AI ช่วยกระทบยอดบัญชีธนาคารได้อย่างไร โดยคนยังคุมการยืนยัน

การกระทบยอดธนาคารคือการเทียบรายการจาก bank statement กับ ledger หรือ subledger แล้วหาคำตอบว่าทำไมยอดไม่ตรง งานนี้ดูเหมือนจับคู่สองตาราง แต่ในความจริงมีค่าธรรมเนียม การโอนระหว่างบัญชี เงินเข้ารวมหลาย invoice รายการคืนเงิน และรายการที่ลงบัญชีคนละวัน

AI ช่วยจัดรูปแบบวันที่และคำอธิบาย เสนอคู่รายการ และจัดคิว exception ได้เร็วขึ้น แต่ match ที่ AI เสนอไม่ใช่หลักฐานว่าเป็นรายการเดียวกัน คน Finance ต้องตรวจ source, materiality, policy และอนุมัติการโพสต์หรือแก้ไขทุกครั้ง

กระทบยอดต้องตอบอะไร

• ยอด opening/closing ของ bank กับ ledger ต่างกันเท่าไร
• รายการใดจับคู่ได้แน่นอนและมี source row ใดรองรับ
• รายการใดเป็น timing difference ค่าธรรมเนียม refund หรือ duplicate
• รายการใดยังอธิบายไม่ได้และใครเป็น owner
• ต้องมี journal หรือการแก้ไขอะไร ใครอนุมัติ

เตรียมข้อมูลก่อนให้ AI อ่าน

ส่งไฟล์ที่จำเป็น เช่น statement, ledger, invoice list และ mapping ของบัญชี ลบเลขบัญชีเต็ม ชื่อลูกค้า หรือข้อมูลส่วนตัวที่ไม่ต้องใช้ ใช้ transaction_id ที่ไม่ซ้ำ และกำหนด timezone, currency, cutoff, sign ของ debit/credit ให้ตรงกัน

4 ประเภทผลลัพธ์จากการจับคู่

1. Exact match: ID/จำนวน/วันที่/Reference ตรงตามกติกา
2. Probable match: คล้ายกันแต่ต้องให้คนอ่าน source และบริบท
3. Timing difference: รายการเดียวกันแต่คนละวันหรือ batch
4. Exception: duplicate, fee, refund, split, missing หรือไม่ทราบสาเหตุ

อย่าใช้คะแนนความคล้ายเป็นเกณฑ์อนุมัติอัตโนมัติ ตั้ง threshold ภายในได้แต่ต้องบันทึก owner และทดสอบ false match

Prompt สำหรับ Reconciliation Assistant

จาก bank statement, ledger, mapping และ matching rules ที่แนบมา สร้างตาราง transaction_id, candidate ledger_id, match type, amount difference, date difference, confidence, source rows และ reason แยก exact/probable/timing/exception หากข้อมูลไม่พอหรือจำนวนไม่ตรงให้ใส่ DATA_ISSUE ห้ามทิ้ง unmatched ห้ามโพสต์ journal ห้ามเปลี่ยน payee หรือสั่ง payment

ตรวจ Match อย่างไร

Reviewer ควรเห็นรายการจากทั้งสอง source ไม่ใช่เพียงข้อความสรุป ตรวจจำนวน ทิศทาง สกุลเงิน วันที่ และ reference หากเป็น batch payment ให้ดูรายละเอียดประกอบ อย่ากดยอมรับเพราะ confidence สูงโดยไม่ดู materiality

กรณีที่มักทำให้ยอดไม่ตรง

• ค่าธรรมเนียมธนาคารที่ยังไม่มีใน ledger
• เงินเข้ารวมหลาย invoice หรือหักค่าธรรมเนียมแล้ว
• โอนระหว่างบัญชีที่ statement สองฝั่งคนละวัน
• เช็ค/บัตรที่ settlement ช้า
• รายการ refund หรือ chargeback
• รายการซ้ำจากการ import หรือเลข reference เปลี่ยน
• currency conversion และทศนิยมไม่ตรง

ให้ AI จัดกลุ่มคำถาม แต่ห้ามให้ AI เลือกบัญชีหรือ tax treatment เอง

Exception Queue ที่คนทำต่อได้

ทุก unmatched row ควรมี type, amount, age, evidence needed, owner, due date, status และ next action ทำให้ทีมเห็นรายการค้างและไม่แอบตัดออกจากรายงานเพราะจับคู่ไม่ได้

Approval Gate ก่อนโพสต์

1. ยอดต้นทางและ ledger version ถูกต้อง
2. match มี source rows และเหตุผล
3. รายการปรับปรุงมี policy, account และจำนวนที่คำนวณ
4. ผู้อนุมัติตรง role และ materiality
5. บันทึก journal ID, reviewer, เวลา และเหตุผล
6. หลังโพสต์ rerun reconciliation และเก็บ version ใหม่

AI อาจสร้าง draft journal เพื่อช่วยตรวจ แต่ไม่ควรกด post หรือส่ง payment

วัดผลอย่างไร

• เวลาจากรับ statement ถึงปิด reconciliation
• อัตรา exact/probable match ที่คนยอมรับ
• false match และรายการที่ต้อง reverse
• อายุและจำนวน exception ค้าง
• เวลาที่ใช้ต่อรายการและเหตุผล reject

อย่าวัดแค่เปอร์เซ็นต์จับคู่สูง เพราะการจับคู่ผิดทำให้ยอดดูสะอาดแต่ความเสี่ยงเพิ่ม

ข้อมูลและ Audit Log

จำกัดสิทธิ์เข้าถึง statement และ ledger ใช้ sandbox ก่อนเชื่อม production เก็บ input file version, matching rules, AI output, reviewer decision, journal ID และเวลาที่แก้ตาม retention policy ไม่เก็บเลขบัญชีหรือข้อมูลส่วนตัวเกินจำเป็น

ข้อผิดพลาดที่พบบ่อย

• ไม่กำหนด debit/credit และ currency ให้ตรง
• จับคู่ด้วยจำนวนเงินอย่างเดียว
• ทิ้ง unmatched rows ออกจากไฟล์
• ให้ AI โพสต์ journal อัตโนมัติ
• ไม่แยก timing difference กับรายการผิดจริง
• ไม่มี owner และ due date ของ exception

Checklist ก่อนปิดรอบ

1. Cutoff และ source versions ยืนยัน
2. ทุก match trace กลับไฟล์/แถวต้นฉบับได้
3. Probable/timing/exception แยกชัด
4. Unmatched มี owner, due date และหลักฐานที่ต้องหา
5. รายการ material ผ่าน approval gate
6. หลังแก้/โพสต์มีการกระทบยอดซ้ำ
7. Audit log และ access controls ครบ

FAQ

AI จับคู่ได้แม่นแค่ไหน

ขึ้นกับคุณภาพข้อมูลและกติกา อย่าใช้ตัวเลขความแม่นทั่วไป ให้ประเมิน exact, false match และผลกระทบกับข้อมูลจริงขององค์กร

ถ้า AI จับคู่ผิดใครรับผิดชอบ

คนที่อนุมัติผลและ owner ของ workflow ต้องรับผิดชอบ จึงต้องมี source, reviewer และ log ไม่ใช่โยนความผิดให้โมเดล

ใช้ AI กระทบยอดทุกวันได้ไหม

ได้ถ้ามี cutoff, source, approval และวิธี rollback ชัด งานที่กระทบเงินควรเริ่มจาก draft/exception queue ก่อน automation

สรุป

AI ช่วยกระทบยอดธนาคารได้โดยเตรียมข้อมูล เสนอ match จัดประเภท timing/fee/duplicate และสร้าง exception queue แต่ match ไม่ใช่หลักฐานจนกว่าคน Finance จะตรวจ source และอนุมัติ การแยก exact, probable, timing และ exception พร้อม audit log ทำให้ปิดยอดได้เร็วขึ้นโดยไม่สูญเสียการควบคุม