Hvordan AI genopskriver skattesæsonens playbook for revisionsfirmaer

Skattesæsonen er ovre. For revisionshold over hele landet betyder det en kort, men dybt fortjent pause, før cyklen starter igen.

Mellem januar og 15. april kan indgivelsesvolumenerne stige 200-300% over baseline. De fleste firmaer absorberer denne stigning uden at tilføje nye medarbejdere, så 99% af revisorerne måtte arbejde 60 til 70 timer om ugen, alt inden for faste deadlines.

Dette år var skattesæsonen endnu mere kompleks på grund af de omfattende føderale skattelovændringer, der introducerede nye fradrag, strammede eksisterende og tilføjede nye arbejdsgiver-rapporteringsforpligtelser. Så da 15. april ankom, havde de fleste revisionsfirmaer og revisionshold intet tilbage i tanken.

Disse pres ikke forsvinder af sig selv. Efter at have arbejdet i Big 4 i over et årti, har jeg set de samme flaskehalse gentage år efter år. Automatisering er den mekanisme, der faktisk flytter nålen, da AI-agenter håndterer rutineprocedurer fra ende til anden, overtager dataprocesseringsarbejdet, mens mennesker forbliver i løkken som ledere og beslutningstager.

Vi har en seks måneders vindue, før den næste travle sæson starter, og det er værd at bruge det på forberedelse. Lad os se, hvor automatisering gør den største forskel, og hvordan vi kan bruge den tid til at gøre skattesæson 2027 til en fundamentalt anderledes oplevelse.

Risici

I 2024 var over 140 offentlige selskaber tvunget til at revidere deres finansielle regnskaber. Da ADM annoncerede en intern revisionsundersøgelse, førte det til en 24% nedgang i deres aktiekurs – selskabets værste dag siden 1929 – og slettede over 8,8 milliarder dollars i aktieejerværdi på en enkelt dag.

Det samme år indledte SEC (The Securities and Exchange Commission) over 45 retssager om finansielle misrapporteringsforhold. Jo større selskabet er, jo større er prisetiketten for en fejl.

Dette er konteksten, hvor det betyder mest. Erfarne menneskelige revisorer, der arbejder under normale forhold, opererer med 96-98% nøjagtighed. Det lyder beroligende, indtil du overvejer, hvad det tager at matche denne kvalitet. Og her er, hvor automatisering kan være en livredder.

Mens LLM’er er kendt for at hallucinere og derfor ikke er et pålideligt værktøj til analytics, fungerer specialbyggede AI til finansielle dokumentprocesser med 95-99% nøjagtighed konsekvent, uanset volumen eller timing. Deterministisk kode og dual-path-verificering tillader systemet at undgå ubegrundede konklusioner. En anden vigtig funktion er, at AI ikke bliver træt af marts.

Omkbninger

For bedre at forstå økonomien, lad os beregne omkostningerne. Revisions timersatser i 2025 varierer fra 200 til 500 dollars, afhængigt af senioritet, specialisering og beliggenhed.

Et mellemstort selskab, der kører multiple enheder, med løn over staternes grænser, AP/AR-volumen og en fuld generel regnskabsafstemning, ser ikke på få regnskabs timer. Det ser på uger med seniorpersonales tid, meget af det brugt på dataproduktion og dokumentrensning, før nogen reel analyse kan begynde.

Når revisorer arbejder 60-70 timer om ugen til 200-400 dollars i timen, compounder matematikken sig hurtigt. Og fordi de fleste firmaer opererer med fast medarbejderantal under højsæsonen, kan denne tid ikke bare købes tilbage.

Når automatisering indgår i processen, erstattes manuel dataindtagning, afstemning og arbejdspapirforberedelse med specialbygget AI. Dette eliminerer ikke behovet for erfaren revisorer – denne del af arbejdet bør ikke kræve så megen dyrt menneskearbejdstid fra starten.

Senior dom til strategi, risiko og kunde beslutninger er værd hver enkelt dollar af disse timersatser, ikke omformatering af regneark og manuel matchning af linjeemner.

Sikkerhed

Finansielle operationer kræver de højeste sikkerhedsstandarder, og AI-integration er ingen undtagelse. Baseline, som de fleste firmaer allerede kender, er SOC 2 Type II – uafhængig revision af en vendors sikkerheds kontroller over tid i stedet for på et enkelt punkt. Derudover er der ISO 27001 og NIST AI Risk Management Framework, som omhandler risici specifikke for AI-systemer. For ethvert firma, der håndterer kunde data på tværs af staternes grænser eller internationalt, er GDPR- og CCPA-overholdelse ikke forhandelbar.

Arkitektur betyder lige så meget som certificeringer, og det vigtigste spørgsmål her er, hvor de finansielle data faktisk går. Private cloud-udvikling sikrer, at kunde-finansielle data aldrig forlader din perimeter og ikke bruges til at genskabe den underliggende model. Respekterede leverandører i dette område tilbyder forudindlærte, specialbyggede modeller, der opererer i fuld isolation fra offentlige AI-systemer.

Kvalitet

De arbejdsgange, der gør skattesæsonen brutal, såsom afstemning, dataindtagning, multi-enhedsmatchning, er de samme arbejdsgange, der definerer hver kvalitet af indtægtsengagement.

Prøvebalance, bevis for kontant, balance, profit og tab (P&L), bankkontoudtog, generel regnskabsafstemning, løn og AP/AR-aldring – alt dette papirarbejde har altid været overvejende manuelt. De fleste engagementer taber de første flere dage til dataindtagning og henter filer fra multiple kilder, før nogen reel analyse kan begynde. Og det er præcis, hvor automatisering kan håndtere arbejdet fra ende til anden, behandling af tusinder af dokumenter på minutter.

Prøvebalance (TB) og generel regnskabsafstemning er, hvor den tekniske kompleksitet toppes. Matchning af poster over perioder, identificering af anomalier og sikring af, at TB er ren, er den type arbejde, hvor en enkelt mis klassificering forvrænger hele P&L-billedet nedstrøms. AI automatiserer transaktionsmatchning og flagger afvigelser i realtid, så organisationer, der implementerer AI, rapporterer op til en 30% reduktion i dage til lukning, ifølge HighRadius.

Bankkontoudtog og bevis for kontant følger samme logik: kontinuerlig automatisk matchning på tværs af konti og enheder, med umatchede elementer flaget straks i stedet for opdaget under gennemgang.

P&L- og balanceanalyse går endnu længere. Her identificerer AI ikke kun data, men også variansmønstre, flagger usædvanlig indtægtsanerkendelse og fremhæver inkonsistenser mellem perioder.

Lønverificering og AP/AR-aldring afslutter arbejdsgangen. Automatiseret løngennemgang fanger spøgelsesansatte, dobbeltregistrerede poster og multi-jurisdiktionelle overholdelsesgap, som manuel gennemgang under pres normalt misser. AI-dreven aldersanalyse flagger indsamlingsskab og betalingsanomalier uden, at en analytiker bygger rapporter fra scratch.

Taget sammen, komprimerer disse forbedringer, hvad der normalt forbruger den første uge af et engagement, til et startpunkt, så seniorpersonale kan udføre arbejdet, der faktisk kræver deres dom fra dag én.

Konklusion

Hver april lærer firmaer, der ikke har forberedt sig, den samme lære: sæsonen bliver ikke nemmere af sig selv. Endelig har automatisering chancen til at opgradere processerne, der forblev de samme fra 1990’erne.

En 2025 Intuit QuickBooks-undersøgelse af 700 revisionsfagfolk fandt, at firmaer, der brugte automatisering, rapporterede næsten enstemmige forbedringer – 98% så bedre nøjagtighed, 97% så større effektivitet og 95% rapporterede højere kvalitet af kunde service. 

Konkurrencegapet mellem disse firmaer og de, der stadig kører manuelle arbejdsgange, er allerede åbent, og det vil fortsætte med at åbne sig hver sæson.

AI erstatter ikke dommen og relationerne, der definerer godt revisionsarbejde, men det vil gøre disse ting væsentligt sværere at levere for firmaer, der stadig bruger deres bedste menneskers timer på arbejde, som software kan gøre bedre.