برمجة صريحة، مع القدرة على تحديث المخرجات بمرور الوقت. يُستخدم في تقييم المخاطر واكتشاف الأنماط غير العادية.

• معالجة اللغة الطبيعية (NLP): تُستخدم لتحليل البيانات غير المهيكلة مثل العقود والتقارير المالية والمستندات القانونية، واستخلاص رؤى منها كانت تتطلب جهداً بشرياً كبيراً.

• أتمتة العمليات الروبوتية (RPA): تُستخدم لأتمتة المهام المتكررة والقائمة على قواعد محددة، مثل مطابقة العينات بالأدلة الداعمة وجمع البيانات، مما يحرر المدققين للتركيز على العمل التحليلي عالي القيمة.

• النماذج اللغوية الكبيرة (LLMs): تُستخدم لكشف الشذوذ في القيود المحاسبية، حيث أظهرت الدراسات أن هذه النماذج تتفوق على الأساليب القائمة على القواعد التقليدية في اكتشاف المعاملات غير العادية، مع قدرتها على تقديم تفسيرات بلغة طبيعية تعزز الشفافية.

2. نتائج قابلة للقياس

تُظهر الدراسات الميدانية فعالية ملموسة للذكاء الاصطناعي في التدقيق المالي:

• حققت منصة Fieldguide، التي تستخدمها نصف كبرى شركات المحاسبة الأمريكية، مكاسب إنتاجية تتراوح بين 30% و40%، مع قدرة وكلاء الذكاء الاصطناعي على تنفيذ المهام التي كانت تُستَقدم عادة من دول مثل الهند والفلبين، تاركةً للمدققين البشريين تفسير النتائج وبناء علاقات الثقة مع العملاء.

• أظهرت دراسة حول التعاون بين المدققين والتعلم الآلي في تقييم “استمرارية المنشأة” (Going Concern) أن الجمع بين حكم المدقق وقدرات التعلم الآلي يحقق تقييمات أكثر دقة من أي من الطريقتين بمفردهما، حيث يُخطئ كل منهما في حالات مختلفة، مما يخلق قيمة مضافة من التكامل.

• في دراسة أكاديمية حول استخدام النماذج اللغوية الكبيرة لكشف الاحتيال في القيود المحاسبية، تفوقت النماذج على طرق التدقيق التقليدية القائمة على القواعد (JETs) وخفضت بشكل كبير عدد الإنذارات الكاذبة، مما يقلل عبء إعادة التدقيق اليدوي.

ثانياً: النماذج التطبيقية الحية

1. منصة Fieldguide – الذكاء الاصطناعي الوكيل في التدقيق

في فبراير 2026، أعلنت Fieldguide عن جولة تمويل بقيمة 75 مليون دولار بقيادة جولدمان ساكس، بتقييم 700 مليون دولار. تستخدم المنصة وكلاء ذكاء اصطناعي لأتمتة المهام الروتينية مثل اختبار أرقام الإيرادات في البيانات المالية، وتخطيط كيفية تنفيذ التدقيق بناءً على صناعة العميل، وكتابة الإجراءات التي يحتاج فريق التدقيق إلى اتباعها. وفقاً للمؤسس جين تشانغ، يمكن لفريق تدقيق تقليدي مكون من 10 أشخاص أداء المهمة بثلاثة أشخاص فقط خلال السنوات القليلة القادمة بفضل هذه الأتمتة، مما يقلل الإرهاق في المهنة ويُسرع مسار المدققين المبتدئين.

2. Citi وIBM – منصة تدقيق موحدة بالذكاء الاصطناعي

عقدت Citi شراكة مع IBM لتصميم وبناء وتنفيذ منصة تدقيق موحدة مدعومة بالذكاء الاصطناعي، تستخدم IBM Watson Discovery وIBM Cloud Pak for Data وIBM OpenPages. تعمل المنصة على أتمتة تحليل المستندات، وكشف الحالات الشاذة، وتزويد المدققين برؤى مبنية على البيانات، مما قلص المهام اليدوية وحسّن جودة التدقيق. وقد وفرت الحالات الاستخدامية الأولى، التي تشمل تسجيل الضوابط المعتمد على الذكاء الاصطناعي وتحليل المستندات بواسطة معالجة اللغة الطبيعية، مئات الآلاف من ساعات العمل.

3. BBVA – مساعد الذكاء الاصطناعي للتحليل الداخلي

طور BBVA مساعداً للذكاء الاصطناعي باستخدام ChatGPT Enterprise لدعم تحليل البيانات في التدقيق الداخلي. يوجه المساعد المدققين خطوة بخطوة في التحقق من البيانات الأولية، وتصميم اختبارات تحليلية محددة ومعقدة، وتفسير النتائج. كما يولد كوداً قابلاً للتكرار بلغات مثل Python أو SQL، مع توثيق كامل للقيود وعدد السجلات المستخدمة، مما يمنح المدققين رؤية كاملة للتحليل الذي نفذه المساعد. يُتوقع أن يزيد الإنتاجية بنحو 10% في عمليات التدقيق التي تتطلب تحليل بيانات مكثف، مع ترك الحكم النهائي والاستنتاجات دائماً بيد المدقق البشري.

4. AuditCopilot – النماذج اللغوية الكبيرة لكشف الاحتيال

طور باحثون من المركز الألماني لأبحاث الذكاء الاصطناعي (DFKI) نموذجاً يُدعى AuditCopilot يستخدم النماذج اللغوية الكبيرة لكشف الشذوذ في القيود المحاسبية (Journal Entries). أظهرت النتائج أن النماذج اللغوية تتفوق على أساليب JETs التقليدية القائمة على القواعد، وتقدّم تفسيرات بلغة طبيعية تعزز الشفافية وقابلية الفهم للمدققين غير التقنيين. طُبقت الطريقة على بيانات محاسبية حقيقية ومجهولة المصدر وأخرى اصطناعية، مع تحقيق نتائج تنافسية مقارنة بخوارزميات التعلم الآلي الكلاسيكية.

ثالثاً: حوكمة الذكاء الاصطناعي في التدقيق – التحديات التنظيمية والأخلاقية

مع تزايد الاعتماد على الذكاء الاصطناعي، تبرز تحديات تنظيمية وأخلاقية تتطلب حوكمة دقيقة لضمان الشفافية والعدالة والثقة.

1. المعايير التنظيمية المتطورة

أصدرت هيئة التقارير المالية البريطانية (FRC) في يونيو 2025 إرشادات رائدة حول الاستخدام الأخلاقي والفعال للذكاء الاصطناعي في التدقيق. تتضمن الإرشادات دراسة حالة حول نهج منسق لنشر أدوات الذكاء الاصطناعي، ومبادئ لتوثيق هذه الأدوات في ملف التدقيق. تشمل متطلبات التوثيق: وظيفة الأداة وملاءمتها، وكيفية تطويرها وعمليات الحوكمة ذات الصلة، والمواد التدريبية المتاحة، ومدى إمكانية تفسير سلوك الأداة وقراراتها بشكل مناسب. شددت الهيئة على أن الإرشادات ليست إلزامية، لكنها تشكل توقعات تنظيمية لشركات التدقيق.

في يوليو 2025، دخلت التعديلات التكنولوجية على مدونة الأخلاقيات لمعهد المحاسبين القانونيين في إنجلترا وويلز (ICAEW) حيز التنفيذ، وتشمل:

• الكفاءة المهنية: اشتراط “الوعي والفهم المستمر” للتطورات المتعلقة بالتكنولوجيا.

• السرية: توسيع تعريف المعلومات السرية ليشمل أي معلومات غير متاحة للجمهور، مع تداعيات على استخدام البيانات في تدريب نماذج الذكاء الاصطناعي التوليدي.

• التهديدات الأخلاقية: قسم جديد يفصل التهديدات التي تنشأ عن استخدام التكنولوجيا، بما في ذلك تهديدات المصلحة الذاتية ومراجعة الذات.

2. مبادئ حوكمة الذكاء الاصطناعي في التدقيق

تتضافر جهود الباحثين والممارسين حول مجموعة من المبادئ الأساسية لحوكمة الذكاء الاصطناعي في التدقيق:

• الشفافية وقابلية التفسير: لم يعد كافياً توثيق مخرجات سير العمل الآلي فقط، بل يجب توثيق الأساس المنطقي ومدخلات البيانات ومعايير النموذج التي أدت إلى القرار. أظهرت دراسة أكاديمية أن الجمع بين حكم المدقق وقدرات التعلم الآلي يحقق نتائج أفضل في تقييم استمرارية المنشأة، خاصة في سياقات تتسم بعدم اليقين الاقتصادي مثل جائحة كوفيد-19.

• التحيز والعدالة: يمكن أن تتسلل التحيزات إلى أنظمة الذكاء الاصطناعي، مما يتطلب اختباراً منتظماً للتحيز واستخدام مقاييس العدالة وإجراء تدقيق مستقل للكشف عن التحيز الخوارزمي وتصحيحه.

• الخصوصية وسرية البيانات: تثير النماذج اللغوية الكبيرة مخاوف بشأن حفظ البيانات الحساسة وإمكانية استرجاعها. يتطلب ذلك تشفير البيانات أثناء النقل والسكون، وتقنيات الخصوصية التفاضلية، وبروتوكولات صارمة لتسجيل ومراجعة الاستعلامات.

رابعاً: خلاصة واستشراف المستقبل

تُظهر الأدلة المتزايدة أن الذكاء الاصطناعي يعيد تعريف التدقيق المالي والمحاسبي على ثلاثة مستويات متداخلة:

1. مستوى التحليل: الانتقال من فحص العينات إلى التحليل الشامل لكامل البيانات، مما يعزز دقة اكتشاف المخاطر وكفاءة تخصيص الموارد.

2. مستوى الأتمتة: أتمتة المهام الروتينية مثل مطابقة العينات وتوثيق الأدلة وجمع البيانات، مما يحرر المدققين للتركيز على التحليل الاستراتيجي عالي القيمة.

3. مستوى الحوكمة: تطوير أطر تنظيمية وأخلاقية تضمن الشفافية والعدالة والمساءلة في استخدام الذكاء الاصطناعي، مع تكامل متطلبات الامتثال في تصميم الأنظمة.

أما بالنسبة إلى الأفق المستقبلي، فتتجه الصناعة نحو ثلاثة محاور رئيسية:

1. التكامل بين الحكم البشري والقدرات الآلية: تشير الأدلة إلى أن الجمع بين حكم المدقق وقدرات الذكاء الاصطناعي يحقق نتائج أفضل من أي منهما بمفرده، خاصة في سياقات تتطلب تفسير معلومات غير قابلة للترميز بسهولة، أو في ظروف عدم اليقين الاقتصادي.

2. النماذج الهجينة والقابلة للتفسير: الجمع بين قدرات النماذج المعقدة وهندسة مدمجة لقابلية التفسير، مع دمج آليات للكشف عن التحيز وضمان العدالة.

3. تطوير المعايير القطاعية: دفع متزايد من الهيئات التنظيمية لتوحيد متطلبات وتقنيات الذكاء الاصطناعي القابل للتفسير في القطاع المالي، لتسهيل التدقيق وضمان الاتساق.

الرسالة واضحة: مستقبل التدقيق المالي والمحاسبي لن يُبنى على الذكاء الاصطناعي الأكثر دقة فحسب، بل على الذكاء الاصطناعي الأكثر شفافية ومسؤولية وتكاملاً مع الحوكمة التنظيمية.

المصادر والمراجع المعتمدة

1. Goldman Sachs leads $75 million funding round for Fieldguide (Yahoo Finance, 2026)

2. Citi | IBM: AI-Powered Audit Platform (IBM Case Study, 2025)

3. Artificial intelligence and robotic process automation in auditing and accounting: a systematic literature review (ScienceDirect, 2025)

4. AICPA’s ‘Josi’ GenAI Research Tool (AICPA & CIMA, 2025)

5. How modern research tools are accelerating digital audit transformation (Wolters Kluwer, 2026)

6. How BBVA Uses an AI Assistant to Analyze Data in Internal Audit (BBVA, 2026)

7. Synergizing machine and human judgment: evidence from going concern assessment (ScienceDirect, 2026)

8. Artificial Intelligence in Accounting, Auditing and Finance (Springer Nature, 2025)

9. AuditCopilot: Leveraging LLMs for Fraud Detection in Double-Entry Bookkeeping (arXiv/DFKI, 2025)

10. Curvestone AI partners with The White Rose Finance Group (The Intermediary, 2025)

11. FRC and ICAEW Guidance on AI Use in the Accountancy Sector (Kingsley Napley, 2025)

12. Effective e-Business Accounting and Auditing Through AI Automatization (IGI Global, 2026)