Audit

dimulai dengan fase perencanaan, di mana auditor memperoleh pemahaman tentang industri dan perusahaan klien; melakukan penilaian risiko; dan menentukan sifat, tingkat dan waktu prosedur berdasarkan ketergantungan mereka pada pengendalian internal. Dalam audit tradisional, tugas-tugas ini dilakukan oleh auditor yang secara fisik memeriksa industri dan perusahaan, mengadakan diskusi dengan manajemen dan mencatat secara manual, meninjau risalah dari rapat dewan direktur (BoD), menggunakan penilaian untuk mengevaluasi risiko lingkungan dan risiko yang melekat bahwa item garis laporan keuangan tertentu dan kelas transaksi yang signifikan membawa,  dan, pada akhirnya, menentukan berapa banyak ketergantungan yang dapat ditempatkan pada kontrol internal. Langkah-langkah tradisional tergantung pada penilaian profesional dan skeptisisme auditor. AI dapat mengotomatiskan prosedur ini dan menghilangkan tingkat ketidakpastian.

Dalam audit yang dibantu AI, tujuan fase perencanaan sama dengan audit tradisional. AI dapat mengumpulkan dan menganalisis data klien dan industri, seperti struktur organisasi (dengan menganalisis bagan organisasi atau detail dalam sistem informasi sumber daya manusia), metode operasional, dan sistem akuntansi dan keuangan, dari data publik yang dikumpulkan secara otomatis di Internet, pengajuan Securities and Exchange Commission (SEC) AS sebelumnya, dan dokumen yang disediakan klien yang dimasukkan ke dalam sistem AI melalui sumber yang terhubung atau manual (manusia)  koleksi dan upload. AI dapat secara otomatis menghasilkan laporan penilaian risiko berdasarkan workpapers tahun sebelumnya dan lingkungan bisnis dan tren industri untuk dievaluasi oleh auditor. NLP, dipasangkan dengan pengenalan suara, dapat merekam, meringkas dan menghasilkan menit pertemuan yang diadakan dengan klien. Menggunakan ML, perangkat cerdas dapat mengevaluasi pemahaman bisnis, penilaian risiko dan informasi audit sebelumnya untuk mengusulkan tingkat ketergantungan yang dapat ditempatkan pada kontrol internal. 8 Mesin AI menghasilkan tingkat ketergantungan yang didasarkan pada data yang diberikan kepada mesin. Data yang dimaksudkan untuk digunakan oleh sistem AI harus lengkap dan akurat sehingga outputnya dapat diandalkan.

Auditor menggunakan tingkat ketergantungan yang diusulkan, pengetahuan pribadi dan penilaian untuk menetapkan risiko kontrol untuk audit dan merencanakan sifat, luas dan waktu prosedur. Secara umum, alat AI yang digunakan dalam tahap perencanaan audit memiliki dampak moderat pada cara tugas fase ini selesai. Beberapa tugas otomatis, terutama di bidang penelitian latar belakang, tetapi tujuan keseluruhan dari fase ini agak berbasis penilaian dan tidak dapat sangat dipengaruhi oleh implementasi AI. Fase ini menggunakan alat yang agak kompleks yang belum sepenuhnya disempurnakan tetapi sedang dalam perjalanan. Dengan pemahaman tentang lingkungan bisnis, tingkat risiko kontrol yang dinilai dan rencana audit selesai, evaluasi dan pengujian dapat dimulai.

Pada

tahap audit berikutnya, mengevaluasi kontrol internal, tujuannya adalah untuk mendapatkan pemahaman yang lebih dalam tentang sistem kontrol internal klien dan mengevaluasi implementasi dan pengoperasian kontrol ini untuk menilai keandalannya. Dalam audit tradisional, proses ini sering mencakup meninjau kebijakan dan prosedur pengendalian internal dan mewawancarai mereka yang bertanggung jawab atas proses utama, seperti administrasi penjualan, akuntansi dan keuangan, tentang proses penjualan untuk mendapatkan pemahaman tentang kontrol internal di tempat dan keseluruhan proses perusahaan. 9 Rincian dari wawancara ini direkam secara manual dan diposting ke perangkat kerja. Setelah wawancara, auditor melakukan tes operasional yang biasanya mencakup mengamati karyawan yang melakukan tugas mereka, melakukan kembali proses dan memeriksa dokumen. Proses-proses ini relatif hitam dan putih – baik kontrol melakukan seperti yang dimaksudkan atau tidak – yang berarti bahwa ini adalah area yang dapat sangat dipengaruhi oleh otomatisasi.

Pertimbangan utama ketika mengevaluasi efektivitas kontrol internal atas pelaporan keuangan adalah pemahaman yang akurat tentang berbagai proses bisnis. AI dapat membantu mengurangi upaya dan meningkatkan akurasi dokumentasi proses bisnis. Salah satu alat AI yang dapat membantu meningkatkan dan, dalam beberapa kasus, mengotomatiskan dokumentasi ini adalah penambangan proses.

Dengan menggunakan data yang sudah berada dalam sistem, proses penambangan memperoleh wawasan tentang proses bisnis dan mengotomatiskan pembuatan dokumentasi proses bisnis. Selain itu, auditor yang mengevaluasi lingkungan pengendalian internal dapat menggunakan pengenalan suara AI dan NLP untuk autogenerate workpapers dari wawancara yang dilakukan. ML dapat dimanfaatkan untuk memeriksa dokumen dan menentukan apakah persetujuan yang sesuai telah diterima sebagai bagian dari pengujian kontrol. Alat AI yang dapat digunakan dalam fase ini dapat memiliki dampak besar pada audit dengan mengotomatisasi banyak proses rutin yang memakan waktu. Evaluasi yang lebih kuat dari pengendalian internal dan pemahaman yang lebih kuat tentang proses bisnis mengarah pada pengujian substantif yang lebih efisien dan efektif dan hasil audit secara keseluruhan.

Fase Prosedur Substantif – Perbandingan Komputer Auditor dan AI

Fase utama ketiga audit adalah prosedur substantif, yang menguji detail (kelas transaksi, saldo akun dan pengungkapan) dan prosedur analitis untuk mendeteksi salah saji material. Jumlah prosedur substantif yang dilakukan secara langsung terkait dengan tingkat risiko audit yang dinilai, yang terdiri dari risiko kontrol, risiko yang melekat dan risiko deteksi. Audit tradisional mencakup banyak prosedur substantif, seperti:

  • Mengamati secara manual rekonsiliasi sampel inventaris fisik gudang ke inventaris yang dicatat pada buku
  • Mengirim surat konfirmasi kepada pelanggan klien untuk mengkonfirmasi saldo dan menyelidiki perbedaan
  • Memeriksa dokumen pendukung pesanan penjualan dan penerimaan tunai
  • Meninjau entri jurnal yang sesuai dengan keadaan yang dapat mencerminkan penipuan
  • Secara analitis membandingkan perkiraan auditor dan rata-rata industri untuk penjualan dan metrik lainnya dengan kinerja perusahaan yang sebenarnya

Prosedur ini dapat sepenuhnya dirombak oleh implementasi AI, dan transformasi ini telah dimulai. Aplikasi digital, kode batang, dan drone membantu pengamatan dan rekonsiliasi inventaris. Platform online mengelola permintaan konfirmasi antara auditor dan pelanggan dan menggunakan teknologi enkripsi tingkat tinggi. Teknologi ML dan NLP dapat memeriksa dokumentasi pesanan penjualan dan penerimaan uang tunai dan secara otomatis merekonsiliasi perbedaan. ML dapat mengidentifikasi kondisi di mana entri jurnal mungkin fiktif, seperti jumlah besar yang tidak normal, akun yang tidak digunakan dan penyesuaian akhir tahun, dan dapat menandai transaksi yang mencurigakan dengan pola yang tidak biasa. ML juga dapat mempengaruhi prosedur analisis audit dengan menganalisis tren pasar dan pergerakan pesaing untuk memperkirakan penjualan.

Teknologi AI yang terkait dengan prosedur substantif adalah teknologi yang paling matang dalam proses audit. Kemampuan AI untuk terus menganalisis 100 persen data alih-alih sampel memberikan pendapat yang jauh lebih akurat. 13 Penggunaan AI untuk analitik telah dibatasi karena kompleksitas lingkungan klien. Banyak perusahaan klien menggunakan lebih dari satu sistem perencanaan sumber daya perusahaan (ERP), termasuk sistem lama dengan skema database yang berbeda. Tergantung pada situasinya, tantangan ini dapat diatasi dengan tugas otomatis, seperti penambangan proses, atau dengan pendekatan terstruktur, seperti extract-transform-load (ETL), untuk mengkonsolidasikan data yang berbeda. ETL adalah jenis integrasi data yang mengacu pada tiga langkah (ekstrak, transformasi, beban) yang digunakan untuk memadukan data dari berbagai sumber. Pendekatan ini dapat digunakan oleh para profesional audit dalam lingkungan teknologi campuran. Dengan mengubah data menjadi model data umum dan memanfaatkan database yang berdiri sendiri (catatan: ini dapat dimiliki oleh klien atau perusahaan audit tergantung pada preferensi privasi data), auditor dapat menggunakan AI untuk melakukan fungsi yang tidak tersedia dalam sistem warisan. Hal ini memungkinkan untuk mendapatkan tingkat wawasan yang sama di seluruh sistem, seperti dalam ERP siap pakai, seperti SAP.

Referensi:

  • Bizarro, Pascal A. 2019. Artificial intelligence (AI): The Intelligent Audit. ISACA Journal.
  • Gao, Y. 2021. Implications of Artificial Intelligence on the Objectives of Auditing Financial Statements and Ways to Achieve Them. Microprocessors and Microsystems
  • Image, 2022. Google Image.
  • Zhang, W. 2022. TIIA: A blockchain-enabled Threat Intelligence Integrity Audit scheme for IIoT. Future Generation Computer Systems.