
امروز داشتم به یک CFO اروپایی مشاوره میدادم که خودش سالها بکگراند حسابداری داشت.
وسط صحبتهامون یک سؤال مطرح کرد که به نظرم سؤال خیلی از حسابدارها و مدیران مالیه:
«هوش مصنوعی دقیقاً کدوم قسمت از کار من رو کمارزش میکنه؟»
به نظرم این سؤال خیلی بهتر از اون چیزیه که این روزها مدام میشنویم:
«آیا AI قراره حسابدارها رو حذف کنه؟»
این سؤال بیش از حد کلیه.
حسابداری یک کار واحد نیست که بشه گفت هوش مصنوعی یا انجامش میده یا نمیده.
یک حسابدار ممکنه در یک روز هم سند ثبت کنه، هم مغایرت پیدا کنه، هم یک قرارداد رو بررسی کنه، هم درباره یک عدد غیرعادی تحقیق کنه، هم برای مدیرعامل توضیح بده چرا Cash Flow افت کرده و هم جایی مجبور بشه بین دو تصمیمی که هیچکدوم صددرصد واضح نیستن، قضاوت حرفهای انجام بده.
طبیعتاً AI روی همه این کارها به یک اندازه اثر نمیذاره.
پس به نظرم سؤال بهتر اینه:
سه سال دیگه، شرکتها بابت کدوم قسمت از کاری که امروز حسابدارها انجام میدن حاضرن کمتر پول بدن و بابت کدوم قسمت بیشتر؟
اینجاست که داستان جالب میشه.
به بخشی از کارهای روزمره واحد مالی فکر کنید:
ثبت اسناد
جمعکردن اطلاعات
طبقهبندی هزینهها
Reconciliation یا تطبیق حسابها و مغایرتگیری
استخراج اطلاعات از فاکتور و قرارداد
گزارشهای استاندارد
خلاصهکردن مدارک
آمادهسازی اولیه بعضی گزارشها و اظهارنامهها
این کارها با هم فرق دارن، اما یک ویژگی مشترک مهم دارن.
در خیلی از اونها میشه نسبتاً دقیق مشخص کرد:
ورودی چیه؟
خروجی مورد انتظار چیه؟
و طبق چه Ruleهایی باید از اولی به دومی برسیم؟
هرچقدر جواب این سه سؤال واضحتر باشه، اون کار برای AI و Automation جذابتر میشه.
این به این معنی نیست که فردا همه این فعالیتها بدون انسان انجام میشن.
اتفاق مهمتر، از نظر اقتصادی، چیز دیگهایه:
برای تولید همون خروجی، به ساعت کاری انسانی کمتری نیاز داریم.
و وقتی این اتفاق میافته، ارزش اقتصادی «صرفاً انجام دادن اون کار» هم پایین میاد.
این موضوع دیگه فقط یک پیشبینی برای آینده نیست.
در گزارش ۲۰۲۶ Thomson Reuters از بیش از ۱۵۰۰ متخصص حوزههای حرفهای، استفاده سازمانی از AI فقط در یک سال تقریباً از ۲۲ درصد به ۴۰ درصد رسیده.
World Economic Forum هم حسابداران و حسابرسان رو در میان مشاغلی قرار داده که کارفرماها تا سال ۲۰۳۰ برای اونها فشار کاهشی قابلتوجهی پیشبینی میکنن.
اما به نظرم تمرکز صرف روی «تعداد شغلها» بخش مهمتر داستان رو پنهان میکنه.
چون کار فقط حذف نمیشه.
ارزش داره از یک بخش کار به بخش دیگه منتقل میشه.
فرض کنید شرکت شما ۲۰ هزار تراکنش داره.
تا امروز ممکن بود یک حسابدار ساعتها وقت بذاره تا از بین این حجم داده، موارد مشکوک یا غیرعادی رو پیدا کنه.
حالا AI میتونه کل داده رو بررسی کنه و بگه:
«این ۳۷ مورد با بقیه فرق دارن.»
خیلی هم مفیده.
اما دقیقاً چه کاری انجام شده؟
این میشه Detection.
یعنی پیدا کردن اینکه «یه چیزی اینجا غیرعادیه».
حالا سؤال سختتر شروع میشه:
چرا این ۳۷ مورد غیرعادی هستن؟
این میشه Diagnosis.
ممکنه تقلبی اتفاق افتاده باشه.
ممکنه یک ثبت اشتباه باشه.
ممکنه رفتار خرید شرکت تغییر کرده باشه.
ممکنه تأمینکننده شرایطش رو عوض کرده باشه.
ممکنه یک مشکل نرمافزاری وجود داشته باشه.
یا اصلاً این تراکنش کاملاً طبیعی باشه و مدل به خاطر یک الگوی فصلی اون رو غیرعادی تشخیص داده باشه.
پیدا کردن مسئله با فهمیدن مسئله یکی نیست.
و به نظرم یکی از جابهجاییهای مهم آینده حسابداری دقیقاً همینجاست:
هرچقدر ماشینها در Detection بهتر میشن، ارزش انسان بیشتر به سمت Diagnosis حرکت میکنه.
حالا فرض کنید مدیرعامل از واحد مالی بپرسه:
«فروش این ماه چقدر بوده؟»
تا چند سال پیش جواب دادن به همین سؤال ممکن بود نیاز به جمعآوری اطلاعات، بررسی چند فایل، گزارشگیری و حتی منتظر موندن برای Close ماهانه داشته باشه.
اما این سؤال داره کمکم تبدیل میشه به سؤال ماشین.
سیستم باید بتونه جوابش رو بده.
حالا سؤال رو کمی عوض کنیم:
«فروش ۱۸ درصد رشد کرده؛ پس چرا Cash Flow بدتر شده و آیا باید نگران باشیم؟»
اینجا ماهیت کار عوض میشه.
برای جواب درست شاید لازم باشه وضعیت مطالبات، شرایط پرداخت مشتریها، موجودی، حاشیه سود، تخفیفها، ترکیب محصولات، هزینهها، پرداخت به تأمینکننده و حتی رفتار مشتری رو کنار هم ببینید.
دیگه فقط عدد کافی نیست.
باید کسبوکاری که پشت عدد قرار گرفته رو بفهمید.
این همون چیزیه که من اسمش رو میذارم:
Business Understanding
و به نظرم یکی از بزرگترین تغییرهای حرفه حسابداری همینه:
ارزش داره از
Reporting
حرکت میکنه به سمت
Interpretation
یعنی تولید عدد داره آسونتر میشه.
اما توضیح اینکه این عدد واقعاً یعنی چی، لزوماً آسونتر نشده.
یک مرحله بالاتر هم وجود داره.
فرض کنید AI همه مدارک رو بررسی کرده و نتیجه گرفته:
«این نوع برخورد حسابداری قابل قبوله.»
سؤال اولیه احتمالاً اینه:
«چقدر میشه به جواب AI اعتماد کرد؟»
سؤال مهمیه.
اما به نظرم سؤال عمیقتر اینه:
آیا شما حاضرید پای این تصمیم بایستید؟
چون دنیای واقعی همیشه مرتب و صفر و یک نیست.
ممکنه مقررات قابل تفسیر باشن.
ممکنه مدارک ناقص باشن.
ممکنه دو روش، هر دو تا حدی قابل دفاع باشن.
ممکنه تصمیم اثر مالی قابلتوجهی داشته باشه.
ممکنه پای ریسک مالیاتی، حقوقی یا اعتباری شرکت وسط باشه.
اینجا دیگه صرفاً «داشتن یک جواب» کافی نیست.
یک نفر باید قضاوت کنه.
یک نفر باید Context رو بفهمه.
و در نهایت یک نفر باید مسئولیت تصمیم رو بپذیره.
در یک مطالعه یکساله ICAS روی بیش از ۲۰۰ متخصص حسابداری، ۷۴ درصد شرکتکنندهها گفتن GenAI باعث شده بعضی Taskها رو سریعتر انجام بدن.
اما فقط ۲۲ درصد گفتن سرعت کلی کارشون به شکل محسوسی بالا رفته.
این فاصله خیلی مهمه.
چون سریعتر شدن یک Task به این معنی نیست که Review، هماهنگی، قضاوت، مسئولیت و تصمیمگیری هم به همون اندازه سریعتر یا قابل حذف شده.
نتیجه مهمتر اون مطالعه هم این بود که AI در کارهای Routine و Structured عملکرد بهتری داره، اما هرجا نیاز به فهم ظریف شرایط، همکاری، تصمیم اخلاقی و Professional Judgment وجود داره، انسان همچنان نقش تعیینکنندهای داره.
به زبان ساده:
AI میتونه جواب تولید کنه.
اما مسئول بودن بابت اون جواب یک مسئله کاملاً متفاوته.
اگر بخوام خیلی ساده دستهبندی کنم، کارهایی مثل اینها بیشتر تحت فشار قرار میگیرن:
ثبت اطلاعات
استخراج داده
تطبیقهای روتین
خلاصهسازی
گزارشهای استاندارد
بررسی اولیه اسناد
پردازشهای قابل پیشبینی
نه چون این کارها دیگه لازم نیستن.
بلکه چون برای انجامشون به ساعت کاری انسانی کمتری نیاز خواهد بود.
حالا سمت دیگه رو ببینید:
تحلیل ریشهای مسئله
تفسیر اعداد
طراحی Control
مدیریت ریسک
Scenario Analysis
کمک به تصمیمگیری مدیریت
Professional Judgment
و توضیح مسائل پیچیده مالی برای آدمهایی که حسابدار نیستن
اینها بالاتر از زنجیره ارزش قرار میگیرن.
و اتفاقاً ممکنه AI ارزش این قسمتها رو بیشتر هم بکنه.
چرا؟
چون وقتی تولید اطلاعات ارزون بشه، چیزی که کمیاب میشه دیگه «اطلاعات» نیست.
چیزی که کمیابه اینه که بفهمید:
کدوم اطلاعات مهمه؟
چرا مهمه؟
و حالا باید باهاش چیکار کنیم؟
این روزها حسابدارهای زیادی همین سؤال رو از من میپرسن:
«Python یاد بگیرم؟»
«Machine Learning بخونم؟»
«باید متخصص AI بشم؟»
برای اکثر حسابدارها، به نظرم این واکنش درستی به اتفاقی که در حال افتادنه نیست.
قرار نیست هزاران حسابدار رو تبدیل کنیم به نسخه ضعیفتری از Software Engineerها.
اتفاقاً ترکیب باارزشتر احتمالاً چیز دیگهایه:
Accounting Expertise + AI Fluency + Business Judgment
یعنی حسابداری رو واقعاً عمیق بلد باشید.
AI رو در حدی بفهمید که بدونید چه کاری میتونه انجام بده، کجا ممکنه اشتباه کنه، چطور باید ازش استفاده کرد و کجا نباید بهش اعتماد کرد.
و در نهایت کسبوکار رو بفهمید.
AICPA و CIMA در یک مطالعه روی ۱۴۴۶ مدیر و رهبر ارشد مالی گزارش کردن که ۸۸ درصد اونها AI رو مهمترین فناوری تحولآفرین حوزه Finance و Accounting در ۱۲ تا ۲۴ ماه آینده میدونن.
اما فقط ۸ درصد معتقد بودن سازمانشون واقعاً برای این تغییر آمادگی بالایی داره.
نکته جالب اینجاست که شکاف مهارتی فقط فنی نیست.
Communication، Critical Thinking، Influencing و Business Partnering هم جزو مهارتهایی هستن که سازمانها کمبودشون رو حس میکنن.
و این کاملاً منطقیه.
حسابدار آینده فقط قرار نیست بهتر با ماشین کار کنه.
باید بهتر با انسان، تصمیم و ابهام هم کار کنه.
اگر حسابدار یا مدیر مالی هستید، سعی کنید کار خودتون رو در یک جمله توضیح بدید.
اگه بیشتر شبیه اینه:
«من یک سری اطلاعات میگیرم و تبدیلشون میکنم به یک خروجی مشخص.»
به اون قسمت از کارتون توجه ویژه داشته باشید.
هرچقدر این تبدیل قابلتعریفتر باشه، احتمال اینکه تکنولوژی سهم بیشتری از اجرای اون رو بگیره بیشتره.
اما حالا این جمله رو ببینید:
«من میفهمم چه اتفاقی افتاده، چرا افتاده، چه ریسکی ایجاد میکنه و کمک میکنم تصمیم بگیریم بعدش باید چیکار کنیم.»
این یک نوع ارزش کاملاً متفاوته.
اگر بخوام این مسیر رو در چند کلمه خلاصه کنم، میشه:
Processing → Detection → Diagnosis → Interpretation → Judgment → Decision
AI داره در این زنجیره جلو میاد.
و قطعاً باز هم جلوتر میره.
اما همه بخشهای این زنجیره رو با یک سرعت، یک میزان اطمینان و یک سطح مسئولیت طی نمیکنه.
و دقیقاً همینجا باید حواسمون جمع باشه.
به نظرم مهمترین داستان AI و حسابداری این نیست که:
«حسابدارها دارن حذف میشن.»
و جواب مفید هم این نیست که:
«سریع برید AI یاد بگیرید تا عقب نمونید.»
اتفاق مهمتر، داخل خود حرفه در حال رخ دادنه.
AI داره چیزی رو که در حسابداری کمیابه تغییر میده.
وقتی تهیه گزارش راحتتر بشه، صرفاً تهیه گزارش ارزش کمتری پیدا میکنه.
وقتی پیدا کردن یک مغایرت راحتتر بشه، فهمیدن علت اون مغایرت باارزشتر میشه.
وقتی تولید چند جواب ممکن راحتتر بشه، تشخیص اینکه کدوم جواب قابل اتکاست مهمتر میشه.
و وقتی ماشینها سهم بیشتری در کار مالی پیدا کنن، مسئولیت کمتر نمیشه.
اتفاقاً مهمتر میشه.
برای همین شاید به جای اینکه از خودتون بپرسید:
«آیا AI میتونه کار من رو انجام بده؟»
یک سؤال بهتر این باشه:
«کدوم قسمت از کاری که امروز انجام میدم، سه سال دیگه هنوز سخت، کمیاب و ارزشمند خواهد بود؟»
پاسخ من فعلاً اینه:
AI داره اجرای کار رو ارزونتر میکنه.
و قضاوت رو باارزشتر.
حسابدارهایی که این جابهجایی رو زودتر ببینن، احتمالاً آینده خیلی متفاوتی با کسانی خواهند داشت که فقط تلاش میکنن در همون کارهایی سریعتر بشن که AI خودش داره یاد میگیره انجام بده.