پرامپت‌نویسی برای حسابداران؛ چطور از هوش مصنوعی جواب قابل استفاده بگیریم؟

سارا چند دقیقه ای بود به صفحه لپ تاپ خیره شده بود.

فایل مطالبات شرکت را به هوش مصنوعی داده و نوشته بود:

«این فایل رو بررسی کن و یه گزارش خوب بده.»

جواب هم بد نبود. چند پاراگراف مرتب، چند توصیه عمومی درباره پیگیری مطالبات و در پایان هم جمله ای درباره اهمیت مدیریت نقدینگی.

همه چیز ظاهراً حرفه ای بود.

فقط یک مشکل وجود داشت:

تقریباً هیچ کدام به درد جلسه ساعت ۱۱ نمی خورد.

مدیر مالی قرار نبود درباره «اهمیت مدیریت مطالبات» سخنرانی بشنود. او می خواست بداند کدام مشتری ها بیشترین بدهی سررسیدگذشته را دارند، چه مبلغی بیش از ۹۰ روز مانده، تمرکز ریسک روی کدام مشتری هاست و پیگیری از کجا باید شروع شود.

سارا با کمی ناامیدی گفت:

«این هوش مصنوعی ها هم اون قدر که میگن کاربردی نیستن.»

همکارش که صفحه را دیده بود، فقط یک سؤال پرسید:

«اگر همین کار رو می خواستی به یه حسابدار تازه کار بسپری، همین یک جمله رو بهش می گفتی؟»

سارا مکث کرد.

نه.

احتمالاً توضیح می داد فایل چیست، دوره گزارش کدام است، چه چیزهایی مهم اند، چه ستون هایی باید بررسی شوند، چه خروجی ای می خواهد و چه چیزی نباید حدس زده شود.

پس چرا از هوش مصنوعی انتظار داشت با یک جمله مبهم، ذهنش را بخواند؟

همین سؤال، نقطه شروع این مقاله است.

اگر از ChatGPT یا ابزارهای مشابه استفاده کرده اید اما جواب های کلی، کم عمق یا غیرقابل استفاده گرفته اید، ممکن است مشکل فقط از ابزار نباشد.

گاهی مسئله در پرامپت است.

اما پرامپت خوب یعنی چه؟

آیا باید دستورهای چندصفحه ای و عجیب بنویسیم؟

آیا چند کلمه جادویی وجود دارد که هوش مصنوعی را حرفه ای کند؟

و مهم تر از همه: یک حسابدار چطور باید مسئله کاری خودش را برای هوش مصنوعی تعریف کند تا جواب قابل استفاده تری بگیرد؟

بیایید از همین جا شروع کنیم.

پرامپت چیست؟ خیلی ساده تر از چیزی که به نظر می رسد

پرامپت همان چیزی است که به هوش مصنوعی می گویید، می نویسید یا همراه فایل در اختیارش قرار می دهید تا بفهمد چه کاری باید انجام دهد.

پس این جمله هم یک پرامپت است:

این فایل را بررسی کن.

و این هم یک پرامپت است:

فایل پیوست گزارش سنی مطالبات مشتریان در پایان مرداد است. مشتریانی را که مانده سررسیدگذشته بالاتر از ۵۰۰ میلیون تومان دارند جدا کن، مانده بالاتر از ۹۰ روز را مشخص کن و پنج مشتری دارای بیشترین ریسک وصول را صرفاً براساس اطلاعات موجود در فایل معرفی کن. نتیجه را در جدول ارائه بده و درباره علت تأخیر مشتریان چیزی حدس نزن.

هر دو پرامپت اند.

اما احتمال اینکه دومی خروجی قابل استفاده تری ایجاد کند بسیار بیشتر است.

چرا؟

چون هوش مصنوعی بهتر می فهمد:

• فایل چیست
• هدف چیست
• چه چیزی باید بررسی شود
• معیار مهم چیست
• خروجی چه شکلی باشد
• چه چیزی را نباید حدس بزند

پرامپت نویسی در اصل هنر استفاده از کلمات عجیب نیست.

هنر درست تعریف کردن کار است.

اشتباه اول: با هوش مصنوعی مثل موتور جست وجو رفتار نکنید

یکی از عادت هایی که از گوگل به همراه آورده ایم این است که درخواستمان را تا حد ممکن کوتاه کنیم.

مثلاً در گوگل می نویسیم: «نسبت جاری چیست» یا «فرمول مغایرت بانکی».

این روش برای جست وجو قابل فهم است. اما وقتی قرار است هوش مصنوعی برای شما کار انجام دهد، ماجرا فرق می کند.

فرض کنید به همکار خود بگویید: «هزینه ها رو بررسی کن.» اولین سؤالش احتمالاً این است: کدام هزینه ها؟ مربوط به چه دوره ای؟ دنبال چه چیزی هستیم؟ افزایش هزینه مهم است یا طبقه بندی اشتباه؟ گزارش برای چه کسی تهیه می شود؟

هوش مصنوعی هم برای انجام یک کار حرفه ای به همین زمینه نیاز دارد.

بنابراین یک تغییر ذهنیت مهم لازم است:

پرامپت را سؤال از یک دستگاه نبینید؛ آن را بریف کاری برای یک دستیار ببینید.

همین نگاه به ظاهر ساده، کیفیت بسیاری از درخواست ها را تغییر می دهد.

مدل «بریف حسابداری» برای نوشتن یک پرامپت حرفه ای

برای اینکه مجبور نباشید هر بار فرمول های پیچیده حفظ کنید، می توانیم از یک الگوی ساده استفاده کنیم.

قبل از ارسال یک درخواست مهم به هوش مصنوعی، این شش بخش را مشخص کنید:

کار → زمینه → داده → معیار → خروجی → خط قرمز

بیایید هرکدام را با یک مثال حسابداری باز کنیم.

۱. کار: دقیقاً چه می خواهید؟

به جای «فایل را بررسی کن» بگویید: «مشتریان دارای مانده سررسیدگذشته را شناسایی کن.»

یا: «تغییرات غیرعادی هزینه های اداری سه ماه اخیر را پیدا کن.»

یا: «از این قرارداد، تعهدات مالی طرفین را استخراج کن.»

هرچه مأموریت روشن تر باشد، احتمال پراکندگی جواب کمتر می شود.

۲. زمینه: هوش مصنوعی چه چیزی درباره مسئله نمی داند؟

شما ممکن است بدانید فایل مربوط به شعبه تهران است. هوش مصنوعی نمی داند. شما می دانید این گزارش برای مدیرعامل تهیه می شود. AI نمی داند. می دانید شرکت بازرگانی است و فروش فصلی دارد. باز هم هوش مصنوعی الزاماً نمی داند.

همین اطلاعات گاهی معنی اعداد را تغییر می دهد.

مثلاً: «این فایل مربوط به هزینه های ماهانه یک شرکت بازرگانی است. گزارش قرار است برای جلسه مدیر مالی تهیه شود و هدف، شناسایی افزایش های غیرعادی نسبت به سه ماه گذشته است.»

فقط دو جمله اضافه کردیم، اما مسئله بسیار واضح تر شد.

۳. داده: دقیقاً بر چه اطلاعاتی باید تکیه کند؟

یکی از خطاهای خطرناک این است که هوش مصنوعی فاصله بین اطلاعات را خودش پر کند.

برای جلوگیری از این موضوع روشن کنید: «فقط براساس فایل پیوست تحلیل کن.» یا «برای محاسبات فقط از ستون های مبلغ، تاریخ و کد مشتری استفاده کن.» یا «اگر اطلاعات لازم در فایل موجود نیست، آن را اعلام کن و فرض نساز.»

این قسمت در مسائل مالی اهمیت ویژه ای دارد. چون یک تحلیل زیبا که بر پایه یک فرض اشتباه ساخته شده باشد، هنوز هم اشتباه است.

۴. معیار: دنبال چه چیزی بگردد؟

فرض کنید هزار ردیف هزینه دارید. عبارت «موارد غیرعادی را پیدا کن» هنوز کمی مبهم است. غیرعادی از چه نظر؟

می توانید معیار بدهید: «هزینه هایی را که نسبت به میانگین سه ماه گذشته بیش از ۳۰ درصد افزایش داشته اند مشخص کن.» یا «تراکنش هایی را که مبلغ یکسان، تاریخ یکسان و شرح مشابه دارند به عنوان ثبت تکراری احتمالی بررسی کن.»

یا حتی معیار را به خود AI نسپارید و ابتدا از آن کمک بگیرید: «قبل از تحلیل، پنج معیار مناسب برای شناسایی موارد غیرعادی در این فایل پیشنهاد بده. بعد از تأیید من تحلیل را انجام بده.»

این روش در کارهای پیچیده بسیار مفید است.

۵. خروجی: جواب قرار است چه شکلی باشد؟

فرض کنید بهترین تحلیل دنیا در قالب ده پاراگراف طولانی ارائه شود، در حالی که شما پنج دقیقه دیگر جلسه دارید. عملاً به کارتان نمی آید.

پس شکل خروجی را هم تعریف کنید: «نتیجه را در جدول چهارستونه ارائه کن.» یا «گزارش حداکثر ۲۰۰ کلمه و مناسب ارائه به مدیرعامل باشد.» یا «ابتدا سه یافته اصلی را بگو، سپس جزئیات را ارائه کن.» یا «ردیف های مشکوک را همراه شماره ردیف فایل مشخص کن.»

گاهی فقط تعیین شکل خروجی، کیفیت استفاده از پاسخ را به طور محسوسی بهتر می کند.

۶. خط قرمز: هوش مصنوعی چه کاری نباید انجام دهد؟

این بخش برای حسابداران حیاتی است.

مثلاً بنویسید: «درباره علت افزایش هزینه ها بدون شواهد نتیجه گیری نکن.» یا «هیچ ماده قانونی یا شماره بخشنامه ای را حدس نزن.» یا «موارد مشکوک را خطا اعلام نکن؛ فقط برای بررسی حسابدار علامت گذاری کن.» یا «اگر داده برای نتیجه گیری کافی نیست صریحاً بگو.»

یک پرامپت حرفه ای فقط نمی گوید چه کار کن. گاهی مشخص می کند چه کار نکن.

یک مثال واقعی تر: از پرامپت یک خطی تا دستور کاری حرفه ای

فرض کنید فایل هزینه های شرکت را دارید.

نسخه اول

هزینه های این فایل را بررسی کن.

این درخواست آن قدر باز است که تقریباً هر جوابی می تواند پاسخ آن باشد.

نسخه دوم

هزینه های غیرعادی این فایل را پیدا کن.

بهتر شد، اما هنوز معلوم نیست «غیرعادی» یعنی چه.

نسخه سوم

فایل پیوست شامل هزینه های شش ماه اخیر شرکت است. هزینه های هر سرفصل را ماه به ماه مقایسه کن و مواردی را که نسبت به میانگین سه ماه قبل بیش از ۳۰ درصد افزایش داشته اند مشخص کن. نتیجه را در جدول شامل نام سرفصل، مبلغ ماه جاری، میانگین سه ماه قبل و درصد تغییر ارائه بده. اگر علت افزایش از اطلاعات فایل قابل تشخیص نیست، علت سازی نکن و فقط بنویس «نیازمند بررسی».

این دیگر فقط یک سؤال نیست.

یک دستور کار است.

و دقیقاً به همین دلیل احتمال دریافت خروجی مفیدتر بیشتر می شود.

آیا هرچه پرامپت طولانی تر باشد بهتر است؟

نه. این یکی از سوءتفاهم های رایج درباره پرامپت نویسی است.

گاهی افراد تصور می کنند یک پرامپت حرفه ای باید دو صفحه باشد، ده نقش تعریف کند و پر از عبارت های پیچیده باشد.

در حالی که هدف، طولانی نوشتن نیست؛ ابهام را کم کردن است.

مثلاً برای درخواست ساده «متن زیر را برای ارسال به مدیر مالی رسمی تر و کوتاه تر کن. مفهوم و اعداد را تغییر نده.» واقعاً نیازی به یک پرامپت ۵۰۰ کلمه ای ندارید.

اما برای تحلیل یک فایل بزرگ حسابداری، شرایط فرق می کند.

به اندازه پیچیدگی کار توضیح بدهید، نه بیشتر.

یک کار ساده پرامپت ساده می خواهد. یک مأموریت حساس و چندمرحله ای، توضیح بیشتری نیاز دارد.

بزرگ ترین اشتباه: پنج کار را یکجا روی میز AI نریزید

فرض کنید چنین پرامپتی می نویسید:

این فایل فروش رو بررسی کن، مغایرت ها رو پیدا کن، گزارش مدیریت بساز، نمودار بکش، پیش بینی ماه بعد بده، پیشنهاد افزایش فروش بده و ثبت های حسابداری مرتبط رو هم بگو.

شاید هوش مصنوعی جواب بدهد. اما شما چند مأموریت مختلف را داخل یک درخواست ریخته اید.

در کارهای جدی بهتر است مسئله را مرحله ای جلو ببرید.

1. ابتدا ساختار فایل را بررسی کن و بگو چه ستون ها و چه محدودیت هایی دارد.
2. حالا بر اساس ستون های موجود، تغییرات فروش را تحلیل کن.
3. سه مورد مهم را که برای مدیر مالی اهمیت بیشتری دارند جدا کن.
4. بر اساس همین یافته ها یک گزارش مدیریتی کوتاه تهیه کن.

این شیوه یک مزیت بزرگ دارد:

در هر مرحله می توانید مسیر را کنترل کنید.

اگر هوش مصنوعی در مرحله اول برداشت اشتباهی از فایل داشته، قبل از اینکه گزارش نهایی روی همان اشتباه ساخته شود متوجه می شوید.

تکنیک سه مرحله ای برای کارهای مهم حسابداری

مرحله اول: بفهم

اول از AI بخواهید اطلاعات را بشناسد.

قبل از هر تحلیلی ساختار فایل، نام ستون ها، نوع اطلاعات و مشکلات احتمالی داده را توضیح بده.

مرحله دوم: تحلیل کن

حالا مشتریان دارای بدهی سررسیدگذشته بیش از ۶۰ روز را تحلیل کن.

مرحله سوم: نقد کن

حالا نتیجه خودت را نقد کن. بگو برای تصمیم گیری درباره وصول مطالبات چه اطلاعات مهمی در اختیار نداری و کدام نتیجه ها نیازمند بررسی حسابدار هستند.

این مرحله سوم جای کنترل مستقل شما را نمی گیرد. اگر هوش مصنوعی خودش پاسخ را نقد کند، ممکن است بعضی ضعف ها را پیدا کند، اما باز هم نمی توان از آن انتظار داشت تمام اشتباهات خودش را کشف کند.

کنترل انسانی همچنان مرحله آخر است.

۵ اشتباه رایج حسابداران در نوشتن پرامپت

اشتباه ۱: درخواست مبهم

«اینو تحلیل کن.» این چیست و تحلیل از چه زاویه ای؟

اشتباه ۲: ندادن زمینه

«یک گزارش مدیریتی بنویس.» گزارش برای مدیرعامل است یا رئیس حسابداری؟ تصمیمی قرار است با آن گرفته شود یا فقط گزارش عملکرد است؟

اشتباه ۳: مشخص نکردن منبع اطلاعات

اگر نگویید فقط براساس فایل تحلیل کند، ممکن است پاسخ شامل توضیحات یا فرض هایی خارج از داده شما شود.

اشتباه ۴: اعتماد به اولین پاسخ

پرامپت نویسی یک شلیک تک گلوله ای نیست. جواب را ببینید و اگر کمبود دارد، دقیق ترش کنید؛ مثلاً بگویید «این قسمت خیلی کلی است؛ فقط روی سه مشتری اول تمرکز کن.»

اشتباه ۵: قاطی کردن تحلیل با تصمیم نهایی

به جای اینکه فقط بپرسید «این هزینه قابل قبول مالیاتی هست یا نه؟»، مسیر بررسی را بخواهید: چه اطلاعات و مستنداتی باید کنترل شوند، چه منبع رسمی و به روزی لازم است و کجا اطلاعات برای نتیجه قطعی کافی نیست.

اینجا به جای درخواست یک «حکم»، از AI برای ساختن مسیر بررسی استفاده کرده اید. این تفاوت مهمی است.

نقش دادن به هوش مصنوعی؛ مفید است یا فقط یک ترفند؟

احتمالاً پرامپت هایی دیده اید که با این جمله شروع می شوند: «تو یک حسابدار ارشد با ۲۰ سال سابقه هستی…»

آیا این جمله جادویی است؟ نه.

نقش دادن زمانی مفید است که کمک کند زاویه پاسخ مشخص شود.

مثلاً «در نقش مدیر مالی این گزارش را بررسی کن و فقط موارد مهم برای تصمیم گیری مدیریت را استخراج کن.» با «در نقش حسابرس داخلی این اطلاعات را بررسی کن و نقاط نیازمند کنترل بیشتر را مشخص کن.» زاویه تحلیل یکسان نیست.

پس نقش می تواند مفید باشد، ولی نباید تصور کنیم فقط با نوشتن «تو بهترین حسابدار جهان هستی» خروجی ناگهان بی خطا می شود.

نقش، جای داده، معیار و کنترل را نمی گیرد.

مثال کاربردی: تحلیل مطالبات با یک پرامپت بهتر

برگردیم به سارا و گزارش مطالبات. بعد از صحبت با همکارش، پرامپت را دوباره نوشت:

فایل پیوست گزارش سنی مطالبات مشتریان در پایان مرداد است و قرار است برای جلسه مدیر مالی استفاده شود. ابتدا ساختار فایل را بررسی کن و مطمئن شو ستون های نام مشتری، مانده، تاریخ سررسید و مدت تأخیر را درست تشخیص داده ای. سپس: ۱. ده مشتری دارای بیشترین مانده سررسیدگذشته را مشخص کن. ۲. مشتریانی را که بیش از ۹۰ روز از سررسیدشان گذشته جدا کن. ۳. سهم پنج مشتری اول از کل مطالبات سررسیدگذشته را محاسبه کن. ۴. مواردی را که اطلاعاتشان ناقص است مشخص کن. نتیجه را ابتدا در جدول ارائه بده و بعد سه نکته مهم برای مدیر مالی بنویس. درباره علت عدم پرداخت مشتریان هیچ فرضی نساز، چون اطلاعات مذاکره و سابقه مشتری در این فایل وجود ندارد.

این بار خروجی فرق داشت. نه به این دلیل که هوش مصنوعی ناگهان باهوش تر شده بود، بلکه چون مسئله بهتر تعریف شده بود.

یک پرامپت حرفه ای باید قابل کنترل باشد

فرض کنید هوش مصنوعی می گوید: «مشتری الف ۲.۳ میلیارد تومان بدهی بیش از ۹۰ روز دارد.»

شما باید بتوانید بپرسید: «این عدد را از کدام ردیف ها محاسبه کردی؟» یا «روش محاسبه را مرحله به مرحله توضیح بده.» یا «جدول مبنای این جمع را جداگانه ارائه کن.»

در حسابداری، خروجی ای که نتوانید رد آن را تا داده اولیه دنبال کنید، ارزش کمتری دارد.

به همین دلیل هنگام نوشتن پرامپت فقط دنبال جواب نباشید؛ دنبال جواب قابل کنترل باشید.

مثلاً به جای «مغایرت ها را پیدا کن» بگویید: «برای هر مغایرت شماره ردیف و دلیل تشخیص را نیز ارائه کن.»

این چند کلمه کوچک، امکان کنترل را بسیار بهتر می کند.

پرامپت نویسی خوب بخشی از مهارت حل مسئله است

ممکن است در نگاه اول تصور کنیم پرامپت نویسی یک مهارت کاملاً فنی است.

اما اگر دقیق تر نگاه کنیم، یک حسابدار برای نوشتن پرامپت خوب باید بتواند مسئله را درست تعریف کند، اطلاعات ضروری را از اطلاعات اضافی جدا کند، معیار کنترل تعیین کند، خروجی موردنیاز مدیر را بشناسد، محدودیت های کار را تشخیص دهد و پاسخ را نقد کند.

این ها فقط مهارت هوش مصنوعی نیستند. بخش زیادی از آنها همان مهارت های یک حسابدار حرفه ای هستند.

هوش مصنوعی فقط یک آینه جدید جلوی این مهارت ها گذاشته است.

اگر مسئله را مبهم بفهمیم، احتمالاً مبهم هم توضیحش می دهیم. و اگر خوب ندانیم دقیقاً دنبال چه خروجی ای هستیم، AI هم نمی تواند آن را از ذهن ما بیرون بکشد.

به همین دلیل در کنار مهارت های فنی، توسعه مهارت هایی مانند حل مسئله، تفکر نقادانه، ارتباط حرفه ای و گزارش دهی اهمیت زیادی دارد.

در کتاب الکترونیکی «مهارت های کلیدی برای حسابداران» به همین جنس مهارت های حرفه ای پرداخته ام. این کتاب به صورت رایگان در سایت هوشاحساب برای دانلود قرار گرفته است و می تواند مسیر مکمل خوبی در کنار یادگیری ابزارهای هوش مصنوعی باشد.

دریافت رایگان کتاب ۴۰ مهارت کلیدی برای پیشرفت حرفه‌ای حسابداران

پرامپت خوب را ذخیره کنید، دوباره از صفر شروع نکنید

فرض کنید هر ماه گزارش مطالبات تهیه می کنید. اگر یک پرامپت خوب برای آن ساخته اید، چرا ماه بعد دوباره از صفر بنویسید؟

یک فایل ساده بسازید: «کتابخانه پرامپت های حسابداری من»

و پرامپت ها را براساس کار دسته بندی کنید:

• گزارش مدیریتی
• مطالبات
• بانک
• حقوق و دستمزد
• قراردادها
• Excel
• کنترل اسناد
• مالیات
• مکاتبات

بعد از هر بار استفاده، پرامپت را کمی بهتر کنید.

مثلاً کنار آن یادداشت کنید: «دفعه بعد شماره ردیف فایل را هم در خروجی بخواه.» یا «برای مدیرعامل نسخه کوتاه تر لازم است.»

بعد از چند ماه شما فقط مجموعه ای از پرامپت ها ندارید.

مجموعه ای از روش های کاری استاندارد دارید که بخشی از تجربه حسابداری شما داخلشان ثبت شده است.

اینجاست که استفاده از AI از چند سؤال پراکنده عبور می کند و به یک سیستم کاری نزدیک می شود.

آیا می شود یک پرامپت مادر برای همه کارهای حسابداری داشت؟

می شود یک قالب پایه داشت، اما یک پرامپت واحد برای همه چیز ایده خوبی نیست.

تحلیل مطالبات با بررسی قرارداد فرق دارد. گزارش مدیریتی با تحقیق مالیاتی فرق دارد. کنترل فایل حقوق با نوشتن نامه پیگیری بدهی فرق دارد.

اما می توانید این قالب را برای بسیاری از کارها شخصی سازی کنید:

کار: می خواهم [وظیفه دقیق] را انجام دهی. زمینه: این اطلاعات مربوط به [شرکت / دوره / فرایند / هدف] است. داده: فقط از [فایل / متن / اطلاعات ارائه شده] استفاده کن. معیار بررسی: موارد زیر برای من اهمیت دارند: [معیارها]. خروجی: نتیجه را به شکل [جدول / گزارش / چک لیست / فهرست] ارائه کن. محدودیت: [اطلاعات نساز / علت حدس نزن / منبع جعلی ارائه نکن / موارد مشکوک را قطعی اعلام نکن]. کنترل: برای هر نتیجه مهم، مبنای آن را نیز مشخص کن تا بتوانم بررسی کنم.

این قالب را ذخیره کنید. هر بار فقط بخش های داخل آن را براساس مسئله واقعی تغییر دهید.

۵ پرامپت آماده متفاوت برای کارهای حسابداری

۱. تحلیل سنی مطالبات

فایل پیوست گزارش سنی مطالبات است. مشتریان دارای بیشترین مانده سررسیدگذشته را مشخص کن و مطالبات را براساس کمتر از ۳۰ روز، ۳۰ تا ۶۰، ۶۰ تا ۹۰ و بیش از ۹۰ روز دسته بندی کن. سهم هر گروه از کل مطالبات را محاسبه کن. نتیجه را در جدول ارائه بده و پنج موردی را که برای پیگیری وصول اهمیت بیشتری دارند مشخص کن. درباره علت عدم پرداخت مشتریان چیزی حدس نزن.

۲. تحلیل انحراف هزینه

اطلاعات بودجه و عملکرد واقعی هزینه ها را بررسی کن. برای هر سرفصل مبلغ انحراف و درصد انحراف را محاسبه کن. مواردی را که انحراف آنها بیش از ۱۵ درصد است جداگانه مشخص کن. فقط براساس داده های موجود تحلیل کن و درباره علت انحراف، در صورت نبود اطلاعات کافی، فرض نساز. خروجی را به شکلی تهیه کن که مدیر مالی بتواند در کمتر از سه دقیقه مرور کند.

۳. کنترل اولیه حقوق و دستمزد

فایل پیوست مربوط به محاسبات حقوق و دستمزد این ماه است. قبل از تحلیل، ساختار ستون ها را بررسی کن. سپس موارد غیرعادی مانند تغییر قابل توجه حقوق نسبت به ماه قبل، کارکرد غیرمتعارف، اضافه کاری غیرعادی، اطلاعات ناقص و موارد احتمالی تکراری را شناسایی کن. هیچ موردی را اشتباه قطعی اعلام نکن. برای هر مورد دلیل نیاز به بررسی را ذکر کن.

۴. طبقه بندی تراکنش های بانکی

شرح تراکنش های بانکی موجود در فایل را بررسی کن و براساس الگوهای موجود، برای هر تراکنش یک «طبقه پیشنهادی» ارائه بده. اگر برای طبقه بندی یک ردیف اطمینان کافی وجود ندارد، آن را در گروه «نیازمند بررسی حسابدار» قرار بده. هیچ حساب یا کدینگ جدیدی را بدون دستور من نساز. در خروجی، شرح اصلی تراکنش نیز حفظ شود.

۵. آماده شدن برای جلسه با مدیرعامل

اطلاعات مالی زیر قرار است در جلسه مدیرعامل مطرح شود. نقش تو این نیست که گزارش طولانی تهیه کنی. پنج نکته ای را پیدا کن که احتمالاً برای تصمیم گیری مدیریت مهم ترند. برای هر نکته بنویس: «چه اتفاقی افتاده؟»، «چرا ارزش بررسی دارد؟» و «مدیریت چه سؤالی باید بپرسد؟». اگر علت یک تغییر از داده ها مشخص نیست، آن را به صورت سؤال مطرح کن، نه نتیجه قطعی.

قبل از زدن Enter این چک لیست را نگاه کنید

لازم نیست برای هر سؤال ساده این مراحل را انجام دهید. اما اگر کار مهم است، قبل از ارسال پرامپت پنج ثانیه وقت بگذارید و ببینید:

• آیا دقیقاً گفته ام چه کاری می خواهم؟
• آیا زمینه لازم را داده ام؟
• آیا مشخص کرده ام AI روی چه داده ای کار کند؟
• آیا معیار بررسی روشن است؟
• آیا شکل خروجی را گفته ام؟
• آیا مشخص کرده ام چه چیزی را نباید حدس بزند؟
• آیا می توانم نتیجه را بعداً کنترل کنم؟

اگر پاسخ بیشتر این سؤال ها «بله» باشد، احتمالاً پرامپت شما از بسیاری از درخواست های روزمره حرفه ای تر است.

یک نکته درباره اطلاعات محرمانه

پرامپت حرفه ای فقط به معنی گرفتن جواب بهتر نیست. باید بدانیم چه اطلاعاتی را اصلاً نباید بدون بررسی وارد ابزار کنیم.

قبل از بارگذاری فایل های واقعی شرکت، به مواردی مانند این ها توجه کنید:

• اطلاعات هویتی کارکنان
• اطلاعات بانکی
• حقوق افراد
• اطلاعات مشتریان
• قراردادهای محرمانه
• رمزها و اطلاعات دسترسی
• داده های تجاری حساس

نوع سرویس، تنظیمات حریم خصوصی، سیاست سازمان و مجوز استفاده از داده ها باید بررسی شود.

اگر برای تمرین نیازی به اطلاعات واقعی ندارید، اعداد را تغییر دهید، نام ها را حذف کنید یا از فایل نمونه استفاده کنید.

راحتی استفاده از AI نباید باعث شود اصول محرمانگی حسابداری فراموش شود.

از پرامپت نویسی تا «دستیار حرفه ای حسابدار»

اگر فقط گاهی از ChatGPT سؤال می پرسید، پرامپت نویسی می تواند کیفیت همان سؤال ها را بهتر کند.

اما مرحله بعد جذاب تر است.

تصور کنید برای کارهای تکراری خودتان دستورالعمل مشخص دارید، فایل ورودی مشخص است، معیار کنترل مشخص است، خروجی استاندارد دارید و مرحله کنترل انسانی هم تعریف شده است.

در این حالت دیگر AI فقط یک چت بات نیست. کم کم بخشی از یک فرایند کاری می شود.

این همان نگاهی است که در کتاب «حسابداری هوشمند با هوش مصنوعی» دنبال کرده ام؛ یعنی حرکت از سؤال های پراکنده به سمت تبدیل هوش مصنوعی به یک دستیار حرفه ای برای حسابدار.

پرامپت نویسی در این مسیر نقطه پایان نیست. یکی از ابزارهای شروع است.

مشاهده کتاب حسابداری هوشمند با هوش مصنوعی

پایان ماجرای سارا

ساعت ۱۰:۳۵ بود.

گزارش جدید آماده شده بود.

این بار به جای چند پاراگراف عمومی، سارا جدولی داشت که ده مشتری اصلی، مانده سررسیدگذشته، مطالبات بیش از ۹۰ روز و تمرکز ریسک را نشان می داد.

اما هنوز گزارش را برای مدیر مالی نفرستاد.

دو عدد را با فایل اصلی کنترل کرد.

یکی درست بود.

دومی به دلیل یک ردیف ناقص نیاز به اصلاح داشت.

آن را اصلاح کرد، سه نکته مدیریتی را دوباره خواند و گزارش را فرستاد.

هوش مصنوعی همان هوش مصنوعی یک ساعت قبل بود.

چیزی که تغییر کرده بود، کیفیت تعریف مسئله بود.

و شاید این مهم ترین نکته پرامپت نویسی برای یک حسابدار باشد:

لازم نیست با هوش مصنوعی به زبان پیچیده ای صحبت کنید.

لازم است خودتان بدانید چه می خواهید.

هرچه مسئله را دقیق تر ببینید، بهتر می توانید آن را توضیح دهید.

هرچه بهتر توضیح دهید، احتمال اینکه AI خروجی مفیدتری بدهد بیشتر می شود.

و هرچقدر هم خروجی خوب باشد، مرحله آخر هنوز سر جای خودش است:

کنترل حسابدار.

هوش مصنوعی می تواند سریع بنویسد، محاسبه کند، دسته بندی کند و پیشنهاد بدهد.

اما این حسابدار است که باید تشخیص دهد:

آیا این جواب واقعاً قابل اتکاست یا فقط خوب به نظر می رسد؟

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.