Trzy z pięciu największych firm audytorskich na świecie zwiększyły w 2024 roku budżety na technologie AI o ponad 40 procent. Powód jest prozaiczny: rosnąca złożoność sprawozdań finansowych, zmieniające się przepisy i setki tysięcy transakcji do przejrzenia w tydzień. Człowiek nie wyrabia. Nowa klasa modeli, uczących się bez nadzoru i myślących w sposób weryfikowalny, zaczyna zmieniać tę dynamikę.
Problem nie w braku danych, tylko w czasie ich analizy
Dyrektor finansowy dużej sieci handlowej powiedział mi niedawno: 'Mamy wszystkie dane, ale nie mamy czasu ich przeczytać. Audytorzy zewnętrzni próbkują losowo, trafiają na banalne faktury za sprzątanie biura, a ryzykowna optymalizacja podatkowa przechodzi bokiem'. To nie jest odosobniony przypadek. W próbkowaniu audytorskim przy standardowym budżecie czasowym bada się około 5 do 10 procent transakcji. Reszta pozostaje niesprawdzona. Oszustwa i błędy, z definicji, są zaprojektowane tak, żeby wyglądały na zwykłe.
Równolegle rośnie ciśnienie regulacyjne: dyrektywa CSRD wymusza szczegółowe raportowanie ESG i łańcuchów dostaw, KSeF w Polsce zmieni sposób fakturowania, a standardy AML wymagają analizy powiązań, a nie tylko pojedynczych przelewów. Tradycyjne narzędzia audytowe podnoszą flagę przy przekroczeniu progu kwotowego, ale są ślepe na subtelne wzorce.
Co wnosi skalowanie do biliona parametrów
Praca nad Ring-Zero, modelem o bilionie parametrów trenowanym metodą uczenia przez wzmacnianie (zero RL), zmienia punkt ciężkości. Do tej pory, żeby nauczyć model rozumowania, potrzebne były dane z adnotacjami ludzkimi: audytor musiał wskazać 'tu jest błąd, bo paragraf X, a tu nie ma'. To drogie i powolne. Zero RL zastępuje to zasadą: nagroda za odpowiedź poprawną i weryfikowalną automatycznie.
W kontekście audytu weryfikowalna nagroda może pochodzić z samej struktury księgowej. Zapis jest prawidłowy, jeśli bilans się zgadza, konta korespondują zgodnie z planem kont, a ścieżka dokumentów (PO, faktura, płatność) jest kompletna. Model uczy się sam, analizując setki tysięcy takich przypadków i otrzymując sygnał zwrotny od systemu księgowego, bez udziału człowieka. Skalując to do biliona parametrów, autorzy Ring-Zero uzyskali skokową poprawę efektywności próbkowania i wyższy pułap dokładności. Praktyczny efekt: model uczy się szybciej na mniejszej liczbie przykładów i osiąga lepsze wyniki.
Audyt z wyjaśnialnym łańcuchem myśli i samoweryfikacją
Największym problemem z dotychczasowym AI w audycie nie była celność, tylko czarna skrzynka. Pokazywała flagę 'transakcja podejrzana', ale audytor nie wiedział dlaczego. Ring-Zero spontanicznie rozwinął podczas treningu zachowanie zwane samoweryfikacją i równoległym rozumowaniem.
Przełóżmy to na konkretny scenariusz. Spółka z grupy kapitałowej księguje transakcję licencyjną na 2 miliony euro z podmiotem zależnym w Irlandii. Model nie tylko wskazuje tę transakcję jako wartą sprawdzenia. Generuje trzy równoległe ścieżki analizy: (1) weryfikacja cen transferowych zgodnie z metodą TNMM i porównanie marży z benchmarkami za 2023 rok, (2) sprawdzenie przepływów pieniężnych, czy fizycznie opuściły konto i czy na koniec kwartału nie wróciły jako pożyczka, (3) analiza dokumentacji: brakuje aneksu przedłużającego umowę, a data wygaśnięcia minęła. Każda ścieżka kończy się konkluzją z odniesieniem do konkretnego paragrafu ustawy lub wytycznej OECD. Model potrafi też sam siebie skorygować: gdy w pierwszym podejściu błędnie zakłada stawkę rynkową z 2022 roku, w drugim obiegu sprawdza dostępność nowszych danych i aktualizuje wniosek.
Dla audytora to różnica między 'sprawdź, może coś jest nie tak' a 'masz trzy konkretne powody, żeby to zbadać, z uzasadnieniem prawnym i ścieżką dokumentów'.
Korzyści i rachunek ekonomiczny
Szacuję, że wdrożenie takiego systemu w średniej wielkości firmie audytorskiej (50 biegłych rewidentów) może przełożyć się na konkretne oszczędności czasowe. Przy koszcie godziny pracy audytora na poziomie 300-500 złotych, redukcja czasu analizy wstępnej o 30 godzin na jednym badaniu średniej spółki daje od 9 do 15 tysięcy złotych oszczędności na zleceniu. Przy 40 zleceniach rocznie to 360-600 tysięcy złotych. Do tego dochodzi redukcja ryzyka przeoczenia: jeden niewykryty błąd materiałny to dla firmy audytorskiej potencjalny koszt procesu i utraty reputacji liczony w milionach.
Kluczowa jest też zmiana w próbkowaniu. Zamiast losowych 5 procent, model może przeanalizować 100 procent transakcji i wskazać te do ręcznej weryfikacji z dokładnością i wyjaśnieniem. To nie jest zastąpienie audytora, tylko radykalne zwiększenie jego zasięgu.
Co dalej
Technologia Ring-Zero nie jest produktem komercyjnym, to kierunek badań. Ale implikacje dla audytu są czytelne: samoweryfikujące się modele z wyjaśnialnym tokiem rozumowania adresują dokładnie tę bolączkę, która blokowała adopcję AI w tej branży. Firmy audytorskie, które teraz zaczną budować wewnętrzne zbiory danych z anotacjami weryfikowalnymi (a każda zamknięta księga i skorygowany błąd to taki zbiór), będą pierwsze do wdrożenia, gdy modele tej klasy staną się dostępne. Jeśli jesteś dyrektorem finansowym, zapytaj swojego audytora, czy planuje pilotaż analizy 100 procent transakcji z AI. Jeśli usłyszysz 'nie', prawdopodobnie za dwa lata zmienisz audytora.
- Analiza 100% transakcji zamiast losowych 5-10%
- Trzy równolegle sciezki rozumowania dla kazdej anomalii
- Redukcja czasu audytu o 30-50 godzin na zlecenie
- Pelna wyjasnialnosc kazdej decyzji z podstawa prawna
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Ring-Zero: Scaling Zero RL to a Trillion Parameters for Emergent Reasoning
Autorzy: Xinyu Tang, Gangqiang Cao, Yurou Liu, Yuliang Zhan, Xiaochong Lan i in.
Reinforcement learning with verifiable rewards without human-annotated data, often referred to as zero RL, has emerged as a powerful paradigm for eliciting chain-of-thought reasoning. However, due to computational constraints, existing studies are largely restricted to small models, leaving the t...
arXiv: arxiv.org/abs/2607.12395
Czytaj więcej o tej technologii: Ring-Zero: bilion parametrów i model, który sam wymyśla jak myśleć
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
