AI och redovisning: en yrkesroll i förändring : redovisares uppfattningar, användningsområden, och krav på kompetensutveckling till följd av AI
Notice bibliographique
Résumé
Det har gjorts enorma framsteg inom AI under de senaste åren, och AI är numera en integrerad del i vår vardag. Redovisningsbranschen påverkas av denna utveckling då många arbetsuppgifter inom redovisning kan automatiseras. Syftet med studien är att analysera hur AI påverkar redovisarens yrkesroll och kompetensutveckling, samt undersöka vilken inställning redovisare har till denna förändring. Studien baseras på en kvalitativ forskningsansats och data har samlats in genom semistrukturerade intervjuer med fem personer från olika företag och med varierande erfarenhetsnivå. Den teoretiska referensramen omfattar redovisningens grunder, artificiell intelligens, innovationsspridningsteorin, samt tidigare forskning på hur AI kan användas inom redovisningen och hur AI påverkar redovisares kompetensutveckling. Resultaten visar att redovisare överlag har en positiv inställning till AI och ser teknologin främst som ett verktyg för effektivisering. AI används i dagsläget främst vid hanteringen av inköpsfakturor och andra enklare uppgifter, men tillämpningen är ännu relativt begränsad och mycket beroende av mänsklig kontroll. Studien lyfter även fram en ökad förståelse för AI, IT-kunskaper, analytisk förmåga, och rådgivningsförmåga som en viktigare del i redovisarens kompetensprofil.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,015 | 0,012 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,059 | 0,026 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».