هوش مصنوعی در حسابرسی و کشف تقلب؛ گذار از قضاوت حرفه ای به تحلیل پیش بینانه

هوش مصنوعی در حسابرسی و کشف تقلب؛ گذار از قضاوت حرفه ای به تحلیل پیش بینانه

چکیده

گسترش فناوری های هوش مصنوعی (AI) مرزهای شناخته شده حرفه حسابرسی را دستخوش دگرگونی ساخته است. جستار پیش رو با اتخاذ رویکردی تحلیلی، نقش هوش مصنوعی در تحول فرایند حسابرسی و کشف تقلب را واکاوی می کند. یافته ها حاکی از آن است که به کارگیری تکنیک هایی چون یادگیری ماشین، پردازش زبان طبیعی (NLP) و تحلیل شبکه، گذار از حسابرسی مبتنی بر نمونه گیری به تحلیل تمام شماری داده ها و ردیابی الگوهای پیچیده تقلب را میسر ساخته است. باوجوداین، کاربست این فناوری ها با چالش هایی در حوزه های اخلاقی، شفافیت الگوریتمی و ضرورت بازتعریف شایستگی های حرفه ای حسابرسان همراه بوده است.

مقدمه

حرفه حسابرسی در آستانه یکی از ژرف ترین تحولات تاریخ خویش قرار گرفته است. بر اساس داده های کمیسیون تجارت فدرال (FTC)، خسارات ناشی از تقلب در سال ۲۰۲۱ به ۵٫۸ میلیارد دلار بالغ گردید که حکایت از افزایشی ۷۰ درصدی نسبت به سال پیش از آن دارد. در همین راستا، پیچیدگی روزافزون سازوکارهای تقلب سازمان یافته، کارایی رویکردهای نظارتی سنتی را با تردید مواجه ساخته است. مطالعات کتاب سنجی اخیر در سطح بین المللی از رشد تصاعدی پژوهش های معطوف به هوش مصنوعی در حسابرسی پرده برداشته است؛ به گونه ای که مضامینی چون «هوش مصنوعی در حسابرسی» با ۳۳٫۴ درصد و «امنیت داده ها در حسابرسی» با ۲۱٫۲ درصد از فراوانی موضوعی برخوردار بوده اند (Nguyen, 2025؛ Renik و همکاران، ۲۰۲۵).

در این میدان، هوش مصنوعی نه به مثابه ابزاری حاشیه ای، که به سان ضرورتی راهبردی قد علم کرده است. شواهد پژوهشی حاکی از آن است که هوش مصنوعی در سیستم های اطلاعات حسابداری بر فرایند حسابرسی و کشف تقلب تاثیری معنادار بر جای می نهد (رجبی و همکاران، ۱۴۰۴؛ Saifudin و همکاران، ۲۰۲۵). نوشتار حاضر می کوشد با اتکا به آخرین دستاوردهای علمی و تجارب عملی، ابعاد این تحول را مورد مداقه قرار دهد.

مبانی فناورانه تحول در حسابرسی

۱. گذار از سیستم های مبتنی بر قانون به سیستم های یادگیرنده

سیستم های خبره که از دهه ۱۹۷۰ در حسابرسی به کار گرفته شدند، بر پایه قواعد «اگر-آنگاه» استوار بودند. این سیستم ها هرچند گامی به پیش محسوب می شدند، در مواجهه با موقعیت های مبهم و الگوهای نوظهور تقلب ناکارآمدی خود را آشکار ساختند. در مقابل، سیستم های مبتنی بر یادگیری ماشین قادرند بدون نیاز به برنامه ریزی دستی، از داده ها بیاموزند و مدل های خویش را در رویارویی با الگوهای جدید به روزرسانی کنند. شون دوبه و شون دوبه-پیرچگر (۲۰۲۶) با بهره گیری از نظریه بازی ها نشان داده اند که کاربست ابزارهای هوش مصنوعی در فرایند حسابرسی، انگیزه مدیران برای ارتکاب تقلب را تقلیل می دهد.

۲. سه فناوری محوری در حسابرسی هوشمند

یادگیری ماشین و یادگیری عمیق: این فناوری ها امکان طبقه بندی و تحلیل حجم عظیمی از داده های ساختاریافته و غیرساختاریافته را فراهم می آورند. چنان که فلاح دار و موسائی (۱۴۰۴) خاطرنشان ساخته اند، کاربردهای یادگیری ماشین در حسابرسی طیف وسیعی از تشخیص زبان کلیدی در قراردادها تا شناسایی سطوح ریسک تقلب در معاملات و ارزیابی ورودی های تحریف شده را در بر می گیرد. مطالعات بین المللی نیز موید آن است که روش های یادگیری ماشین از قبیل شبکه های عصبی مصنوعی و درخت های تصمیم، در کشف تقلب صورت های مالی از کارایی بالاتری نسبت به روش های سنتی برخوردارند (Nguyen, 2025). در سطحی پیشرفته تر، تکنیک های یادگیری گروهی (ensemble learning) نظیر XGBoost برای بازتخمین شاخص های مرسوم تقلب (DF-Score و PF-Score) در ۳۴ کشور به کار گرفته شده و نتایج معناداری در ارتقای دقت کشف تقلب به همراه داشته است (Poolsawat و همکاران، ۲۰۲۶).

پردازش زبان طبیعی (NLP): بر اساس یافته های پژوهشی معتبر، NLP نقشی تعدیل کننده و معنادار در رابطه میان هوش مصنوعی و کشف تقلب ایفا می کند (رجبی و همکاران، ۱۴۰۴). این فناوری به حسابرسان امکان می دهد تا از مرز تحلیل صرف اعداد فراتر رفته و محتوای متنی اسناد، ایمیل ها و قراردادها را نیز با کارایی چشمگیری پردازش کنند. مرور جامع ادبیات پژوهش نشان می دهد که NLP در زمره سه فناوری اصلی دگرگون ساز حسابرسی، در کنار یادگیری ماشین و بلاکچین، جای می گیرد (Nguyen, 2025؛ Della Valle و Evangelista، ۲۰۲۵).

تحلیل شبکه های اجتماعی: در کشف تقلب های سازمان یافته، به ویژه در صنایعی چون بیمه، تحلیل شبکه ابزاری حیاتی به شمار می آید. این روش می تواند روابط پنهان میان اشخاص و نهادها را عیان سازد (بالازاده قره باغی و شاکری بهادر، ۱۴۰۴).

۳. حسابرسی پیوسته؛ انقلاب در زمان بندی فرایندهای کنترلی

حسابرسی مداوم، برخلاف رویکرد سنتی که به بررسی ادواری تراکنش ها بسنده می کند، امکان ارزیابی بی درنگ رویدادهای مالی را میسر می سازد. در این رویکرد، فرایندهای تحلیلی تقریبا هم زمان با ثبت یک رویداد مالی اجرا شده و تشخیص سریع خطاها و موارد مشکوک را ممکن می گردانند (فلاح دار، ۱۴۰۴). پژوهش های بین المللی نیز حسابرسی مستمر را یکی از مهم ترین دستاوردهای دیجیتالی شدن فرایندهای حسابرسی معرفی کرده اند (Melendez و Herrera، ۲۰۲۵).

کاربردهای عملی در کشف تقلب

شناسایی ناهنجاری های پنهان

الگوریتم های یادگیری بدون نظارت قادرند بدون نیاز به داده های برچسب خورده، الگوهای غیرعادی را در داده های حجیم شناسایی کنند. این ویژگی به ویژه در کشف تقلب هایی که فاقد نمونه های تاریخی مشابه اند، حیاتی می نماید. Zweers و همکاران (۲۰۲۵) مفهوم «الماس تقلب هوش مصنوعی» (AI-Fraud Diamond) را به عنوان توسعه ای بر مثلث تقلب سنتی معرفی کرده اند که با افزودن بعد «تیرگی فنی» (technical opacity)، چارچوبی نوین برای حسابرسی فریب الگوریتمی به دست می دهد.

نمونه های موفق از چهار موسسه بزرگ حسابرسی

موسسات بزرگ حسابداری جهان سرمایه گذاری قابل توجهی در این حوزه مبذول داشته اند:

· دلوئیت با همکاری IBM Watson سامانه ای توسعه داده که زمان بررسی اسناد قانونی را تا ۵۰ درصد کاهش می دهد.

· پی دبلیوسی (PwC) با بهره گیری از پردازش زبان طبیعی، چارچوبی برای تحلیل کارآمد اطلاعات بدون ساختار ایجاد کرده است.

مطالعه موردی: صنعت بیمه

در حوزه بیمه، تلفیق یادگیری عمیق و تحلیل شبکه توانسته است الگوهای تقلب سازمان یافته در رشته های درمان و اتومبیل را با دقت بالایی شناسایی کند (بالازاده قره باغی و شاکری بهادر، ۱۴۰۴).

نوآوری های جدید: چارچوب های چندعاملی

پژوهش های بسیار جدید، چارچوب های پیشرفته ای چون AuditAgent را معرفی کرده اند که با بهره گیری از استدلال چندعاملی و دانش تخصصی حسابرسی، قادر به کشف زنجیره های شواهد تقلب در اسناد چندساله و پیچیده هستند. این رویکردها در کشف تقلب های واقعی عملکردی به مراتب بهتر از روش های عمومی از خود نشان داده اند (Bai و همکاران، ۲۰۲۵).

تاثیر بر حرفه حسابرسی

بازتعریف نقش حسابرس

برخلاف نگرانی های رایج درباره حذف نقش انسان، شواهد حاکی از آن است که هوش مصنوعی حسابرسان را از وظایف تکراری رها ساخته و به ایشان فرصت می دهد تا بر فعالیت های باارزش تری مانند ارزیابی ریسک و تحلیل های مالی پیچیده تمرکز کنند (فلاح دار، ۱۴۰۴؛ Della Valle و Evangelista، ۲۰۲۵). تحلیل کتاب سنجی Renik و همکاران (۲۰۲۵) نشان می دهد که علیرغم تهدیدها و چالش ها، هوش مصنوعی مزایای بسیاری در خودکارسازی وظایف زمان بر و پرهزینه، جایگزینی انسان در وظایف تحلیلی، شناسایی ریسک و کاهش خطاهای انسانی به ارمغان می آورد.

مهارت های مورد نیاز

پذیرش هوش مصنوعی در حسابرسی مستلزم ارتقای مهارت های حسابرسان در حوزه های تحلیل داده، سواد دیجیتال و تفکر انتقادی است. حسابرسان باید توانایی ارزیابی خروجی های الگوریتم ها و تشخیص سوگیری های احتمالی را کسب کنند. فلاح دار و عمیدراد (۱۴۰۴) در پژوهشی با رویکرد ترکیبی، چارچوبی یکپارچه برای پذیرش هوش مصنوعی در فرایندهای حسابرسی طراحی و اعتبارسنجی کرده اند که می تواند رهنمودی عملی برای موسسات حسابرسی باشد. همچنین Della Valle و Evangelista (۲۰۲۵) تاکید می کنند که برای بهره گیری کامل از ظرفیت هوش مصنوعی، ضروری است راه حل های هوش مصنوعی متناسب با فعالیت های خاص حسابرسی طراحی شده و حسابرسان برای استفاده موثر از ابزارهای هوش مصنوعی آموزش ببینند.

چالش ها و ملاحظات

شفافیت الگوریتمی (مسئله جعبه سیاه): یکی از چالش های اساسی در به کارگیری یادگیری عمیق، عدم شفافیت در فرایند تصمیم گیری است. این مسئله در حرفه ای که مستندسازی قضاوت های حرفه ای از الزامات آن به شمار می رود، اهمیتی دوچندان می یابد. Nguyen (2025) بر ضرورت توسعه هوش مصنوعی قابل توضیح (XAI) در حسابرسی تاکید کرده و راهکارهایی چون شبکه های Transparent Open-Box (TOB) را برای افزایش شفافیت مدل ها معرفی می کند. Zweers و همکاران (۲۰۲۵) نیز بر اساس مصاحبه با حسابرسان موسسات بزرگ، چالش های اصلی در مواجهه با تقلب در محیط های مبهم و خودکار را شامل تخصص فنی محدود، همکاری ناکافی میان رشته ای و دسترسی محدود به فرایندهای داخلی سیستم ها می دانند.

ملاحظات اخلاقی و حریم خصوصی: استفاده از داده های حجیم مالی مستلزم رعایت استانداردهای سختگیرانه حریم خصوصی و حکمرانی داده است. فلاح دار (۱۴۰۴) در یادداشت علمی خود بر این نکته تاکید کرده که به کارگیری هوش مصنوعی در حسابداری نیازمند توجه به مسائل اخلاقی و امنیتی است و باید اطمینان حاصل شود که داده های مالی حساس به صورت امن و محرمانه نگهداری می شوند. مطالعات بین المللی نیز مضامینی چون «عدالت الگوریتمی» و «اخلاق» را از جمله روندهای برجسته در پژوهش های هوش مصنوعی و حسابرسی معرفی کرده اند (Renik و همکاران، ۲۰۲۵؛ Nguyen، ۲۰۲۵).

چالش های پیاده سازی: شواهد پژوهشی حاکی از آن است که گذار به نظارت هوشمند در اکوسیستم مالی ایران نیازمند تدوین نقشه راه عملیاتی و توسعه زیرساخت های داده ای است (فلاح دار و موسائی، ۱۴۰۴). هزینه های پیاده سازی، نیاز به تخصص فنی و مسائل مربوط به امنیت داده ها از جمله موانع اصلی به شمار می روند. در سطح بین المللی نیز چالش هایی مانند کیفیت داده ها، ملاحظات اخلاقی و انطباق با مقررات از موانع اصلی پذیرش گسترده هوش مصنوعی در حسابرسی شناسایی شده اند (Della Valle و Evangelista، ۲۰۲۵).

نتیجه گیری و چشم انداز آینده

هوش مصنوعی دیگر گزینه ای تجملی برای حرفه حسابرسی محسوب نمی شود، بلکه به ضرورتی رقابتی و کارکردی بدل گشته است. تلفیق فناوری هایی چون یادگیری ماشین، پردازش زبان طبیعی و تحلیل شبکه، افق های تازه ای را در کشف تقلب و تضمین کیفیت گزارشگری مالی گشوده است.

چشم انداز آینده حاکی از حرکت به سوی:

· حسابرسی پیوسته مبتنی بر هوش مصنوعی که در آن فرایندهای کنترلی به صورت لحظه ای و خودکار اجرا می شوند؛

· ادغام با فناوری بلاکچین برای ایجاد لایه های امنیتی و شفافیت بیشتر (فلاح دار، ۱۴۰۴؛ Nguyen، ۲۰۲۵)؛

· توسعه مدل های ترکیبی که نقاط قوت رویکردهای مختلف یادگیری ماشین را تلفیق می کنند (Poolsawat و همکاران، ۲۰۲۶)؛

· سیستم های چندعاملی خبره مانند AuditAgent که با ترکیب دانش تخصصی و استدلال پیشرفته، کشف تقلب را به سطح جدیدی از دقت و تفسیرپذیری ارتقا می دهند (Bai و همکاران، ۲۰۲۵).

پژوهشگران و حرفه ای های حسابرسی باید با درک عمیق این تحولات، خویشتن را برای آینده ای مهیا سازند که در آن تعامل هوشمندانه انسان و ماشین، کیفیت قضاوت حرفه ای را به سطوحی بی سابقه ارتقا خواهد داد.

---

منابع و مآخذ

منابع فارسی

· بالازاده قره باغی، ش.، و شاکری بهادر، پ. (۱۴۰۴). اثر هوش مصنوعی بر فرآیندهای حسابرسی و دقت: چشماندازی برای آینده.

· رجبی، ع.، پناهی، م.، و چیذری، ن. (۱۴۰۴). نقش هوش مصنوعی در حسابرسی و کشف تقلب در سیستم های اطلاعات حسابداری: نقش تعدیل کننده پردازش زبان طبیعی.

· فلاح دار، محمد مهدی. (۱۴۰۴). «نقش هوش مصنوعی در بهبود فرآیندهای حسابداری». یادداشت علمی، سیویلیکا.

· فلاح دار، محمد مهدی، و موسائی، زهره. (۱۴۰۴). بررسی تاثیر پیاده سازی سیستم های هوش مصنوعی بر دقت و سرعت حسابرسی داخلی شرکت ها. اولین همایش بین المللی افق های تازه در روانشناسی یادگیری و آموزش و پرورش از دید معلم.

· فلاح دار، محمدمهدی، و موسائی، زهره. (۱۴۰۴). بررسی تاثیر هوش مصنوعی بر بهبود دقت و کارایی حسابرسی صورت های مالی در شرکت های پذیرفته شده در بورس. هفتمین همایش ملی پژوهش های حرفه ای در روانشناسی و مشاوره با رویکرد ازنگاه معلم.

· فلاح دار، محمدمهدی، و عمیدراد، زینب. (۱۴۰۴). طراحی و اعتبارسنجی چارچوبی یکپارچه برای پذیرش هوش مصنوعی در فرآیندهای حسابرسی: مطالعه ترکیبی (کیفی-کمی). مجله یافته های پیشروان علوم تربیتی و آموزشی، شماره ۴، دوره ۲.

· فلاح دار، محمد مهدی. (۱۴۰۴). «افزایش امنیت حسابرسی با استفاده از فناوری بلاک چین». یادداشت علمی، سیویلیکا.

منابع بین المللی

· Bai, S., et al. (2025). AuditAgent: Expert-Guided Multi-Agent Reasoning for Cross-Document Fraudulent Evidence Discovery. arXiv preprint arXiv:2510.00156.

· Della Valle, G., & Evangelista, M. G. (2025). The Application of Artificial Intelligence in Audit: State of the Art and Possible Future Developments. International Journal of Business and Management, 20(5), 25.

· Melendez, F. R., & Herrera, J. S. (2025). Integrating AI Algorithms into Financial Audits: A Disruptive Approach to Fraud Detection. Transnational Press London, 5(6), 2784-2798.

· Nguyen, T. T. B. (2025). Transforming Auditing in the AI Era: A Comprehensive Review. Information, 16(5), 400.

· Poolsawat, P., et al. (2026). Fraud Risk and Audit Opinions Across Countries: Complementing Accounting-Based Fraud Risk with Machine Learning Methods. Journal of Risk and Financial Management, 19(1), 26.

· Renik, K., Łuczak, K., & Zhou, H. (2025). Emerging Trends and Future Directions of AI in Auditing: Insights from a Bibliometric Perspective. Proceedings on 28th European Conference on Artificial Intelligence ECAI 2025, 58-72.

· Saifudin, S., Januarti, I., & Purwanto, A. (2025). The Role of Artificial Intelligence in the Audit Process and How to Fraud Detections: A Literature Outlook. Journal of Ecohumanism, 4(1), 4185-4203.

· Schöndube, J. R., & Schöndube-Pirchegger, B. (2026). Availability of AI tools and their effect on the auditing process. Working Paper Series, Otto-von-Guericke-Universität Magdeburg.

· Zweers, B., et al. (2025). The AI-Fraud Diamond: A Novel Lens for Auditing Algorithmic Deception. arXiv preprint arXiv:2508.13984.