حسابداری هوش مصنوعی در ایران: چالش‌های دارایی‌های نامشهود الگوریتمی (بخش دوم)

مقدمه

با گسترش فناوری‌های مبتنی بر هوش مصنوعی در واحدهای تجاری ایران، دارایی‌های نامشهود جدیدی مانند الگوریتم‌های یادگیری ماشین، مدل‌های زبانی بزرگ و پایگاه‌های داده ساختاریافته ظهور کرده‌اند. اما سوال اصلی اینجاست: چگونه می‌توان این دارایی‌های الگوریتمی را در صورت‌های مالی شناسایی، اندازه‌گیری و افشا کرد؟ استانداردهای حسابداری ایران، به‌ویژه استاندارد حسابداری شماره ۱۷ (دارایی‌های نامشهود)، پاسخ روشنی برای این پدیده ندارند. در این مقاله، با نگاهی عملی به محیط کسب‌وکار ایران، چالش‌های اصلی را بررسی می‌کنیم.

شناسایی دارایی‌های نامشهود الگوریتمی: مرز باریک بین هزینه و دارایی

اولین گام در حسابداری هوش مصنوعی، تشخیص این است که آیا یک الگوریتم یا مدل هوش مصنوعی واجد شرایط شناسایی به‌عنوان دارایی نامشهود است یا خیر. طبق استاندارد حسابداری شماره ۱۷، یک دارایی نامشهود باید سه شرط داشته باشد: قابلیت شناسایی (قابل تفکیک یا ناشی از قرارداد)، کنترل توسط واحد تجاری، و منافع اقتصادی آتی. برای مثال، فرض کنید یک شرکت دانش‌بنیان ایرانی، الگوریتمی برای تشخیص تقلب در تراکنش‌های بانکی توسعه داده است. این الگوریتم کد منبع اختصاصی دارد، شرکت مالکیت معنوی آن را ثبت کرده و از فروش مجوز استفاده از آن درآمد کسب می‌کند. در اینجا، الگوریتم واجد شرایط شناسایی است. اما اگر همان شرکت یک مدل هوش مصنوعی متن‌باز (مانند LLaMA) را برای بهبود فرآیند داخلی خود شخصی‌سازی کند، شناسایی آن به‌عنوان دارایی نامشهود به دلیل عدم کنترل کامل و قابلیت تفکیک، دشوارتر می‌شود. چالش اصلی در ایران، نبود رویه‌های مدون برای مستندسازی این دارایی‌ها و تمایل واحدهای تجاری به هزینه‌کردن تمام مخارج تحقیق و توسعه است.

اندازه‌گیری اولیه: بهای تمام شده یا ارزش منصفانه؟

پس از شناسایی، نوبت به اندازه‌گیری می‌رسد. طبق استانداردهای فعلی ایران، دارایی‌های نامشهود معمولاً به بهای تمام شده اندازه‌گیری می‌شوند. اما در مورد دارایی‌های الگوریتمی، بهای تمام شده شامل چه مواردی است؟ برای یک استارتاپ ایرانی که یک مدل تشخیص چهره توسعه می‌دهد، بهای تمام شده شامل حقوق برنامه‌نویسان، هزینه‌های سرور و فضای ابری، هزینه‌های جمع‌آوری و برچسب‌گذاری داده‌ها، و هزینه‌های ثبت اختراع است. مشکل زمانی رخ می‌دهد که بخش عمده‌ای از توسعه با استفاده از ابزارهای رایگان یا کتابخانه‌های متن‌باز انجام شود. در این موارد، حسابدار باید به دقت هزینه‌های مرتبط با توسعه داخلی (مانند زمان کارکنان) را جدا کرده و در دفاتر ثبت کند. به‌عنوان یک راهکار عملی، پیشنهاد می‌شود واحدهای تجاری یک "صورت‌حساب هزینه توسعه الگوریتم" ایجاد کنند که تمام مخارج مستقیم و غیرمستقیم را به تفکیک مراحل تحقیق و توسعه ثبت کند. این کار هم به اندازه‌گیری دقیق‌تر کمک می‌کند و هم در حسابرسی داخلی قابل پیگیری است.

اندازه‌گیری بعدی: استهلاک و کاهش ارزش

دارایی‌های نامشهود الگوریتمی معمولاً عمر مفید محدودی دارند. یک الگوریتم پیش‌بینی قیمت سهام ممکن است پس از دو سال به‌دلیل تغییر شرایط بازار منسوخ شود. در ایران، تعیین عمر مفید این دارایی‌ها چالش‌برانگیز است، زیرا داده‌های تاریخی کافی برای برآورد وجود ندارد. به‌عنوان یک حسابدار رسمی، توصیه می‌کنم که عمر مفید را بر اساس تحلیل فنی و صنعتی، با حداکثر احتیاط (مثلاً ۳ تا ۵ سال) تعیین کنید و هر ساله آن را بازبینی کنید. همچنین، کاهش ارزش این دارایی‌ها باید با دقت بررسی شود. برای مثال، اگر یک شرکت ایرانی یک مدل هوش مصنوعی برای بهینه‌سازی زنجیره تأمین ساخته باشد و ناگهان تحریم‌های جدید دسترسی به داده‌های بروز را محدود کند، ارزش این دارایی ممکن است به‌شدت کاهش یابد. در این موارد، انجام تست کاهش ارزش بر اساس جریان‌های نقدی آتی ضروری است.

افشا: شفافیت در عین پیچیدگی

افشای دارایی‌های نامشهود الگوریتمی در یادداشت‌های توضیحی صورت‌های مالی، نیازمند دقت و شفافیت است. طبق استاندارد حسابداری شماره ۱۷، واحد تجاری باید ماهیت، عمر مفید، روش استهلاک و مبلغ دفتری هر گروه از دارایی‌های نامشهود را افشا کند. اما برای دارایی‌های الگوریتمی، افشای اطلاعات اضافی مانند منبع داده‌های آموزشی، ریسک‌های سوگیری (bias) و وابستگی به فناوری‌های شخص ثالث نیز مفید است. به‌عنوان مثال، یک شرکت بورسی ایرانی که از هوش مصنوعی برای ارائه خدمات مشاوره سرمایه‌گذاری استفاده می‌کند، باید در یادداشت‌های خود توضیح دهد که مدل آن بر اساس داده‌های تاریخی بازار ایران آموزش دیده و ممکن است در شرایط بحرانی دقت کافی نداشته باشد. این افشاها به ذی‌نفعان کمک می‌کند تا ریسک‌های واقعی را بهتر درک کنند.

نتیجه‌گیری

حسابداری هوش مصنوعی در واحدهای تجاری ایران در مراحل ابتدایی خود قرار دارد. چالش‌های شناسایی، اندازه‌گیری و افشای دارایی‌های نامشهود الگوریتمی، نیازمند تفسیر خلاقانه از استانداردهای موجود و تدوین رویه‌های داخلی شفاف است. حسابداران باید با تیم فنی همکاری نزدیک داشته باشند تا هزینه‌ها را به‌درستی تفکیک کنند و ارزش واقعی این دارایی‌ها را منعکس سازند. در نهایت، شفافیت در افشا، اعتماد سرمایه‌گذاران و نهادهای نظارتی را جلب می‌کند و مسیر را برای پذیرش گسترده‌تر هوش مصنوعی در اقتصاد ایران هموار می‌سازد.