واکاوی اثرات هوش مصنوعی مولد بر تهیه، تحلیل و تفسیر گزارش‌های مالی در سازمان‌های بزرگ و پیچیده

نویسندگان

  • علی اکبر قاسمی تبار گروه مدیریت مالی، دانشگاه مازندران، بابلسر، ایران نویسنده مسئول

کلمات کلیدی:

هوش مصنوعی مولد, گزارشگری مالی, تحلیل مالی, سازمان‌های بزرگ, کنترل داخلی, حاکمیت داده, حسابداری هوشمند

چکیده

هدف این پژوهش واکاوی اثرات هوش مصنوعی مولد بر فرایندهای تهیه، تحلیل و تفسیر گزارش‌های مالی در سازمان‌های بزرگ و پیچیده با تأکید بر فرصت‌ها، چالش‌ها و الزامات حاکمیتی آن بود. این پژوهش با رویکرد کیفی و طرح اکتشافی انجام شد. مشارکت‌کنندگان شامل ۲۴ نفر از مدیران مالی، مدیران گزارشگری مالی، تحلیلگران مالی، حسابرسان داخلی، متخصصان کنترل داخلی و کارشناسان سامانه‌های مالی و داده در سازمان‌های بزرگ مستقر در تهران بودند که با روش نمونه‌گیری هدفمند و با رعایت تنوع حداکثری انتخاب شدند. داده‌ها صرفاً از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد. فرایند مصاحبه‌ها تا دستیابی به اشباع نظری ادامه یافت؛ اشباع در مصاحبه بیست‌ویکم حاصل شد و سه مصاحبه تکمیلی برای اطمینان از پایداری مضامین انجام گرفت. داده‌ها با روش تحلیل مضمون و با کمک نرم‌افزار NVivo کدگذاری و تحلیل شدند. تحلیل داده‌ها به استخراج پنج مقوله اصلی منجر شد: شتاب‌بخشی هوشمند به تهیه گزارش‌های مالی، تعمیق تحلیل مالی و تفسیر داده‌های پیچیده، بازآفرینی روایتگری مالی و گزارشگری مدیریتی، ظهور ریسک‌های جدید در قابلیت اتکا، محرمانگی و کنترل‌پذیری، و دگرگونی نقش‌های حرفه‌ای و مهارت‌های مالی. مشارکت‌کنندگان تأکید داشتند که هوش مصنوعی مولد می‌تواند زمان تهیه پیش‌نویس گزارش‌ها، یادداشت‌های توضیحی، تحلیل‌های مقایسه‌ای و سناریوهای مدیریتی را کاهش دهد؛ اما بدون کنترل انسانی، اعتبارسنجی داده‌ها، مستندسازی خروجی‌ها و سیاست‌های حاکمیتی، می‌تواند موجب خطای تفسیری، اتکای بیش از حد و تضعیف پاسخگویی حرفه‌ای شود. هوش مصنوعی مولد در سازمان‌های بزرگ نه جایگزین قضاوت حرفه‌ای مالی، بلکه ابزاری تقویت‌کننده برای افزایش سرعت، عمق تحلیلی و انسجام گزارشگری است. بهره‌گیری مؤثر از آن مستلزم معماری داده قابل اعتماد، کنترل داخلی ویژه هوش مصنوعی، نظارت انسانی، آموزش تخصصی و چارچوب‌های شفاف پاسخگویی است.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Blankespoor, E., deHaan, E., & Li, Q. (2026). Generative AI in financial reporting. Journal of Accounting Research.

Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., ... Liang, P. (2021). On the opportunities and risks of foundation models. Stanford Center for Research on Foundation Models.

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101.

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., ... Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.

Committee of Sponsoring Organizations of the Treadway Commission. (2026). Achieving effective internal control over generative AI. COSO.

Dong, M. M., Stratopoulos, T. C., & Wang, V. X. (2024). A scoping review of ChatGPT research in accounting and finance. International Journal of Accounting Information Systems, 55, 100715.

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308.

Financial Reporting Council. (2026). AI in audit: Generative and agentic AI guidance. FRC.

International Federation of Accountants. (2026). Artificial intelligence and accounting. IFAC.

Kim, A., Muhn, M., & Nikolaev, V. (2024). Financial statement analysis with large language models. Working paper.

KPMG. (2024). Transforming into a new era with the AI-empowered finance function. KPMG International.

Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. Sage.

Mökander, J., Schuett, J., Kirk, H. R., & Floridi, L. (2023). Auditing large language models: A three-layered approach. AI and Ethics.

National Institute of Standards and Technology. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST.

Public Company Accounting Oversight Board. (2024). Staff update on outreach activities related to the integration of generative artificial intelligence in audits and financial reporting. PCAOB.

Stratopoulos, T. C., & Wang, V. X. (2025). Artificial intelligence and accounting research: A framework and agenda. International Journal of Accounting Information Systems.

دانلودها

گاه‌شمار انتشار

چاپ شده

شماره

نوع مقاله

Articles

نحوه استناد به مقاله

قاسمی تبار ع. ا. . (1404). واکاوی اثرات هوش مصنوعی مولد بر تهیه، تحلیل و تفسیر گزارش‌های مالی در سازمان‌های بزرگ و پیچیده. هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی, 1(4), 66-79. https://jsaefm.com/index.php/jsaefm/article/view/26