المحاسبة بالذكاء الاصطناعي: ما تفعله، وما تفوته، وما يجب التحقق منه

ما هي المحاسبة بالذكاء الاصطناعي؟

المحاسبة بالذكاء الاصطناعي هي استخدام التعلم الآلي — عادةً مزيج من التعرّف الضوئي على الحروف ونموذج لغوي — لأداء عمل القراءة والفرز الذي كان سيقوم به مُمسك دفاتر يدويًا: استخراج اسم المورد والمبلغ والتاريخ من الإيصال، وتحديد الفئة، ومطابقة نشاط البنك مع ما تم تسجيله بالفعل.

إنها ليست نوعًا جديدًا من المحاسبة. القواعد الأساسية هي نفسها التي استخدمها المحاسب دائمًا: يجب أن تكون الفئة صحيحة، ويجب أن تتوازن التسوية، ويجب أن يتطابق بيان الأرباح والخسائر. ما يتغير هو مَن — أو ما — يقوم بالمحاولة الأولى. برامج المحاسبة التقليدية تمنحك نموذجًا ومربع بحث وتتوقع منك كتابة المعاملة بنفسك، أو في أفضل الأحوال تقدم قاعدة مثل "إذا احتوى اسم المورد على X، صنّفه كـ Y." أما المحاسبة بالذكاء الاصطناعي فتقرأ الوثيقة الفعلية، وتستنتج ما هي، وتقترح قيدًا ليقبله الشخص أو يصححه أو يرفضه.

هذا الفرق مهم لأن مصطلح "المحاسبة بالذكاء الاصطناعي" يُستخدم بتساهل. بعض الأدوات تستخدمه ليعني لا أكثر من قاعدة كلمات مفتاحية مُغلّفة بهذا الوصف. الاختبار المفيد هو: هل يستطيع النظام أن يأخذ مُدخلًا غير منظم لم يرَه من قبل — إيصال مصوّر، فاتورة مُعاد توجيهها، ملف CSV من بنك لم تستخدمه من قبل — وأن يُنتج منه معاملة منظمة ومصنفة، بدلاً من المطابقة مقابل قالب أعده أحدهم مسبقًا لهذا التخطيط المحدد للوثيقة؟

يُبنى DozaBooks حول هذا النمط: ترسل له إيصالاً بالصورة، أو تُعيد توجيه فاتورة إلى بريد إلكتروني مخصص، أو تستورد كشف حساب بنكي، فيستخرج البيانات ويقترح القيد بدلاً من أن يطلب منك كتابته. يشرح باقي هذا الدليل كيف يعمل ذلك فعليًا، وأين يتعطل، وما الذي يجب التحقق منه قبل الاعتماد عليه.

كيف يقرأ الذكاء الاصطناعي إيصالًا فعليًا؟

يقرأ الإيصال على مرحلتين: أولاً تحويل الصورة إلى نص، ثم تحويل ذلك النص إلى حقول منظمة — والمرحلة الثانية هي حيث يحدث معظم العمل الفعلي. أدوات التعرّف الضوئي القديمة وحدها تتوقف بعد المرحلة الأولى وتترك لك جدارًا من النص لتبحث فيه بنفسك؛ أما النموذج اللغوي فيأخذ ذلك النص ويقرر أي سطر هو المورد، وأيها الإجمالي، وأيها الضريبة، وأيها بنود الفاتورة، بنفس الطريقة التي يفعلها شخص يمسح الصفحة بعينيه.

بشكل ملموس: تُحوَّل الصورة أو ملف الـ PDF إلى نص (خطوة التعرّف الضوئي)، ثم يُعطى النموذج ذلك النص ويُطلب منه استخراج حقول محددة — اسم المورد، التاريخ، المجموع الفرعي، الضريبة، الإجمالي، العملة، وبنود الفاتورة عند وجودها. ولأنه يعمل انطلاقًا من المعنى لا من قالب ثابت، يمكنه التعامل مع إيصال مقهى ماليزي، وفاتورة بتنسيق أمريكي، ولقطة شاشة لتأكيد دفع عبر واتساب دون الحاجة إلى قالب منفصل لكل منها.

يقبل DozaBooks الإيصال بثلاث طرق — صورة، إعادة توجيه إلى بريد الشركة المخصص، أو لصق من الحافظة — ويُجري الاستخراج نفسه على أي منها، مستخرجًا اسم المورد والمبلغ والتاريخ والضريبة وبنود الفاتورة بغض النظر عن القناة التي وصلت منها الوثيقة.

إلا أن جودة الاستخراج ليست متسقة، وهذا يستحق الفهم قبل أن تثق بأي أداة به. صورة واضحة لإيصال مطبوع ونظيف هي مشكلة شبه محلولة. أما صورة ضبابية، أو وثيقة مصورة بزاوية، أو إضاءة سيئة، أو إيصال مطويّ ومتجعد، فكل ذلك يقلل الدقة، أحيانًا بشدة. هذا صحيح لكل أداة استخراج بالذكاء الاصطناعي في السوق، وليس قيدًا خاصًا بـ DozaBooks — إنها خاصية متأصلة في قراءة صور الورق.

كيف يقرر أي فئة تنتمي إليها المعاملة؟

يقرر بشكل رئيسي من إشارتين: المورد والوصف، مقارنةً بالفئات التي استخدمتها من قبل، مع ذاكرة متنامية لما تفعله أنت شخصيًا مع كل مورد. اسم المورد وحده يوصلك بعيدًا — "Grab" على الأرجح نقل، و"WeWork" على الأرجح إيجار أو تكاليف مكتبية — لكن النظام يزن أيضًا المبلغ، ونص الوصف، وأي تصحيحات سابقة مرتبطة بذلك المورد بالتحديد.

ذلك الجزء الأخير — التعلم من التصحيح — هو الآلية التي تحسّن الدقة فعليًا بمرور الوقت، ويستحق أن يُفهم بشكل ملموس لا أن يُؤخذ على الثقة. في DozaBooks، عندما توافق على معاملة مصنفة أو تصححها، يسجّل النظام ربط المورد بالفئة. المعاملة التالية من المورد نفسه تُصنَّف تلقائيًا باستخدام ذلك الربط وتحمل درجة ثقة أعلى، لأنها لم تعد تخمينًا من أنماط عامة — بل تطبيقًا لقاعدة أكدتها أنت شخصيًا. على مدى أسابيع، الموردون الذين تتعامل معهم بشكل متكرر — مورّدوك المعتادون، اشتراكات برمجياتك المتكررة، عميلك المعتاد — يصبحون شبه تلقائيين بالكامل، بينما مورد لم تتعامل معه من قبل يحصل على تخمين مبدئي تراجعه أنت.

هذا أيضًا سبب حاجة حساب شركة جديدة إلى تصحيحات أكثر من حساب يعمل منذ أشهر. لا توجد ذاكرة يستند إليها بعد. الطريقة الصادقة، وإن كانت غير مريحة، لوصف ذلك: النظام لا يبدأ ذكيًا بشأن عملك، بل يصبح دقيقًا بشكل موثوق بشأن عملك، والفرق بين الشهر الأول والشهر السادس حقيقي وملموس.

توجد درجات الثقة لسبب مرتبط بالتصنيف، لا بالاستخراج فقط: معاملة من مورد معروف بسجل ثابت تُوسم بأنها آمنة للموافقة التلقائية، بينما مورد جديد، أو مبلغ كبير بشكل غير معتاد لذلك المورد، أو وصف لا يطابق بوضوح أي نمط سابق، تُوسم لتراجعها أنت. النظام المصمم جيدًا يُظهر عدم يقينه بدلاً من إخفائه، وتلك العلامة هي ما يجعل الأتمتة آمنة للثقة بها بدلاً من أن تكون شيئًا عليك مراجعته سطرًا سطرًا على أي حال.

ما الذي لا تستطيع المحاسبة بالذكاء الاصطناعي فعله؟

لا يمكنها قراءة الخط اليدوي بشكل موثوق، ولا الصور سيئة الإضاءة أو الزاوية، ولا إيصالاً حراريًا باهتًا، ولا يمكنها معرفة أشياء غير مكتوبة على الوثيقة إطلاقًا — وهو ما يستبعد جزءًا كبيرًا من الأوراق الحقيقية في الواقع، لا حالة استثنائية يمكن تجاهلها.

ابدأ بالوثيقة نفسها. الإيصالات المكتوبة بخط اليد — قصاصة ممزوقة يدويًا من بائع في سوق، مذكرة توصيل مكتوبة بخط اليد — صعبة حقًا على أي نظام قائم على التعرّف الضوئي، سواءً بمساعدة الذكاء الاصطناعي أم لا، ومعدلات الخطأ في الخط اليدوي أعلى بشكل ملموس منها في النص المطبوع. الإيصالات الحرارية، النوع الذي تطبعه تقريبًا كل ماكينة بيع بالتجزئة في ماليزيا، تبهت خلال أسابيع؛ صوّر واحدًا بعد ثلاثة أشهر متأخرًا وقد تكون أجزاء منه غير قابلة للقراءة حتى لإنسان، ناهيك عن نموذج. صورة مُلتقطة بزاوية، أو في إضاءة سيئة، أو بظل يغطي الإجمالي، ستنتج قراءة أقل موثوقية من مسح مسطّح وجيد الإضاءة، وأحيانًا قراءة خاطئة تمامًا. لا شيء من هذا خاص بمنتج واحد — إنها خاصية متأصلة في استخراج النص من صور الورق، وأي مزوّد يدّعي غير ذلك لا يكون صريحًا معك.

ثم هناك فئة أصعب من القيود، لا علاقة لها بجودة الصورة: أحكام تعتمد على حقائق لا تحتويها الوثيقة. إيصال عشاء بقيمة 200$ لا يذكر ما إذا كان اجتماع عمل أم عشاء عيد ميلاد — تلك نية، والنية موجودة في رأسك، لا على الورق. حاسوب محمول اشتُري ببطاقة ائتمان شخصية لكنه استُخدم جزئيًا للعمل هو انقسام بين الاستخدام الشخصي والتجاري لا يمكن لأي استخراج حله، لأن الجواب يعتمد على تخصيص تقرره أنت، لا حقل يمكن قراءته بعناية أكبر. دفعة موصوفة فقط بـ "خدمات استشارية" لا يمكن مطابقتها مع المشروع الصحيح أو العميل الصحيح دون سياق خارج الوثيقة. فاتورة تشير إلى اتفاق جانبي، أو خصم شفهي، أو ترتيب خاص بينك وبين مورد لا يمكن فهمها بشكل صحيح من نظام لا يرى سوى الأوراق.

هذا أيضًا سبب وجوب معاملة ثقة الفئة كإشارة، لا كحكم نهائي. تصنيف بثقة عالية يعني أن النظام رأى هذا المورد من قبل وأكدت أنت النمط؛ لا يعني أن التصنيف صحيح حتمًا لهذه المعاملة بالذات، لأن الموردين يُستخدمون أحيانًا لأكثر من غرض. المعاملات الغامضة، القليلة التكرار، والمعتمدة على الحكم الشخصي تحتاج إلى إنسان ليتخذ القرار، في كل مرة، ولا يغيّر أي تحسّن في النموذج ذلك، لأن المعلومة الناقصة ليست في الوثيقة أصلاً.

أداة تُقدّم نفسها على أنها تُزيل طبقة الحكم هذه بالكامل ستكون مبالغة فيما يمكن لأي نظام استخراج فعله — بما في ذلك DozaBooks. ما يمكن لنظام مصمم جيدًا فعله هو إنجاز الحالات السهلة والمتكررة وكثيرة الحجم بشكل صحيح وإبعادها عن طريقك، بحيث تصبح أحكام التقدير هي الشيء الوحيد المتبقي لتقضي وقتك فيه.

ما الذي يجب أن تتحقق منه قبل أن تثق به؟

تحقق من أربعة أشياء قبل أن تدع أي معاملة مصنفة بالذكاء الاصطناعي تنساب مباشرة إلى تقرير: المبلغ المستخرج مقابل الوثيقة الأصلية، والفئة مقابل ما قصدته فعليًا، وأي شيء تم وسمه بثقة منخفضة، وإجماليات التسوية مقابل كشف حسابك البنكي.

• المبلغ والتاريخ — رقم مقروء خطأً أو رمز عملة خاطئ هو الخطأ الأكثر ضررًا، لأنه غير مرئي ما لم تقارن الرقم المستخرج بالوثيقة.
• الفئة، خصوصًا للموردين الجدد أو نادري التكرار — المورد لأول مرة لا يملك سجل تصحيح خلفه، لذا فئته المقترحة تخمين عام، لا نمط مؤكد.
• أي شيء يُشير إليه النظام نفسه بثقة منخفضة — الأداة المصممة جيدًا تخبرك عندما تكون غير متأكدة؛ عامل تلك العلامة كمهمة يجب إنجازها، لا كضجيج يُتجاهل.
• إجماليات التسوية في نهاية الشهر — يجب أن تتطابق بنود البنك المستوردة والمعاملات المسجلة على نفس الرقم؛ الفجوة المستمرة عادة تعني أن أحد الجانبين يحتوي على تكرار، أو قيدًا ناقصًا، أو تصنيفًا خاطئًا غيّر الحساب الذي هبطت فيه المعاملة.

العادة الأكثر فائدة هي تصحيح الأخطاء فور رؤيتها بدلاً من تجميع المراجعة لنهاية الشهر. لأن DozaBooks يكتب ربط المورد لحظة موافقتك على معاملة أو تصحيحها، فإن تصحيحًا مبكرًا يوقف تكرار الخطأ نفسه لبقية الشهر؛ أما تصحيح يتم في الأسبوع الرابع فيصلح تلك المعاملة الواحدة فقط.

يستحق الأمر أيضًا فحصًا دوريًا لمورد لم تراجعه يدويًا منذ فترة. الشركات تغيّر طريقة استخدامها لمورد ما بمرور الوقت — قد يُستخدم المورد نفسه لاحقًا في شراء شخصي لمرة واحدة، أو قد يتغير سعر أو غرض اشتراك — وربط تم بناؤه قبل ستة أشهر لا يعرف ذلك ما لم تخبره.

هل تستحق المحاسبة بالذكاء الاصطناعي العناء لشركة صغيرة؟

لمعظم الشركات الصغيرة ذات التدفق المستمر من الإيصالات والفواتير ونشاط البنك، الأمر يستحق العناء لأن الوقت الموفر من الإدخال المتكرر يفوق الوقت المُنفق في مراجعة ما يُشير إليه النظام — لكن هذا ليس صحيحًا لكل شركة، ومن المهم أن نكون صادقين بشأن من لا يناسبه ذلك.

يميل إلى أن يُجدي أسرع لصاحب عمل يقوم حاليًا بمسك دفاتره بنفسه في أمسيات فراغه، أو يدفع لمُمسك دفاتر أساسًا لإعادة كتابة الإيصالات وتسوية تغذية بنكية. إذا كانت معظم معاملاتك تأتي من مجموعة صغيرة ومتكررة من الموردين — نفس المورّدين، نفس البرمجيات المتكررة، نفس حفنة العملاء — فإن تأثير تعلّم الموردين يبدأ بسرعة وتصبح معظم الأشهر تمرينًا للمراجعة والموافقة أكثر منه إدخال بيانات.

إنه ملاءمة أضعف لشركة ذات حجم معاملات منخفض حقًا، حيث يكون الوقت الموفر شهريًا صغيرًا بالقيمة المطلقة بغض النظر عن النسبة. إنه أيضًا ملاءمة أضعف لشركة معظم وثائقها مكتوبة بخط اليد، أو باهتة، أو مادة مصدر رديئة الجودة بطريقة أخرى، لأن هذه هي الحالة بالضبط التي يحتاج فيها الاستخراج إلى أكبر قدر من التصحيح اليدوي وينتهي جزء من الوقت الموفر في الكتابة إلى إصلاح قراءات خاطئة بدلاً من ذلك. ولا يزيل الحاجة إلى الحكم الشخصي على المعاملات الغامضة أو المختلطة بين الشخصي والتجاري — إذا كان هذا يصف معظم إنفاقك، فخطط لفعل ذلك الجزء بنفسك بغض النظر عن الأداة التي تستخدمها.

هناك أيضًا قرار تتخذه بعض الشركات عن قصد: البقاء عمليًا مع البرمجيات بدلاً من تسليم عمل المراجعة لشخص آخر. برامج المحاسبة بالذكاء الاصطناعي، بما في ذلك DozaBooks، لا تزال تتوقع منك (أو من أحد فريقك) النظر فيما تُنتجه. إذا كان ما تريده فعليًا هو تسليم المهمة بالكامل لشخص والتوقف عن التفكير فيها، فذلك يشير إلى خدمة مسك دفاتر مُدارة — يقدم DozaBooks واحدة، حيث يراجع محاسب نحو 10% من الحالات التي لا يحلها البرنامج نفسه — لا أداة ذاتية الخدمة، مهما كانت الأتمتة الكامنة جيدة.

الخلاصة الصادقة: تُقصّر المحاسبة بالذكاء الاصطناعي المسافة بين "الإيصال في يدك" و"الدفاتر محدّثة" لمعظم حجم معاملات الشركات الصغيرة العادي، وتفعل ذلك بإبعاد الحالات الروتينية عن طريقك لا بإزالة الحكم الشخصي من العملية. هل يستحق ذلك التكلفة الشهرية يعتمد على عدد الإيصالات التي تتعامل معها فعليًا ومقدار إنفاقك الروتيني حقًا.

مصطلحات مسك الدفاتر، بلغة بسيطة

قائمة مصطلحات مختصرة للمصطلحات المستخدمة عبر هذا الدليل، مكتوبة لشخص عليه إدارة شركة لا شخص مدرَّب على المحاسبة.

• مسك الدفاتر — التسجيل المستمر لكل معاملة تقوم بها الشركة، بخلاف المحاسبة، وهي التحليل والتقارير الأوسع المبنية على تلك السجلات.
• التعرّف الضوئي على الحروف (OCR) — برمجية تُحوّل صورة نص، مثل إيصال مصوّر، إلى نص قابل للقراءة الآلية.
• الاستخراج — سحب حقول محددة (المورد، المبلغ، التاريخ، الضريبة) من ذلك النص الخام بدلاً من تركه كتلة نصية غير مميزة.
• التصنيف — تخصيص معاملة لحساب أو فئة مصروفات، مثل "السفر" أو "لوازم مكتبية"، حتى تستطيع التقارير تجميع المتشابه مع المتشابه.
• درجة الثقة — تقدير النظام الخاص لمدى ثقته في تصنيف أو استخراج، يُستخدم لتحديد ما يحتاج إلى مراجعة بشرية.
• التسوية — التحقق من أن معاملاتك المسجلة تطابق نشاطك البنكي أو نشاط حسابك الفعلي، سطرًا بسطر، حتى تتفق نسختا أموالك.
• بيان الأرباح والخسائر (P&L) — تقرير للدخل ناقص المصروفات خلال فترة، يُظهر ما إذا كانت الشركة ربحت أو خسرت في تلك الفترة.
• الميزانية العمومية — لقطة لما تملكه الشركة وما تدين به في لحظة واحدة، مقسمة إلى أصول والتزامات وحقوق ملكية.
• الذمم المدينة — أموال يدين بها للشركة عملاؤها أو زبائنها مقابل عمل تم تسليمه بالفعل.
• المصاريف المستردة — سداد لموظف أو مالك عن مصروف تجاري دفعه من جيبه الخاص.
• ربط المورد — قاعدة مخزنة تربط موردًا محددًا بالفئة التي خصصتها له سابقًا، بحيث تُعالج المعاملات المستقبلية من ذلك المورد بنفس الطريقة تلقائيًا.
• تعدد العملات — تسجيل معاملة بالعملة التي حدثت بها فعليًا، مع تطبيق تحويل لأغراض التقارير، بدلاً من إجبار كل قيد على عملة واحدة عند الإدخال.