AI Generatif dalam Perakaunan: Kegunaan Praktikal dan Had Ketepatan

Oleh Jane Ha · Dikemas kini 11 Oktober 2026

AI generatif dalam perakaunan bermaksud menggunakan model bahasa untuk menyediakan draf dan meringkaskan kerja perakaunan yang banyak teks (memo teknikal, penyelidikan polisi, ulasan varians, bantuan formula, dokumentasi) sementara orang yang layak mengesahkan setiap angka, petikan dan kesimpulan sebelum digunakan. Model menulis dengan lancar dan pantas. Ia tidak mengira dengan boleh dipercayai, ia tidak mengenali lejar anda, dan ia boleh menyatakan piawaian yang salah dengan penuh keyakinan. Maka soalan yang berguna bukan "bolehkah ia melakukan tugasan ini?" tetapi "apakah semakan yang diperlukan oleh outputnya?"

Panduan ini ditujukan kepada CFO, pengawal kewangan (controller), pengarah kewangan dan pengurus perakaunan. Ia merangkumi tugasan yang sesuai untuk AI generatif, jadual tugasan, kesesuaian dan semakan yang diperlukan, urutan pelaksanaan, serta mod kegagalan yang penting dalam profesion yang angkanya diaudit. Untuk gambaran yang lebih luas tentang AI merentasi fungsi ini, mulakan dengan AI dalam kewangan.

Fakta Utama

• Panduan AI generatif ICAEW menyatakan model boleh "mereka-reka petikan dan rujukan" dan "bercanggah dengan dirinya sendiri apabila dicabar," serta memberi amaran bahawa manusia cenderung kepada bias automasi, iaitu terlalu bergantung pada output teknologi (ICAEW, Generative AI guide: risks and limitations).
• AICPA menyatakan bahawa kewajipan teras iaitu kecekapan, ketelitian wajar, kerahsiaan dan kebebasan masih terpakai apabila AI digunakan, dan tanggungjawab ke atas hasil kerja akhir kekal pada profesional, sama ada alat itu dibina sendiri atau oleh pihak ketiga (Journal of Accountancy, AICPA Professional Ethics Division, Ogos 2026).
• Dalam jangkauan kakitangan PCAOB kepada firma audit yang lebih besar (Julai 2024), firma menerangkan bahawa mereka menggunakan AI generatif terutamanya untuk kerja pentadbiran dan penyelidikan, seperti draf awal memo dan penyelidikan tentang panduan perakaunan dan pengauditan dalaman, serta menyatakan bahawa semakan manusia terhadap output kekal penting (PCAOB staff Spotlight, Julai 2024).
• Dalam kajian 2025 terhadap GPT-4o, o1, DeepSeek-V3 dan DeepSeek-R1 pada masalah aritmetik, algebra dan teori nombor, kesilapan prosedur ialah jenis ralat yang paling kerap, dan ketepatan berbeza dengan ketara antara model (Mathematical Computation and Reasoning Errors by Large Language Models, arXiv).

Kekuatan AI Generatif dalam Perakaunan dan Kelemahannya

AI generatif meramal teks yang berkemungkinan. Itu kekuatan untuk kerja yang kebanyakannya bahasa: meringkaskan pajakan 40 halaman, menyatakan semula polisi dalam bahasa mudah, menyediakan versi pertama memo daripada poin-poin anda. Itu kelemahan untuk kerja yang mesti tepat sepenuhnya: jumlah, kadar, rujukan perenggan, ambang.

Tiga had mendorong hampir setiap kawalan dalam artikel ini.

Ia mereka-reka. Tingkah laku ini dipanggil halusinasi AI. Laporan kakitangan PCAOB mencatatkan bahawa firma audit mengakui output generatif mungkin palsu atau mengelirukan, atau condong dan berat sebelah, dan sesetengah firma sedang membina alat yang mendokumenkan data sumber yang digunakan supaya penyemak dapat menjejakinya. Petikan yang kedengaran meyakinkan kepada perenggan piawaian yang tidak wujud ialah versi klasik dalam perakaunan.

Ia tidak boleh dipercayai dalam aritmetik. Model bahasa tidak menjalankan kalkulator kecuali anda memberikannya satu. Kajian arXiv di atas mendapati kesilapan prosedur paling lazim merentasi model yang diuji. Model yang berfokuskan penaakulan dalam kajian itu berprestasi jauh lebih baik daripada yang lain, jadi jurangnya semakin mengecil, tetapi "lebih baik" tidak bermakna "gred lejar." Apa-apa yang dikira oleh model harus dikira semula dalam hamparan atau sistem anda.

Ia tidak mengetahui fakta anda. Kecuali anda membekalkan imbangan duga, kontrak atau polisi, model mengisi kekosongan dengan andaian generik. Mengasaskannya pada dokumen anda, contohnya melalui penjanaan dipertingkat capaian, mengurangkan masalah ini tetapi tidak menghapuskannya.

Tugasan demi Tugasan: Kesesuaian dan Semakan yang Diperlukan

Jadual ini ialah teras kerja dalam artikel ini. "Kesesuaian" ialah pertimbangan tentang risiko, bukan janji kualiti: ia mencerminkan betapa besar kerosakan yang boleh ditimbulkan oleh ralat yang tidak dikesan dan betapa mudahnya output disahkan.

Coraknya: AI ialah lapisan penyediaan draf dan penjelasan. Apa-apa yang menghasilkan angka, petikan atau kesimpulan melalui langkah pengesahan yang tidak bergantung pada model.

Contoh Sebenar Mengikut Fungsi Perakaunan

Perakaunan teknikal dan polisi. Seorang pengawal kewangan yang berdepan jenis kontrak baharu meminta model menggariskan soalan yang perlu dijawab oleh analisis pengiktirafan hasil dan menyediakan draf bahagian latar belakang daripada ringkasan kontrak. Pengawal kewangan itu kemudian menulis kesimpulan, membaca panduan yang dipetik dalam piawaian itu sendiri, dan membetulkan apa-apa yang salah dalam draf. Model menjimatkan masa menghadapi halaman kosong; ia tidak membuat pertimbangan.

Perancangan kewangan dan ulasan penutupan akaun. Pada hujung bulan, penganalisis menampal jadual varians dan beberapa baris tentang pemacu, dan model menyediakan draf naratif. Risikonya halus: model mungkin menyatakan semula angka dengan sedikit kesilapan atau mereka-reka sebab yang kedengaran munasabah bagi sesuatu varians. Setiap angka dalam perenggan dikaitkan semula dengan jadual, dan setiap punca disahkan dengan pemilik bajet. Aliran kerja kewangan yang berkaitan dibincangkan dalam kes penggunaan AI dalam kewangan.

Akaun belum bayar dan akaun belum terima. Model membantu menyediakan draf susulan kepada pembekal, meringkaskan rantaian e-mel yang panjang tentang invois yang dipertikaikan dan menerangkan mengapa pembayaran tidak sepadan. Pemadanan itu sendiri tergolong dalam alat deterministik, tempat ejen AI untuk kewangan dan automasi berasaskan peraturan sesuai.

Audit dan jaminan. Laporan kakitangan PCAOB menerangkan firma yang menggunakan AI generatif untuk draf awal memo dan pembentangan berkaitan audit serta untuk penyelidikan tentang panduan dalaman, dan menyenaraikan bidang yang dilihat firma sebagai calon masa depan, seperti menyemak kelengkapan dokumentasi audit berbanding keperluan dokumentasi. Dalam laporan yang sama, sesetengah firma menyatakan mereka tidak membenarkan AI generatif untuk prosedur audit atau pengesahan kerana kebimbangan privasi data dan kebolehpercayaan. Jika anda syarikat yang bersiap untuk audit, tanya juruaudit anda tentang polisinya, kerana ia mempengaruhi apa yang boleh anda serahkan dan bagaimana.

FP&A dan Excel. Meminta model menulis formula carian, menerangkan makro warisan atau menukar IF bersarang menjadi sesuatu yang boleh dibaca ialah antara kegunaan paling selamat, kerana anda boleh menguji hasilnya serta-merta. Risikonya ialah menghantar formula yang belum diuji ke dalam model yang menyuap pek lembaga pengarah.

Kerahsiaan: Apa yang Dimasukkan ke dalam Prompt

Prompt ialah pendedahan. Panduan etika AICPA mencatatkan bahawa alat AI awam mungkin menggunakan input pengguna untuk melatih model akan datang, jadi data yang dimasukkan boleh muncul semula di tempat lain, dan bahawa ahli dalam amalan awam harus mempertimbangkan sama ada maklumat itu sulit dan sama ada persetujuan diperlukan sebelum memasukkan data pelanggan, di bawah Peraturan Maklumat Pelanggan yang Sulit. Artikel Journal of Accountancy oleh seorang pengarah kawalan risiko CPA mengesyorkan agar firma melarang maklumat pelanggan dan firma yang sulit serta proprietari daripada alat AI generatif, dan agar kakitangan menganggap input seperti mereka menganggap siaran di laman awam (Journal of Accountancy, Oktober 2023).

Bagi pasukan kewangan korporat, kebimbangan yang setara ialah keputusan yang belum dikeluarkan, maklumat M&A, data gaji dan kontrak pelanggan. Peraturan praktikalnya: tentukan secara bertulis kelas data mana boleh dimasukkan ke dalam alat yang diluluskan mana, dan jadikan alat yang diluluskan sebagai laluan yang mudah. Orang menampal ke dalam apa sahaja yang terbuka apabila pilihan yang diluluskan perlahan.

Cara Memperkenalkan AI Generatif dalam Pasukan Perakaunan Anda

1. Mulakan dengan inventori tugasan. Senaraikan tugasan berulang yang kebanyakannya menulis atau menerangkan: memo, ulasan, e-mel, dokumentasi, bantuan formula. Susun mengikut volum dan betapa mudah outputnya disemak.

   

2. Pilih alat yang diluluskan dan tulis peraturan data. Namakan alat mana yang dibenarkan, kelas data mana boleh dimasukkan, dan siapa yang memutuskan pengecualian. Semak terma data vendor bersama pasukan undang-undang atau IT. Jika data anda belum tersusun untuk ini, lalui kesediaan data kewangan untuk AI dahulu.

3. Tentukan semakan bagi setiap tugasan. Gunakan jadual di atas sebagai templat. Bagi setiap penggunaan, tulis siapa yang mengesahkan apa: angka dikaitkan dengan sumber, petikan ditemui dalam piawaian, kesimpulan dimiliki oleh orang yang dinamakan.

4. Pastikan seseorang kekal bertanggungjawab. AICPA jelas bahawa tanggungjawab kekal pada profesional. Bina langkah manusia dalam kitaran ke dalam aliran kerja dan kelulusan, bukan sekadar polisi.

5. Jalankan projek rintis pada satu proses selama satu kitaran penutupan akaun. Pilih ulasan varians atau penyediaan draf memo. Ukur masa penyediaan draf yang dijimatkan, pembetulan yang ditemui dalam semakan dan sebarang ralat yang sampai kepada penyemak tanpa dikesan oleh penyedia.

6. Tentukan cara mendokumenkan penggunaan AI. Sesetengah firma meminta kakitangan mendedahkan apabila AI menyumbang kepada kerja supaya penyemak tahu untuk meneliti dengan lebih ketat. Tentukan sama ada kertas kerja anda merekodkan alat, input dan semakan.

7. Latih untuk bersikap skeptikal. ICAEW mengesyorkan keraguan profesional sebagai perlindungan utama dan mencadangkan mengulang soalan yang sama untuk melihat sama ada jawapan berbeza. Ajar penyemak menganggap output seperti hasil kerja rakan sekerja yang yakin tetapi kurang berpengalaman.

8. Semak setiap suku tahun. Alat, terma vendor dan panduan profesional berubah. Kaji semula alat dan semakan yang diluluskan mengikut jadual.

Kesilapan Lazim

• Mempercayai petikan kerana ia kelihatan betul. Rujukan rekaan ialah kegagalan yang didokumenkan. Cari perenggan dalam piawaian sebelum ia dimasukkan ke dalam memo.
• Membiarkan model membuat pengiraan. Walaupun ia menunjukkan langkah kerjanya, kira semula. Penjelasan yang lancar tentang jumlah yang salah tetap salah.
• Bias automasi dalam semakan. Penyemak membaca teks yang disediakan AI dengan kurang kritis kerana ia ditulis dengan baik. ICAEW menamakan bias automasi secara langsung. Tugaskan penyemak untuk mengesahkan, bukan menyemak ejaan.
• Mendokumenkan kerja yang tidak dilakukan. Model yang diminta menyediakan draf naratif panduan langkah akan menerangkan prosedur yang kedengaran munasabah. Jika ia berbeza daripada apa yang dilakukan pasukan, kertas kerja itu mengelirukan.
• Alat yang tidak diluluskan. Kakitangan menggunakan akaun peribadi untuk data pelanggan atau syarikat ialah pelanggaran kerahsiaan yang menunggu masa. Sediakan pilihan yang dibenarkan.
• Melangkau peraturan data. Polisi yang berbunyi "berhati-hatilah" tidak berkesan. Nyatakan kelas data dan alat yang diluluskan.
• Menyembunyikan penggunaan AI daripada penyemak. Jika penyemak tidak tahu bahagian itu disediakan oleh mesin, mereka tidak dapat menyesuaikan tahap penelitian.

Langkah Seterusnya

Jika anda sedang memutuskan ahli pasukan mana yang memiliki pengesahan dan piawaian prompt, baca AI dan peranan pasukan kewangan. Jika anda lebih suka memetakan seluruh fungsi sebelum memilih projek rintis, kes penggunaan AI dalam kewangan menyusunnya mengikut nilai dan risiko. Dan jika anda hanya melakukan satu perkara pada suku tahun ini, tulis peraturan satu halaman: alat yang diluluskan, data yang dibenarkan dan orang yang dinamakan yang mengesahkan angka. Setelah peraturan itu wujud, berikan rutin "draf, sahkan, luluskan" tempat sebagai tugasan yang ditetapkan dengan langkah kelulusan, dalam alat proses seperti BPM Rework, dan jangan biarkannya sebagai tabiat tidak rasmi.