Website Logo
ขอรับคำปรึกษา 
Website Logo
Banner 1
Prime
Shaping strong foundations for lasting success.
28 กันยายน 2569

เมื่อ AI ช่วยทำบัญชี แล้วมีใครรับผิดชอบผลลัพธ์?

 

 

 

 

 

 

เมื่อปีที่แล้ว ลูกน้องผมบางคน โดนระงับบัญชีธนาคารวุ่นวายมากๆ ตำรวจบ้าง ธนาคารบ้าง โยนกันไป สาเหตุบางส่วนคือระบบวิเคราะห์ AI ผิดพลาด “แต่ไม่มีใครรับผิดชอบ”

 

แล้วถ้าสมัยก่อนการทำบัญชี เกิดผลต่าง ไม่ลงตัว จะเป็นข้อสังเกตให้หาสาเหตุ จนบางครั้งไปพบกับปัญหาที่ใหญ่กว่า แต่หากการใช้ AI เพื่อช่วยในการทำบัญชี ปัญหานั้นหายไป โดยที่เราไม่ทันรู้ตัวด้วยซ้ำ แล้วข้อมูลที่เราใช้ มันถูกต้องหรือไม่ !!

 

ใบแจ้งหนี้ใบหนึ่งถูกส่งเข้าระบบการทำบัญชี AI ช่วย ถอดข้อความ วิเคราะห์ แจกแจง บันทึก ชื่อผู้ขาย จำนวนเงิน รายการสินค้า ถูกอ่านออกมาครบ รหัสบัญชีถูกเสนอให้ แล้วรายการก็ไปรออนุมัติ สะดวกรวดเร็ว ถ้าเป็นแต่ก่อนใช้คนทำ ทั้งหมดที่เขียนมา คงต้องใช้เวลาต่อรายการนานพอสมควรครับ แต่ถ้าเลขบัญชีธนาคาร AI อ่านและบันทึกผิด? หรือค่าใช้จ่ายถูกจัดประเภทไม่ถูกต้องแบบเดิมซ้ำๆไปอีกหลายร้อยรายการ กว่าจะมีคนเห็น ข้อมูลอาจเข้าบัญชีแยกประเภทไปแล้ว

 

เรื่องที่ต้องตั้งคำถามจึงอยู่ที่ตัวระบบ มากกว่าความสามารถของ AI ระบบสามารถรับมือกับความผิดพลาดได้แค่ไหน ความเร็ว ไม่ได้พิสูจน์ว่ารายการถูกต้อง

 

COSO “GENERATIVE AI” อธิบายว่า GenAI ตอบจากความน่าจะเป็น มีโอกาสตอบผิดอย่างมั่นใจ สิ่งที่ส่งออกมาจึงเป็นแค่ผลที่รอการตรวจ ยังถือเป็นข้อเท็จจริงไม่ได้ ความเสี่ยงของระบบก็ไม่ได้หยุดอยู่ที่ขั้นอ่านเอกสาร มันตามไปถึงการแปลงข้อมูล การจับคู่ผู้ขาย การเสนอรหัสบัญชี จนถึงตอนส่งต่อเข้าระบบอื่น ถ้าต้นทางผิดแล้วส่งต่อ ก็คือความเร็วในการกระจายความผิดพลาดไปด้วย

 

ก่อนเริ่มวางระบบ ควรตั้งวัตถุประสงค์ของการควบคุมให้ได้ก่อน เช่น ทุกรายการต้องย้อนกลับไปหาเอกสารต้นทางได้ จำนวนเงินกับผู้ขายต้องตรงหลักฐาน สิ่งผิดปกติต้องถูก “แยกออก” และต้องระบุตัวได้ว่าใครเป็นคนยอมรับรายการสุดท้าย พอตอบข้อนี้ได้ ก็ค่อยมาแบ่งงาน อะไรใช้วิธีการปกติอะไร AI ช่วย จุดไหนคนตัดสิน ใบแจ้งหนี้ใบเดียว แต่จุดควบคุมต้องมีหลายจุด เริ่มที่ต้นทาง เอกสารมาทางไหน เป็นของใคร ข้อมูลส่วนไหน “ห้ามหลุด“ ไปยัง AI ที่องค์กรไม่ได้อนุมัติ ระบบควรรู้ ผลลัพธ์ที่อ่านได้ต้องโยงกลับไปหาต้นฉบับได้ ส่วนเอกสารที่อ่านไม่ชัด หรือหน้าตาแบบที่ระบบไม่เคยเจอ ให้คนดูแยกต่างหาก

 

ถัดมาคือการแปลงข้อมูล ตรงนี้ต้องแยกให้ออกว่า "อ่านได้" กับ "ควรบันทึก" เป็นคนละเรื่อง ตัวเลขในใบแจ้งหนี้อาจถูกทุกหลัก แต่ผู้ขายจับคู่ผิดรายทางออกคือมีข้อมูลอ้างอิงที่อนุมัติแล้วไว้เทียบ เช่น ข้อมูลหลักผู้ขาย ผังบัญชี ใบสั่งซื้อ พร้อมกติกาว่าเมื่อข้อมูลขัดกัน ระบบ ”ต้องหยุด“ หรือ”โยนเข้าคิวข้อยกเว้น“ AI ไม่มีสิทธิเลือกคำตอบที่ดูเข้าท่าที่สุดเอาเอง

 

ขั้นบันทึกก็เหมือนกัน "AI เสนอ" กับ "ระบบยอมให้บันทึก" ต้องแยกกันชัด รายการทั่วไปที่ผ่านเงื่อนไขซึ่งทดสอบแล้ว ปล่อยอัตโนมัติได้ถ้าอยู่ในระดับความเสี่ยงที่กิจการรับได้ ส่วนรายการมูลค่าสูง ผู้ขายใหม่ ข้อมูลไม่ตรงกัน หรือเรื่องที่ต้องใช้ดุลยพินิจ ต้องมีคนตัดสิน

 

Human Oversight: คนต้องมีส่วนร่วม แต่ไม่ต้องเท่ากันทุกเรื่อง

 

human in the loop คงเคยได้ยินกันนะครัaบ แต่หลักการของ AI Governance มันมีมากกว่านั้น คนควรเข้ามามีส่วนร่วมแค่ไหนขึ้นกับความเสี่ยง มูลค่า ความซับซ้อน และดุลยพินิจที่งานนั้นต้องใช้ แบ่งได้ 4 ระดับ

  1. Human-in-the-Loop ให้ AI อ่าน วิเคราะห์ และเสนอ แต่คำตัดสินสุดท้ายเป็นของคน ระดับนี้ใช้กับรายการเสี่ยงสูง มีสาระสำคัญ หรือต้องใช้ดุลยพินิจ อย่างผู้ขายใหม่ รายการมูลค่าสูง หรือข้อมูลที่ไม่ตรงกัน
  2. Human-on-the-Loop ให้ AI ทำรายการไปเองตามเงื่อนไขที่ตั้งไว้ มีคนคอยเฝ้า รับการแจ้งเตือนและหยุดหรือแก้ได้ทันทีที่เห็นความผิดปกติ งานประจำที่กฎเกณฑ์ชัดเจน คาดการณ์ผลได้ ใช้แบบนี้ได้ดี
  3. Human-over-the-Loop หน้าที่เราคือวางกรอบให้ AI ทำงานอยู่ข้างใน เช่น Threshold, Approved Vendor List, เงื่อนไขการ Match ข้อมูล, เกณฑ์ความเชื่อมั่น และอะไรต้องเข้า Exception Queue จุดควบคุมย้ายไปอยู่ที่การออกแบบนโยบาย ควบคุมการแก้กฎเกณฑ์ และการคอยดูว่าระบบยังไม่หลุดกรอบ
  4. Human-out-of-the-Loop ให้ระบบตัดสินใจเอง ทำเอง ไม่มีคนในกระบวนการปกติ ประสิทธิภาพสูงก็จริง แต่ถ้าใช้กับรายการที่กระทบข้อมูลบัญชี การเงิน หรือเสี่ยงสูง ต้อง “ระวังมาก” เพราะเมื่อไม่มีคนรับผิดชอบชัดเจน ความผิดพลาดก็ไหลเข้าระบบได้เร็วพอๆ กัน และที่เคยเจอ ก็เป็นแบบนี้

 

ระดับไหนเหมาะ ให้ดูที่ Risk, Materiality และ Judgment ของรายการ อย่าเลือกเพียงเพราะ AI มันเร็วดี มันดูฉลาด

  • มีปุ่มกดอนุมัติ แต่คนกดเห็นแต่รายการไม่เห็นเอกสารต้นทาง ไม่รู้ด้วยซ้ำว่าถูกส่งมาเพราะอะไร แบบนี้ยังเรียกว่าออกแบบการควบคุมมาดีแล้วไม่ได้
  • หน้าจอ (UI Design) จึงสำคัญไม่แพ้ตัวModel AI ระบบต้องเก็บร่องรอยไว้ด้วยว่าใครแก้อะไร รับข้อยกเว้นด้วยเหตุผลอะไร อนุมัติไปเมื่อไหร่ จะเก็บละเอียดแค่ไหนก็แล้วแต่เราต้องการรู้แค่ไหน

หลังกดบันทึก งานควบคุมยังไม่จบ

  • Core Program ยังไม่มีใครแตะ แต่พฤติกรรมของ AI เปลี่ยนได้ แก้ prompt เปลี่ยนแหล่งข้อมูลอ้างอิง ปรับเกณฑ์ข้อยกเว้น หรือผู้ให้บริการ Update Model แค่นี้ก็เปลี่ยนแล้ว เดี้ยวนี้ก็ขยับกันแทบจะทุกเดือน
  • ทุกการเปลี่ยนแปลงจึงต้องมีเจ้าภาพรับผิดชอบ คนขอเปลี่ยน คนอนุมัติ คนทดสอบ ผลลัพธ์แย่ลงเมื่อไหร่ต้องมีทางย้อนกลับ และคนที่ปรับการตั้งค่าไม่ควรเป็นคนเดียวกับคนที่อนุมัติ
  • ตัวเลขในงบการเงินที่ผู้บริหารดูก็ต้องไปไกลมากกว่า "AI ทำไปได้กี่รายการ" เช่น สัดส่วนรายการที่ต้องแก้ ข้อยกเว้นที่ค้างนาน แนวโน้มการกลับรายการ ความแม่นยำตอนรูปแบบเอกสารเปลี่ยน
  • ตัวเลขเหล่านี้ขยับผิดสังเกตเมื่อไหร่ ต้องมีคนรับผิดชอบหาสาเหตุ แล้วเลือกว่าจะปรับเกณฑ์ หยุดบางส่วน หรือกลับไปทำแบบเดิม

AI Governance จึงต้องลงมาถึงงานประจำวัน ฟังแล้วเหมือนเรื่องระดับนโยบายอย่างเดียว แต่ในงานบัญชี AI Governance จะมีความหมายก็ต่อเมื่อกลายเป็นความรับผิดชอบที่เกิดขึ้นจริงในแต่ละวัน ใครอนุญาตให้ใช้ AI กับข้อมูลอะไร ใครขีดขอบเขต ใครอนุมัติรายการ ใครคอยดูตอนผลลัพธ์เปลี่ยน เขียนไว้แค่ในเอกสารนโยบายยังไม่พอ บริษัทเล็กไม่ต้องเริ่มจากคณะทำงานหรือระบบซับซ้อน หาเจ้าของกระบวนการให้เจอ ไล่ดูว่างานไหนมี AI ช่วยอยู่จริง เลือกจุดที่ถ้าพลาดแล้วกระทบข้อมูลเยอะที่สุด จากนั้นค่อยวางจุดหยุด จุดตรวจ การส่งต่อ และหลักฐานให้พอดีกับความเสี่ยง

 

5 คำถาม ก่อนเปิดให้ AI เข้ากระบวนการบัญชี

  1. งานที่ให้ AI ทำอยู่ระดับไหน แค่ "อ่านและเสนอ" "ดำเนินการภายใต้เงื่อนไข" หรือถึงขั้น "ตัดสินใจและบันทึก" แล้ว Human Oversight ที่เลือกไว้เข้ากับความเสี่ยงหรือเปล่า?
  2. ข้อมูลต้นทางไม่ครบหรือขัดกันเมื่อไหร่ ระบบหยุดแล้วส่งให้ใคร?
  3. สิ่งที่ผู้อนุมัติเห็น พอให้ใช้ดุลยพินิจได้จริง หรือมีแค่คำตอบของ AI?
  4. prompt เกณฑ์ และข้อมูลอ้างอิง ใครแก้ได้บ้าง ทดสอบก่อนใช้จริงหรือยัง?
  5. ผลลัพธ์ผิดซ้ำหรือคุณภาพแย่ลง ใครต้องเห็น ใครสั่งหยุด ใครสั่งแก้ไข?

จุดประสงค์ของคำถามพวกนี้คือให้การใช้ AI มีขอบเขตและมีคนรับผิดชอบ ระบบยิ่งเร็ว เรายิ่งต้องรู้ว่าความผิดพลาดจะถูกหยุดตรงไหน ก่อนข้อมูลขยะจะกลายเป็นข้อมูลที่ใช้ตัดสินใจในบริษัท ระบบบัญชีวางให้ดี เวลาผิดจะได้ไม่โทษแต่ AI แต่ไร้คนรับผิดชอบ

 

 

 

สุธี ตาณวาณิชกุล
CEO of Signature Group
CIA, CPIAT, FAC, CAC-SME, C-DPO

 

https://www.facebook.com/share/p/1JftKVnkot/

 

 

 

 

บทความเกี่ยวข้อง

IA NEXT 2026 | ก้าวสู่อนาคตของงานตรวจสอบภายใน เพื่อสร้างคุณค่าอย่างยั่งยืน [11.11.2026]

IA NEXT 2026 | ก้าวสู่อนาคตของงานตรวจสอบภายใน เพื่อสร้างคุณค่าอย่างยั่งยืน [11.11.2026]

อ่านเพิ่มเติม
AI for IA สะดวกกับปลอดภัยต้องไปด้วยกัน

AI กับงานตรวจสอบภายใน "ทำงานเร็วขึ้นได้ แต่ต้องไม่แลกด้วยความลับของข้อมูล! (ลูกค้า)"

อ่านเพิ่มเติม
Signature Group Logo

324/ 8-10 หมู่บ้าน เวิร์ฟ เพชรเกษม 81 ถนนมาเจริญ
แขวงหนองค้างพลู เขตหนองแขม กรุงเทพฯ 10160

โทร. : 02-079-5499
อีเมล. : signature.info@iasignature.co.th
Facebook Instagram TikTok YouTube
เกี่ยวกับเรา
การเตรียมความพร้อมสู่ IPOการเตรียมความพร้อมเพื่อขอรับรอง CAC ผลงานของเรา บทความและความรู้ ข่าวสารและกิจกรรม ติดต่อเรา
บริการของเรา
งานด้านบริการตรวจสอบภายใน (Internal Audit Services) งานด้านบริการให้คำปรึกษา (Advisory Services) งานด้านบริการให้คำปรึกษาด้านเทคโนโลยีและดิจิทัล (Technology & Digital Advisory) งานด้านการฝึกอบรมภายในองค์กร (In-house Training)
นโยบายและข้อกฎหมาย
นโยบายความเป็นส่วนตัว สำหรับ ผู้สมัครงานและพนักงาน นโยบายความเป็นส่วนตัว สำหรับ คู่ค้า นโยบายต่อต้านทุจริตคอร์รัปชัน ประกาศอื่นๆ จากทางบริษัท เงื่อนไขอื่นๆ ในการใช้งานบริการ
© 2026 Signature Group | All Rights Reserved