Bruk av AI til å avdekke regnskapsjuks

Regnskaps- og finansiell analyse handler om å avdekke den økonomiske «helsetilstanden» til en bedrift; typisk definert som lønnsomhet, likviditet og soliditet. Analysen er nyttig primært for kreditorer, investorer og ulike analytikere. De bruker typisk dataene til:

• fremtidig resultatprediksjon (for bruk i verdsettelse eller om selskapet har penger til å betale renter og avdrag)
• konkursprediksjon
• til å avdekke hva det «egentlige» resultatet er; herunder regnskapssvindel

Jeg vil gjennomgå hva forskningen sier om bruk av AI på disse områdene.

Jeg vil også gjennomgå et konkret case, Wirecard, og hvordan AI kunne avdekket regnskapssvindel lenge før revisorer og markedet rapporterte om det. Men først vil jeg dra igjennom historikken i behandlingen av store datamengder for regnskaps- og finansiell analyse.

Det som er beskrevet under omhandler i stor grad privat sektor, men er lett overførbart til offentlig sektor.

Historisk utvikling i bruk av data i regnskap og analyse

Utviklingen av kunstig intelligens (AI) i regnskap representerer et betydelig skifte fra tradisjonelle manuelle prosesser til avansert automatisering og beslutningstaking. Jeg vil kort redegjøre for historikken med bruk av større mengder data.

Tidlige stadier: Regelbaserte systemer

I de tidlige stadiene var analyse av større mengder data innen regnskap avhengig av regelbaserte systemer. Disse systemene ble programmert med forhåndsdefinerte regler og logikk for å utføre grunnleggende oppgaver som dataregistrering, beregninger og enkle beslutningsprosesser. 

Dette er ikke «kunstig intelligens»; men la grunnlaget for automatisering i regnskap ved å redusere manuell innsats og bedre nøyaktighet i rutineoppgaver. Imidlertid var systemene uten evne til å tilpasse seg eller lære av data.

Fremskritt i maskinlæring

Utviklingen av maskinlæringsalgoritmer («formler», «oppskrifter») markerte et betydelig sprang i AI sine evner innenfor regnskapsdomenet. Maskinlæringsalgoritmer analyserte i begynnelsen enorme mengder strukturerte finansielle data (f.eks. resultatregnskapstall lastet inn i et regneark). Etter hvert kunne den også lete i ustrukturerte data. Algoritmene «leter» etter mønstre basert på historiske data fra tusenvis av ulike bedrifter. F.eks. kan de finne trender som ellers er vanskelig å se, nye kombinasjoner av nøkkeltall og kjennetegn som avdekker vinnere og tapere, finne unormale tall osv. Ut ifra trender innen regnskap, muliggjorde maskinlæring mer komplekse oppgaver som trendanalyser, prediktiv analyse (prognoser) og svindeldeteksjon.

Dyplæring og nevrale nettverk

Fremkomsten av dyplæringsteknikker, spesielt nevrale nettverk, revolusjonerte ytterligere AI sin rolle i regnskap. Et nevralt nettverk kan sees på som kobling av mange ulike data samtidig («på kryss og tvers») uten forhåndsdefinerte algoritmer. Programmet prøver å finne den kombinasjonen av koblinger som treffer best på oppgaven den er tildelt (optimering).

Dyplæringsmodeller kan også behandle ustrukturerte data, for eksempel tekst og bilder, noe som ga fremskritt innen naturlig språkbehandling (som Chat GPT) og bildegjenkjenning. Et typisk eksempel er at AI læres til å gjenkjenne en hund på et bilde (en hund kan som kjent være mange forskjellige raser, størrelser, og et bilde kan være tatt nær innpå, fjernt, bakfra, forfra osv.). Innen regnskap forbedret dyplæringsalgoritmer automatiseringen av dokumentbehandling, regnskapsanalyse og risikovurdering.

AI

AI inkluderer et bredt spekter av teknologier og felt. Maskinlæring kan sees på som en undergruppe av AI, men også som selve prosessen som AI gjennomgår når man utfører AI-funksjoner: AI «lærer» ved at den trenes opp på en mengde data først (f.eks. hvordan en hund ser ut, og hva som skiller den fra en katt, en ulv osv.). AI utvikler selv en rekke ulike algoritmer. Hver algoritme testes på om den klarer å gjenkjenne f.eks. en hund. Kun de beste programmene får «leve» videre, de som feilet kastes. De som overlevde, tester seg på nye data, og de beste av de beste plukkes ut igjen og går videre på ny trening osv. (= maskinlæring). Hvordan selve algoritmene ser ut til slutt og hvorfor akkurat noen algoritmer «vant», er ikke lett å finne ut av eller analysere.

Hvordan selve algoritmene ser ut til slutt og hvorfor akkurat noen algoritmer «vant», er ikke lett å finne ut av eller analysere.

AI kan altså – uten helt å kunne forklare hva den gjør – avdekke mønstre, feil og sammenhenger. Og ut ifra det brukes dette også i nye situasjoner og til prediksjon. Det er det f.eks. Chat GPT gjør når den plukker ut hvilke data som er mest relevante for å svare på spørsmålet etter lynraskt å ha i gjennomgått mengdevis med data. Deretter konstruerer den meningsfylte, velformulerte svar i naturlig skriftspråk (= NLP= Natural Language Processing) ved å «gjette» (les: predikere) hvilke ord som kommer etter hverandre i en setning ut ifra treningen den har fått.

Bruk av AI til tekstanalyser

Tradisjonell regnskaps- og finansiell informasjon henter data i form av tall fra selve resultat-, balanse- og kontantstrømoppstillingen, til nød fra noen standardiserte tabeller i notene. Men, som vi vet, gir notene og årsregnskapet for øvrig svært mye tilleggsinformasjon. Problemet med disse dataene er at de er ustrukturerte, finnes på ulike steder, ofte er i tekst og ikke i tall. 

En retning som har utviklet seg de senere årene i analyse av regnskaps- og finansiell informasjon er derfor AI-verktøy for tekstanalyser («text (data) mining»). Tekstanalyser brukes typisk til klassifisering, til gruppering, til utrekk eller til meningsinnhold-analyser:

• Klassifisering i sin enkleste form er hvor ofte et ord er brukt. Frekvensanalyser kan f.eks. brukes til å plukke ut bedrifter som har høy konkursrisiko. Man plukker ut bedrifter som bruker ord som «fortsatt drift», «brudd på covenant» i noter i årsregnskapet, i årsberetningen, i revisjonsberetningen, andre steder i selskapets rapportering osv.
  
  Klassifiering brukes også til meningsutvinning («sentiment analysis»). Meningsutvinning går ut på å finne tonen i teksten; postiv, nøytral eller negativ. Teknikken er å telle antall positive/negative ord (definert via en ordbok/-liste) sett i sammenheng med f.eks. resultatomtale, fremtiden osv. Tradisjonelt har dette vært brukt til å avdekke  regnskapsmanipulering: for mange positive ord i årsrapporter eller i presentasjoner har vært tegn på at ledelsen skjønnmaler virkeligheten.
  
  Man kan også gruppere («clustering») ord rundt beslektede temaer og se på frekvens eller se på kombinasjoner av ord og frekvens og sammenhenger.
  
  
• Utrekksanalyser går ut på at man kan trekke ut spesifikk tekst, tabeller el.l. om spesielle temaer; f.eks. forutsetninger brukt ved nedskrivninger for ulike selskaper. Slik informasjon er ofte «gjemt» nede i en note eller beskrives på litt ulik måte for ulike selskaper. Manuell datainnsamling er tidkrevende, mens AI kan hente frem og strukturere slik informasjon lynraskt.
  
  De senere år har reguleringsmyndigheter krevd at de enkelte tall og ord i årsregnskaper kodes slik det er enkelt å hente det ut for brukere. Skattemyndighetene i Norge har krav om innrapportering etter SAF-T (Standard Audit File-Tax) fra og med 2020, som dog ikke er offentlig tilgjengelig.
  
  
• Meningsinnhold-analyser brukes for eksempel til å kategorisere om teksten er klar og konsis eller diffus og kompleks. Studier har avdekket at selskaper som prøver å tilsløre at det går dårlig, bruker komplekse setninger og diffust språk.

Integrasjon av AI i regnskapsprogramvare

Integreringen av AI i regnskapsprogramvareplattformer har blitt stadig mer utbredt. Moderne regnskapsprogramvareløsninger utnytter AI-algoritmer for funksjoner som f.eks. automatisert datakategorisering – for å finne unormale tallstørrelser for å avdekke mulige feil – og til å lage prognoser. De brukes også til test av kontroller og til å gi sanntidsrapportering i økonomiske resultater.

Fordeler ved AI i finansiell rapportering og analyse

Fordelene med kunstig intelligens (AI) i finansiell rapportering er store:

• Økt hastighet
  på datainnhenting, behandling og produksjon av rapporter, presentasjoner osv.
• Reduksjon av manuelle feil
  gjennom automatisering av repeterende oppgaver og avstemminger der vi mennesker innimellom taster feil, bruker feil data, legger inn feil i formler osv.
• Forbedret datanøyaktighet og integritet
  ved løpende å lete etter unormale inn- (eks. negative kundefordringer) og ut-data (f.eks. noe som er dobbelt så mye som alle andre tallstørrelser), ha formening om forventede størrelser og rapportere det som avviker mye fra forventning, sammenlikne data fra ulike kilder og finne avvik eller inkonsistens.
• Finne nye sammenhenger
  og dermed nye analyser som kan gi bedre innsikt og beslutninger.

Utfordringer og risikoer ved AI, herunder AI i regnskapsmessig og finansiell analyse

Erfaringene som AI får, er basert på de data den trenes på. Dermed er AI sårbar for skjevheter i input-data. Eksempelvis er det (heldigvis) få som begår skattejuks eller fusk med reiseregninger i forhold til alle andre. Dermed kan helt irrelevante «unormale» forhold i noen få data fra juksere eller feilaktig tolkes som «mønstre» av AI. Løsningen er å hjelpe AI til å foreta rette analyser; f.eks. ved å be den analysere de den vet har jukset med liknende enheter eller personer som ikke har jukset (parede tester).

Løsningen er å hjelpe AI til å foreta rette analyser; f.eks. ved å be den analysere de den vet har jukset med liknende enheter eller personer som ikke har jukset (parede tester).

Tilsvarende er det uheldig å anvende AI på å løse problemer i en helt annen kontekst enn det den er trent på. Hvis f.eks. AI er trent på å avsløre reiseregningsjuks med data fra amerikanske enheter, vil den trolig bomme grovt når den skal prøve å predikere reiseregningsjuks for norske personer.

Tilsvarende er det uheldig å anvende AI på å løse problemer i en helt annen kontekst enn det den er trent på.

Men mange input-data kan inneholde feil. Dermed kan læringen bli bedre om data renses i forkant. Samtidig er det viktig å passe på hva man har renset, så ikke viktig informasjon er kastet ut.

Når man ber AI finne ut av noe, må en ofte definere hva som skal optimaliseres, noen forutsetninger, noen regler, noen definisjoner osv. Disse instruksene vil selvsagt påvirke analysene, læringen og dermed prediksjonsevnen. Hva er f.eks. definisjonen på ‘juks’: inkluderer det kun regelbrudd eller også manglende dokumentasjon, det at man kunne ha gjort en reise billigere osv.?

Bruk av AI til å avdekke regnskapsjuks

Det har vært mange regnskapsskandaler opp igjennom årene, hvor kanskje Enron sin manipulering med regnskapene er mest kjent. Enron skjulte store tap ved kreativ og ulovlig regnskapsførsel, gikk konkurs i 2001 og dro det anerkjente revisjonsselskapet Arthur Andersen med seg ned, da revisor opplagt ikke hadde gjort jobben sin.

Regnskapsjuks («accounting fraud» eller mer diplomatisk «earnings management») er vanskelig å oppdage for utenforstående fordi ledelsen bevisst endrer tall, utelukker informasjon, gir feilinformasjon – men prøver å unngå å bli oppdaget. Tapere er særlig investorer og kreditorer som gir lån eller investerer basert på feilinformasjon.

Akademikere har derfor tidlig prøvd å komme opp med modeller og teknikker som kan avdekke regnskapsjuks. Det er en kraftig vekst i antall artikler om regnskapsjuks i akademiske toppjournaler.

Den desidert mest siterte (over 15 tusen ganger) artikkelen innen regnskapsjuks er Dechow og Sloan sin artikkel fra 1995 som nettopp heter Detecting earnings management. Den gjennomgår tidligere metoder (utviklet av henholdsvis Healy, DeAngelo og Jones) for å avdekke regnskapsjuks og tester disse. 

Alle disse metodene baserer seg på hvor store avsetninger det er gjort i regnskapet («accruals»), da avsetninger ble ansett å være det området i regnskapet der ledelsen spesielt kunne foreta manipuleringer.

Andre metoder for systematisk å avdekke regnskapsjuks er å se etter «opphoping» av resultater like over null (og få like under null), like over covenant-krav, rett over analytiker-forventninger osv.

Jeg fant selv i min doktoravhandling at norske selskaper med lav egenkapital brukte for «snille» forutsetninger, slik at pensjonsforpliktelsene i balansen ble undervurdert/egenkapitalen overvurdert. 

En parallell til metode for å avdekke regnskapsjuks er norske skattemyndigheters data-analyser til å avdekke skattejuks. På 1990-tallet arbeidet de bl.a. sammen med professor Lillestøl på NHH til å konstruere avanserte beslutningstrær basert på store datamengder for å avdekke typiske profiler på skattejuksere. Dette er senere videreutviklet med bruk av maskinlæring (AI).

En parallell til metode for å avdekke regnskapsjuks er norske skattemyndigheters data-analyser til å avdekke skattejuks.

Tidlig ute til å bruke AI for å avdekke regnskapsjuks var SEC med sin «Robocop», som systematisk gjennomgår det som files/innrapporteres til de amerikanske børsmyndighetene.

En god oversiktsartikkel over bruk av AI til å avdekke regnskapsjuks er Zhu m.fl. Intelligent financial fraud detection practices fra 2021. Den gjennomgår ulike metoder som blir brukt. Artikkelen redegjør bl.a. hvordan man de senere år har tatt i bruk ustrukturerte data som analyser av intervjuer (tonefall, ord som brukes), vidoer, teledata osv.

Et case: Hvordan bruk av AI avdekket regnskapsjuks og konkurs i Wirecard

Wirecard var et tysk kredittkort/finansselskap som startet opp i 1999, gikk på børs i 2005, vokste lynraskt og kom på topp-40 hovedlisten på tysk børs i 2018 og på amerikansk børs i 2015. Wirecard var underlagt tysk bankinspeksjon, tysk og amerikansk børsinspeksjon, og revidert av en av de «4 store»; EY. På topp i 2019 var selskapet verdt over 200 milliarder kroner.

Wirecard gikk konkurs i 2020 med 1,7 milliarder euro i balansen på en bankkonto som viste seg å bare være bløff. Wirecard leide blant annet inn skuespillere for å vise frem falske kontoutskrifter til selskapets revisor EY i et Teams-møte. EY fikk 2 års forbud mot å revidere børsnoterte selskaper i Tyskland og er nylig saksøkt for milliarder av aksjonærer i Wirecard.

Wirecard er et klassisk regnskapsjuks-selskap; kraftig vekst og lovnad om fortsatt vekst, karismatisk «sterke-mann»-leder og mange komplekse produkter. Andre historiske eksempler er Enron, WorldCom og Lehman.

Ifølge ny forskning kunne regnskapssvindelen vært avdekket ved bruk av AI lenge før konkursen.

I en nylig ikke-publisert studie av Werner testet man om Wirecard-skandalen kunne vært avdekket ved å trene opp et ekspertsystem på tidligere regnskapsjuks-saker. Kun offentlig tilgjengelig informasjon ble benyttet; årsrapporter selvsagt, men også artikler i media. Kjennetegn ved tidligere regnskapsfeil og -juks ble hentet fra det amerikanske børstilsynet (SEC) sine 1540 offentliggjorte inspeksjoner (AAER) fra 1982 til 2016.

AI-systemet gikk gjennom inspeksjonssakene for å bli trent opp i å finne unormale forhold og mønstre som gikk igjen sammenliknet med selskaper som var «normale». Noen av regnskapsjuksselskapene ble brukt først for å finne mønstre, og deretter skulle AI-systemet klare å plukke ut regnskapsjuksselskapene blant alle selskapene i det ubrukte datasettet. En såkalt F1-score ble brukt for å plukke ut AI-modellen som traff best, og denne AI-modellen ble trent opp videre.

KNeighborsClassifier-modellen (KNN) vant. KNN er en såkalt «lat» AI; den bruker ikke treningen til å lage seg en «oppskrift», men husker treningsobservasjonene. Når den egentlige testen er i gang, finner den datasett fra treningen som ligner mest (ligger nærmest («nabo»)). Tradisjonelt har regnskapsnøkkeltallsanalyser (regresjoner) vært brukt for å avdekke regnskapsjuks eller selskaper i vanskeligheter. Disse analyseformene var ikke i nærheten av å rekke opp i konkurransen mot KNN.

Så ble KNN brukt på Wirecard-dataene. Og resultatet? I 8 av 10 år (alle år unntatt 2010 og 2011) før konkursen mente KNN-modellen at det foregikk regnskapsjuks! De fleste av de 8 årene var tegnene meget tydelige. Særlig viste dårlig sammenheng mellom inntekter og cash at noe var galt.

Kanskje AI er noe å ta i bruk for revisjonsselskapene, finanstilsyn og andre for å avdekke regnskapsjuks?

Kanskje AI er noe å ta i bruk for revisjonsselskapene, finanstilsyn og andre for å avdekke regnskapsjuks? Verktøyet og dataene ligger tilgjengelig. Det er det fine med fri forskning!

Oppsummering

Artikkelen har gjennomgått utviklingen av bruk av store mengder data i regnskaps- og finansiell analyse. Som en ser, har det vært – og er – en rivende utvikling. 

Nå er bruk av AI på full fremmarsj, og alle de store revisjonsselskapene, analysebyråene, banker osv. har begynt å ta i bruk AI til regnskaps- og finansiell analyse. Men, som vist: maskinlæring i seg selv innen området er ikke noe nytt. 

Nytt er omfanget av data som er tilgjengelig, AI sin evne til (også) å håndtere ustrukturerte data, at AI finner nye mønstre og kombinasjoner vi ikke visste om, tempoet AI jobber i og hvor elegant AI kan fremvise resultatene. Men, som jeg også har vist, er det ikke alt AI kan avdekke enda, så god finansregnskapskunnskap er fremdeles påkrevd for å kunne validere svarene AI gir!

Referanser

Dechow, P. M., Sloan, R. G., og Sweeney, A. P. 1995. «Detecting earnings management.» Accounting review 193–225.

Werner, M. 2023. «Wirecard – Could the financial fraud have been unveiled by machine learning data analysis techniques?» Upublisert artikkel, presentert på European Accounting Association sin konferanse i Helsinki.

Zhu, X., Ao, X., Qin, Z., Chang, Y., Liu, Y., He, Q. og Li, J. 2021. «Intelligent financial fraud detection practices in post-pandemic era.» The Innovation 2 (4).

__________________________________

Lenke til kontroll & revisjon nr. 2/2026: