Forecasting AI Efficiency During Engagement Delivery: A Simulation Study of Estimate-to-Complete Methods in Accounting Services
यह अध्ययन लेखांकन जुड़ावों (अकाउंटिंग एंगेजमेंट्स) के मोंटे कार्लो सिमुलेशन का उपयोग करके यह प्रदर्शित करता है कि गतिशील, गतिविधि-स्तर की अनुमान-से-पूर्ण (एस्टीमेट-टू-कम्प्लीट) विधियाँ एआई-संचालित दक्षता के पूर्वानुमान में स्थिर नियोजन की तुलना में काफी बेहतर प्रदर्शन करती हैं, जो स्टाफ लर्निंग कर्व और कार्यभार की अस्थिरता के कारण होने वाले मार्जिन जोखिमों को कम करने के लिए चरण-विशिष्ट मार्गदर्शन प्रदान करती हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
अकाउंटिंग फर्में वर्तमान में एक महत्वपूर्ण बदलाव से गुजर रही हैं क्योंकि वे अपने दैनिक कार्यों में आर्टिफिशियल इंटेलिजेंस (AI) को एकीकृत कर रही हैं। दशकों से, ये फर्में यह अनुमान लगाने के लिए विस्तृत बजटों पर निर्भर रही हैं कि कार्यों में कितना समय लगेगा और उनकी लागत कितनी होगी, और उन्हीं भविष्यवाणियों के आधार पर शुल्क निर्धारित करती रही हैं। AI का आगमन नियमित कार्यों को तेज करने का वादा करता है, लेकिन वास्तविकता जटिल है। गति में सुधार एक समान नहीं है; कुछ कार्य नाटकीय रूप से कम हो जाते हैं जबकि अन्य में बहुत कम बदलाव आता है, और इसके पूर्ण लाभ अक्सर तभी दिखाई देते हैं जब कर्मचारियों ने नए उपकरणों का प्रभावी ढंग से उपयोग करना सीखने में समय बिताया हो। यह एक कठिन नियोजन समस्या पैदा करता है: एक बजट जो किसी प्रोजेक्ट की शुरुआत में लिखा गया था, वह अत्यधिक आशावादी या निराशावादी हो सकता है, और यह त्रुटि तब तक स्पष्ट नहीं हो पाती जब तक कि काम लगभग समाप्त न हो जाए। इसे प्रबंधित करने के लिए, फर्मों को काम जारी रहने के दौरान अपनी प्रगति की जांच करने के तरीके की आवश्यकता है, ताकि वे केवल शुरुआत में जो उम्मीद की गई थी, उसके बजाय वास्तव में जो हो रहा है, उसके आधार पर अपनी अंतिम लागत भविष्यवाणियों को समायोजित कर सकें।
अली सेतिन द्वारा किया गया एक हालिया अध्ययन इसी चुनौती से निपटता है, जिसमें उन्होंने हजारों अकाउंटिंग एंगेजमेंट का अनुकरण (सिमुलेशन) किया है ताकि यह देखा जा सके कि लागत भविष्यवाणियों को अपडेट करने के लिए कौन सी विधि सबसे अच्छी काम करती है। यह शोध एक विशिष्ट प्रक्रिया पर केंद्रित है जिसे "एस्टिमेट टू कम्पलीट" (estimate to complete) कहा जाता है, जो सरल शब्दों में अब तक किए गए काम और शेष कार्य को देखने और फिर एक नया, अधिक सटीक कुल प्रोजेक्ट लागत की गणना करने की क्रिया है। लेखक ने एक कंप्यूटर मॉडल बनाया जो एक विशिष्ट बारह महीने के अकाउंटिंग एंगेजमेंट की नकल करता है, जिसमें आठ अलग-अलग प्रकार के कार्य और स्टाफ के तीन स्तर शामिल हैं। इस आभासी दुनिया में, AI की दक्षता को परिवर्तनशील रखा गया, कर्मचारियों को समय के साथ सीखने और तेज होने के लिए प्रोग्राम किया गया, और कार्य की मात्रा को उतार-चढ़ाव के अनुकूल बनाया गया। दस हजार बार इस सिमुलेशन को चलाकर, अध्ययन ने इन मध्य-प्रोजेक्ट भविष्यवाणियों को करने के छह अलग-अलग तरीकों का परीक्षण किया ताकि यह देखा जा सके कि कौन सा तरीका फर्म के वित्तीय पूर्वानुमानों को वास्तविकता के सबसे करीब रखता है।
सिमुलेशन से पता चला कि मूल योजना पर टिके रहना एक खराब रणनीति है। जब शोधकर्ताओं ने केवल प्रारंभिक बजट पर भरोसा किया और उसे अपडेट नहीं किया, तो अंतिम लागत भविष्यवाणियां अक्सर एक बड़े अंतर से गलत थीं। हालांकि, जब टीम ने वास्तविक प्रदर्शन के आधार पर मासिक रूप से अपने पूर्वानुमानों को अपडेट किया, तो सटीकता में नाटकीय सुधार हुआ। एक प्रोजेक्ट के छठे महीने तक, सर्वोत्तम अपडेटिंग विधियों ने केवल मूल योजना पर भरोसा करने की तुलना में भविष्यवाणी त्रुटि को आधा कर दिया। यह निष्कर्ष एक महत्वपूर्ण बिंदु को रेखांकित करता है: चूंकि AI के लाभ अनिश्चित हैं और कर्मचारियों को सीखने के लिए समय चाहिए, इसलिए शुरुआत में बनाया गया बजट शायद ही कभी पर्याप्त होता है। निरंतर निगरानी केवल सहायक नहीं है; यह वित्तीय लक्ष्यों को चूकने से बचने के लिए आवश्यक है।
अध्ययन में यह भी पाया गया कि प्रोजेक्ट के हर चरण के लिए कोई एक "सर्वश्रेष्ठ" विधि नहीं है। सबसे सटीक दृष्टिकोण इस बात पर बहुत अधिक निर्भर करता है कि कर्मचारी अभी सीखने के चरण में हैं या नहीं। शुरुआती महीनों में, जब कर्मचारी नए उपकरणों के अभ्यत होने की प्रक्रिया में होते हैं और उनकी गति अभी सुधर रही होती है, तो सबसे विश्वसनीय तरीका एक संतुलित दृष्टिकोण था जो मूल योजना और हाल के महीने के प्रदर्शन के बीच अंतर को विभाजित करता था। यह मिश्रण पूर्वानुमान को उस धीमी शुरुआत के प्रति अति-प्रतिक्रिया देने से रोकता है जो अक्सर एक नई प्रणाली को सीखने के दौरान होती है। जैसे-जैसे एंगेजमेंट आगे बढ़ता है और कर्मचारियों का प्रदर्शन स्थिर होता जाता है, सर्वोत्तम विधि बदल जाती है। एक बार जब लर्निंग कर्व (सीखने की प्रक्रिया) सपाट हो जाता है, तो पिछले तीन महीनों के औसत प्रदर्शन को देखने वाली विधि सबसे सटीक हो जाती है, जो दैनिक उतार-चढ़ाव को सुचारू बनाती है जबकि वर्तमान वास्तविकता को भी दर्शाती है।
एक अन्य प्रमुख निष्कर्ष तब सामने आया जब स्वयं कार्य की प्रकृति बदल गई। सिमुलेशन में, शोधकर्ताओं ने एक परिदृश्य पेश किया जहां दो विशिष्ट कार्यों की मात्रा अचानक तीस प्रतिशत बढ़ गई। जब काम का मिश्रण बदला, तो एक पूर्वानुमान जिसने प्रोजेक्ट को एक एकल, बड़े ब्लॉक के रूप में देखा था, वह नई वास्तविकता को पकड़ने में विफल रहा। यह केवल तभी संभव हुआ जब पूर्वानुमान को व्यक्तिगत गतिविधि के आधार पर विभाजित किया गया—प्रत्येक विशिष्ट कार्य के लिए समय की गणना अलग से की गई—तब भविष्यवाणी सटीक बनी रही। यह सुझाव देता है कि जबकि एक उच्च-स्तरीय दृष्टिकोण तब काम कर सकता है जब सब कुछ स्थिर हो, फर्मों को अपने काम के विवरणों को देखना चाहिए यदि कार्य का दायरा बदलता है, क्योंकि अलग-अलग कार्य AI से अलग-अलग दर से लाभान्वित होते हैं।
शोध ने नियोजन के एक सामान्य जाल पर भी प्रकाश डाला: आशावाद। सिमुलेशन ने दिखाया कि जब फर्मों ने आदर्श AI प्रदर्शन के आधार पर अपने बजट निर्धारित किए, तो वे अक्सर अपने लाभ लक्ष्यों को चूक गए। बेस परिदृश्य में, लगभग चौहत्तर प्रतिशत सिम्युलेटेड प्रोजेक्ट्स का लाभ मार्जिन नियोजित लक्ष्य से कम रहा। ऐसा इसलिए हुआ क्योंकि प्रारंभिक योजनाओं में अक्सर कर्मचारियों द्वारा उपकरणों को सीखने में लगने वाले समय और AI-जनित कार्य के लिए कभी-कभी आवश्यक अतिरिक्त समीक्षा प्रयास को कम करके आंका गया था। अध्ययन सुझाव देता है कि फर्मों को इन कमियों की उम्मीद करनी चाहिए और उन्हें जल्दी पकड़ने के लिए अपने मासिक समीक्षाओं का उपयोग करना चाहिए, बजाय इसके कि वे मान लें कि प्रारंभिक योजना सत्य बनी रहेगी।
अंततः, यह पेपर फर्मों को इस नए परिदृश्य में नेविगेट करने के लिए एक व्यावहारिक, चरणबद्ध मार्गदर्शिका प्रदान करता है। यह सुझाव देता है कि एक एंगेजमेंट के पहले तीन महीनों के दौरान, जब सीखना अभी चल रहा होता है, टीमों को एक मिश्रित पूर्वानुमान का उपयोग करना चाहिए जो मूल योजना और हाल के प्रदर्शन को समान महत्व देता हो। एक बार जब टीम सेटल हो जाती है, आमतौर पर चौथे महीने के आसपास, उन्हें पिछले तीन महीनों के औसत प्रदर्शन को ट्रैक करने की ओर स्विच करना चाहिए। यदि कार्य की मात्रा या प्रकार बदलता है, तो टीम को एक व्यापक अवलोकन के बजाय एक विस्तृत, कार्य-दर-कार्य पूर्वानुमान की ओर स्विच करना चाहिए। ये नियम किसी भी आकार की फर्मों को आर्टिफिशियल इंटेलिजेंस की अनिश्चितता को प्रबंधित करने के लिए एक सरल, मजबूत तरीका प्रदान करते हैं, जिससे यह सुनिश्चित होता है कि उनका वित्तीय नियोजन वास्तव में किए जा रहे कार्य की वास्तविकता पर आधारित रहे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।