Forecasting AI Efficiency During Engagement Delivery: A Simulation Study of Estimate-to-Complete Methods in Accounting Services
Questo studio impiega una simulazione Monte Carlo di incarichi contabili per dimostrare che i metodi dinamici di stima dei costi residui (estimate-to-complete) a livello di attività superano significativamente la pianificazione statica nella previsione dell'efficienza guidata dall'IA, offrendo una guida specifica per fase al fine di mitigare i rischi di margine causati dalle curve di apprendimento del personale e dalla volatilità del carico di lavoro.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Gli studi contabili stanno attualmente affrontando un cambiamento significativo mentre integrano l'intelligenza artificiale nel loro lavoro quotidiano. Per decenni, questi studi si sono affidati a budget dettagliati per prevedere quanto tempo impiegheranno i compiti e quanto costeranno, fissando le parcelle sulla base di tali previsioni. L'arrivo dell'IA promette di velocizzare il lavoro di routine, ma la realtà è complessa. I guadagni di velocità non sono uniformi; alcuni compiti si riducono drasticamente mentre altri cambiano appena, e i pieni benefici appaiono spesso solo dopo che il personale ha trascorso del tempo imparando a utilizzare gli strumenti in modo efficace. Ciò crea un difficile problema di pianificazione: un budget scritto all'inizio di un progetto potrebbe essere estremamente ottimistico o pessimistico, e l'errore potrebbe non diventare evidente fino a quando il lavoro non è quasi terminato. Per gestire questo aspetto, gli studi hanno bisogno di un modo per controllare i propri progressi mentre il lavoro è ancora in corso, regolando le previsioni dei costi finali in base a ciò che sta effettivamente accadendo piuttosto che a ciò che si sperava all'inizio.
Un recente studio di Ali Cetin affronta esattamente questa sfida simulando migliaia di incarichi contabili per vedere quale metodo funzioni meglio per aggiornare queste previsioni di costo. La ricerca si concentra su un processo specifico chiamato "stima al completamento" (estimate to complete), che consiste semplicemente nell'osservare il lavoro svolto finora e il lavoro rimanente, per poi calcolare un nuovo, più accurato costo totale del progetto. L'autore ha costruito un modello informatico che imita il comportamento di un tipico incarico contabile di dodici mesi, completo di otto diversi tipi di attività e tre livelli di personale. In questo mondo virtuale, l'efficienza dell'IA poteva variare, i membri dello staff erano programmati per imparare e diventare più veloci nel tempo, e il volume di lavoro poteva fluttuare. Eseguendo questa simulazione diecimila volte, lo studio ha potuto testare sei diversi modi per formulare queste previsioni di metà progetto per vedere quale mantenesse le previsioni finanziarie dello studio più vicine alla realtà.
Le simulazioni hanno rivelato che attenersi al piano originale è una strategia inefficiente. Quando i ricercatori si sono affidati esclusivamente al budget iniziale senza aggiornarlo, le previsioni del costo finale erano spesso errate di un margine significativo. Tuttavia, quando il team ha aggiornato le proprie previsioni mensilmente in base alle prestazioni effettive, l'accuratezza è migliorata drasticamente. Entro il sesto mese di un progetto, i migliori metodi di aggiornamento hanno ridotto la metà l'errore di previsione rispetto al semplice affidarsi al piano originale. Questo dato sottolinea un punto critico: poiché i benefici dell'IA sono incerti e il personale ha bisogno di tempo per imparare, un budget stabilito all'inizio è raramente sufficiente. Il monitoraggio continuo non è solo utile; è necessario per evitare di mancare gli obiettivi finanziari.
Lo studio ha anche scoperto che non esiste un unico metodo "migliore" per ogni fase di un progetto. L'approccio più accurato dipende fortemente dal fatto che il personale sia ancora nella fase di apprendimento. Nei primi mesi, quando i dipendenti si stanno ancora abituando ai nuovi strumenti e la loro velocità sta ancora migliorando, il metodo più affidabile è stato un approccio bilanciato che divideva a metà il piano originale e le prestazioni dell'ultimo mese. Questa combinazione ha impedito alla previsione di reagire eccessivamente al lento inizio che spesso accompagna l'apprendimento di un nuovo sistema. Man mano che l'incarico procedeva e le prestazioni del personale si stabilizzavano, il metodo migliore cambiava. Una volta che la curva di apprendimento si era appiattita, il metodo che guardava alla media delle prestazioni degli ultimi tre mesi è diventato il più accurato, smorzando le fluttuazioni quotidiane casuali pur riflettendo la realtà attuale.
Un altro risultato chiave è emerso quando la natura stessa del lavoro è cambiata. Nella simulazione, i ricercatori hanno introdotto uno scenario in cui il volume di due compiti specifici è aumentato improvvisamente del trenta per cento. Quando il mix di lavoro è cambiato, una previsione che considerava il progetto come un unico grande blocco di lavoro non è riuscita a cogliere la nuova realtà. Solo quando la previsione è stata suddivisa per singola attività — calcolando il tempo per ogni specifica mansione separatamente — la previsione è rimasta accurata. Ciò suggerisce che, sebbene una visione d'insieme possa funzionare quando tutto è stabile, gli studi devono esaminare i dettagli del proprio lavoro se l'ambito cambia, perché diversi compiti beneficiano dell'IA in modi differenti.
La ricerca ha inoltre evidenziato una trappola comune nella pianificazione: l'ottimismo. Le simulazioni hanno mostrato che quando gli studi fissano i loro budget basandosi su prestazioni ideali dell'IA, mancano frequentemente i loro obiettivi di profitto. Nello scenario base, quasi il settantaquattro per cento dei progetti simulati si è concluso con un margine di profitto inferiore a quello pianificato. Ciò è accaduto perché i piani iniziali spesso sottostimavano il tempo necessario affinché il personale apprendesse gli strumenti e lo sforzo di revisione supplementare talvolta richiesto per il lavoro generato dall'IA. Lo studio suggerisce che gli studi debbano aspettarsi questi cali e utilizzare le loro revisioni mensili per coglierli precocemente, piuttosto che assumere che il piano iniziale rimarrà valido.
In definitiva, il documento offre una guida pratica e a stadi per gli studi che navigano in questo nuovo panorama. Suggerisce che durante i primi tre mesi di un incarico, quando l'apprendimento è ancora in corso, i team dovrebbero utilizzare una previsione mista che pesi equamente il piano originale e le prestazioni recenti. Una volta che il team si è assestato, solitamente intorno al quarto mese, dovrebbero passare al monitoraggio della media delle prestazioni degli ultimi tre mesi. Se il volume o il tipo di lavoro cambia, il team deve passare a una previsione dettagliata, compito per compito, anziché a una panoramica generale. Queste regole forniscono un modo semplice e robusto per gli studi di qualsiasi dimensione per gestire l'incertezza dell'intelligenza artificiale, garantendo che la loro pianificazione finanziaria rimanga ancorata alla realtà del lavoro così come viene effettivamente svolto.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.