DOI: https://doi.org/10.3389/frai.2025.1718854
PMID: https://pubmed.ncbi.nlm.nih.gov/41660226
تاريخ النشر: 2026-01-23
المؤلف: Amar Johri وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تبحث ورقة البحث في التأثير التحويلي للذكاء الاصطناعي (AI) على ممارسات التدقيق، وخاصة من خلال دمج التعلم الآلي ومعالجة اللغة الطبيعية. تواجه طرق التدقيق التقليدية المعتمدة على العينة تحديات في تحديد الشذوذات ضمن بيئات مالية تزداد تعقيدًا. تقدم الدراسة نموذجًا تنبؤيًا مدفوعًا بالذكاء الاصطناعي يعزز عملية التدقيق من خلال تحديد المؤشرات بدقة تصل إلى 87% وتوقع أخطاء حجم الأعمال بأقل من 5%. يأخذ هذا النموذج في الاعتبار ما يقرب من 94% من التباين بين المبالغ المتوقعة والفعلية لتوزيع القروض، مما يوضح أن الذكاء الاصطناعي يمكن أن يحسن بشكل كبير من اكتشاف الشذوذات وتخصيص الموارد في عمليات التدقيق.
تشير النتائج إلى أن الذكاء الاصطناعي لا يقوم فقط بأتمتة المهام الروتينية، بل يمكّن المدققين أيضًا من تقييم مجموعات بيانات شاملة، مما يسهل تحديد المخاطر مبكرًا ويعزز كفاءة التدقيق العامة دون المساس بخصوصية بيانات العملاء. تدعو الدراسة إلى التحول من التدقيق الاستعادي إلى نهج تقييم المخاطر الاستباقي، مع التأكيد على أهمية دمج القدرات التكنولوجية في أطر جودة التدقيق. تشمل التوصيات لشركات التدقيق الاستثمار في بنية البيانات التحتية والحوكمة الأخلاقية، بينما يُحث المنظمون على إنشاء أطر مسؤولية مرنة. تؤكد الأبحاث على ضرورة التعاون بين الإنسان والذكاء الاصطناعي في التدقيق، حيث تتولى الخوارزميات معالجة البيانات والتعرف على الأنماط، مما يسمح للمدققين بالتركيز على الحكم الأخلاقي والتحليل السياقي، مما يؤدي في النهاية إلى تدقيقات أكثر فعالية وكفاءة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) وتحليلات البيانات (DA) على صناعات التدقيق والاستشارات، التي اعتمدت تقليديًا على العمليات اليدوية لتقييمات المالية. مع تزايد تعقيد بيئات الأعمال والنمو الأسي للبيانات، يتعرض المدققون لضغوط لتقديم رؤى دقيقة وفي الوقت المناسب. تشير دراسة عالمية إلى أن 72% من الشركات تستخدم حاليًا الذكاء الاصطناعي في التقارير المالية، مع توقعات تشير إلى أن هذا قد يرتفع إلى 99% خلال ثلاث سنوات. يُنظر إلى دمج الذكاء الاصطناعي على أنه ضروري لتعزيز جودة التدقيق، وتمكين تحليل البيانات في الوقت الحقيقي، وأتمتة المهام المتكررة، مما يسمح للمدققين بالتركيز على تحديد المخاطر والشذوذات بشكل أكثر فعالية.
على الرغم من التقدم الواعد، تحدد الورقة فجوات كبيرة في الأدبيات الحالية، خاصة فيما يتعلق بتطبيق الذكاء الاصطناعي في البلدان النامية. تركز معظم الأبحاث على الأسواق المتقدمة، متجاهلة التحديات الفريدة التي تواجهها الاقتصادات الناشئة، مثل اختلاف البنى التحتية التكنولوجية والأطر التنظيمية. تهدف الدراسة إلى معالجة هذه الفجوات من خلال إثبات تجريبي كيف يمكن أن يعزز الذكاء الاصطناعي جودة التدقيق بينما يقلل في الوقت نفسه من التكاليف في قطاع البنوك والخدمات المالية والتأمين (BFSI) في الهند. تقترح إطارًا شاملاً يربط بين تحليلات المعاملات على المستوى الجزئي وتوقعات الأعمال على المستوى الكلي، مما يوفر رؤى عملية ومعايير أداء يمكن أن توجه تنفيذ الذكاء الاصطناعي في البيئات ذات الموارد المحدودة.
طرق
تستخدم الدراسة منهجية متعددة الجوانب تدمج تقنيات التعلم الآلي الخاضعة للإشراف لتحليل ميل العملاء مع التنبؤ بالسلاسل الزمنية لتعزيز توقعات حجم الأعمال. يهدف هذا النهج إلى إظهار إمكانيات الذكاء الاصطناعي (AI) في تحسين جودة التدقيق وتقليل التدخلات اليدوية ضمن قطاع البنوك والخدمات المالية. تركز الدراسة على كل من التحليلات على المستوى الجزئي، مثل تحويل العملاء، والتقييمات على المستوى الكلي لأداء الأعمال، خاصة في سياق منتجات البنوك التجزئة مثل القروض وبطاقات الائتمان على مدى فترة عام واحد في 2024. تدعم البيانات التي تم جمعها من مناطق مختلفة عبر الهند، مع ضمان الخصوصية والصلابة التحليلية، تقييم فعالية الذكاء الاصطناعي في تحديد تحويلات العملاء وتوقع أحجام الأعمال.
تم تخصيص حجم العينة البالغ 10,000 عميل بشكل استراتيجي عبر فئات عمرية مختلفة وأربع مناطق هندية، تعكس مستويات مختلفة من التنمية الاقتصادية واختراق البنوك. تغطي فترة الدراسة التي تمتد على 48 شهرًا الاتجاهات الموسمية الخاصة بالممارسات المالية الهندية. تتطلب الخصائص الفريدة لنظام البنوك والخدمات المالية والتأمين (BFSI) في الهند، بما في ذلك الاختلافات التنظيمية عن الولايات القضائية الغربية والتأثيرات الثقافية على ممارسات الائتمان، تكييف النتائج بعناية لتكون قابلة للتطبيق في سياقات أخرى. على الرغم من هذه التحديات، تظل النهج المدمجة لتحليل العملاء على نطاق صغير والتنبؤ على نطاق واسع ذات صلة عبر بيئات متنوعة. تم تقديم مخطط انسيابي (الشكل 1) لتوضيح سير العمل للمنهجية، مع تسليط الضوء على مكوناتها الأربعة الرئيسية.
نقاش
ت outlines قسم النقاش في ورقة البحث مختلف أساليب التدقيق والتأثير التحويلي للذكاء الاصطناعي (AI) على عملية التدقيق. يقارن بين منهجيات التدقيق المعتمدة على النظام والأساسية، مؤكدًا أن النهج المعتمد على النظام يعطي الأولوية لتقييم الضوابط الداخلية لتعزيز دقة التقارير المالية. يتم تسليط الضوء على التدقيق القائم على المخاطر لتركيزه على المجالات عالية المخاطر، مما يحسن كفاءة التدقيق وتخصيص الموارد. تعتبر عمليات التدقيق للامتثال ضرورية لضمان الالتزام باللوائح، وهو أمر حاسم في سياقات التقاضي. قد تفتقر طرق التدقيق التقليدية، على الرغم من كونها شاملة، إلى الكفاءة وتفشل في معالجة المخاطر الفريدة، مما يستدعي التحول نحو نهج أكثر ديناميكية.
يتم مناقشة ظهور تقنيات الذكاء الاصطناعي، وخاصة في التدقيق المستمر، كتحسين كبير في هذا المجال. يعزز الذكاء الاصطناعي قدرات تحليل البيانات، مما يسمح للمدققين بأتمتة المهام المتكررة والتركيز على الأحكام المعقدة. تم تحديد التعلم الآلي، ومعالجة اللغة الطبيعية، وأتمتة العمليات الروبوتية، والشبكات العصبية كالتقنيات الرئيسية للذكاء الاصطناعي التي تحسن الدقة التشغيلية والكفاءة في عمليات التدقيق. تسهل هذه التقنيات المراقبة في الوقت الحقيقي، وتعزز اكتشاف الاحتيال، وتبسط التحقق من الامتثال، مما يحول في النهاية مشهد التدقيق. تقترح الورقة أنه مع استمرار تطور الذكاء الاصطناعي، سيمكن المدققين من أن يصبحوا شركاء استراتيجيين في المنظمات، مما يزيد من قيمتهم في سوق مدفوع بالتكنولوجيا.
DOI: https://doi.org/10.3389/frai.2025.1718854
PMID: https://pubmed.ncbi.nlm.nih.gov/41660226
Publication Date: 2026-01-23
Author(s): Amar Johri et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
The research paper investigates the transformative impact of artificial intelligence (AI) on auditing practices, particularly through the integration of machine learning and natural language processing. Traditional sampling-based auditing methods face challenges in identifying anomalies within increasingly complex financial environments. The study introduces an AI-driven predictive model that enhances the auditing process by accurately identifying leads with an 87% accuracy rate and forecasting business volume errors to less than 5%. This model accounts for nearly 94% of the variance between predicted and actual loan disbursement amounts, demonstrating that AI can significantly improve anomaly detection and resource allocation in audits.
The findings suggest that AI not only automates routine tasks but also enables auditors to evaluate comprehensive datasets, thereby facilitating early risk identification and enhancing overall audit efficiency without compromising client data privacy. The study advocates for a shift from retrospective auditing to a proactive risk assessment approach, emphasizing the importance of integrating technological capabilities into audit quality frameworks. Recommendations for audit firms include investing in data infrastructure and ethical governance, while regulators are urged to establish flexible liability frameworks. The research underscores the necessity of human-AI collaboration in auditing, where algorithms handle data processing and pattern recognition, allowing auditors to focus on ethical judgment and contextual analysis, ultimately leading to more effective and efficient audits.
Introduction
The introduction of the research paper highlights the transformative impact of artificial intelligence (AI) and data analytics (DA) on the auditing and advisory industries, which have traditionally relied on manual processes for financial assessments. With the increasing complexity of business environments and the exponential growth of data, auditors are pressured to provide timely and precise insights. A global survey indicates that 72% of companies are currently using AI in financial reporting, with projections suggesting this could rise to 99% in three years. The integration of AI is seen as essential for enhancing audit quality, enabling real-time data analysis, and automating repetitive tasks, thereby allowing auditors to focus on identifying risks and anomalies more effectively.
Despite the promising advancements, the paper identifies significant gaps in the existing literature, particularly concerning the application of AI in developing countries. Most research has concentrated on developed markets, neglecting the unique challenges faced by emerging economies, such as differing technological infrastructures and regulatory frameworks. The study aims to address these gaps by empirically demonstrating how AI can enhance audit quality while simultaneously reducing costs in the Banking, Financial Services, and Insurance (BFSI) sector in India. It proposes a comprehensive framework that correlates micro-level transaction analytics with macro-level business forecasting, providing practical insights and performance benchmarks that can guide AI implementation in resource-constrained environments.
Methods
The research employs a multifaceted methodology that integrates supervised machine learning techniques for lead propensity analysis with time-series forecasting to enhance business volume predictions. This approach aims to demonstrate the potential of artificial intelligence (AI) in improving audit quality and reducing manual interventions within the banking and financial services sector. The study focuses on both micro-level analyses, such as lead conversions, and macro-level assessments of business performance, specifically within the context of retail banking products like loans and credit cards over a one-year period in 2024. Data collected from various regions across India, while ensuring privacy and analytical robustness, supports the evaluation of AI’s effectiveness in identifying lead conversions and forecasting business volumes.
The sample size of 10,000 leads was strategically allocated across different age demographics and four Indian regions, reflecting varying economic development and banking penetration levels. The 48-month study period captures seasonal trends specific to Indian financial practices. The unique characteristics of the Indian banking, financial services, and insurance (BFSI) ecosystem, including regulatory differences from Western jurisdictions and cultural influences on credit practices, necessitate careful adaptation of results for applicability in other contexts. Despite these challenges, the combined approach of small-scale lead analysis and large-scale forecasting remains relevant across diverse settings. A flowchart (Figure 1) is provided to illustrate the workflow of the methodology, highlighting its four main components.
Discussion
The discussion section of the research paper outlines various auditing approaches and the transformative impact of artificial intelligence (AI) on the auditing process. It contrasts system-based and substantive-based auditing methodologies, emphasizing that a system-based approach prioritizes the evaluation of internal controls to enhance financial reporting accuracy. Risk-based auditing is highlighted for its focus on high-risk areas, thereby improving audit efficiency and resource allocation. Compliance audits are deemed essential for ensuring adherence to regulations, which is crucial in litigation contexts. Traditional auditing methods, while thorough, may lack efficiency and fail to address unique risks, necessitating a shift towards more dynamic approaches.
The emergence of AI technologies, particularly in continuous auditing, is discussed as a significant advancement in the field. AI enhances data analysis capabilities, allowing auditors to automate repetitive tasks and focus on complex judgments. Machine learning, natural language processing, robotic process automation, and neural networks are identified as key AI technologies that improve operational accuracy and efficiency in audits. These technologies facilitate real-time monitoring, enhance fraud detection, and streamline compliance verification, ultimately transforming the auditing landscape. The paper suggests that as AI continues to evolve, it will enable auditors to become strategic partners in organizations, thereby increasing their value in a technology-driven market.