حسابداری خاموش بدهی پنهان تحلیل‌گری معکوس در بازار سرمایه ایران

مقدمه: ظهور بدهی‌های نامرئی در عصر هوش مصنوعی

در سال‌های اخیر، سیستم‌های هوش مصنوعی (AI) به بخش جدایی‌ناپذیر فرآیندهای تصمیم‌گیری مالی در شرکت‌های بورسی ایران تبدیل شده‌اند. از الگوریتم‌های اعتبارسنجی و پیش‌بینی بازار تا مدل‌های تشخیص تقلب، این سیستم‌ها بر پایهٔ داده‌های تاریخی آموزش می‌بینند و «حافظهٔ الگوریتمی» پیچیده‌ای را شکل می‌دهند. اما آنچه کمتر به آن پرداخته شده، بدهی پنهانی است که این حافظه در قالب تعهدات فراموش‌شده، سوگیری‌های انباشته و ریسک‌های آتی بر دوش شرکت‌ها می‌گذارد. این مقاله با رویکردی حسابداری و حسابرسی، به بررسی ابعاد این پدیده و الزامات ناشی از قوانین جدید مالیات بر شرکت‌ها می‌پردازد.

حافظهٔ الگوریتمی چیست و چگونه به بدهی پنهان تبدیل می‌شود؟

حافظهٔ الگوریتمی به مجموعه داده‌ها، وزن‌ها، پارامترها و الگوهایی گفته می‌شود که یک مدل هوش مصنوعی در طول فرآیند آموزش و عملیات خود ذخیره می‌کند. این حافظه برخلاف حافظهٔ انسانی، فراموشی طبیعی ندارد و می‌تواند سال‌ها پس از آموزش، بر تصمیمات جاری اثر بگذارد.

سه لایهٔ بدهی پنهان در حافظهٔ الگوریتمی

لایهٔ اول: سوگیری داده‌های تاریخی. اگر داده‌های آموزشی حاوی تبعیض، خطا یا شرایط اقتصادی گذشته باشند، مدل این سوگیری‌ها را در تصمیمات آتی بازتولید می‌کند.

لایهٔ دوم: تعهدات قانونی و مالیاتی فراموش‌شده. بسیاری از شرکت‌ها از تأثیر الگوریتم‌ها بر محاسبهٔ سود مشمول مالیات غافل می‌مانند. قوانین جدید مالیات بر شرکت‌ها افشای این اثرات را الزامی کرده است.

لایهٔ سوم: ریسک اعتباری و شهرت. تصمیمات سوگیرانهٔ الگوریتمی می‌تواند به اعتبار شرکت نزد بورس و نهادهای نظارتی آسیب بزند.

ارتباط حافظهٔ الگوریتمی با سوگیری تصمیمات مالی در بورس ایران

شرکت‌های بورسی ایران در محیطی فعالیت می‌کنند که نوسانات ارزی، تورم و تغییرات مقرراتی شدیدی دارد. الگوریتم‌های آموزش‌دیده بر داده‌های گذشته، اغلب این شرایط را به‌درستی مدل نمی‌کنند و دچار «سوگیری زمانی» می‌شوند.

نمونه‌های عملی از سوگیری الگوریتمی

فرض کنید یک الگوریتم اعتبارسنجی مشتریان بر اساس داده‌های سال‌های ۱۳۹۵ تا ۱۳۹۸ آموزش دیده است. با تغییر شرایط اقتصادی در سال ۱۴۰۳، این الگوریتم ممکن است مشتریان خوش‌حساب را رد کند و بالعکس. این خطا مستقیماً بر ذخایر مطالبات مشکوک‌الوصول و در نتیجه سود و مالیات شرکت اثر می‌گذارد.

از منظر حسابداری، این وضعیت یک «تعهد احتمالی» ایجاد می‌کند که باید در یادداشت‌های همراه صورت‌های مالی افشا شود. اما بسیاری از حسابداران و مدیران مالی از وجود چنین بدهی پنهانی بی‌اطلاع‌اند.

نقش قوانین جدید مالیات بر شرکت‌ها در شناسایی این بدهی‌ها

قوانین جدید مالیات بر شرکت‌ها که در سال‌های اخیر تصویب و اصلاح شده‌اند، بر شفافیت اطلاعات مالی و افشای ریسک‌های فناوری تأکید ویژه‌ای دارند. مادهٔ ۱۴۷ قانون مالیات‌های مستقیم و بخشنامه‌های جدید سازمان امور مالیاتی، شرکت‌ها را ملزم به مستندسازی تصمیمات الگوریتمی مؤثر بر درآمد مشمول مالیات کرده است.

الزامات کلیدی برای حسابداران

۱. شناسایی الگوریتم‌های مؤثر بر اقلام مالی.
۲. ارزیابی دورهٔ آموزش و به‌روزرسانی مدل‌ها.
۳. ثبت ذخیرهٔ احتمالی برای سوگیری‌های شناسایی‌شده.
۴. افشای تعهدات فراموش‌شده در صورت‌های مالی.
۵. گزارش‌دهی به حسابرس داخلی و کمیتهٔ حسابرسی.

عدم رعایت این الزامات می‌تواند به جریمه‌های مالیاتی، رد هزینه‌ها و حتی ابطال معاملات منجر شود.

روش‌های ارزش‌گذاری تعهدات فراموش‌شدهٔ سیستم‌های هوش مصنوعی

ارزش‌گذاری این بدهی‌های پنهان نیازمند رویکردی ترکیبی از حسابداری، آمار و فناوری است. در ادامه سه روش اصلی معرفی می‌شود.

روش اول: مدل‌سازی سناریوهای سوگیری

با شبیه‌سازی تصمیمات الگوریتم تحت سناریوهای مختلف اقتصادی، می‌توان زیان احتمالی ناشی از سوگیری را برآورد کرد. این زیان به‌عنوان ذخیرهٔ بدهی پنهان ثبت می‌شود.

روش دوم: تحلیل حساسیت سود و مالیات

حساسیت سود شرکت به تغییر پارامترهای الگوریتمی محاسبه و اثر آن بر مالیات پرداختی برآورد می‌شود. این روش به‌ویژه برای رعایت قوانین جدید مالیات بر شرکت‌ها حیاتی است.

روش سوم: ارزش‌گذاری اختیارات واقعی

هر الگوریتم می‌تواند به‌عنوان یک «اختیار» تلقی شود که هزینهٔ فرصت از دست‌رفته دارد. ارزش‌گذاری این اختیار، بخشی از بدهی پنهان را آشکار می‌کند.

چالش‌های حسابرسی داخلی در مواجهه با حافظهٔ الگوریتمی

حسابرسان داخلی با محدودیت‌های جدی در ارزیابی الگوریتم‌ها روبه‌رو هستند. نبود استانداردهای حسابرسی فناوری اطلاعات، پیچیدگی مدل‌های یادگیری عمیق و مقاومت مدیران در افشای ضعف‌های الگوریتمی، از جمله موانع اصلی است.

راهکارهای پیشنهادی برای حسابرسان

استفاده از متخصصان داده، تدوین چک‌لیست حسابرسی الگوریتمی، و برگزاری جلسات مشترک با تیم فناوری اطلاعات می‌تواند اثربخشی حسابرسی را افزایش دهد. همچنین، ثبت مستندات کامل از فرآیند آموزش و به‌روزرسانی مدل‌ها ضروری است.

تأثیر بر تصمیمات مدیران مالی و گزارش‌دهی بورسی

مدیران مالی باید بدانند که حافظهٔ الگوریتمی نه یک دارایی نامشهود، بلکه یک بدهی بالقوه است. عدم شناسایی آن می‌تواند به ارائهٔ تصویری نادرست از وضعیت مالی شرکت منجر شود و اعتماد سرمایه‌گذاران را خدشه‌دار کند.

سازمان بورس و اوراق بهادار ایران نیز در بخشنامه‌های اخیر بر افشای ریسک‌های فناوری تأکید کرده است. شرکت‌هایی که به قوانین جدید مالیات بر شرکت‌ها و الزامات افشای بورسی توجه نکنند، با ریسک جریمه و توقف نماد مواجه خواهند شد.

نتیجه‌گیری و توصیه‌های عملی

حسابداری خاموش بدهی پنهان حافظهٔ الگوریتمی، یک واقعیت انکارناپذیر در عصر هوش مصنوعی است. حسابداران رسمی و مدیران مالی شرکت‌های بورسی ایران باید با استفاده از چارچوب‌های نوین ارزش‌گذاری، این تعهدات فراموش‌شده را شناسایی و افشا کنند.

توصیه می‌شود:
۱. کمیتهٔ ریسک الگوریتمی در شرکت‌ها تشکیل شود.
۲. آموزش مستمر حسابداران در زمینهٔ هوش مصنوعی انجام گیرد.
۳. همکاری نزدیک با سازمان امور مالیاتی برای شفاف‌سازی روش‌های ارزش‌گذاری.
۴. استفاده از نرم‌افزارهای حسابرسی تحلیلی برای پایش سوگیری‌ها.

تنها در این صورت است که صورت‌های مالی شرکت‌های بورسی ایران تصویری واقعی از تعهدات پنهان خود ارائه خواهند داد و از تبعات ناشی از قوانین جدید مالیات بر شرکت‌ها در امان خواهند ماند.