Anvendelsen af Artificiel Intelligence i en going concern vurdering: En undersøgelse af hvordan Artificiel Intelligence kan understøtte revisors vurdering af going concern.
Oversat titel
Artificiel Intelligence in a going concern assessment
Forfattere
Strandberg, Theis Lageri ; Damgaard, Marcus Elster
Semester
4. semester
Uddannelse
Udgivelsesår
2023
Afleveret
2023-06-01
Antal sider
79
Resumé
Ifølge ISA 570 har revisor ansvar for at indhente tilstrækkeligt og egnet revisionsbevis for at kunne vurdere, om et regnskab er udarbejdet under forudsætning om fortsat drift (going concern) – altså at virksomheden kan fortsætte driften i den nærmeste fremtid. En stikprøveundersøgelse fra FSR – danske revisorer af udvalgte virksomheder viste, at 4 ud af 10 årsrapporter hverken havde passende forbehold eller supplerende oplysninger om fortsat drift. Dette peger på behovet for værktøjer, der kan støtte revisors vurdering af en virksomheds evne til at fortsætte driften. Denne afhandling undersøger, hvordan kunstig intelligens kan understøtte revisors going concern-vurdering. Fokus er, hvordan maskinlæring kan bruges som et værktøj i den indledende risikovurdering af, om der er væsentlig usikkerhed om fortsat drift. Afhandlingen adresserer tre delspørgsmål: (1) hvordan going concern vurderes og rapporteres i praksis, hvor i revisionsprocessen et AI-værktøj kan anvendes, og hvilke forventninger statsautoriserede og registrerede revisorer har til et sådant værktøj; (2) hvilke fordele og ulemper der forventes ved at bruge AI til going concern-risikovurdering og i andre revisionsopgaver; og (3) et teknisk eksempel på, hvordan et AI-system kan estimere sandsynligheden for væsentlig usikkerhed om fortsat drift. Afhandlingen konkluderer, at et AI-system med fordel kan bruges til at styrke kvaliteten af den indledende going concern-risikovurdering og dermed forbedre selve vurderingsprocessen gennem bedre revisionsplanlægning.
Under ISA 570, auditors must obtain sufficient and appropriate audit evidence to conclude whether financial statements are prepared on a going concern basis—that is, whether the company is expected to continue operating. A sample survey by FSR – Danske Revisorer of selected companies found that 4 out of 10 annual reports lacked appropriate qualifications or supplementary information related to going concern. This indicates a need for tools that support auditors’ assessment of a company’s ability to continue operations. This thesis investigates how artificial intelligence can support the auditor’s going concern assessment. It focuses on how machine learning can be used as a tool in the initial risk assessment of whether there is significant uncertainty about going concern. The thesis addresses three sub-questions: (1) how going concern is assessed and reported in practice, where an AI tool would fit in the audit process, and what expectations state-authorized and registered public accountants have for such a tool; (2) the expected advantages and disadvantages of using AI to support going concern risk assessment and other audit tasks; and (3) a technical example of how an AI system could estimate the probability of significant uncertainty about going concern. The thesis concludes that an AI system can usefully support and improve the quality of the initial going concern risk assessment, thereby enhancing the assessment process through improved audit planning.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]