AI do audytu wewnętrznego: Jak wykorzystać AI do automatycznego wykrywania anomalii


OPUBLIKOWANO: 11 czerwca 2024

Audyt wewnętrzny może być usprawniony dzięki wykorzystaniu AI do automatycznego wykrywania anomalii. Modele AI potrafią analizować duże ilości danych i identyfikować podejrzane transakcje oraz zachowania, oszczędzając czas i zwiększając skuteczność audytorów. Jednak wdrożenie takiego systemu wymaga odpowiedniego przygotowania danych i procesów.



Jak użyć AI oraz automatyzację do wykrywania anomalii w audycie wewnętrznym

Audyt wewnętrzny ma na celu identyfikację nieprawidłowości oraz ryzyk w procesach i transakcjach firmowych. Tradycyjnie opiera się on na ręcznej weryfikacji dokumentów i danych przez audytorów. Jest to jednak proces czasochłonny i podatny na błędy ludzkie.

Dzięki rozwojowi technologii AI, możliwe stało się zautomatyzowanie dużej części zadań audytu wewnętrznego. Modele uczenia maszynowego potrafią analizować ogromne ilości danych transakcyjnych, księgowych czy operacyjnych w poszukiwaniu wzorców i anomalii wskazujących na potencjalne nieprawidłowości, takie jak nadużycia finansowe, błędy w raportowaniu czy naruszenia procedur. Systemy AI nie tylko wykonują te zadania szybciej niż człowiek, ale też z większą dokładnością.

Aby skutecznie wykorzystać AI w audycie wewnętrznym, kluczowe jest odpowiednie przygotowanie danych wejściowych. Dane muszą być kompletne, poprawne i ustandaryzowane. Pomocna w tym może być automatyzacja procesów zbierania i oczyszczania danych z różnych systemów firmowych, np. poprzez zastosowanie narzędzi typu RPA (Robotic Process Automation). Niezbędne jest też określenie reguł wskazujących na anomalie, które model AI ma wykrywać, oraz stworzenie procesów weryfikacji i raportowania wyników.

Wykrywanie nieprawidłowości finansowych

Case - zastosowanie AI do wykrywania anomalii w audycie wewnętrznym

Opis problemu

Firma BudKont świadczy usługi budowlane i remontowe dla klientów biznesowych. Prowadzi kilkadziesiąt projektów rocznie, generujących dużą liczbę transakcji - zamówień materiałów, faktur, rozliczeń z podwykonawcami itp. Dział audytu wewnętrznego ma trudności z terminową i dokładną weryfikacją tej dokumentacji w celu wykrycia ewentualnych nieprawidłowości, takich jak zawyżone koszty, płatności dla fikcyjnych dostawców czy dzielenie zamówień w celu obejścia procedur zatwierdzania.

Audytorzy spędzają dużo czasu na żmudnym przeglądaniu dokumentów i porównywaniu danych z różnych źródeł (faktury w formacie pdf, arkusze rozliczeniowe w Excelu, rejestry zamówień w systemie ERP). Część potencjalnych czerwonych flag umyka ich uwadze ze względu na dużą objętość danych. Istnieje ryzyko, że nieprawidłowości nie zostaną wykryte lub wykryte zbyt późno, co narazi firmę na straty finansowe.

Napisz do nas jeżeli chcesz wdrożyć AI w swojej firmie

Wykrywanie anomalii za pomocą GPT-4

Aby usprawnić proces audytu i zwiększyć jego skuteczność, firma BudKont postanowiła wdrożyć system wykrywania anomalii oparty na sztucznej inteligencji. Wybrano model GPT-4, który jest w stanie analizować dane w różnych formatach tekstowych, takich jak dokumenty, tabele czy logi, oraz wyciągać z nich kluczowe informacje i zależności.

W pierwszym kroku dane z faktur, zamówień i rozliczeń zostały zdigitalizowane (zeskanowane lub wyeksportowane z systemów źródłowych) oraz ustrukturyzowane do jednolitego formatu JSON. Dzięki temu możliwe było zasilenie nimi modelu GPT-4 poprzez API. Model został wytrenowany na zbiorze historycznych danych transakcyjnych, w których audytorzy oznaczyli przykłady anomalii różnego typu.

Zadaniem wytrenowanego modelu GPT-4 jest analizowanie na bieżąco nowych dokumentów pod kątem symptomów nieprawidłowości, takich jak rozbieżności między kwotami na fakturze a zleceniem, duplikaty faktur, transakcje z dostawcami spoza listy autoryzowanych kontrahentów, czy nietypowe opisy usług. Model generuje raporty ze wskazanymi anomaliami oraz wyjaśnieniem, dlaczego dana transakcja została oznaczona jako podejrzana. Audytorzy weryfikują te przypadki i podejmują odpowiednie działania.


Kluczową zaletą zastosowania GPT-4 jest możliwość analizy danych w języku naturalnym i wydobywanie z nich kontekstu, co pozwala wykrywać bardziej złożone schematy nadużyć.

Algorytm rozwiązania przy użyciu GPT-4

Proces wykrywania anomalii w audycie wewnętrznym z użyciem GPT-4 w firmie BudKont przebiega następująco:

1. Gromadzenie danych: faktury, zamówienia i rozliczenia są skanowane lub eksportowane z systemów źródłowych (ERP, arkusze Google Sheets) do folderu Google Drive.

2. Przetwarzanie wstępne: za pomocą narzędzia Make.com dane są automatycznie konwertowane do formatu JSON i zapisywane w ustrukturyzowanej formie w bazie danych.

3. Wzbogacanie danych: informacje o dostawcach z kartoteki kontrahentów w Excelu są dołączane do odpowiednich transakcji w bazie poprzez Make.com.

4. Predykcja anomalii: za pomocą API model GPT-4 analizuje dane transakcyjne, porównuje informacje i opisuje wykryte nieprawidłowości.

5. Generowanie raportów: model zapisuje wyniki predykcji w bazie oraz generuje raporty w formacie PDF wysyłane na Slacka do audytorów.

6. Weryfikacja i działania: audytorzy przeglądają raporty, sprawdzają wskazane transakcje, kontaktują się z właścicielami procesów przez Gmaila, wnioskują o korektę nieprawidłowości.

Identyfikacja oszustw

Potencjalne korzyści z wykorzystania AI do wykrywania anomalii w audycie wewnętrznym

Wdrożenie systemu AI do wykrywania anomalii może przynieść firmie BudKont wymierne korzyści w obszarze audytu wewnętrznego. Przede wszystkim, zautomatyzowana analiza transakcji pozwoli zaoszczędzić czas audytorów, który będą mogli przeznaczyć na badanie bardziej złożonych przypadków oraz na działania prewencyjne i doradcze.

Inne możliwe korzyści to:

  • Zwiększenie skuteczności wykrywania nieprawidłowości dzięki analizie pełnego zbioru danych
  • Zmniejszenie ryzyka przeoczenia istotnych symptomów nadużyć przez audytora
  • Szybsza identyfikacja i reakcja na incydenty, co pozwoli ograniczyć straty
  • Możliwość wykrywania nowych, nieznanych wcześniej schematów oszustw

Należy jednak pamiętać, że AI to narzędzie wspierające, a nie zastępujące audytorów. Konieczna jest ich aktywna rola w trenowaniu modelu, definiowaniu reguł, weryfikacji wyników i podejmowaniu działań po wykryciu anomalii. Warto też regularnie testować i dostrajać model, aby uwzględniał nowe typy nieprawidłowości oraz zmiany w procesach biznesowych.

Wypróbuj różne modele AI