عباس پورخصالیان

این یادداشت حاوی راهنمای آینده‌نگر برای دانشجویان و متخصصان تحصیلات تکمیلی مالی، حسابداری، حسابرسی و مدیریت مالی در عصر هوش مصنوعی است.

چهار سال پیش، وقتی که هوش مصنوعی مولد به بازار آمد، استادان دورۀ حسابداری پیشرفته در دانشگاه ملبورن، مثل اغلب همکاران خود در دانشکده‌ها و دانشگاه‌های دیگر، کمک گرفتنِ دانشجویان از پلتفرم‌های هوش مصنوعی برای حل مسایل مالی را ممنوع کردند.

اما دو سال پیش، فهمیدند که اشتباه می‌کردند. گفتند رقابت با ماشین، کلاً بیهوده است. سه قرن است هر کاری را که ماشین به عهده گرفته، آن کار را هوشمندانه‌تر از انسان به انجام رسانده است. پس اگر هوش مصنوعی می‌تواند امور اقتصادی، حسابداری، حسابرسی و مدیریت مالی را بهتر از انسان انجام دهد، برای دانشجویان و کارشناسان حسابداری، حسابرسی و مدیریت مالی بهتر است، همکارِ ناظر و داورِ برونداد ماشین باشند، نه رقیب آن! بنابراین، برای دانشجویان بهتر است به موقع بیاموزند چگونه دانش حسابداری خود را با فناوری هم‌افزا کنند تا در بازار کار آینده ارزشمندتر استخدام شوند.

عموم دانشجویانی که در مقطع کارشناسی ارشد یا دکتری حسابداری، مالی، حسابرسی، مدیریت مالی یا یکی از رشته‌های تخصصی مرتبط تحصیل می‌کنند، احتمالاً با فهرستی از واژه‌های جدید مربوط به حوزۀ فناوری اطلاعات مواجه شده‌اند که گاهی بیش از آنکه برای شان هیجان‌انگیز باشند، نگران‌کننده به نظر می‌رسند، مثلِ:

FinTech، InsurTech، RegTech، LegalTech، AI، Generative AI، Blockchain، Smart Contracts، Open Banking، Embedded Finance،  Robotic Process Automation:RPA، Cloud Computing، Big Data، Data Analytics، Digital Assets، Cybersecurity، Environmental Social Governance Technology :ESG Tech ، Quantum Computing، AI Agents  و …

پرسش بسیاری از دانشجویان و متخصصان تحصیلات تکمیلی مالی، حسابداری، حسابرسی و مدیریت مالی این است: آیا این فناوری‌ها قرار است دانش و تخصصی را که سال‌ها برای یادگیری آن وقت گذاشته‌ام منسوخ کنند؟

پاسخ کوتاه یادداشت حاضر این است: در اغلب موارد، خیر! اما یک نکته بسیار مهم: آینده متعلق به متخصص مالی‌ای نیست که دستاوردهای برآیندۀ فناوری اطلاعات را نادیده می‌گیرد؛ و لزوماً هم متعلق به متخصص فناوری‌ای نیست که دانش مالی ندارد. آینده متعلق به کسی است که بتواند دانش حرفه‌ای خود را با فناوری ترکیب و هم‌افزا کند.

۱. فناوری اطلاعات حسابدار را حذف نمی‌کند؛ «کار حسابدار» را تغییر دهد

اگر تاریخ حرفه حسابداری را نگاه کنیم، این نخستین‌بار نیست که فناوری ساختار کار و فعالیت حسابداران را تغییر می‌دهد. دفترهای دستی به ماشین‌حساب، ماشین‌حساب به رایانه، رایانه به  اِکسِل، نرم‌افزارهای سنتی به ERP (برنامه‌ریزی منابع سازمانی) و سپس سیستم‌های ابری و اتوماسیون منتقل شده‌اند. در این پویش، هر بار بخشی از کارهای قبلی منسوخ شده و از بین رفته است؛ اما حرفه حسابداری از بین نرفته است. آنچه تغییر کرده، مرز بین کار انسانی و کار ماشینی در حوزه حسابداری بوده است. هوش مصنوعی نیز همین مسیر را با سرعت بسیار بیشتری ادامه می‌دهد.

مطالعات جدید از سوی صنف حسابداران قسم خورده (the Association of Chartered Certified Accountants: ACCA ) نیز بر همین نکته تأکید دارند: فعالیت‌های تکراری مانند واردسازی اطلاعات، طبقه‌بندی، تطبیق و خلاصه‌سازی بیشتر خودکارسازی می‌شوند، در حالی که نقش‌هایی مانند داوری حرفه‌ای، کنترل، اطمینان‌بخشی، حاکمیت، تفسیر و تصمیم‌سازی توسط کارشناسان اهمیت بیشتری پیدا می‌کنند.

بنابراین پرسش آینده نباید این باشد که: آیا هوش مصنوعی جای حسابدار را می‌گیرد؟ بلکه پرسش دقیق‌تر این است: کدام حسابدار می‌تواند با هوش مصنوعی بهتر کار کند و کدام حسابدار همچنان اصرار دارد کارهایی را که ماشین بهتر انجام می‌دهد، خودش انجام دهد؟

۲. یک تغییر اساسی در حال وقوع است: از «حساب کردن» به «داوری»

در گذشته، بخش بزرگی از ارزش متخصص مالی از توانایی او در ثبت، محاسبه، طبقه‌بندی، تطبیق، تهیه گزارش، کنترل و استخراج اطلاعات به دست می‌آمد. اما فناوری در حال کاهش هزینه و زمان این فعالیت‌هاست. در نتیجه، ارزش متخصص به سمت درجاتی بالاتر حرکت می‌کند: او باید بپرسد و پاسخ دهد آیا این داده قابل اعتماد است؟ این مدل، تصمیم درستی گرفته است؟ کنترل داخلی مناسب است؟ این معامله از نظر اقتصادی واقعاً منطقی است؟ ریسک پنهانی در این تصمیم وجود دارد؟ گزارش مالی، تصویر منصفانه‌ای ارائه می‌کند؟ الگوریتم دچار سوگیری شده است؟ چه کسی مسئول تصمیم یک سیستم هوش مصنوعی است؟ چگونه می‌توان یک تصمیم را در برابر حسابرس، مدیر، سهامدار، رگولاتور یا دادگاه توضیح داد؟

این‌ها سؤالاتی هستند که دانش مالی، حسابداری، حقوق، اقتصاد، ریسک و حاکمیت همچنان در آنها اهمیت حیاتی دارند.

۳. فین‌تک چیست و چرا باید برای متخصص مالی مهم باشد؟

فین‌تک (FinTech) اصطلاحی اختصاری‌ست بجای Financial Technology به معنی «فناوری مالی» که یکی از زیرمجموعه‌های نسبتاً جدید فناوری اطلاعات است. در این فناوری از امکانات فناوریِ اطلاعات برای ایجاد یا بهبود محصولات، خدمات و فرایندهای مالی استفاده می‌شود.

از آنجایی که طی بیش از یک قرن است که محصولات، خدمات و فرایندهای مالی، بخش بزرگی از اقتصاد را به خود اختصاص داده است، فین‌تک نیز بخشی اقتصادی و در نتیجه صنعتی جدید است که در آن یک لایه فناورانه روی تقریباً تمامی ‌فعالیت‌های مالی کشیده شده است. برای مثال: پرداخت‌های دیجیتالی، بانکداری الکترونیکی، بانکداری باز (Open Banking)، مالیۀ بسترسازی شده (Embedded Finance)، وام‌دهی برخط، اعتبارسنجی هوشمند، مدیریت دارای‌های دیجیتالی، تحلیل هوشمند اعتبار، کشف تقلب، مدیریت ریسک الگوریتمی، سرمایه‌گذاری جمعی (Crowdfunding) و رایزنی روباتیکی (Robo-Advisory)، مالیۀ نامتمرکز (Decentralized Finance: DeFi )، فناوری بیمه (InsurTech)، فناوری سلامت (HealthTech)، فناوری پزشکی (MedTech)، فناوری تنظیم‌گری (RegTech) و فناوری قانون (LawTech) همگی در قلمرو گستردۀ فین‌تک قرار می‌گیرند. لذا لازم نیست یک کارشناس مالی، خودش یک سیستم پرداخت طراحی کند. اما باید بداند که این سیستم چگونه مدل کسب‌وکار، درآمد، هزینه، ریسک، کنترل داخلی، گزارشگری مالی و الزامات نظارتی سازمان را تغییر می‌دهد؟ دانش مالی با فناوری هم‌افزا می‌شود.

۴. فناوری بیمه (InsurTech): جایی که بیمه با داده و هوش مصنوعی ترکیب می‌شود

فناوری در صنعت بیمه در حال تغییر موضوعاتی‌ست مانند: قیمت‌گذاری ریسک، ارزیابی خسارت، کشف تقلب، مدیریت مشتری، بیمه مبتنی بر استفاده، تحلیل رفتار، پردازش اسناد، مدیریت  شکایات و راستی آزمایی به علاوۀ تأیید رسمی‌گزارش‌های مالی که به انگلیسی به آن Underwriting می‌گویند (چنین نهادی هنوز در کشور ما شکل قانونی نگرفته است.)

تصور کنید یک شرکت بیمه به جای اتکا به مجموعه محدودی از متغیرهای سنتی، میلیون‌ها داده را برای ارزیابی ریسک تحلیل کند. اینجاست که یک متخصص حسابداری یا مالی با دانش ریسک، آمار و تحلیل داده می‌تواند با کمک گرفتن از هوش مصنوعی ارزش بسیار بالایی ایجاد کند. او لازم نیست الگوریتم را از صفر بنویسد، بلکه باید بتواند بپرسد: برونداد مدل زبانی بزرگ (LLM)، از نظر مالی و ریسک چه معنایی دارد؟

۵. فناوری تنظیم‌گری (RegTech): یکی از مهم‌ترین حوزه‌ها برای حسابرسان و متخصصان مالی

درحالی که فین‌تک فناوریِ‌ای در خدمت امور مالی‌ست،RegTech  یا Regulatory Technology فناوریِ در خدمت مقررات، انطباق و مدیریت ریسک نظارتی است. فناوری تنظیم‌گری تسهیل‌کنندۀ کار با حجم عظیم مقررات دائماً افزایش ‌یابنده است. بدونRegTech  رعایت یکایک احکام مربوط از پس کارشناس بر نمی‌آید. لذا سازمان‌ها باید بتوانند: مقررات را پایش، تراکنش‌های مشکوک را شناسایی، گزارش‌های نظارتی را تولید، کنترل‌های داخلی را پایش، تغییرات مقررات را شناسایی، مدارک قابل حسابرسی را ایجاد کنند و موارد ضدپولشویی  Anti–money laundering (AML)به علاوۀ KYC   یعنی مشکلات مشتری شناسی ( Know Your Customer یا Know Your Client ) را مدیریت کنند.

در اینجا ترکیب دانش مربوط به حسابداری، ممیزی، برآورد ریسک، داده شناسی و هوش مصنوعی (Accounting + Audit + Risk + Data + AI) می‌تواند یک تخصص بسیار قدرتمند ایجاد کند.

۶. فناوری حقوقی/قانونی (LegalTech): فناوری خودکارسازی رعایت حقوق قراردادها و امور مالی

 فناوری حقوقی/قانونی در خدمتِ تحلیل قراردادها، بررسی اسناد، استخراج تعهدات، شناسایی ریسک قراردادی، مدیریت قراردادها، تحلیل مقررات، انطباق با مقررات و استانداردها (Compliance) و احراز اطمینان از Due Diligence است (این اصطلاح اخیر به این معنی ست که امضاکننده می‌پذیرد، پس از درک کامل مفاد قرارداد و رفع کلیۀ ابهاماتش  زیر قرارداد را امضاء کرده است).

۷. فناوری‌ها، دستاوردها و نوآوری‌های دیگری که حسابدار باید بشناسید

در آغاز قرن بیست و یکم برای حسابدار کافی بود سواد دیجیتالی خود را تقویت کند، اما امروزه با نوآوری فناوری‌های براینده در همۀ شئون زندگی، اقتصاد و بازار دیگر داشتن سواد دیجیتالی کافی نیست، حسابدار باید سواد فناوری یا Technology Literacy  داشته باشد، به شرح مبسوط زیر:

• هوش مصنوعی: هوش مصنوعی اکنون به یکی از مهم‌ترین فناوری‌های تحول‌آفرین در امور مالی تبدیل شده است، با کاربردهایی در زمینۀ تحلیل مالی، پیش‌بینی روندها، تشخیص تقلب، تحلیل ریسک، طبقه‌بندی اسناد، کشف ناهنجاری، اتوماسیون حسابداری، و تصمیم‌یارهای مالی.
• هوش مصنوعی مولد: که نسل جدید هوش مصنوعی است، می‌تواند متن تولید کند، گزارش خلاصه کند، اسناد را تحلیل کند، اطلاعات را استخراج کند، سناریو ایجاد کند، کد تولید کند، و با داده‌های ساختاریافته و غیرساختاریافته کار کند. برای متخصص مالی، مهارت مهم‌تر از مهندسی پرامپتِ صرف، توانایی ارزیابی خروجی هوش مصنوعی است. یعنی از هوش مصنوعی مولد بخواهد بروندادش را بررسی کند. اینجاست که قضاوت حرفه‌ای حسابدار ارزش پیدا می‌کند.
• کارگزار هوش مصنوعی، گام بعدی پس از هوش مصنوعی مولد: یکی از نوآوری‌های مهم سال‌های آینده، حرکت از هوش مصنوعی صرفاً پاسخ‌دهنده به سمت کارگزار هوش مصنوعی است. یک کارگزار می‌تواند در یک فرایند چندمرحله‌ای نقش فعال داشته باشد. برای مثال، یک کارگزار هوش مصنوعی می‌تواند داده بانکی را دریافت کند، تراکنش‌ها را طبقه‌بندی کند، مغایرت‌ها را شناسایی کند، اسناد مرتبط را پیدا کند، موارد استثنا را برای حسابدار ارسال، گزارش مدیریتی اولیه را نیز تولید و اقدامات بعدی را پیشنهاد کند. در چنین محیطی حسابدار حذف نشده است. نقش او از انجام تک‌تک عملیات به طراحی، نظارت، کنترل و قضاوت درباره فرایند منتقل شده است.
• خودکارسازی روباتیکی فرایندهای تکراری: یعنی Robotic Process Automation یا RPA که فناوری جدیدی نیست، اما همچنان در اقتصاد اهمیت زیادی دارد و خواهد داشت. مثلاً می‌توان یک فرایند تکراری را طوری طراحی کرد که به صورت خودکار ایمیل تهیه و ارسال کند براساس دریافت فایل، استخراج اطلاعات از درون آن، ثبت اطلاعات استخراج شده در سیستم، اِعمال کنترل و گزارش استثنا. بنابراین متخصص مالی آینده باید بتواند تشخیص دهد که کدام فعالیت را باید خودکار کرد و کدام فعالیت را نباید خودکار کرد؟ پرسش‌هایی که از خودِ برنامه‌نویسی مهم‌تر است.
• رایانش ابری زیرساخت نامرئی اقتصاد دیجیتالی: حسابدار باید بداند که نرم‌افزارهای مالی دیگر الزاماً روی رایانه‌های شرکت نصب نمی‌شوند و بسیاری از سیستم‌ها مثلِ ERP، Accounting Software، Payroll، CRM، Data Warehouse به سمت  رایانش ابری حرکت کرده‌اند. متخصص مالی لازم نیست متخصص معماری  رایانش ابری سیستم‌ها باشد. اما باید مفاهیمی ‌مانند: «نرم افزار به مثابۀ خدمت» یا SaaS ، امنیت داده یا Data Security ، کنترل دسترسی یا Access Control ، پشتیان گیری Backup ، مالکیت داده یا Data Ownership، میانای برنامۀ کاربردی یا API، یکپارجه سازی یا Integration و ریسک ابری یا Cloud Risk را بشناسد. زیرا داده مالی دیگر صرفاً در داخل یک رایانه در واحد مالی نیست.
• کلان‌داده و امور تحلیل داده یا  Data Analytics: که یکی از بزرگ‌ترین تغییرات آینده است، زیرا داده به زیرساخت اصلی تصمیم‌گیری مالی تبدیل شده است. در گذشته ممکن بود مدیر مالی با چند گزارش ماهانه تصمیم بگیرد. امروز سازمان‌ها می‌توانند داده‌های، فروش، مشتری، پرداخت، زنجیره تأمین، بازار، عملیات، منابع انسانی و شبکه‌های دیجیتالی را در کنار داده‌های مالی قرار دهند. در نتیجه متخصص مالی باید بتواند از خود بپرسد: چه چیزی در داده پنهان است که هنوز در صورت‌های مالی دیده نمی‌شود؟ پاسخ به این پرسش می‌تواند ارزش بسیار بیشتری از صرفاً تهیه یک گزارش ایجاد کند.
• بلاکچِین و قرارداد هوشمند یا  Smart Contracts: فناوری بلاکچِین در سال‌های گذشته با انتظارات بسیار بزرگی معرفی شد؛ اما همه پیش‌بینی‌های اولیه آن محقق نشده‌اند. با این حال، همچنان کاربردهای مشخصی در حوزۀ دارایی‌های دیجیتالی (Digital Assets)، ثبت و انتقال دارایی، زنجیره تأمین، هویت دیجیتالی، پرداخت؛ توکن‌سازی و قراردادهای هوشمند دارد. گزارش‌های جدید ACCA نیز تأکید می‌کنند که اگرچه برخی انتظارات اولیه از بلاکچِین تحقق پیدا نکرده، توانایی متخصصان برای فهم کاربرد عملی آن و پرسیدن پرسش‌های درست همچنان اهمیت دارد. پس برای حسابدار لازم نیست که Blockchain Developer  شود. اما اگر در آینده درباره یک دارایی  Tokenized، قرارداد هوشمند یا تراکنش روی یک شبکه توزیع‌شده با حسابدار مشورت شود، نباید کاملاً با موضوع بیگانه باشد.
• بانکداری باز و مالیه بسترسازی شده Embedded Finance : دو مفهوم مهم دیگر Open Banking و Embedded Finance هستند. اولی یعنی دسترسی ساختاریافته‌تر و مجاز به داده‌ها و خدمات بانکی از طریق  میاناهای برنامۀ کاربردی و دومی‌یعنی خدمات مالی درون یک محصول یا پلتفرم غیرمالی قرار می‌گیرد. برای مثال، یک پلتفرم تجارت الکترونیکی می‌تواند در کنار فروش کالا، خدمات پرداخت، اعتبار، بیمه یا تأمین مالی ارائه کند. این موضوع مرز بین «شرکت مالی» و «شرکت فناوری» را کمرنگ می‌کند. برای متخصصان مالی، نتیجه مهم است که محل تولید و مصرف خدمات مالی در حال تغییر است.
• امنیت سایبری: که دیگر فقط مساله متخصص فناوری اطلاعات نیست زیرا اطلاعات مالی از ارزشمندترین داده‌های هر سازمان است و متخصص مالی آینده باید حداقل با مفاهیمی‌مانند شناسایی و مدیریت دسترسی (Identity & Access Management)، جداسازی وظایف (Segregation of Duties)، حریم داده (Data Privacy)، ریسک سایبری (Cyber Risk)، تله‌گذاری (Phishing)، نشت داده (Data Leakage)، صفراعتماد (Zero Trust)، مسئولیت رویداد (Incident Response) آشنا باشد. در آینده ممکن است یک حسابرس مجبور باشد نه فقط بپرسد که آیا عدد درست است؟ بلکه بپرسد: این عدد از چه سیستمی ‌آمده؟ چه کسی به آن دسترسی داشته؟ آیا داده دستکاری شده؟ و آیا می‌توان زنجیره ایجاد آن را اثبات کرد؟
• «امور حکمرانی، زیست‌محیطی، اجتماعی» یا ESG : Environmental, Social, and Governance و فناوری‌های مرتبط با پایداری یا  Sustainability: هم اکنون گزارشگری مالی تنها حوزه‌ای نیست که اهمیت دارد بلکه اطلاعات مربوط به بودجه کربن، انرژی، زنجیره «تضمین، تنوع، ریسک اقلیمی ‌و پایداری» توسعه به تدریج اهمیت پیدا کرده‌اند و به بخشی از اکوسیستم گزارشگری سازمان‌ها تبدیل شده‌اند. در اینجا نیز متخصصان مالی نقش مهمی ‌در  محاسبۀ داده‌های غیرمالی مثل میزان تولید گازهای گلخانه‌ای در فرایند تولید و کنترل، اندازه‌گیری و گزارشگری این میزان بر عهده دارند. یعنی مرز میان حسابداری و گزارشگری پایدارسازی توسعه نیز در حال تغییر است.
• آموزش برنامه‌نویسی: آیا حسابدار باید برنامه‌نویسی یاد بگیرد؟ در حدی که برای حرفه حسابداری مفید است، بله؛ اما لازم نیست برنامه‌نویس حرفه‌ای شود. برای بسیاری از متخصصان مالی، آشنایی با ابزارهایی مانند اِکسِل، زبان پایتون و کوئری گرفتن می‌تواند بسیار ارزشمند باشد. اما هدف این نیست که حسابدار جای کارشناس آمار داده‌ها یا Data Scientist را بگیرید. هدف این است که حسابدار بتواند با کارشناس آمار داده‌ها، مهندس نرم افزار، متخصص هوش مصنوعی و ممیز فناوری اطلاعات یا  Dat IT Auditor به زبان مشترک صحبت کند.
• مهم‌ترین مهارت آینده شاید «ترجمه بین دو جهان» باشد: یکی از ارزشمندترین متخصصان آینده کسی است که بتواند بین این دو جهان ارتباط برقرار کند: جهان اول شاملِ امور حسابداری، مالیه، ممیزی، مالیات، ریسک، مقررات و حکمرانی از یک سو و از سوی دیگر: جهان دوم شاملِ انواع فناوری‌های جدید و براینده. کسی که فقط فناوری بداند، ممکن است نداند یک عدد مالی چه معنایی دارد. کسی هم که فقط حسابداری بداند، ممکن است نداند فناوری چگونه فرایند تولید آن عدد را تغییر داده است. اما فردی که هر دو را بفهمد، می‌تواند پل ارتباطی سازمان باشد.
• بنابراین آیا تحصیل عمیق حسابداری و مالی هنوز ارزش دارد؟ قطعاً. حتی می‌توان استدلال کرد که در عصر هوش مصنوعی، دانش عمیق حوزه تخصصی اهمیت بیشتری پیدا می‌کند چون که تولید یک پاسخ توسط ماشین آسان‌تر شده است. اما تشخیص اینکه آیا پاسخ درست است؟ هنوز ماشینی نشده چون دشوار است.
• آینده متعلق به «متخصص T شکل» است: یک مدل بسیار مفید برای تصور حرفه آینده، مدل T-Shaped Professional است. قسمت عمودی حرف T نشان‌دهنده تخصص عمیق در حسابداری مالی و حسابرسی یا مدیریت ریسک است و قسمت افقی T نشان‌دهنده آشنایی با حوزه‌های مکمل است مانندِ مدیریت صنعتی، ارتباطات، امنیت سایبری، مقررات گذاری، فناوری ، داده ورزی و هوش مصنوعی. حسابدار لازم نیست در همه این حوزه‌ها متخصص باشد، بلکه باید در یک حوزه یا حرفه عمیق باشد و با چندین حوزه دیگر به اندازه کافی آشنا تا بتوانید حرفه‌های دیگر همکاری سازنده کند.
• از کجا شروع کنیم؟ یک نقشه راه عملی: اگر امروز دانشجوی دکتری یا کارشناسی ارشد حسابداری یا مالی هستید، لازم نیست ناگهان ده‌ها فناوری را یاد بگیرید. یک مسیر منطقی می‌تواند این باشد: مرحله اول -یادگیری سواد دیجیتالی، مرحله دوم- سواد داده‌ای (یعنی داده چگونه تولید می‌شود؟ چگونه ذخیره می‌شود؟ چگونه پاک‌سازی می‌شود؟ چگونه تحلیل می‌شود؟ چگونه ویژوئال‌سازی می‌شود؟ چگونه کیفیت آن ارزیابی می‌شود؟)، مرحله سوم: سواد هوش مصنوعی (یعنی یاد بگیرد هوش مصنوعی چگونه کار می‌کند؟ یادگیری ماشین چیست؟ هوش مصنوعی مولد چه تفاوتی با هوش مصنوعی دارد؟ مدل زبانی بزرگ یا «اِل اِل اِم» یعنی چه؟ توهم زنی به چه معنا ست؟ حکمرانی داده چه فرقی با حاکمیت داده دارد؟) مرحله چهارم: خودکارسازی (یعنی حداقل یک فرایند مالی را انتخاب کند و ببیند چگونه می‌توان آن را خودکار کرد مثلاً خودکارسازی فرایندهای پردازش و صدور صورت حساب یا تهیه گزارش‌های مالی) و مرحله پنجم: فناوری + تخصص اصلی. در این مرحله فرد باید مسیر تخصصی خود را انتخاب کند، برای مثال: «حسابداری + هوش مصنوعی»، «ممیزی + تحلیل داده»، «مالی + فین‌تک»، «ریسک + فناوری تنظیم‌گری»، «مالیات + هوش مصنوعی»، «حسابداری + بلاکچِین»، «ممیزی + امنیت سایبری» یا «امور مالی + داده پردازی حکمرانی، امور زیستمحیطی، مسایل اجتماعی (ESG)»
• پرهیز از یک اشتباه: تلاش برای یادگیری همه فناوری‌ها و همۀ مسیرهای تخصصی: فناوری‌ها دائماً تغییر می‌کنند. ممکن است پنج سال دیگر نام بسیاری از ابزارهای امروز دیگر چندان مهم نباشد. آنچه فرد باید یاد بگیرد، روش یادگیری فناوری است. یعنی بتواند وقتی فناوری جدیدی وارد بازار شد، در مدت کوتاهی بفهمید کارکردش چیست؟ چه مساله‌ای را حل می‌کند؟ چه محدودیت‌هایی دارد؟ چه ریسک‌هایی دارد؟ در حوزه تخصصی فرد چه کاربردی دارد؟ چه اثری بر کنترل داخلی دارد؟ چه اثری بر گزارشگری دارد؟ و چه مهارت‌هایی برای استفاده از آن لازم است؟
• همکاری با فناوری» بهتر از «رقابت با فناوری» است: یکی از مهم‌ترین تغییرات ذهنی برای نسل جدید متخصصان مالی این است که نباید خودتان را در رقابت با هوش مصنوعی ببینند. انسان در کنار ماشین بی‌ارزش نمی‌شود. برعکس، ارزش انسان به سمت حوزه‌هایی مانند قضاوت، مسئولیت‌پذیری، اخلاق، تفسیر، ارتباط، مذاکره، تصمیم‌گیری، فهم زمینه و مدیریت ریسک معطوف می‌شود و حرکت می‌کند. بر اساس گزارش ACCA ، با افزایش استفاده از هوش مصنوعی، نقش حسابداران بیش از پیش به سمت داوری، اطمینان یابی، حکمرانی و تصمیم یاری  حرکت می‌کند.
• فناوری، ارزش متخصصان مالی را بیشتر می‌کند: هرچه هوش مصنوعی در تولید اطلاعات بهتر شود، تقاضا برای افرادی که بتوانند اطلاعات را ارزیابی و مسئولانه استفاده کنند نیز می‌تواند افزایش یابد. در نظر بگیری که یک شرکت در آینده بتواند در چند ثانیه هزاران سناریوی مالی، ده‌ها مدل ارزش‌گذاری، صدها پیش‌بینی و میلیون‌ها تحلیل تولید کند. در این صورت، مشکل مدیر دیگر کمبود اطلاعات نخواهد بود. مشکل، پاسخ به این پرسش است که به کدام یک از این نتایج باید اعتماد کنم؟ اینجا متخصص مالی اهمیت پیدا می‌کند.
• حسابدار آینده بیشتر شبیه «معمار سیستم تصمیم‌گیری» عمل می‌کند: این یکی از مهم‌ترین تصاویری است که می‌توان از آینده حرفه حسابداری ارائه کرد. متخصص مالی آینده، کمتر وقت خود را صرف واردسازی داده و تهیه گزارش‌های تکراری می‌کند و بیشتر به طراحی زنجیرۀ «تضمین → تصمیم → داوری → تحلیل → کنترل → مدل سازی → داده گیری» رو می‌آورد، تا مشخص کند داده از کجا می‌آید؟ چگونه کنترل می‌شود؟ چه مدلی روی آن اجرا چه می‌شود؟ چه خطاهایی ممکن است رخ دهد؟ چه کسی برونداد را باید بررسی ‌کند؟ چه تصمیمی ‌بر اساس آن گرفته می‌شود؟ و چگونه می‌توان این تصمیم را بعداً اثبات و حسابرسی کرد؟ این کارها فراتر از «حسابداری سنتی» هستند اما بدون داشتن دانش حسابداری سنتی نیز قابل انجام نیستند.
•  شغل حسابدار عنوان جدیدی خواهد داشت: در سال‌های آینده عناوینی بیشتر رواج پیدا می‌کنند که امروز هنوز برای بسیاری ناآشنا هستند، مانند متخصص هوش مصنوعی در حوزۀ مالی (AI Finance Specialist)، تحلیلگر داده‌های مالی (Finance Data Analyst)، کارشناس هوش مصنوعی در حوزه ریسک فناوری (Technology Risk Specialist)، ممیز دیجیتالی (Digital Auditor)، متخصص فناوری تنظیم‌گری (RegTech Specialist)، مدیر ریسک فین‌تک، متخصص ریسک مدل (Model Risk Specialist)، متخصص حکمرانی هوش مصنوعی (AI Governance Specialist)، حسابدار دارایی‌های دیجیتالی (Digital Assets Accountant)، متخصص امور زیست‌محیطی، اجتماعی و حکمرانی (ESG Data Assurance Specialist)، متخصص خودکارسازی امور مالی (Financial Automation Specialist) و متخصص تحلیل و برنامه ریزی مالی توانمندشده توسط هوش مصنوعی (AI-enabled FP&A Specialist) اما این تغییر عناوین شغلی به معنای نابودی عناوین سنتی نیست، بلکه به معنای بازتعریف آنها است.
• مهارت‌ها و آموزه‌های پایدار تحصیلات تکمیلی: اگر در مقطع کارشناسی ارشد یا دکتری هستید، در حال یادگیری نظریه‌ها، روش‌های تحقیق، تحلیل، استدلال، استانداردها، مدل‌های مالی، اقتصاد، ریسک و روش‌های حل مساله هستید. اینها مهارت‌هایی هستند که عمر طولانی دارند. بنابراین هر بار که فناوری جدیدی پیدا می‌شود، نباید احساس کنید تمام سرمایه علمی ‌شما بی‌ارزش شده است. برعکس، فناوری‌های جدید را باید روی زیرساخت دانش تخصصی خود سوار کنید.
• مدل ذهنی پیشنهادی: «هسته ثابت، لایه متغیر»: برای آینده حرفه‌ای خود دو بخش «هسته ثابت» (شامل درس‌های سنتی) و «لایه متغیر» (فناوری‌های یادشده در ابتدای این یادداشت) را از هم جدا کنید و لایه متغیر را دائماً به‌روزرسانی کنید. این یکی از بهترین راهبردهای «آینده‌پذیری» برای یک متخصص مالی ست.
• آینده را با مدرک جدید نمی‌سازیم؛ با ترکیب مهارت‌ها می‌سازیم: قرار نیست هر فناوری جدید باعث شود شما دوباره از صفر شروع کنید و برای هر فناوری یک مدرک دانشگاهی جدید بگیرید. گاهی یک دوره کوتاه، یک پروژه عملی و چند ماه تجربه کافی است تا مفهوم جدید را به تخصص خود اضافه کنید. آنچه اهمیت دارد، پُشته‌سازی کردن مهارت‌ها است.

پس، دانش حسابداری منسوخ نمی‌شود؛ اما برای حفظ و افزایش ارزش حرفه‌ای خود باید یاد بگیرید چگونه آن را با فناوری‌های براینده هم‌افزا کنید.