هزینه‌یابی اعتبار الگوریتمی؛ از خطا تا ورشکستگی

مقدمه

با ورود هوش مصنوعی به حوزه حسابداری و تصمیم‌گیری‌های مالی، مفاهیم جدیدی پدید آمده‌اند که حسابداران و حسابرسان را به چالش می‌کشند. یکی از این مفاهیم، «بدهی‌های شناختی» است که به خطاهای سیستماتیک ناشی از الگوریتم‌های یادگیری ماشین در فرآیندهای مالی اشاره دارد. درست مانند بدهی‌های مالی که در ترازنامه ثبت می‌شوند، این بدهی‌ها نیز باید شناسایی، ارزش‌گذاری و در صورت‌های مالی منعکس شوند. در این مقاله، با نگاهی عملی به محیط حسابداری ایران، گام‌های اجرایی برای مدیریت این پدیده نوظهور را بررسی می‌کنیم.

بدهی شناختی چیست و چرا در حسابداری مهم است؟

بدهی شناختی (Cognitive Debt) اصطلاحی است که به انباشت خطاهای ناشی از تصمیم‌گیری‌های مبتنی بر هوش مصنوعی اطلاق می‌شود. این خطاها معمولاً به دلیل داده‌های ناقص، سوگیری‌های الگوریتمی یا عدم تطابق مدل با واقعیت‌های اقتصادی رخ می‌دهند. در حسابداری، هر خطای سیستمی که منجر به ثبت نادرست دارایی‌ها، بدهی‌ها یا درآمدها شود، می‌تواند به عنوان یک بدهی شناختی در نظر گرفته شود. برای مثال، یک الگوریتم اعتبارسنجی مشتریان در بانک ممکن است به دلیل داده‌های تاریخی ناقص، ریسک واقعی یک وام را کمتر از حد واقعی برآورد کند؛ این خطا در بلندمدت به زیان بانک تبدیل می‌شود و باید به عنوان بدهی شناسایی شود.

شناسایی خطاهای سیستمی در تصمیم‌گیری‌های مالی مبتنی بر هوش مصنوعی

برای شناسایی این خطاها، حسابداران باید فرآیندهای تصمیم‌گیری خودکار را به دقت بررسی کنند. مراحل زیر پیشنهاد می‌شود:

1. مستندسازی الگوریتم‌ها: هر الگوریتمی که در تصمیم‌گیری مالی نقش دارد (مانند تعیین نرخ سود تسهیلات، پیش‌بینی فروش، یا ارزیابی ریسک سرمایه‌گذاری) باید به طور کامل مستند شود.
2. تحلیل داده‌های ورودی: کیفیت داده‌هایی که به مدل تغذیه می‌شوند، بررسی شود. داده‌های قدیمی، ناقص یا جانب‌دارانه می‌توانند منبع اصلی بدهی شناختی باشند.
3. مقایسه با نتایج واقعی: خروجی‌های الگوریتم با نتایج واقعی مقایسه شوند. هرگونه انحراف سیستماتیک (نه تصادفی) نشانه‌ای از بدهی شناختی است.
4. ارزیابی تأثیر مالی: تأثیر هر خطا بر صورت‌های مالی (مانند کاهش ارزش دارایی‌ها یا افزایش بدهی‌ها) محاسبه شود.

ارزش‌گذاری بدهی‌های شناختی: از تئوری تا عمل

پس از شناسایی، باید ارزش ریالی این بدهی‌ها تعیین شود. روش‌های پیشنهادی عبارتند از:

• روش هزینه‌یابی مستقیم: محاسبه زیان‌های بالفعل ناشی از تصمیمات اشتباه (مثلاً زیان ناشی از اعطای وام به مشتری بدحساب).
• روش احتمال‌وزنی: برآورد ارزش مورد انتظار با استفاده از احتمال وقوع خطا و شدت تأثیر آن.
• روش سناریوسازی: شبیه‌سازی سناریوهای مختلف برای تخمین دامنه زیان‌های احتمالی.

مثال عملی از ایران: فرض کنید یک شرکت بورسی از هوش مصنوعی برای پیش‌بینی قیمت سهام استفاده می‌کند. الگوریتم به دلیل داده‌های تاریخی محدود از یک صنعت خاص، قیمت سهام را ۲۰٪ بالاتر از واقعیت پیش‌بینی می‌کند. شرکت بر اساس این پیش‌بینی، سرمایه‌گذاری سنگینی انجام می‌دهد و در نهایت ۵ میلیارد تومان زیان می‌کند. این ۵ میلیارد تومان یک بدهی شناختی است که باید در صورت‌های مالی به عنوان «زیان ناشی از خطای سیستمی هوش مصنوعی» ثبت شود.

ثبت حسابداری بدهی‌های شناختی در دفاتر

برای ثبت این بدهی‌ها، حسابداران می‌توانند از حساب‌های زیر استفاده کنند:

• حساب «بدهی شناختی» در سمت بدهی‌های جاری یا بلندمدت (بسته به زمان تحقق زیان).
• حساب «زیان ناشی از خطای سیستمی» در صورت سود و زیان.

سند حسابداری نمونه:

| شرح | بدهکار | بستانکار |

|------|--------|---------|

| زیان ناشی از خطای سیستمی هوش مصنوعی | ۵,۰۰۰,۰۰۰,۰۰۰ | |

| بدهی شناختی (پیش‌بینی قیمت سهام) | | ۵,۰۰۰,۰۰۰,۰۰۰ |

توجه: این ثبت باید با افشای کامل در یادداشت‌های همراه صورت‌های مالی توضیح داده شود تا استفاده‌کنندگان از اطلاعات مالی آگاه شوند.

نقش حسابرس داخلی در مدیریت بدهی‌های شناختی

حسابرسان داخلی باید به عنوان خط مقدم دفاع در برابر این خطاها عمل کنند. وظایف کلیدی عبارتند از:

• بررسی اعتبارسنجی مدل‌ها: اطمینان از اینکه مدل‌های هوش مصنوعی به طور دوره‌ای آزمایش و به‌روزرسانی می‌شوند.
• آزمون‌های استرس: شبیه‌سازی شرایط بحرانی برای شناسایی نقاط ضعف الگوریتم‌ها.
• گزارش‌دهی مستقل: ارائه گزارش جداگانه از بدهی‌های شناختی به کمیته حسابرسی.

در ایران، با توجه به الزامات سازمان بورس و اوراق بهادار برای افشای ریسک‌های فناوری، حسابرسان داخلی می‌توانند با پیاده‌سازی این فرآیندها، ارزش افزوده قابل توجهی ایجاد کنند.

چالش‌ها و راهکارها در محیط ایران

• چالش کمبود داده: بسیاری از شرکت‌های ایرانی داده‌های تاریخی کافی برای آموزش مدل‌های هوش مصنوعی ندارند. راهکار: استفاده از داده‌های ترکیبی و تحلیل حساسیت.
• چالش عدم آگاهی: حسابداران و مدیران مالی با مفهوم بدهی شناختی آشنا نیستند. راهکار: برگزاری دوره‌های آموزشی تخصصی.
• چالش استانداردهای حسابداری: استانداردهای حسابداری ایران هنوز به طور صریح به این موضوع نپرداخته‌اند. راهکار: استفاده از استانداردهای بین‌المللی (IFRS) به عنوان راهنما و ارائه پیش‌نویس رویه داخلی.

نتیجه‌گیری

بدهی‌های شناختی واقعیتی انکارناپذیر در عصر هوش مصنوعی هستند. حسابداران و حسابرسان باید با رویکردی پیش‌گیرانه، این خطاهای سیستمی را شناسایی، ارزش‌گذاری و ثبت کنند تا شفافیت و اعتماد در گزارش‌های مالی حفظ شود. با توجه به رشد استفاده از هوش مصنوعی در شرکت‌های ایرانی، تدوین استانداردهای بومی و آموزش نیروی انسانی، ضرورتی اجتناب‌ناپذیر است. از حسابداران دعوت می‌شود تا با مطالعه منابع بین‌المللی و همکاری با متخصصان فناوری اطلاعات، خود را برای این چالش جدید آماده کنند.