Robotisering en zelflerende machines zorgen ervoor dat bedrijfsaudits veel accurater, kwalitatiever én voorspellend worden. De auditor wordt daardoor niet overbodig gemaakt, maar zal juist meer in de diepte kunnen werken.
Dossier aangeboden door KPMG.

KORT

  • Gebruik maken van big data en artificiële intelligentie (AI) in bedrijfsprocessen is nu al realiteit
  • Externe audit wordt slimmer en gerichter
  • Predictive data analytics voorspellen toekomstige trends, kosten en omzet
  • Auditors worden niet overbodig, maar zullen juist meer in de diepte kunnen werken

Een groot Belgisch distributiebedrijf stelt via data-analyse van zijn geautomatiseerde orderverwerking, gekoppeld aan externe factoren zoals markttrends en inflatie, zijn omzetverwachting voortdurend bij. Dat is geen sciencefiction, maar nu al realiteit. Hetzelfde geldt voor een verzekeringsbedrijf dat via slimme software fraude opspoort. En ondernemingen en overheden krijgen dankzij geautomatiseerde dynamische risicomodellen opgesteld door KPMG in één oogopslag inzicht in hun risico’s en hoe die elkaar onderling op een systemische wijze kunnen beïnvloeden.

De exponentieel toenemende rekenkracht, het steeds slimmer worden van zelflerende machines, de grote beschikbaarheid van ruwe en gestructureerde data en de interconnectie van systemen en processen zorgen voor een grote sprong voorwaarts in bedrijfsprocessen en controlemechanismen. KPMG neemt hier internationaal een leidersrol in op, zegt Head of Audit Karel Tanghe. “Je hebt onze schaal ook nodig om de nodige investeringen te doen in rekenkracht, data-analyse en het engageren van in data-analyse gespecialiseerde externe partners.”

Klaar zien met KPMG Clara
Een eerste tastbaar resultaat hiervan is de lancering van KPMG Clara, een platform dat de evolutie belichaamt van digitaal auditen naar auditen met artificiële intelligentie. Patricia Leleu, Head of Professional Practice (in het Nederlands: vaktechniek), geeft aan wat dit in de praktijk betekent. “Vroeger gebeurde een audit op basis van een steekproef: je nam een representatief staal verrichtingen, onderzocht die en formuleerde op basis daarvan je conclusies. Omdat alle data nu digitaal is of gedigitaliseerd kan worden, kunnen onze systemen alle verrichtingen doorzoeken, patronen herkennen en abnormale transacties signaleren. Alle bestellingen, orders, vorderingen en tegenboekingen worden aan elkaar gelinkt. Welke leverancier ontvangt plots een abnormaal hoge betaling? Welke transactie is buiten de normale weg verricht? Als auditor kun je je op je kerntaken toeleggen en meteen naar de als oranje of rood gemarkeerde cijfers kijken. Het gaat daarbij uiteraard niet alleen over fraude. Doorgaans vind je vooral fouten die je kunt rechtzetten, zoals een item dat verkeerd is geboekt.”

Een dergelijke diepgaande analyse vereist wel dat de klanten investeren in geïntegreerde ERP-systemen, zegt Leleu. “Als je data onderzoekt van verschillende niet op elkaar afgestemde systemen, wordt het moeilijker om verbanden te zien of krijg je te veel uitzonderingen en dus onterechte foutmeldingen. Om de nodige investeringen te verantwoorden, zullen we klanten duidelijk maken dat het hier om een win-win gaat: ze krijgen er meer zekerheid, meer informatie en beter lopende processen voor in ruil.”

Een ander voorbeeld? Patricia Leleu: “Bedrijven hanteren meestal bepaalde regels in verband met de goedkeuring van aankooporders. Hoe hoger het bedrag, hoe meer mensen hun goedkeuring moeten geven. Als de ondergrens bijvoorbeeld op 5.000 euro ligt, zal onze software specifiek kijken naar orders of betalingen die net onder die grens liggen. Het is altijd nuttig die nader te analyseren en er conclusies uit te trekken: mogelijk is er sprake van fraude, mogelijk is er een afspraak met een bepaalde leverancier, misschien splitsen mensen orders op omdat het proces niet efficiënt genoeg is. Daardoor krijgen we niet alleen auditbewijs maar bieden we ook een toegevoegde waarde aan onze klanten.”

Vooruitkijken
De resultaten worden pas echt spectaculair als audit een stap verder gaat en ook vooruit gaat kijken. Dat kan wanneer robotisering en automatisering evolueren naar zelflerende systemen, vindt Karel Tanghe. “Wanneer je meerdere jaren voor een klant werkt, beschik je over een gigantische hoeveelheid data om te analyseren, te vergelijken en er conclusies uit te trekken. Maar we kijken verder dan dat. Omdat we een internationale organisatie zijn, kunnen we ook benchmarken op sectorniveau. België is een klein land, soms zijn er niet genoeg bedrijven in een bepaald vakgebied om ze mee te vergelijken en dan is internationale benchmarking een deel van de oplossing.”

“Onze artificiële intelligentie kijkt ook naar externe data. Bij een buitenlandse klant, actief in de retail, koppelden onze collega’s de omzet aan externe data zoals de evolutie van het BBP en de werkloosheid. Op die manier werd de omzet met een heel hoge precisie voorspeld. Met ‘predictive data analytics’ kun je dus trends voorspellen en kosten en omzet veel beter inschatten dan vroeger.”

Ook op microschaal zijn er tal van toepassingen denkbaar voor artificiële intelligentie, stipt Karel Tanghe aan. “Neem bijvoorbeeld de klantenadministratie. In de meeste bedrijven is die al gerobotiseerd: computers vergelijken de vorderingen met de binnenkomende betalingen en zorgen voor de nodige boekingen. Maar uiteraard gebeurt het altijd wel eens dat een klant niet de juiste referentie gebruikt. Wanneer je een zelflerend systeem loslaat op een dataset met fouten uit het verleden die door mensen zijn rechtgezet, zal het patronen herkennen. In een volgende fase zal het fouten opmerken en de oplossing aan een mens voorleggen. Uiteindelijk wordt het systeem zo slim dat het bijna alle fouten eigenhandig zal kunnen rechtzetten. Een enorme besparing van tijd en middelen.”

Dat is het grote voordeel van een zelflerend systeem, zegt Tanghe: “Het verbetert zichzelf voortdurend. Zo kan ik me goed voorstellen dat in de toekomst AI-systemen zullen beslissen over kredietdossiers. Door dossiers uit het verleden te onderzoeken, leert een systeem de juiste parameters kennen en zal het op termijn ook voor nieuwe dossiers de juiste rating geven.”

Blockchain in audit?
Nog meer toekomstmuziek? Karel Tanghe verwacht op termijn veel van blockchain. “Uiteindelijk is dat bijvoorbeeld in het kader van een wereldwijde financiële consolidatie een reusachtig, transparant grootboek waar iedereen data kan aan toevoegen. Alle boekingen gebeuren in realtime en worden in realtime geconsolideerd. Ons streven moet zijn om dit ook in realtime te auditen. Data analytics zal ons daartoe in staat stellen.”

Wordt de auditor niet overbodig als machines zo slim worden? “Toch niet”, zegt Patricia Leleu. “De mens zal juist veel meer toegevoegde waarde kunnen bieden. Big data analytics zal zich bezighouden met alle saaie en routinematige aspecten van ons beroep. Wij zullen meer in de diepte kunnen werken.”

Karel Tanghe: “En belangrijker: nu is het nog steeds de mens die op basis van zijn professional judgement beslist of er genoeg data is verwerkt om een oordeel te geven over een audit. Dankzij artificiële intelligentie in onze dossiers zullen we in de toekomst de zekerheid hebben dat de analyse echt betrouwbaar is en sluiten we menselijke fouten bijna volledig uit.”