مقاله ترجمه شده آیا بکارگیری هوش مصنوعی، دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعات را بازتعریف می‌کند؟ یک مدل یکپارچه از TOE-TAM-RDT و حاکمیت کلان داده.

سال نشر: ۲۰۲۵

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی:  ۱۴ صفحه PDF

تعداد صفحه ترجمه فارسی:  ۴۵  صفحه WORD

دانلود رایگان مقاله انگلیسی

کد محصول: H1079

نام ناشر (پایگاه داده): الزویر

نام مجله:   Computers in Human Behavior Reports

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۲۵ :  آیا بکارگیری هوش مصنوعی، دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعات را بازتعریف می‌کند؟ یک مدل یکپارچه از TOE-TAM-RDT و حاکمیت کلان داده.

عنوان کامل انگلیسی:

Does AI adoption redefine financial reporting accuracy, auditing efficiency, and information asymmetry? An integrated model of TOE-TAM-RDT and big data governance

چکیده فارسی:

شرکت‌های حسابداری و حسابرسی (AAFها) به دلیل ادغام هوش مصنوعی (AI) که پتانسیل ایجاد تحولات بنیادین در زمینه‌هایی مهم مانند افزایش دقت گزارشگری مالی، کارایی حسابرسی و کاهش عدم تقارن اطلاعاتی را دارد، در حال تجربه یک تغییر الگو هستند. با این حال، اثربخشی پذیرش هوش مصنوعی در دستیابی به این هدف تضمین شده نیست. از این رو، این مطالعه به‌دنبال بررسی تجربی عواملی است که بر پذیرش هوش مصنوعی در میان شرکت‌های حسابداری و حسابرسی تأثیر می‌گذارند و به این موضوع می پردازد که نقش بالقوه آن در دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعاتی چیست. با استفاده از یک مدل معتبر TOE-TAM-RDT و تحلیل با استفاده از PLS-SEM، ما دریافتیم که پذیرش هوش مصنوعی تحت تأثیر فشار رقابتی، اکوسیستم تامین‌کنندگان، حمایت مدیریت ارشد، مزیت نسبی، آمادگی برای هوش مصنوعی و جو نوآوری قرار دارد. پذیرش سیستم‌های مبتنی بر هوش مصنوعی در میان شرکت‌های حسابداری و حسابرسی تأثیر مثبت بر دقت گزارشگری مالی و کارایی حسابرسی و تأثیر منفی بر عدم تقارن اطلاعاتی داشت. نتایج همچنین نشان‌دهنده اثر تعدیلگر و معنادار حاکمیت داده‌های کلان است، که نشان می‌دهد مدیریت، کیفیت و استفاده اخلاقی از داده‌ها در شرکت‌های حسابداری و حسابرسی می‌تواند مزایای پذیرش هوش مصنوعی را تقویت کند و دقت گزارشگری مالی، کارایی حسابرسی و کاهش عدم تقارن‌های اطلاعاتی میان شرکت‌های حسابداری و حسابرسی و ذینفعان را افزایش دهد. این نتایج نه تنها به پیشبرد مباحث علمی در مورد پذیرش هوش مصنوعی در عرصه مالی و حسابداری کمک می‌کند، بلکه استراتژی‌های عملی برای ذینفعان فراهم می‌آورد تا مزایای این فناوری تحول آفرین را به حداکثر برسانند.

کلیدواژه‌ها: هوش مصنوعی، شرکت‌های حسابداری و حسابرسی، حاکمیت داده‌های کلان، پذیرش هوش مصنوعی، گزارشگری مالی، کارایی حسابرسی، عدم تقارن اطلاعاتی

Abstract

Accounting and auditing firms (AAFs) are experiencing a paradigm shift with the integration of artificial intelligence (AI), which has the potential to revolutionise important areas like fostering financial reporting accuracy, auditing efficiency, and diminishing information asymmetry. Yet, the effectiveness of AI adoption in achieving this goal is not guaranteed. Hence, this study aims to empirically explore what shapes AI adoption among AAFs, and what its potential role is in financial reporting accuracy, auditing efficiency, and information asymmetry. By applying a validated model of TOE-TAM-RDT and analysing using PLS-SEM, we found that AI adoption was shaped by competitive pressure, vendor ecosystem, top management support, relative advantage, AI readiness, and innovation climate. The adoption of AI-driven systems among AAFs exerted a positive impact on financial reporting accuracy, and auditing efficiency, while a negative impact on information asymmetry. Results further reveal a significant moderating effect of big data governance, demonstrating that proper management, quality, and ethical use of data within AAFs can amplify AI adoption benefits, boosting financial reporting accuracy, auditing efficiency, and mitigating information asymmetries between AAFs and stakeholders. These outcomes not only advance scholarly conversations on AI adoption in the financial and accounting landscape but also deliver actionable strategies for stakeholders to maximise AAFs’ benefits from this emerging revolutionary technology.

Keywords: Artificial intelligence, Accounting and auditing firms, Big data governance, AI adoption, Financial reporting, Auditing efficiency, Information asymmetry