Opinie

De samenstelaccountant als Machine Learning Feature Specialist!

Er verschijnen de laatste tijd diverse stukken over het controleren van algoritmen en de rol van de accountant daarin. Openstaande vragen hierbij: wie gaat daadwerkelijk welke controle uitvoeren en hoe zien deze controles eruit?

Een goede vraag. Heeft de controlerend accountant hier een taak, of is het juist de samenstelaccountant die een goede toekomst tegemoet gaat? Om hier een voorschot op te nemen en het meteen zeer concreet te maken beginnen we bij een citaat uit een opinie van Charles Kock (16 oktober 2018), getiteld ‘Samenstellen is niet controleren’. Hierin staat het volgende te lezen:

“Je moet dus ook niet van accountants willen verwachten dat ze in zo’n situatie gaan controleren.
Dat wil niet zeggen dat ze geen toegevoegde waarde voor de maatschappij en de ondernemer kunnen hebben. Ondernemers willen geen problemen met de bank, de belastingdienst of andere maatschappelijk belanghebbenden. De maatschappij heeft nog steeds behoefte aan betrouwbare informatie. De accountant kan de maatschappij en de ondernemer daarbij helpen. Soms door de administratie te voeren, al dan niet inclusief loonadministratie en btw-aangiftes en daarna de jaarrekening samen te stellen. In andere gevallen doet de ondernemer de administratie en zal de accountant alleen de jaarrekening samenstellen.
Wat de accountant daarbij toevoegt, is zijn vakbekwaamheid en zorgvuldigheid, objectiviteit en zijn integriteit. Om een goede jaarrekening te kunnen samenstellen moet de accountant begrijpen wat de organisatie doet, zodat hij weet welke informatie de jaarrekening moet bevatten en welke regels hij moet toepassen. Dat vraagt om vakbekwaamheid en zorgvuldigheid.” (Kock, 2018)

Laten we eens heel concreet maken hoe dit bij een onderneming werkt voor één specifieke situatie. De onderneming/ondernemer moet bijvoorbeeld elke maand een btw-aangifte doen bij de Belastingdienst. Hierbij moet hij een onderscheid maken tussen de verschillende btw-tarieven die gekoppeld zijn aan het soort dienst of product dat geleverd is. Bijvoorbeeld betalingen aan verzekering, betalingen met btw 0 tarief, btw 21 procent en de bijtelling van de auto, om maar een paar voorbeelden te noemen. De ondernemer kan hier fouten in maken. En op het moment dat deze fouten worden gemaakt en hij zelf de jaarrekening opstelt, kunnen hier problemen uit ontstaan wanneer deze wordt gedeponeerd en de aangifte vennootschapsbelasting bij de Belastingdienst wordt ingediend. Om dit te voorkomen heeft de ondernemer een tweede optie, namelijk een samenstelaccountant inhuren. Deze accountant ‘controleert’ aan het einde van het jaar de verschillende posten en herstelt deze wanneer er fouten zijn gemaakt. Ook gaat deze – afhankelijk van de omvang van de boekingen - na of alle posten op de juiste grootboekrekeningen zijn geboekt, zodat alles in orde is en de ondernemer geen problemen met de Belastingdienst of met andere partijen krijgt.

Als we deze activiteiten vertalen naar AI/Machine Learning, dan herkennen we hierin de meest belangrijke en fundamentele taak, namelijk het zogenaamde labelen van data. In accountancy termen: het journaliseren van mutaties. Wanneer data klaar wordt gemaakt voor Machine Learning moet deze worden opgeschoond. Dit opschonen bestaat uit meerdere stappen, maar één daarvan is het labelen van data. In deze stap wordt aan het algoritme verteld waar het eigenlijk naar kijkt.

Een eenvoudig voorbeeld. Stel, je wilt een algoritme maken dat met journaalposten aan de gang gaat. Dan dient het algoritme de journaalpost te herkennen. Om dit te bereiken moet het algoritme eerst tien, honderd of duizend keer verteld worden wat een journaalpost is. Daarna zal het zelf proberen journaalposten te herkennen. Als het algoritme honderd procent goed getraind is, zal vanaf dat moment alles foutloos gaan. In de praktijk is dit dus (nog) niet zo en moet het algoritme gecontroleerd worden. Dus als iets als een journaalpost had moeten worden gezien, maar het algoritme noemt het iets anders, dan moet dit gecorrigeerd worden. Net zoals een journaalpost in de boekhouding.

Een ander voorbeeld is dat het algoritme een journaalpost herkende waarin een 0 procent btw-post was verwerkt, terwijl dit een 21 procent btw-post had moeten zijn. Ofwel, in accountantstermen, er wordt gekeken of de posten juist geboekt zijn en als dat niet zo is, dan worden er aanpassingen gemaakt. En dan komen we bij een ander argument dat Kock aanvoert: “Met voldoende kennis van de organisatie weet de accountant ook wat de belangen van anderen zijn. Zijn objectiviteit maakt dat hij deze belangen meeweegt bij het samenstellen van de jaarrekening. En de plicht om integer te handelen maakt dat de accountant zich niet laat misbruiken om onbetrouwbare informatie naar buiten te brengen.”

De accountant dient dan inderdaad veel van de business te weten. Ook moet hij zich bewust zijn van wat de belangen van anderen zijn. Want hoe bepaalt hij anders de volledigheid (de compleetheid) van deze dataset, op basis waarvan het algoritme wordt getraind? Wie zorgt ervoor dat de dataset een juiste representatie is van wat er geanalyseerd moet worden? Wie zorgt ervoor dat een auto van de zaak voor privégebruik wordt gecorrigeerd? Ondanks het feit dat deze btw waarschijnlijk maar één keer jaar – veelal in december – wordt aangegeven en betaald. Iets wat je immers eenvoudig kan vergeten wanneer je een dataset traint. Of, in accountantstermen: wie zorgt ervoor dat de jaarrekening op een ‘goede’ manier wordt opgesteld/samengesteld?

Misschien zou een goed antwoord hier wel kunnen zijn: ‘de Samenstelaccountant als Machine Learning Feature Specialist’. Een bijkomend voordeel is dat we dan meteen de discussie kunnen staken over of er nog genoeg werk is. Want zie hier een administratieve taak, de samensteltaak van de toekomst! Een taak waar nog meer dan genoeg werk in zit!

De taak van de samenstelaccountant lijkt het gemakkelijkst uitgevoerd te kunnen worden door een robot. Hierdoor werd aanvankelijk gedacht dat deze accountant het eerst zou verdwijnen. Maar omdat voor deze groep de nood het hoogst is, zou voor hen de adoptiegraad (van moderne technieken) ook wel iets hoger kunnen liggen; waardoor niet de samensteller eraan moet gaan geloven maar de controleur die ‘nog maar moet zien of het allemaal zo’n vaart loopt’. Laten we ook de andere financials niet onderschatten. Misschien heeft de controller zelfs nog wel een hoger adoptieniveau dan de samenstelaccountant. De tijd zal het leren. Welke financial is (het meest) future proof?

We moeten nog maar eens kijken of, wanneer de data goed staat en goed gelabeld is, de controlerende accountant nog iets te doen heeft, of dat we die controles daarna gewoon weg-automatiseren via een andere ‘robot’ (AI). Voor die accountants die de laatste zin niet echt grappig vinden: het rode duimpje zit rechtsonder dit opiniestuk.

Wat vindt u van deze opinie?

Reacties 29 27 Spelregels debat

Gerelateerd

reacties

Reageer op dit artikel

Spelregels debat

    Aanmelden nieuwsbrief

    Ontvang elke werkdag (maandag t/m vrijdag) de laatste nieuwsberichten, opinies en artikelen in uw mailbox.

    Bent u NBA-lid? Dan kunt u zich ook aanmelden via uw ledenprofiel op MijnNBA.nl.