التعلم الآلي في التدقيق: دليل 2026

ملخص سريع: يُحدث التعلّم الآلي نقلة نوعية في مجال التدقيق من خلال تمكين المراقبة المستمرة، واختبار جميع البيانات، والتعرّف الآلي على الأنماط. ويستفيد المدققون من خوارزميات التعلّم الآلي لتقييم المخاطر، وكشف الاحتيال، والتحليلات التنبؤية، ما يُحوّلهم من أخذ العينات بأثر رجعي إلى ضمان الجودة في الوقت الفعلي، في حين يواجهون تحديات الحوكمة المتعلقة بالشفافية وجودة البيانات.

لم يقتصر الأمر على تطور التدقيق فحسب، بل شهد تحولاً جذرياً. تقوم خوارزميات التعلم الآلي الآن بتحليل مجموعات المعاملات بأكملها، واكتشاف الحالات الشاذة في أجزاء من الثانية، والتنبؤ بأنماط المخاطر التي لا يمكن للمدققين البشريين رصدها يدوياً.

بحسب مجلس مراقبة محاسبة الشركات العامة (PCAOB)، تُدقق شركات المحاسبة الأربع الكبرى ما يقارب 801 تريليون دولار من القيمة السوقية للشركات الأمريكية العامة، وتتسابق هذه الشركات لتطبيق أنظمة التعلم الآلي التي تعد باختبارات تصل إلى 100 تريليون دولار مقارنةً بأساليب المعاينة التقليدية. ولكن ما الذي يعنيه هذا التحول التكنولوجي فعلياً لجودة التدقيق، والحكم المهني، ودور المدقق المتطور؟

الإجابة ليست واضحة. صحيح أن التعلم الآلي يوفر السرعة والنطاق، لكنه يُحدث أيضاً ثغرات في الحوكمة، وتحديات في الشفافية، ومتطلبات مهارات جديدة.

فهم أساسيات التعلم الآلي للمدققين

التعلم الآلي ليس سحراً، بل هو التعرف على الأنماط على نطاق واسع. يحدد مجلس معايير التدقيق والتأكيد الدولية (IAASB) عملية من خمس خطوات تشكل أساس أي تطبيق تدقيق قائم على التعلم الآلي:

1. الحصول على البيانات وتنظيمها
2. اختر نموذجًا (خوارزمية واحدة أو أكثر)
3. تدريب النموذج
4. تقييم الأداء
5. ضبط المعلمات بدقة

جودة البيانات هي العامل الحاسم في كل شيء. تواجه فرق التدقيق تحديات كبيرة في إعداد مجموعات البيانات للتحليل قبل أن تتمكن أي خوارزميات من معالجتها بفعالية.

عادةً ما تتبع نسبة التدريب إلى الاختبار تقسيمًا بنسبة 70/30: حيث يقوم 70% من البيانات المتاحة بتدريب الخوارزمية على التعرف على الأنماط، بينما يقوم 30% المتبقي بالتحقق مما إذا كانت تلك الأنماط صحيحة في سيناريوهات غير مرئية.

تطوير أدوات الذكاء الاصطناعي لعمليات التدقيق باستخدام AI Superior

متفوقة الذكاء الاصطناعي تُطوّر هذه الشركة حلولاً تعتمد على الذكاء الاصطناعي والتعلم الآلي لتحليل البيانات، والتحليلات التنبؤية، وذكاء الأعمال، وتحليلات البيانات الضخمة، ومعالجة اللغات الطبيعية، وتطوير البرمجيات المخصصة. يُمكن لعملها أن يُساعد في تحويل البيانات الخام أو المتناثرة أو المعقدة إلى أدوات تدعم مراجعة أسرع واتخاذ قرارات أكثر وضوحاً.

بالنسبة لفرق التدقيق، يمكن أن يدعم هذا تقييم المخاطر، ومراجعة المستندات، واكتشاف الحالات الشاذة، وفحص المعاملات، أو مهام التدقيق الأخرى التي تتطلب كميات كبيرة من البيانات.

هل تحتاج إلى ربط الذكاء الاصطناعي ببيانات التدقيق؟

يمكن أن تساعدك تقنية الذكاء الاصطناعي المتفوقة في:

• إنشاء نماذج التعلم الآلي
• بناء أدوات تحليل البيانات وذكاء الأعمال
• أفكار أتمتة الاختبار مع إثبات المفهوم أو الحد الأدنى من المنتج القابل للتطبيق
• ربط أدوات الذكاء الاصطناعي بالمنصات الحالية

👉 تواصل مع شركة AI Superior لمناقشة مشروعك.

ثلاثة أنواع أساسية من خوارزميات التعلم الآلي لإعادة تشكيل عمليات التدقيق

لا تخدم جميع خوارزميات التعلم الآلي نفس الغرض. تستخدم تطبيقات التدقيق عادةً ثلاثة مناهج متميزة:

تجيب خوارزميات التصنيف على أسئلة ثنائية: هل يُظهر هذا القيد المحاسبي مؤشرات احتيال؟ هل هذه الدفعة المقدمة للمورد ضمن المعايير المتوقعة؟ تتعلم هذه النماذج من الأمثلة التاريخية حيث تكون النتائج معروفة - عمليات الاحتيال التي تم الإبلاغ عنها، والأخطاء المؤكدة، والمعاملات التي تم التحقق منها - وتطبق هذا التعلم على بيانات جديدة.

تعتمد عملية التجميع على نهج مختلف. فبدون أمثلة مصنفة مسبقًا، تقوم خوارزميات التجميع بتجميع المعاملات المتشابهة معًا بناءً على السمات المشتركة. هل يمكن أن تحتوي مجموعة على ثلاث معاملات فقط بينما تحتوي المجموعات الأخرى على المئات؟ هذا أمر يستحق البحث والتدقيق.

تطبيق عملي: اختبار إدخال البيانات في دفتر اليومية

يُبرز مجلس مراقبة محاسبة الشركات العامة (PCAOB) اختبار قيود اليومية باستخدام الذكاء الاصطناعي كحالة استخدام ثورية. تعتمد الأساليب التقليدية على عينة صغيرة من القيود - ربما 25 أو 50 قيدًا من بين آلاف القيود. يُمكّن التعلم الآلي من إجراء اختبار شامل: حيث يمر كل قيد يومية عبر الخوارزمية، ويحصل على درجة مخاطرة، ويتم وضع علامة عليه للمراجعة إذا تطابق مع أنماط الاحتيال المُكتشفة.

هل يعني ذلك غياب التقييم البشري تماماً؟ ليس على الإطلاق. بل يعني أن المدققين يقضون وقتهم في فحص البنود المشبوهة فعلاً بدلاً من فحص بنود مختارة عشوائياً والتي غالباً ما لا تكشف شيئاً.

من التركيز على المعاملات إلى الذكاء المترابط

كانت عمليات التدقيق التاريخية تتم على مراحل منفصلة: التخطيط، والاختبار، والاستنتاج، والتقرير. أما التعلم الآلي فيزيل هذه الحدود.

يصبح التدقيق المستمر ممكناً عندما تراقب الخوارزميات تدفقات المعاملات في الوقت الفعلي. ويتحول اختبار الضوابط من لقطات سنوية إلى تحقق دائم. ويتم تحديث تقييم المخاطر ديناميكياً مع ورود بيانات جديدة.

يتغير الجدول الزمني للتدقيق نفسه. فبدلاً من عمليات التدقيق السريعة في نهاية العام التي تفحص أنشطة اثني عشر شهراً، يُجري المدققون مراجعات مستمرة طوال فترة إعداد التقارير. تظهر المشكلات وهي حديثة، وليس بعد أشهر عندما تضيق خيارات المعالجة.

التحدي الذي لا يتحدث عنه أحد في مجال الحوكمة

إليكم ما لا تُركّز عليه الأوراق البحثية في هذا المجال: نماذج التعلّم الآلي عبارة عن صناديق سوداء. قد يُصنّف أحد الخوارزميات معاملة ما على أنها عالية المخاطر، ولكن هل يستطيع المدقق شرح السبب للإدارة أو الجهات التنظيمية أو المحاكم؟

تشير تقارير شركة ديلويت إلى أن ثلثي البنوك وشركات التأمين تستخدم الآن تقنيات الذكاء الاصطناعي أو التعلم الآلي في عملياتها. ومع ذلك، لا تزال هناك ثغرات في الحوكمة، لا سيما فيما يتعلق بتفسير النماذج والكشف عن التحيز.

يعمل مجلس معايير التدقيق والتأكيد الدولية (IAASB) على تطوير مواد إرشادية غير ملزمة تتناول استخدام التكنولوجيا في عمليات التدقيق. وقد أطلق المجلس مبادرة إدارة جودة التكنولوجيا في يونيو 2025، بمشاركة أكثر من 240 جهة معنية في ست قارات. والسؤال المحوري هو: كيف تتطور معايير التدقيق عندما تُجري الخوارزميات اختبارات جوهرية؟

تفترض المعايير الحالية أن المدققين البشريين ينفذون الإجراءات ويوثقون أسبابهم. أما التعلم الآلي فيعكس هذا النموذج، حيث ينفذ الخوارزمية الإجراءات تلقائيًا، ويتعين على المدققين بدلاً من ذلك التحقق من صحة تصميم الخوارزمية وبيانات التدريب ومنطق اتخاذ القرار.

جودة البيانات: الأساس الذي غالباً ما ينهار

ترث نماذج التعلم الآلي العيوب الموجودة في بيانات التدريب الخاصة بها. فالسجلات غير المكتملة، والتنسيقات غير المتسقة، والتحيزات التاريخية - كلها تصبح جزءًا لا يتجزأ من الأنماط التي يتعلمها الخوارزمية.

قد تترتب على إخفاقات جودة البيانات عواقب وخيمة. يمكن للتعلم الآلي تسريع اكتشاف حالات الشذوذ في المدفوعات والمعاملات غير السليمة، ولكن فقط عندما تستوفي البيانات الأساسية الحد الأدنى من معايير السلامة.

بصراحة: يحتاج المدققون الآن إلى مهارات هندسة البيانات. لم يكن ذلك ضمن متطلبات الوظيفة قبل خمس سنوات.

كشف الاحتيال يصبح تنبؤياً

تعتمد أساليب الكشف التقليدية عن الاحتيال على انتظار ظهور مؤشرات تحذيرية - مثل المدفوعات المكررة، أو عدم الحصول على الموافقات، أو العلاقات غير المعتادة مع الموردين. وبحلول ذلك الوقت، تكون الأموال قد تم تحويلها بالفعل.

تحلل نماذج التعلم الآلي للاحتيال الأنماط السلوكية التي تسبق سوء السلوك. ويمكن أن تشير التغييرات المفاجئة في توقيت المعاملات أو مسار الموافقة أو توزيع المبالغ إلى ظهور مخططات احتيالية قبل تراكم الخسائر.

تتفوق خوارزميات الربط في هذا المجال. فهي تحدد أن بعض الموافقين يوقعون دائمًا على المدفوعات لموردين محددين، أو أن قيود اليومية تحدث عادةً خلال فترات زمنية معينة. وتؤدي الانحرافات إلى إطلاق تنبيهات.

لكن مهلاً. الانحرافات لا تعني بالضرورة الاحتيال. التغييرات التجارية المشروعة تُنتج نفس المؤشرات الإحصائية. لا تستطيع الخوارزمية التمييز بين النوايا، فهذا من اختصاص المدقق.

تحويل المهارات: من التزكية إلى علم البيانات

بحسب استطلاع أجرته شركة ديلويت ورد ذكره في إرشادات جمعية تدقيق نظم المعلومات والرقابة (ISACA)، فإن 861% من الشركات العاملة في مجال الخدمات المالية التي تبنت الذكاء الاصطناعي ترى أن الذكاء الاصطناعي سيكون بالغ الأهمية أو حاسماً لنجاح أعمالها خلال العامين المقبلين. وتُدرك شركات التدقيق هذا الأمر، ولذا فهي تُعيد هيكلة أولويات التوظيف وفقاً لذلك.

تضم فرق التدقيق اليوم بشكل متزايد علماء بيانات، ومتخصصين في تكنولوجيا المعلومات، وخبراء في التحقق من صحة الخوارزميات، إلى جانب المحاسبين التقليديين. وتتوسع مهارات المدقق لتشمل ما يلي:

• برمجة بايثون أو آر لمعالجة البيانات
• النمذجة الإحصائية لفهم سلوك الخوارزمية
• استخدام تصور البيانات لتوصيل النتائج بشكل فعال
• معرفة البنية التحتية السحابية مع انتقال أدوات التدقيق إلى المنصات
• الامتثال التنظيمي لأنظمة اتخاذ القرارات الآلية

هل يحتاج كل مدقق حسابات إلى شهادة في علوم الحاسوب؟ لا. لكن كل مدقق حسابات يحتاج إلى قدر كافٍ من المعرفة التقنية للتشكيك في مخرجات الخوارزمية، وتحدي افتراضاتها، وإدراك متى لا تكون النتائج منطقية من الناحية التجارية.

المعايير التنظيمية تسعى لمواكبة التطورات

يدرك واضعو المعايير وجود هذه الفجوة. وقد عمل مجلس معايير التدقيق والتأكيد الدولية (IAASB) على تطوير مواد إرشادية غير ملزمة تتناول استخدام التكنولوجيا في عمليات التدقيق.

يكمن التحدي في أن المعايير تُرسّخ الإجماع المهني، لكن ممارسات التعلم الآلي تتطور بوتيرة أسرع من عملية تطوير المعايير. وقد تتضمن الإرشادات المنشورة اليوم وصفًا لتقنيات تخلت عنها الشركات قبل ستة أشهر، أو تجاهلًا للابتكارات التي طُبقت في الربع الأخير.

يواجه مجلس مراقبة محاسبة الشركات العامة ضغوطًا مماثلة. فمع قيام شركات غير تابعة لـ"الأربع الكبرى" بمراجعة أقل من 21 تريليون دولار من القيمة السوقية للشركات العامة الأمريكية مجتمعة، يؤدي تركيز الموارد إلى خلق مهنة ذات مستويين: شركات كبيرة تستخدم أحدث تقنيات التعلم الآلي، وشركات أصغر تعتمد على الأساليب التقليدية.

يثير هذا التفاوت تساؤلات غير مريحة حول اتساق جودة التدقيق في السوق.

ماذا يحدث عندما تتآكل الثقة؟

أشار مؤشر إيدلمان للثقة إلى انخفاض مستويات الثقة في السنوات الأخيرة. وتستمر الثقة في المؤسسات بالتراجع، حيث لاحظت الشركة أزمة ثقة بدأت في عام 2017 عندما انخفضت الثقة إلى ما دون 50%، ثم تعافت بشكل طفيف في السنوات الأخيرة.

يؤدي المدققون دور الوسيط الموثوق، إذ يضمنون لأصحاب المصلحة أن البيانات المالية تعكس الواقع الاقتصادي بدقة. وعندما تقوم الخوارزميات بهذا العمل التأكيدي، لا يثق أصحاب المصلحة في حكم المدقق فحسب، بل يثقون أيضاً في تصميم الخوارزمية، وسلامة البيانات، وإدارة الشركة للبنية التكنولوجية.

إنها سلسلة ثقة أكثر تعقيداً بكثير. إن قطع أي حلقة فيها يُزعزع الثقة في النظام بأكمله.

خطوات التنفيذ العملي

ينبغي على المؤسسات التي تستخدم التعلم الآلي في وظائف التدقيق اتباع نهج منظم:

1. ابدأ بنطاق ضيق: قم بتجربة التعلم الآلي في مجال تدقيق واحد - إدخالات دفتر اليومية، وتقارير المصروفات، والامتثال للعقود - قبل التوسع.
2. تحقق بلا هوادة: قارن مخرجات التعلم الآلي بنتائج المدقق البشري خلال الدورات القليلة الأولى. وثّق الاختلافات وحسّن النموذج.
3. وثّق كل شيء: خيارات تصميم الخوارزميات، ومصادر بيانات التدريب، ومقاييس الأداء، وقرارات التجاوز - كل ذلك يتطلب توثيقًا عالي الجودة لسجل التدقيق.
4. استثمر في التدريب: يحتاج موظفو التدقيق إلى خبرة عملية في استخدام أدوات التعلم الآلي، وليس مجرد نظرة عامة مفاهيمية.
5. إرساء نظام الحكم: حدد من يوافق على تغييرات الخوارزمية، وكيف يتم اكتشاف انحراف النموذج، وما الذي يؤدي إلى إعادة التدريب الكامل.

تؤكد إرشادات ISACA على أهمية الموازنة بين القدرات التكنولوجية والحوكمة الرشيدة والأهداف الواضحة. فالتكنولوجيا وحدها لا تُحسّن جودة التدقيق، بل يُحسّنها توظيفها المدروس ضمن أطر عمل متينة.

المسار المستقبلي: إلى أين سيتجه هذا الأمر بعد ذلك؟

لا يزال التعلم الآلي في مجال التدقيق في مرحلة النضج، بل هو في مرحلة المراهقة. فالقدرات الأساسية موجودة، لكن أفضل الممارسات لا تزال محل جدل، وتختلف النتائج اختلافاً كبيراً.

توقع حدوث هذه التطورات خلال الـ 24 شهرًا القادمة:

• الإفصاحات الإلزامية المتعلقة بحوكمة غسل الأموال في تقارير التدقيق
• شهادات تدقيق متخصصة تركز على التحقق من صحة الخوارزميات (أطلقت ISACA شهادة التدقيق المتقدم في الذكاء الاصطناعي (AAIA) في عام 2025).
• زيادة التدقيق التنظيمي لأنظمة إدارة جودة التكنولوجيا في الشركات
• ضغوط السوق تجبر الشركات الصغيرة على تبني التعلم الآلي أو الانسحاب من عمليات تدقيق الشركات العامة
• يطالب العملاء بالضمان المستمر كنموذج خدمة قياسي

لن تكون الشركات التي ستزدهر بالضرورة هي تلك التي تمتلك أكثر الخوارزميات تطوراً، بل ستكون تلك التي تدمج التعلم الآلي بوعي، وتديره بدقة، وتوضح آثاره بشفافية.

الأسئلة الشائعة