Rewolucja w finansach czy tylko nowa zabawka? Co nauka naprawdę mówi o ChatGPT w księgowości.

Sztuczna inteligencja, a w szczególności modele takie jak ChatGPT, przestała być futurystyczną ciekawostką. W ciągu zaledwie kilku miesięcy stała się narzędziem, które rewolucjonizuje pracę w zawodach opartych na wiedzy. Szczególnie mocno odczuwają to branże rachunkowości i finansów, gdzie precyzja, analiza danych i interpretacja złożonych informacji stanowią fundament codziennej pracy. Obserwujemy bezprecedensowe tempo adaptacji tej technologii – Gartner przewiduje, że do 2026 roku ponad 80% przedsiębiorstw będzie z niej korzystać, podczas gdy w 2023 było to zaledwie 5%.

Ta rewolucja budzi tyle samo ekscytacji, co obaw. Czy AI zastąpi księgowych i analityków? Jakie zadania można jej bezpiecznie powierzyć? A co najważniejsze, co na ten temat mówi nauka? Aby oddzielić fakty od mitów, grupa badaczy przeprowadziła kompleksowy przegląd najnowszych publikacji naukowych, analizując 264 prace, które pojawiły się w błyskawicznym tempie. Ich celem było stworzenie mapy tego, jak świat nauki postrzega rolę ChatGPT w finansach i rachunkowości.

Przegląd badań: co naprawdę wiemy o AI w finansach?

Zamiast patrzeć wstecz, badacze przyjęli perspektywę „jazdy tam, gdzie zmierza krążek, a nie tam, gdzie był”. Przeanalizowali zarówno opublikowane artykuły, jak i najświeższe prace badawcze (tzw. working papers), aby uchwycić najbardziej aktualny obraz. Wykorzystali przy tym sprawdzony model, dzieląc analizę na trzy kluczowe obszary: input (motywacje i obszary zastosowań), process (sposób wykorzystania technologii) oraz output (obserwowane i przewidywane skutki).

Gdzie naukowcy widzą największy potencjał? (Input)

Analiza pokazała, że badania koncentrują się na kilku kluczowych, strategicznych obszarach. To właśnie w nich badacze dostrzegają największe i najłatwiej dostępne możliwości zastosowania dużych modeli językowych (LLM).

Te obszary nie są przypadkowe. Charakteryzują się one dużą ilością danych tekstowych (raporty roczne, sprawozdania, komunikaty prasowe, transkrypcje rozmów z analitykami), których ręczna analiza jest czasochłonna i kosztowna. AI oferuje tu obietnicę bezprecedensowej efektywności.

Jak dokładnie ChatGPT jest wykorzystywany? (Process)

Modele takie jak ChatGPT posiadają szeroki wachlarz zdolności. Badacze skupili się na tych, które mają największe praktyczne znaczenie w analizie finansowej. Poniższa tabela przedstawia najczęściej wykorzystywane zadania, dla których używano AI w badaniach.

Wyniki te jednoznacznie pokazują, że LLM deklasują tradycyjne metody w zadaniach związanych z przetwarzaniem języka naturalnego. Ich zdolność do rozumienia kontekstu, niuansów i ukrytych znaczeń w tekstach finansowych otwiera zupełnie nowe możliwości analityczne.

Jakie są realne i przewidywane skutki? (Output)

Badania nad skutkami adopcji AI można podzielić na kilka kategorii, w zależności od „dojrzałości” wdrożenia.

1. Artykuły koncepcyjne: Na wczesnym etapie dominują prace, które opisują potencjalne zastosowania, ryzyka i szanse. Autorzy, bazując na swojej wiedzy eksperckiej, próbują przewidzieć, jak technologia może zmienić branżę.

2. Badania potencjalnych zastosowań: To obecnie najliczniejsza grupa (prawie 80% badań w rachunkowości). Naukowcy przeprowadzają eksperymenty na dużą skalę, aby pokazać, jak AI radzi sobie z konkretnymi zadaniami – np. prognozowaniem wyników finansowych firm czy tworzeniem strategii inwestycyjnych.

3. Studia przypadku: Tych jest wciąż bardzo mało. Opisują one rzeczywiste wdrożenia AI w firmach i dostarczają bezcennych informacji o praktycznych wyzwaniach i korzyściach.

4. Badania realizacji wartości: Analizują, czy firmy, które zainwestowały w AI, rzeczywiście osiągają lepsze wyniki finansowe. Pierwsze badania pokazują, że rynek pozytywnie reaguje na firmy z dużą ekspozycją na generatywną AI, ale negatywnie na te z sektora edukacji, który jest postrzegany jako zagrożony przez nowe technologie.

Kluczowy wniosek jest taki, że ChatGPT-4 jest w stanie zdać wszystkie najważniejsze egzaminy certyfikacyjne w rachunkowości (CPA, CMA, CIA), co potwierdza jego zdolność do działania na poziomie kompetentnego profesjonalisty. Może on działać jak asystent, który zwiększa produktywność ludzkich ekspertów, a niekoniecznie ich zastępuje.

Wnioski i kierunki na przyszłość: od usprawniania do rewolucji

Przegląd badań pokazuje, że jesteśmy na samym początku rewolucji. Obecnie większość prac skupia się na tym, jak za pomocą AI robić dotychczasowe zadania lepiej, szybciej i taniej. To ważne, ale stanowi jedynie pierwszy krok.

Prawdziwy potencjał transformacyjny, jak zauważył historyk ekonomii Paul David w swojej słynnej analizie silnika elektrycznego, nie polega na zastąpieniu silnika parowego dynamem do napędzania tych samych maszyn. Prawdziwa rewolucja nastąpiła, gdy przeprojektowano całą fabrykę, wykorzystując unikalne właściwości energii elektrycznej.

Podobnie w finansach i rachunkowości – największe zmiany nadejdą nie wtedy, gdy będziemy używać ChatGPT do pisania maili, ale gdy zaczniemy przeprojektowywać całe procesy audytowe, modele zarządzania ryzykiem i sposoby komunikacji z inwestorami, wykorzystując do tego unikalne zdolności AI. Badania dopiero zaczynają dotykać tego potencjału, a przed nami rozpościera się fascynujący i pełen wyzwań krajobraz do odkrycia.

Pomysł na doktorat

Tytuł: Wiarygodność i stronniczość algorytmiczna w zautomatyzowanym audycie finansowym: Eksperymentalna analiza porównawcza osądów modeli LLM i biegłych rewidentów w zadaniach oceny ryzyka istotnego zniekształcenia.

Problem badawczy: Artykuł pokazuje, że LLM świetnie radzą sobie z zadaniami klasyfikacji i analizy sentymentu. Audyt finansowy opiera się jednak nie tylko na analizie, ale na profesjonalnym osądzie, który jest obarczony ludzkimi błędami poznawczymi (ang. cognitive biases). Nie wiadomo jednak, czy i jakie błędy poznawcze wykazują modele LLM w złożonych zadaniach audytorskich, ani jak ich osądy różnią się od ludzkich w kontrolowanych warunkach.

Cel doktoratu: Zaprojektowanie i przeprowadzenie eksperymentu, w którym zarówno grupa biegłych rewidentów, jak i zaawansowany model LLM (np. GPT-4o) otrzymają serię identycznych, starannie przygotowanych scenariuszy (winiet) opisujących sytuację finansową i operacyjną fikcyjnej spółki. Zadaniem obu grup będzie ocena ryzyka istotnego zniekształcenia sprawozdania finansowego. W scenariuszach zostaną celowo umieszczone „pułapki” mające na celu wywołanie znanych błędów poznawczych (np. efekt zakotwiczenia, błąd potwierdzenia). Celem będzie:

1. Porównanie spójności i trafności osądów wydawanych przez ludzi i AI.

2. Zidentyfikowanie, czy AI jest podatna na te same błędy poznawcze co ludzie.

3. Zbadanie, czy wyjaśnienia (tzw. reasoning) generowane przez AI dla swoich decyzji są logiczne i zgodne z Międzynarodowymi Standardami Badania.

4. Opracowanie modelu hybrydowego (człowiek-AI), w którym interakcja z modelem LLM pomaga audytorom zredukować ich własne błędy poznawcze, prowadząc do bardziej trafnych ocen ryzyka.

Doktorat ten wniósłby unikalny wkład w literaturę na temat audytu, łącząc psychologię poznawczą z najnowszymi osiągnięciami technologicznymi i odpowiadając na palącą potrzebę zrozumienia praktycznych implikacji wdrażania AI w procesie badania sprawozdań finansowych.