چطور با هوش مصنوعی پیش‌نویس گزارش مدیریتی بنویسیم؟
از جدول اعداد تا روایت تصمیم‌ساز؛ یک راهنمای مرحله‌به‌مرحله برای ساخت پیش‌نویس گزارش مدیریتی با هوش مصنوعی، بدون واگذاری قضاوت حرفه‌ای حسابدار.
ساعت ۹:۱۵ صبح بود که مدیر مالی فایل Excel را برای نرگس فرستاد.
پیامش کوتاه بود:
«جلسه مدیرعامل ساعت ۱۱ هست. از عملکرد این ماه یه گزارش مدیریتی جمع‌وجور برام آماده کن. بیشتر از یک صفحه نشه.»
نرگس فایل را باز کرد.
فروش، بهای تمام‌شده، هزینه‌های عملیاتی، مانده مطالبات، موجودی نقد و چند شاخص دیگر کنار هم چیده شده بودند.
اعداد کامل بودند.
مشکل این نبود که اطلاعات کم است.
مشکل دقیقاً برعکس بود:
عدد زیاد بود، اما هنوز معلوم نبود داستان این اعداد چیست.
فروش از ۲۴ میلیارد تومان به ۲۱.۶ میلیارد رسیده بود.
حاشیه سود ناخالص از ۲۸ درصد به ۲۴.۵ درصد کاهش پیدا کرده بود.
مطالبات از ۸ میلیارد به ۱۱.۲ میلیارد تومان افزایش یافته بود.
هزینه‌های عملیاتی هم از ۵ میلیارد به ۵.۸ میلیارد رسیده بود.
نرگس می‌توانست همه این اعداد را داخل یک جدول مرتب کند و برای مدیر مالی بفرستد.
اما مدیر مالی خودش جدول را داشت.
اگر قرار بود همان اعداد دوباره در قالب Word تحویل داده شوند، گزارش چه ارزشی ایجاد می‌کرد؟
او باید کاری می‌کرد که از دل این جدول، یک روایت روشن بیرون بیاید:
چه چیزی تغییر کرده؟ کدام تغییر مهم‌تر است؟ این تغییر چه معنایی برای کسب‌وکار دارد؟ چه چیزی هنوز معلوم نیست؟ و مدیریت باید چه چیزی را بررسی کند؟
اینجا دقیقاً همان نقطه‌ای است که هوش مصنوعی می‌تواند به حسابدار کمک کند.
نه برای اینکه به‌جای او تصمیم بگیرد.
برای اینکه از میان انبوه اعداد، پیش‌نویس یک گزارش مدیریتی قابل فهم بسازد.
گزارش مدیریتی، جدول اعداد نیست
یکی از اشتباهات رایج در گزارش‌دهی مالی این است که تصور کنیم هرچه تعداد جدول‌ها و نمودارها بیشتر باشد، گزارش حرفه‌ای‌تر است.
اما مدیر معمولاً دنبال یک فایل پر از عدد نیست.
او می‌خواهد در زمان کوتاهی بفهمد:
چه اتفاقی افتاده و آیا لازم است کاری انجام دهد؟
فرض کنید این جدول جلوی مدیرعامل قرار گرفته است:
| شاخص | ماه قبل | ماه جاری | تغییر |
|---|---|---|---|
| فروش | ۲۴ میلیارد | ۲۱.۶ میلیارد | ۱۰٪ کاهش |
| حاشیه سود ناخالص | ۲۸٪ | ۲۴.۵٪ | ۳.۵ واحد درصد کاهش |
| مطالبات | ۸ میلیارد | ۱۱.۲ میلیارد | ۴۰٪ افزایش |
| هزینه عملیاتی | ۵ میلیارد | ۵.۸ میلیارد | ۱۶٪ افزایش |
| موجودی نقد | ۴.۲ میلیارد | ۲.۹ میلیارد | حدود ۳۱٪ کاهش |
جدول اطلاعات می‌دهد.
اما هنوز گزارش مدیریتی نیست.
گزارش زمانی شکل می‌گیرد که حسابدار بتواند از این اعداد یک پیام بسازد.
مثلاً:
در ماه جاری فروش ۱۰ درصد کاهش یافته و هم‌زمان حاشیه سود ناخالص نیز ۳.۵ واحد درصد کمتر شده است. در کنار این موضوع، مطالبات ۴۰ درصد افزایش یافته و موجودی نقد کاهش قابل توجهی داشته است. بنابراین علاوه بر افت فروش، وضعیت وصول مطالبات نیز نیازمند بررسی فوری است. اطلاعات موجود به‌تنهایی علت این تغییرات را مشخص نمی‌کند و برای نتیجه‌گیری درباره علت کاهش حاشیه سود و افزایش مطالبات، بررسی ترکیب فروش، مشتریان عمده و دوره وصول ضروری است.
همان اعداد هستند.
اما حالا یک روایت داریم.
هوش مصنوعی کجای گزارش مدیریتی به درد می‌خورد؟
هوش مصنوعی در این فرایند می‌تواند نقش یک دستیار تحلیل و نگارش را داشته باشد.
شما داده را در اختیارش می‌گذارید و از او می‌خواهید:
تغییرات مهم را پیدا کند، محاسبات اولیه را انجام دهد، نکات بااهمیت را از موارد کم‌اهمیت جدا کند، بین داده‌ها ارتباط پیدا کند و سپس پیش‌نویسی بنویسد که برای مخاطب مدیریتی قابل فهم باشد.
اما یک کلمه در جمله قبل بسیار مهم بود:
پیش‌نویس.
گزارشی که AI تولید می‌کند بهتر است مستقیماً برای مدیر ارسال نشود.
چون هنوز باید بررسی شود:
آیا اعداد درست‌اند؟
آیا نتیجه‌گیری با داده‌ها سازگار است؟
آیا چیزی بیش از اطلاعات موجود حدس زده شده؟
آیا نکته مهمی جا افتاده؟
و مهم‌تر از همه:
آیا این همان چیزی است که مدیر برای تصمیم‌گیری به آن نیاز دارد؟
از عدد تا روایت؛ مدل پنج‌مرحله‌ای گزارش مدیریتی
برای اینکه هوش مصنوعی فقط اعداد را دوباره برایتان بازگو نکند، می‌توانید گزارش را با یک مسیر مشخص بسازید.
من این مسیر را به پنج مرحله تقسیم می‌کنم:
واقعیت → تغییر → اهمیت → ابهام → اقدام
این پنج مرحله کمک می‌کنند گزارش از «شرح اعداد» عبور کند و به «اطلاعات قابل استفاده برای مدیریت» برسد.
مرحله اول: واقعیت چیست؟
اولین لایه باید کاملاً قابل اثبات باشد.
مثلاً:
فروش ماه جاری ۲۱.۶ میلیارد تومان بوده است.
یا:
مانده مطالبات از ۸ میلیارد تومان به ۱۱.۲ میلیارد تومان رسیده است.
اینجا هنوز تحلیل نمی‌کنیم.
فقط واقعیت را می‌گوییم.
این تفکیک اهمیت زیادی دارد، چون در گزارش‌های مدیریتی گاهی واقعیت و برداشت حسابدار آن‌قدر در هم مخلوط می‌شوند که مشخص نیست کدام قسمت از داده آمده و کدام قسمت تحلیل است.
مرحله دوم: چه چیزی تغییر کرده؟
مدیریت معمولاً با خود عدد کمتر از تغییر عدد کار دارد.
فروش ۲۱.۶ میلیارد تومان به‌تنهایی چه معنایی دارد؟
اگر ماه قبل ۱۵ میلیارد بوده، خبر خوبی است.
اگر ماه قبل ۲۴ میلیارد بوده، موضوع فرق می‌کند.
پس هوش مصنوعی را فقط برای خواندن ستون «ماه جاری» به کار نگیرید.
از او بخواهید مقایسه کند:
ماه قبل با ماه جاری، بودجه با عملکرد، دوره مشابه سال قبل با امسال یا شعبه‌ها با یکدیگر.
مثلاً:
فروش نسبت به ماه قبل ۱۰ درصد کاهش یافته است.
این جمله برای مدیر بسیار پرمعناتر از «فروش ۲۱.۶ میلیارد تومان است» خواهد بود.
مرحله سوم: چرا این تغییر مهم است؟
اینجا وارد بخشی می‌شویم که گزارش مدیریتی از گزارش حسابداری جدا می‌شود.
فرض کنید هزینه ملزومات اداری ۱۲ درصد افزایش یافته است.
از طرف دیگر، مطالبات مشتریان ۴۰ درصد افزایش پیدا کرده.
هر دو تغییر کرده‌اند.
اما آیا اهمیتشان برای مدیریت یکسان است؟
احتمالاً نه.
پس یکی از کارهای مهم حسابدار این است که عددها را براساس اهمیت مدیریتی مرتب کند.
هوش مصنوعی می‌تواند کمک کند، اما معیار اهمیت را بهتر است شما تعیین کنید.
مثلاً بگویید:
تغییراتی را در اولویت قرار بده که اثر بیشتری بر سودآوری، نقدینگی یا ریسک وصول دارند.
حالا AI می‌داند که قرار نیست همه تغییرات را با وزن یکسان گزارش کند.
گزارش مدیریتی قرار نیست فهرست تمام اتفاقات باشد.
قرار است اتفاقات مهم را از سروصدای اطرافشان جدا کند.
مرحله چهارم: چه چیزی هنوز نمی‌دانیم؟
این شاید مهم‌ترین مرحله باشد.
فروش کاهش یافته است.
واقعیت.
اما چرا؟
قیمت فروش پایین آمده؟
حجم فروش کم شده؟
ترکیب محصولات تغییر کرده؟
یک مشتری بزرگ خرید نکرده؟
برگشت از فروش زیاد شده؟
فقط از روی عدد فروش نمی‌توان فهمید.
اینجاست که یک گزارش ضعیف ممکن است بنویسد:
کاهش فروش ناشی از افت تقاضای مشتریان بوده است.
این جمله شاید کاملاً منطقی به نظر برسد.
اما مدرکش کجاست؟
اگر اطلاعاتی درباره تعداد سفارش، مشتریان یا بازار نداریم، این فقط یک حدس است.
گزارش حرفه‌ای می‌گوید:
فروش نسبت به ماه قبل ۱۰ درصد کاهش یافته است. براساس اطلاعات فعلی، علت کاهش مشخص نیست و برای بررسی آن باید تغییر حجم فروش، نرخ فروش و عملکرد مشتریان عمده تحلیل شود.
این گزارش شاید کمتر «باهوش» به نظر برسد.
اما قابل اعتمادتر است.
یک اصل طلایی برای استفاده از AI در گزارش‌های مالی این است:
اگر علت در داده نیست، هوش مصنوعی حق ندارد آن را بسازد.
مرحله پنجم: مدیریت حالا چه کاری باید انجام دهد؟
گزارش خوب فقط به گذشته نگاه نمی‌کند.
باید مشخص کند قدم بعدی چیست.
مثلاً اگر مطالبات ۴۰ درصد رشد کرده است، می‌توان نوشت:
پیشنهاد می‌شود گزارش سنی مطالبات و ده مشتری دارای بیشترین مانده سررسیدگذشته بررسی شود تا مشخص شود افزایش مطالبات ناشی از رشد فروش اعتباری، تأخیر در وصول یا تمرکز بدهی در چند مشتری خاص است.
دقت کنید.
این جمله نگفته:
«مطالبات به دلیل ضعف واحد وصول افزایش یافته است.»
چون چنین اطلاعاتی نداریم.
بلکه گفته:
برای پیدا کردن علت، چه چیزی باید بررسی شود.
این دقیقاً همان نوع خروجی است که یک مدیر می‌تواند با آن کاری انجام دهد.
یک پرامپت ضعیف برای گزارش مدیریتی
نرگس در اولین تلاش فایل را به هوش مصنوعی داد و نوشت:
این جدول رو بررسی کن و یه گزارش مدیریتی خوب بنویس.
هوش مصنوعی هم چند پاراگراف تولید کرد:
«با توجه به داده‌های ارائه‌شده، شرکت در این ماه با برخی چالش‌ها مواجه بوده است. کاهش فروش و افزایش هزینه‌ها نشان می‌دهد مدیریت باید توجه بیشتری به کنترل هزینه‌ها و افزایش درآمد داشته باشد…»
متن بدی نبود.
حتی می‌شد آن را در جلسه خواند.
اما مشکل بزرگی داشت:
تقریباً برای هر شرکتی قابل استفاده بود.
این یعنی گزارش هنوز به داده‌های واقعی وصل نشده بود.
همان درخواست، این بار حرفه‌ای‌تر
نرگس پرامپت را پاک کرد و این‌بار نوشت:
در نقش دستیار تحلیل مدیریت مالی عمل کن.
جدول پیوست شامل پنج شاخص مالی ماه جاری و ماه قبل یک شرکت بازرگانی است. هدف تهیه پیش‌نویس گزارش برای مدیرعامل است.
ابتدا درصد و میزان تغییر شاخص‌ها را کنترل کن.
سپس سه تغییر مهم‌تر را از نظر سودآوری، نقدینگی و ریسک وصول مشخص کن.
برای هر تغییر بین این موارد تفکیک قائل شو:
«واقعیت موجود در داده»، «اهمیت مدیریتی» و «موضوعی که نیازمند بررسی بیشتر است».
اگر علت یک تغییر در اطلاعات موجود مشخص نیست، علت نساز و صریحاً اعلام کن که اطلاعات کافی وجود ندارد.
در پایان یک پیش‌نویس گزارش حداکثر ۳۵۰ کلمه‌ای برای مدیرعامل بنویس.
گزارش باید کوتاه، روشن، حرفه‌ای و مبتنی بر عدد باشد و در انتها حداکثر سه اقدام یا بررسی پیشنهادی ارائه شود.
حالا مأموریت تغییر کرد.
هوش مصنوعی دیگر قرار نیست فقط «یک متن خوب» بنویسد.
باید طبق یک منطق مشخص کار کند.
چرا نباید مستقیماً از جدول به متن نهایی برویم؟
فرض کنید ۲۰ شاخص در فایل دارید.
اگر همان ابتدا بگویید:
گزارش مدیریتی بنویس.
هوش مصنوعی خودش باید تصمیم بگیرد چه چیزی مهم است.
گاهی تصمیم خوبی می‌گیرد.
گاهی هم چیزی را برجسته می‌کند که از نگاه شما اهمیت چندانی ندارد.
روش حرفه‌ای‌تر این است که کار را در چند مرحله انجام دهید.
ابتدا بپرسید:
پنج تغییر مهم این جدول را فقط براساس مقدار و درصد تغییر مشخص کن. هنوز گزارش ننویس.
نتیجه را بررسی کنید.
بعد بگویید:
از بین این پنج مورد، کدام سه مورد از نظر نقدینگی، سودآوری یا ریسک وصول برای مدیریت مهم‌تر هستند؟ دلیل انتخاب را کوتاه توضیح بده.
باز هم بررسی کنید.
و در مرحله آخر:
حالا فقط براساس موارد تأییدشده، پیش‌نویس گزارش مدیرعامل را تهیه کن.
مزیت این روش چیست؟
شما قبل از ساخته شدن روایت نهایی، مواد اولیه روایت را کنترل کرده‌اید.
مدیرعامل به چه گزارشی نیاز دارد؟
یکی از نکات مهمی که هنگام استفاده از هوش مصنوعی فراموش می‌شود این است که مخاطب گزارش چه کسی است.
گزارشی که برای رئیس حسابداری می‌نویسید با گزارشی که مدیرعامل می‌خواند یکسان نیست.
رئیس حسابداری ممکن است به این اطلاعات نیاز داشته باشد:
مانده حساب ۱۱۰۳۰۱ نسبت به ماه قبل ۱۸ درصد افزایش یافته و سه سند اصلاحی هنوز ثبت نشده است.
مدیرعامل احتمالاً بیشتر می‌خواهد بداند:
مطالبات مشتریان نسبت به ماه قبل ۴۰ درصد افزایش یافته و می‌تواند فشار بیشتری بر نقدینگی ایجاد کند؛ بررسی مشتریان دارای مانده سررسیدگذشته ضروری است.
هر دو جمله ممکن است درست باشند.
اما سطح گزارش فرق دارد.
بنابراین در پرامپت مشخص کنید:
مخاطب این گزارش مدیرعامل است و با جزئیات کد حساب و ثبت‌های روزانه کاری ندارد. فقط موارد مؤثر بر تصمیم‌گیری را برجسته کن.
گاهی تنها همین جمله، نصف شلوغی گزارش را حذف می‌کند.
گزارشی که فقط «چه شد» را می‌گوید ناقص است
یک گزارش مالی ضعیف معمولاً شبیه گزارش هواشناسی است:
فروش کم شد.
هزینه زیاد شد.
مطالبات بالا رفت.
وجه نقد پایین آمد.
ممنون!
مدیر احتمالاً خودش این اعداد را می‌بیند.
ارزش حسابدار زمانی بیشتر می‌شود که گزارش کمک کند بفهمیم کدام تغییر ارزش توجه دارد و سؤال بعدی چیست.
مثلاً:
با وجود کاهش ۱۰ درصدی فروش، مانده مطالبات ۴۰ درصد افزایش یافته است. هم‌زمانی این دو تغییر می‌تواند نشان دهد مسئله وصول مطالبات نیازمند بررسی جداگانه است، زیرا افزایش مانده دریافتنی صرفاً با رشد فروش توضیح داده نمی‌شود.
اینجا هنوز نگفته‌ایم علت چیست.
اما یک ارتباط مهم پیدا کرده‌ایم.
این دقیقاً جایی است که AI می‌تواند به حسابدار در دیدن ارتباط بین شاخص‌ها کمک کند.
و حسابدار باید بررسی کند آیا این ارتباط واقعاً معنا دارد یا نه.
گزارش مدیریتی را با زبان حسابداری خفه نکنید
فرض کنید گزارش نوشته است:
افزایش مانده حساب‌های دریافتنی تجاری منجر به کاهش نسبت آنی و افزایش دوره گردش وصول مطالبات گردیده که می‌تواند اثرات نامطلوبی بر سرمایه در گردش داشته باشد.
ممکن است جمله از نظر تخصصی قابل دفاع باشد.
اما آیا بهترین شکل برای انتقال پیام به مدیر است؟
شاید بتوان ساده‌تر گفت:
مطالبات مشتریان طی یک ماه ۴۰ درصد افزایش یافته و هم‌زمان موجودی نقد کاهش پیدا کرده است. لازم است وضعیت وصول مشتریان عمده بررسی شود، چون ادامه این روند می‌تواند فشار بیشتری بر نقدینگی شرکت وارد کند.
همان مفهوم.
اما قابل خواندن‌تر.
هوش مصنوعی در ساده‌سازی زبان مالی بسیار کمک‌کننده است، به شرط اینکه به آن بگویید:
اصطلاحات تخصصی را فقط در صورت نیاز استفاده کن و متن را برای مدیری بنویس که دانش عمومی مالی دارد اما حسابدار نیست.
آیا هوش مصنوعی باید پیشنهاد مدیریتی هم بدهد؟
بله، اما با احتیاط.
فرض کنید AI می‌نویسد:
شرکت باید فوراً قیمت محصولات را ۱۰ درصد افزایش دهد.
این توصیه شاید هیچ پشتوانه‌ای نداشته باشد.
اطلاعاتی درباره رقبا، کشش تقاضا، قراردادها یا سیاست فروش در اختیار مدل نیست.
پس بهتر است بین دو نوع پیشنهاد تفاوت بگذاریم.
یکی اقدام قطعی:
قیمت‌ها را افزایش دهید.
و دیگری اقدام برای بررسی:
اثر تغییر قیمت و ترکیب محصولات بر کاهش حاشیه سود بررسی شود.
در اغلب گزارش‌های اولیه، نوع دوم حرفه‌ای‌تر است.
هوش مصنوعی باید به شما کمک کند سؤال مدیریتی درست پیدا کنید، نه اینکه با اطلاعات ناقص برای شرکت نسخه بپیچد.
یک الگوی آماده برای تهیه پیش‌نویس گزارش مدیریتی
این قالب را می‌توانید ذخیره کنید و برای گزارش‌های ماهانه، فروش، هزینه، مطالبات، بودجه و سایر گزارش‌ها تغییر دهید.
در نقش دستیار تحلیل مدیریت مالی عمل کن.
هدف: تهیه پیش‌نویس گزارش مدیریتی درباره [موضوع].
مخاطب: [مدیرعامل / مدیر مالی / هیئت‌مدیره / مدیر واحد].
دوره گزارش: [دوره موردنظر].
منبع اطلاعات: فقط از فایل یا جدول ارائه‌شده استفاده کن.
ابتدا داده‌ها را کنترل کن و تغییرات مهم را محاسبه کن.
سپس موارد را براساس اهمیت برای [سودآوری / نقدینگی / هزینه / فروش / وصول مطالبات / بودجه] اولویت‌بندی کن.
برای هر مورد مشخص کن:
واقعیت موجود در داده چیست؟
چه تغییری رخ داده؟
چرا این تغییر برای مدیریت مهم است؟
برای فهم علت چه اطلاعات دیگری نیاز است؟
چه بررسی یا اقدام بعدی پیشنهاد می‌شود؟
درباره علت اتفاقات بدون شواهد موجود در داده فرض نساز.
اگر اطلاعات کافی نیست صریحاً اعلام کن.
در پایان یک گزارش حداکثر [تعداد] کلمه بنویس.
لحن حرفه‌ای، ساده و مناسب مدیر باشد.
از تکرار تمام اعداد جدول خودداری کن و فقط اعدادی را بیاور که برای فهم پیام گزارش ضروری هستند.
در پایان حداکثر سه موضوع اصلی برای تصمیم یا بررسی مدیریت ارائه کن.
این قالب را قرار نیست هر بار عیناً استفاده کنید.
موضوع، مخاطب و هدف گزارش را تغییر دهید.
اما منطق آن ثابت می‌ماند:
هوش مصنوعی باید بداند چه چیزی مهم است و چه چیزی را حق ندارد حدس بزند.
در صفحه دوره آموزش هوش مصنوعی برای حسابداران، مسیر یادگیری کاربردی و سرفصل‌های دوره را ببینید.
از AI بخواهید بین «واقعیت» و «تفسیر» خط بکشد
یکی از تکنیک‌های بسیار مفید برای گزارش‌های مدیریتی این است که از AI بخواهید خروجی اولیه را در سه ستون ارائه کند:
| واقعیت | برداشت یا پیام مدیریتی | اطلاعات موردنیاز برای تأیید |
|---|---|---|
| فروش ۱۰٪ کاهش یافته | کاهش درآمد نیازمند بررسی است | فروش به تفکیک محصول و مشتری |
| حاشیه سود ۳.۵ واحد درصد کم شده | سودآوری فروش ضعیف‌تر شده | قیمت فروش و بهای تمام‌شده |
| مطالبات ۴۰٪ افزایش یافته | احتمال فشار بیشتر بر نقدینگی | گزارش سنی و مشتریان عمده |
این جدول یک مزیت مهم دارد.
قبل از اینکه متن نهایی نوشته شود، می‌بینید AI کجا از «عدد» به «برداشت» رسیده است.
اگر برداشتی بیش از حد قطعی باشد، همان‌جا اصلاحش می‌کنید.
چه عددهایی باید وارد گزارش شوند؟
فرض کنید فایل شما ۴۰ شاخص دارد.
قرار نیست ۴۰ عدد داخل گزارش یک‌صفحه‌ای بیاید.
سه فیلتر مفید هستند.
بااهمیت بودن
آیا تغییر آن‌قدر بزرگ است که ارزش توجه داشته باشد؟
اثر بر تصمیم
آیا این عدد می‌تواند روی تصمیم مدیریت درباره فروش، نقدینگی، هزینه، سرمایه‌گذاری یا ریسک اثر بگذارد؟
غیرعادی بودن
آیا اتفاقی افتاده که با روند معمول شرکت متفاوت است؟
اگر عددی از هیچ‌کدام از این سه فیلتر عبور نمی‌کند، احتمالاً لازم نیست در متن اصلی گزارش باشد.
می‌تواند در جدول ضمیمه باقی بماند.
نمودار را جای گزارش ننشانید
گاهی بعد از دیدن قابلیت‌های AI وسوسه می‌شویم برای هر عدد یک نمودار بسازیم.
اما یک نمودار خوب باید به یک سؤال جواب بدهد.
مثلاً روند شش‌ماهه مطالبات.
یا مقایسه فروش واقعی با بودجه.
اگر نمودار فقط همان عددهای جدول را رنگی‌تر تکرار کند، ارزش زیادی ایجاد نمی‌کند.
می‌توانید از هوش مصنوعی بپرسید:
از میان این داده‌ها فقط یک نمودار پیشنهاد کن که بیشترین کمک را به فهم پیام اصلی گزارش کند و توضیح بده چرا این نمودار مناسب‌تر است.
این درخواست بهتر از این است:
برای همه داده‌ها نمودار بساز.
حسابدار در گزارش مدیریتی فقط مترجم اعداد نیست
اینجا یک نکته حرفه‌ای مهم وجود دارد.
اگر کار حسابدار فقط این باشد که عدد را از Excel بردارد و به Word منتقل کند، هوش مصنوعی می‌تواند بخش زیادی از آن را انجام دهد.
اما ارزش حرفه‌ای حسابدار در جای دیگری است:
تشخیص بااهمیت بودن، شناخت کسب‌وکار، فهم علت‌های واقعی، سؤال پرسیدن از واحدها، سنجیدن اعتبار اطلاعات و انتقال درست پیام به مدیر.
بنابراین AI احتمالاً اهمیت مهارت گزارش‌نویسی را کم نمی‌کند.
برعکس.
وقتی تولید متن آسان‌تر شود، قدرت تشخیص اینکه چه چیزی ارزش گفتن دارد مهم‌تر می‌شود.
در کتاب الکترونیکی «مهارت‌های کلیدی برای حسابداران» نیز روی همین جنس مهارت‌های حرفه‌ای تأکید کرده‌ام؛ مهارت‌هایی که حسابدار را از کسی که فقط عدد تولید می‌کند به فردی تبدیل می‌کنند که می‌تواند اطلاعات را بفهمد و درست منتقل کند.
این کتاب به‌صورت رایگان در سایت هوشاحساب برای دانلود قرار گرفته است.
دریافت رایگان کتاب ۴۰ مهارت کلیدی برای پیشرفت حرفه‌ای حسابداران ←
چرا «پیش‌نویس» مهم‌تر از «گزارش نهایی» است؟
کلمه پیش‌نویس شاید در نگاه اول کم‌اهمیت به نظر برسد.
اما نوع رابطه ما با AI را مشخص می‌کند.
اگر بگوییم:
گزارش نهایی مدیرعامل را بنویس.
ممکن است ناخودآگاه خروجی را آماده استفاده تصور کنیم.
اما اگر بگوییم:
پیش‌نویس اولیه گزارش را تهیه کن تا توسط مدیر مالی کنترل و تکمیل شود.
از همان ابتدا جایگاه ابزار مشخص است.
هوش مصنوعی:
می‌نویسد.
ساختار می‌دهد.
مقایسه می‌کند.
نکته پیدا می‌کند.
اما تأیید نمی‌کند.
این نگاه یکی از محورهایی است که در کتاب «حسابداری هوشمند با هوش مصنوعی» نیز دنبال کرده‌ام: هوش مصنوعی را نه جایگزین قضاوت حسابدار، بلکه به‌عنوان دستیار حرفه‌ای او ببینیم.
مشاهده معرفی و سرفصل‌های کتاب حسابداری هوشمند با هوش مصنوعی ←
چک‌لیست کنترل گزارش قبل از ارسال به مدیر
حالا فرض کنید پیش‌نویس آماده شده است.
هنوز دکمه Send را نزنید.
این آخرین بخش همان جایی است که ارزش حسابدار خودش را نشان می‌دهد:
اگر یکی از موارد بالا جوابش «نه» است، هنوز گزارش تمام نشده.
پایان ماجرای نرگس
ساعت ۱۰:۳۷ بود.
گزارش یک‌صفحه‌ای روی مانیتور نرگس آماده بود.
بالای صفحه به جای پانزده شاخص، فقط سه پیام اصلی دیده می‌شد:
کاهش فروش و حاشیه سود.
افزایش قابل توجه مطالبات.
فشار بیشتر بر موجودی نقد.
در پایین هر بخش هم مشخص شده بود برای فهمیدن علت، چه گزارشی باید بررسی شود.
نرگس هنوز فایل را برای مدیر مالی نفرستاد.
اول عدد مطالبات را با تراز کنترل کرد.
بعد متوجه شد یکی از درصدهایی که هوش مصنوعی محاسبه کرده بود به دلیل انتخاب دوره مقایسه اشتباه، نیاز به اصلاح دارد.
اصلاحش کرد.
یکی از جمله‌ها را هم حذف کرد، چون درباره علت کاهش حاشیه سود بیش از اطلاعات موجود نتیجه‌گیری کرده بود.
ساعت ۱۰:۵۰ فایل را فرستاد.
مدیر مالی چند دقیقه بعد جواب داد:
«خوبه. فقط گزارش ده مشتری اول مطالبات رو هم برای جلسه آماده کن.»
این شاید بهترین تصویر از استفاده درست هوش مصنوعی در گزارش‌نویسی باشد.
AI پیش‌نویس را سریع‌تر ساخت.
ارتباط بین چند عدد را پیدا کرد.
متن اولیه را نوشت.
اما گزارش زمانی قابل ارسال شد که یک حسابدار آن را فهمید، کنترل کرد و مسئولیتش را پذیرفت.
جدول‌ها می‌توانند بگویند چه عددی داریم.
هوش مصنوعی می‌تواند کمک کند از میان آن اعداد یک روایت اولیه بسازیم.
اما هنوز یک سؤال باقی می‌ماند که پاسخ آن وظیفه حسابدار است:
از میان همه این اعداد، مدیر امروز دقیقاً چه چیزی باید بداند؟
محمدکاظم میرصانع
مدرس و بنیان‌گذار هوشاحساب با ۱۷ سال تجربه در حسابداری، حسابرسی، مالیات و بیمه؛ با تمرکز بر استفاده کاربردی، دقیق و قابل کنترل از هوش مصنوعی در محیط مالی.