AI och redovisning: en yrkesroll i förändring : redovisares uppfattningar, användningsområden, och krav på kompetensutveckling till följd av AI
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.015 | 0.012 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.059 | 0.026 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".