Forecasting AI Efficiency During Engagement Delivery: A Simulation Study of Estimate-to-Complete Methods in Accounting Services
تستخدم هذه الدراسة محاكاة "مونت كارلو" للمهام المحاسبية لإثبات أن أساليب "التقدير المتبقي لإتمام العمل" الديناميكية على مستوى النشاط تتفوق بشكل كبير على التخطيط الاستاتيكي في التنبؤ بكفاءة الذكاء الاصطناعي، مما يوفر توجيهاً خاصاً بكل مرحلة للتخفيف من مخاطر الهوامش الناتجة عن منحنيات تعلم الموظفين وتقلبات حجم العمل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تواجه شركات المحاسبة حالياً تحولاً كبي-راً مع دمج الذكاء الاصطاني في عملها اليومي. فلعقود من الزمن، اعتمدت هذه الشركات على ميزانيات مفصلة للتنبؤ بالوقت الذي ستستغرقه المهام وتكلفتها، وبناءً على تلك التنبؤات يتم تحديد الرسوم. ويعد وصول الذكاء الاصطناعي بزيادة السرعة في الأعمال الروتينية، لكن الواقع يتسم بالفوضى؛ إذ إن مكاسب السرعة ليست موحدة، فبعض المهام تتقلص بشكل كبير بينما لا تتغير مهام أخرى إلا قليلاً، وغالباً ما تظهر الفوائد الكاملة فقط بعد أن يقضي الموظفون وقتاً في تعلم كيفية استخدام الأدوات الجديدة بفعالية. وهذا يخلق مشكلة تخطيط صعبة: فالميزانية التي تُكتب في بداية المشروع قد تكون متفائلة للغاية أو متشائمة للغاية، وقد لا يصبح هذا الخطأ واضحاً إلا عندما يقترب العمل من نهايته. ولإدارة ذلك، تحتاج الشركات إلى وسيلة للتحقق من تقدمها أثناء سير العمل، وتعديل توقعات التكلفة النهائية بناءً على ما يحدث فعلياً بدلاً مما كان مأمولاً في البداية.
تتناول دراسة حديثة أجراها علي سيتين هذا التحدي تحديداً عبر محاكاة آلاف الارتباطات المحاسبية لمعرفة أي طريقة هي الأفضل لتحديث توقعات التكلفة هذه. ويركز البحث على عملية محددة تسمى "التقدير لما تبقى من العمل" (estimate to complete)، وهي ببساطة عملية النظر في العمل المنجز حتى الآن والعمل المتبقي، ثم حساب إجمالي تكلفة جديدة أكثر دقة للمشروع. وقد بنى المؤلف نموذجاً حاسوبياً يحاكي سلوك ارتباط محاسبي نموذجي مدته اثنا عشر شهراً، يتضمن ثمانية أنواع مختلفة من المهام وثلاث مستويات من الموظفين. وفي هذا العالم الافتراضي، سُمح لكفاءة الذكاء الاصطناعي بالتفاوت، كما بُرمج الموظفون للتعلم والتحول نحو سرعة أكبر بمرور الوقت، وسُمح لحجم العمل بالتقلب. ومن خلال تشغيل هذه المحاكاة عشرة آلاف مرة، استطاعت الدراسة اختبار ست طرق مختلفة لتقديم هذه التوقعات في منتصف المشروع لمعرفة أياً منها يحافظ على تقارب التوقعات المالية للشركة مع الواقع.
وكشفت عمليات المحاكاة أن التمسك بالخطة الأصلية هو استراتيجية سيئة. فعندما اعتمد الباحثون فقط على الميزانية الأولية دون تحديثها، كانت توقعات التكلفة النهائية بعيدة عن الواقع بفارق كبير. ومع ذلك، عندما قام الفريق بتحديث توقعاتهم شهرياً بناءً على الأداء الفعلي، تحسنت الدقة بشكل كبير. وبحلول الشهر السادس من المشروع، قللت أفضل طرق التحديث خطأ التوقع بمقدار النصف مقارنة بمجرد الثقة في الخطة الأصلية. وتؤكد هذه النتيجة نقطة حاسمة: بما أن فوائد الذكاء الاصطناعي غير مؤكدة ويحتاج الموظفون إلى وقت للتعلم، فإن الميزانية التي توضع في البداية نادراً ما تكون كافية. لذا فإن المراقبة المستمرة ليست مجرد أمر مفيد، بل هي ضرورة لتجنب الإخفاق في تحقيق الأهداف المالية.
كما اكتشفت الدراسة أنه لا توجد طريقة واحدة "مثلى" لكل مرحلة من مراحل المشروع. فالنهج الأكثر دقة يعتمد بشكل كبير على ما إذا كان الموظفون لا يزالون في مرحلة التعلم. ففي الأشهر الأولى، عندما يكون الموظفون بصدد الاعتياد على الأدوات الجديدة وتكون سرعتهم لا تزال في طور التحسن، كانت الطريقة الأكثر موثوقية هي اتباع نهج متوازن يقسم الفرق بين الخطة الأصلية وأداء الشهر الأخير. هذا المزيج منع التوقعات من المبالغة في رد الفعل تجاه البداية البطيئة التي تحدث غالباً عند تعلم نظام جديد. ومع تقدم الارتباط واستقرار أداء الموظفين، تغيرت الطريقة المثلى؛ فبمجرد أن استقر منحنى التعلم، أصبح النهج الذي ينظر إلى متوسط الأداء خلال الأشهر الثلاثة الماضية هو الأكثر دقة، مما أدى إلى تنعيم التقلبات اليومية العشوائية مع الاستمرار في عكس الواقع الحالي.
وظهرت نتيجة رئيسية أخرى عندما تغيرت طبيعة العمل نفسها. ففي المحاكاة، أدخل الباحثون سيناريو زاد فيه حجم مهمتين محددتين فجأة بنسبة ثلاثين بالمائة. وعندما تغير مزيج العمل، فشل التوقع الذي ينظر إلى المشروع ككتلة واحدة كبيرة في استيعاب الواقع الجديد. ولم يكن من الممكن الحفاظ على دقة التوقع إلا عندما تم تقسيم التوقع حسب النشاط الفردي—أي حساب الوقت لكل مهمة محددة على حدٍّ من الإنعزال. وهذا يشير إلى أنه بينما قد تنجح الرؤية الشاملة عندما يكون كل شيء مستقراً، يجب على الشركات النظر في تفاصيل عملها إذا تغير نطاق العمل، لأن المهام المختلفة تستفيد من الذكاء الاصطناعي بمعدلات متفاوتة.
كما سلط البحث الضوء على فخ شائع في التخطيط: التفاؤل. فقد أظهرت عمليات المحاكاة أنه عندما وضعت الشركات ميزانياتها بناءً على الأداء المثالي للذكاء الاصطناعي، فإنها أخفقت في تحقيق أهداف الربح. ففي السيناريو الأساسي، انتهى ما يقرب من أربعة وسبعين بالمائة من المشاريع المحاكات بهامش ربح أقل مما كان مخططاً له. حدث هذا لأن الخطط الأولية غالباً ما قللت من تقدير الوقت المطلوب لتعلم الموظفين للأدوات وجهد المراجعة الإضافي الذي قد يكون مطلوباً أحياناً للعمل الناتج عن الذكاء الاصطناعي. وتقترح الدراسة أن تتوقع الشركات هذه النقص في الأرباح وتستخدم مراجعاتها الشهرية لرصدها مبكراً، بدلاً من افتراض أن الخطة الأولية ستظل ثابتة.
في نهاية المطاف، تقدم الورقة دليلاً عملياً ومرحلياً للشركات التي تبحر في هذا المشهد الجديد. فهي تقترح أنه خلال الأشهر الثلاثة الأولى من الارتباط، عندما لا يزال التعلم جارياً، يجب على الفرق استخدام توقع مختلط يزن بين الخطة الأصلية والأداء الأخير بالتساوي. وبمجرد استقرار الفريق، عادةً حول الشهر الرابع، ينبغي عليهم الانتقال إلى تتبع متوسط الأداء للأشهر الثلاثة الماضية. وإذا تغير حجم أو نوع العمل، يجب على الفريق الانتقال إلى توقع مفصل لكل مهمة على حدة بدلاً من نظرة عامة واسعة. توفر هذه القواعد طريقة بسيطة وقوية للشركات من أي حجم لإدارة عدم اليقين المرتبط بالذكاء الاصطناعي، مما يضمن بقاء تخطيطها المالي متجذراً في واقع العمل كما يتم تنفيذه بالفعل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.