چه میشود اگر فرآیند هراسانگیز بستن حسابهای پایان ماه از سه روز عذابآور به نود دقیقه کاهش یابد؟ چه میشود اگر تطبیقهای بانکی که قبلاً کل بعدازظهر جمعه شما را میگرفت، بیسروصدا در پسزمینه انجام شود در حالی که شما روی اداره واقعی کسبوکارتان تمرکز کردهاید؟ این یک شعار تبلیغاتی نیست. این واقعیت عملیاتی در هزاران کسبوکار کوچکی است که در هجده ماه گذشته به دفترداری مبتنی بر هوش مصنوعی روی آوردهاند.
تا سال ۲۰۲۶، ۹۵ درصد از حسابداران شکلی از خودکارسازی را در گردش کار خود گنجاندهاند و صاحبان کسبوکارهای کوچک نیز به سرعت در حال رسیدن به آنها هستند. همان مدلهای هوش مصنوعی مولد که ایمیل مینویسند و پیشنویس قراردادها را تهیه میکنند، ثابت کردهاند که در یکی از کسلکنندهترین وظایف تجاری بسیار ماهر هستند: تبدیل جریانی آشفته از تراکنشهای بانکی، رسیدها و فاکتورها به صورتهای مالی تمیز، دستهبندیشده و آماده برای تصمیمگیری.
اما این فناوری جادو نیست. اگر با بیدقتی استفاده شود، دفترداری با هوش مصنوعی دستههای جدیدی از اشتباهات را ایجاد میکند که قبلاً وجود نداشتند: طبقهبندیهای اشتباه با لحنی مطمئن، توضیحات ساختگی برای تراکنشها و شکستهای بیصدا در تطبیق که تا زمانی که یک حسابرس سرنخی را دنبال نکند، درست به نظر میرسند. این راهنما به بررسی آنچه دفترداری هوش مصنوعی در سال ۲۰۲۶ به خوبی انجام میدهد، محل پنهان شدن حالتهای شکست و نحوه تنظیم گردش کاری میپردازد که مزایا را بدون به ارث بردن ریسکها جذب کند.
"دفترداری مبتنی بر هوش مصنوعی" در سال ۲۰۲۶ واقعاً به چه معناست؟
این عبارت طیف گستردهتری از ابزارها را نسبت به آنچه اکثر مالکان تصور میکنند پوشش میدهد. سه لایه متمایز ظهور کردهاند و اشتباه گرفتن آنها منجر به ناامیدی میشود.
لایه ۱: دستهبندی با یادگیری ماشین
این قدیمیترین و بالغترین لایه است. یک مدل تماشا میکند که شما چگونه تراکنشها را دستهبندی میکنید، الگو را یاد میگیرد و دسته را برای تراکنشهای مشابه آینده پیشبینی میکند. پس از ۶۰ تا ۹۰ روز دادههای آموزشی، ابزارهای بهتر به دقت ۸۵ تا ۹۵ درصد در ثبتهای روتین میرسند و برخی پلتفرمهای تخصصی ادعای دقت ۹۶.۵ درصدی در ثبت خودکار را دارند.
فناوری پشت این لایه چندان جدید نیست. آنچه در دو سال گذشته تغییر کرده این است که مدلها اکنون یادداشتهای تراکنش، نام پذیرندگان و حتی اقلام ردیفی فاکتورها را به عنوان زبان طبیعی میخوانند، به جای اینکه با آنها به عنوان رشتههای متنی نامفهوم برخورد کنند. هزینهای با عنوان "AWS-MARKETPLACE PRIME VIDEO" دیگر به طور پیشفرض در "اشتراکهای نرمافزاری" ریخته نمیشود؛ مدل میتواند تشخیص دهد که Prime Video در یک حساب شخصی با هزینههای EC2 در یک حساب تجاری متفاوت است.
لایه ۲: هوش مصنوعی مولد برای استدلال و توضیح
اینجاست که مدلهای زبانی بزرگ ارزش خود را نشان میدهند. به جای فقط پیشبینی یک دسته، مدل میتواند توضیح دهد که چرا یک تراکنش غیرعادی به نظر میرسد، پیشنویس یادداشت آرتیکل روزنامه را تهیه کند، آنچه هفته گذشته در حسابهای شما رخ داده را خلاصه کند، یا به سوالات با زبان ساده پاسخ دهد، مانند: "چرا هزینههای ملزومات اداری در ماه مارس دو برابر شد؟"
ارزش در اینجا کمتر مربوط به طبقهبندی و بیشتر مربوط به ترجمه است: تبدیل اعداد به روایت. صاحب یک کسبوکار کوچک که نمیتواند صورت جریان وجوه نقد را بخواند، میتواند این را بخواند: "موجودی نقد عملیاتی شما در آوریل ۱۴,۲۰۰ دلار کاهش یافت، عمدتاً به این دلیل که دو مشتری بزرگ دیر پرداخت کردند و شما تمدید سالانه بیمه خود را پیشپرداخت کردید."
لایه ۳: هوش مصنوعی عاملی (Agentic AI) برای گردشهای کاری سرتاسری
جدیدترین و قدرتمندترین لایه. سیستمهای عاملی به جای انتظار برای کلیک کردن یک انسان روی دکمه، خودشان اقدام میکنند: استخراج تراکنشهای جدید از بانکهای متصل، تطبیق آنها با فاکتورهای باز، تهیه پیشنویس ثبتهای اصلاحی، پرچمگذاری موارد استثنا برای بازبینی انسانی و بستن دفاتر طبق یک برنامه زمانی. فروشندگان این سیستمها را به عنوان "کمکخلبانهایی که دیگر منتظر نمیمانند تا به آنها گفته شود مرحله بعد چیست" توصیف میکنند.
هوش مصنوعی عاملی همچنین جایی است که بزرگترین ریسکها در آن نهفته است. سیستمی که میتواند به طور مستقل عمل کند، میتواند به طور مستقل نیز آسیب وارد کند؛ به همین دلیل است که شیوههای حسابرسی و بازبینی که در ادامه این راهنما آمده، بیش از انتخاب مدل زیربنایی اهمیت دارند.
پنج وظیفهای که هوش مصنوعی به بهترین نحو انجام میدهد
هر وظیفه دفترداری کاندیدای خوبی برای خودکارسازی نیست. پس از مشاهده پذیرش این ابزارها توسط کسبوکارهای کوچک در مقیاس وسیع، الگوی مشخصی در مورد جاهایی که هوش مصنوعی بردهای قابل اعتمادی ارائه میدهد، پدیدار شده است.
۱. دستهبندی تراکنشها در مقیاس بالا
این مورد استفاده اصلی است. کسبوکاری که ۱,۰۰۰ تراکنش ماهانه را پردازش میکند، قبلاً ۴,۰۰۰ تا ۶,۶۸۰ دلار از زمان دفتردار را صرف دستهبندی و بازبینی میکرد. ابزارهای هوش مصنوعی که ۷۹ تا ۱۹۹ دلار در ماه هزینه دارند، اکنون بخش عمدهای از آن کار را انجام میدهند و زمانی که مدل سرفصل حسابهای شما را یاد گرفت، صرفهجویی خالص ماهانه در حد هزاران دلار ایجاد میکنند.
کلمه کلیدی "یاد گرفته" است. در ابتدای کار، دستهبندی هوش مصنوعی معمولی است. پس از دو یا سه ماه اصلاحات، عالی میشود. با ۹۰ روز اول به عنوان یک سرمایهگذاری آموزشی برخورد کنید، نه به عنوان خروجی نهایی تولید.
۲. تطبیق بانکی و کارت اعتباری
پلتفرمهای مدرن دفترداری مبتنی بر هوش مصنوعی، بیش از ۱۳,۰۰۰ اتصال بانکی زنده را حفظ میکنند و میتوانند تراکنشها را بهجای دستههای ماهانه، بهطور مداوم با دفاتر شما تطبیق دهند. زمانی که موردی همخوانی ندارد، سیستم آن را با ذکر جزئیات نشانهگذاری میکند: «این واریزی ۱,۸۴۷ دلاری به نظر میرسد از مشتری X باشد، اما هیچ صورتحسابی با این مبلغ وجود ندارد. نزدیکترین مورد: صورتحساب شماره ۴۴۲۱ به مبلغ ۱,۸۰۰ دلار. آیا آنها را به هم مرتبط کنم؟»
این نوع مدیریتِ هدایتشدهی موارد استثنا، برد واقعی است. تطبیق حسابها نه به دلیل سریعتر شدن محاسبات ریاضی (کامپیوترها همیشه در ریاضیات سریع بودهاند)، بلکه به این دلیل سریعتر شده است که هوش مصنوعی قبلاً کارهای کارآگاهی را برای تشخیص اینکه کدام موارد استثنا ارزش توجه انسان را دارند، انجام داده است.
۳. ثبت رسید و صورتحساب
فناوری تشخیص نوری نویسهها (OCR) دهههاست که وجود دارد، اما هرگز آنقدر خوب نبود که بتوان به آن اعتماد کرد. مدلهای چندوجهی مدرن، رسیدها را همانطور که یک انسان میخواند، میخوانند: آنها لوگوی فروشنده، تاریخ، اقلام ردیفی و مجموع مبالغ را همزمان میبینند و درباره اینکه چه چیزی با هم همخوانی دارد استدلال میکنند. نتیجه این است که گرفتن عکس از یک رسید مچاله شده پمپ بنزین، اکنون در اکثر مواقع یک ثبت هزینه قابل استفاده با نام فروشنده، تاریخ، مبلغ و دستهبندی صحیح ایجاد میکند.
۴. شناسایی ناهنجاری
اینجاست که هوش مصنوعی میدرخشد و اکثر مالکان متوجه آن نمیشوند. مدل یاد گرفته است که قبض خدمات رفاهی ماهانه معمولی شما چگونه است. وقتی قبض این ماه سه برابر مقدار معمول است، قبل از اینکه ثبت وارد صورت سود و زیان (P&L) شما شود، هشدار میدهد. همین منطق، پرداختهای تکراری به فروشندگان، گزارشهای هزینهای که دو بار ارسال شدهاند و مشکل کلاسیک کسبوکارهای کوچک یعنی ثبت تصادفی یک هزینه شخصی در حساب تجاری را شناسایی میکند.
۵. گزارشدهی به زبان طبیعی
«پنج دستهبندی برتر هزینههای من در فصل گذشته را نشان بده و بگو کدامیک نسبت به سال قبل بیشترین رشد را داشتهاند.» یک سال پیش، این سوال مستلزم آن بود که یک دفتردار یک گزارش سفارشی تهیه کند. امروزه، یک پلتفرم دفترداری هوش مصنوعی در کمتر از پنج ثانیه، همراه با یک نمودار و یک خلاصه متنی، به آن پاسخ میدهد.
اثر همگانیسازی این فناوری بر صاحبان کسبوکارهای کوچک که پیشزمینه مالی ندارند، قابل توجه است. مشاهدهپذیری در لحظه از وضعیت کسبوکارتان دیگر یک کالای لوکس مختص شرکتهایی با کارکنان مالی تماموقت نخواهد بود.
حالتهای خطایی که هیچکس در دموهای فروش دربارهشان حرف نمیزند
هر فروشندهای صحبت خود را با آمارهای دقت شروع میکند. هیچکدام از آنها درباره ۲ تا ۵ درصد از تراکنشهایی که مدل در آنها با اطمینان اشتباه میکند، صحبت نمیکنند. آن خطای باقیمانده دقیقاً همانجایی است که اداره مالیات (IRS)، حسابرس شما و خودِ آیندهتان در آن درگیر خواهید بود.
«AI Slop» و طبقهبندیهای اشتباهِ با اطمینان
اصطلاح فنی این وضعیت «AI slop» (محتوای بیکیفیت هوش مصنوعی) است: طبقهبندیای که از نظر منطقی درست به نظر میرسد اما از نظر واقعیت یا قانونی نادرست است. خرید از یک فروشگاه ابزارآلات در دسته «تعمیرات و نگهداری» کدگذاری میشود، در حالی که در واقع یک بهبود سرمایهای بوده که باید مستهلک میشد. یک صورتحساب اشتراک بهجای دورهای که پوشش میدهد، برای ماهی که پرداخت شده کدگذاری میشود و باعث مخدوش شدن حسابداری تعهدی شما میگردد.
این اشتباهات بهویژه خطرناک هستند زیرا صحیح به نظر میرسند. یک دفتردار انسانی وقتی مطمئن نیست، یک علامت سوال باقی میگذارد. اما یک دفتردار هوش مصنوعی که مطمئن نیست، اغلب محتملترین پاسخ را انتخاب میکند و بدون علامتگذاری شک و تردید خود، به سراغ مورد بعدی میرود.
توضیحات توهمآمیز
هوش مصنوعی مولد گاهی اوقات منطقی ساختگی برای توجیه تصمیمی که قبلاً گرفته است، جعل میکند. اگر از یک مدل بپرسید چرا چیزی را به شکلی خاص دستهبندی کرده است، ممکن است یک سابقه اختراع کند، به مادهای از قانون مالیات استناد کند که وجود ندارد یا تعاملی با مشتری را توصیف کند که هرگز اتفاق نیفتاده است. در متن دفترداری، این موضوع معمولاً در یادداشتهای سند حسابداری ظاهر میشود: ثبت درست است، اما یادداشت تراکنشی را توصیف میکند که به آن صورت رخ نداده است.
راه حل ساده است: هرگز به توضیحات تولید شده توسط هوش مصنوعی بهعنوان مستندات اعتماد نکنید، مگر اینکه آنها را با اسناد منبع مطابقت دهید.
انحراف خاموش در تطبیق حسابها
تطبیق مداوم وقتی کار میکند فوقالعاده است. اما وقتی بهطور خاموش شکست میخورد، دفاتر میتوانند هفتهها پیش از آنکه کسی متوجه شود، دچار انحراف شوند. یک الگوی رایج: هوش مصنوعی برای تراز کردن یک تطبیق، بهطور خودکار یک ثبت گمشده ایجاد میکند، آن ثبت اشتباه است، دفاتر به هر حال تراز میشوند و این خطا در ماه بعد انباشته میشود.
ابزارهای تطبیق باید همیشه هر ثبت ایجاد شده بهصورت خودکار را در یک گزارش استثنای جداگانه ثبت کنند تا انسان قبل از بستن حسابها آن را بررسی کند. اگر ابزاری این قابلیت را ارائه نمیدهد، اجازه ندهید ثبتهای خودکار ایجاد کند.
حریم خصوصی دادهها و وابستگی به فروشنده
هر تراکنشی که از طریق یک پلتفرم دفترداری هوش مصنوعی پردازش میکنید، بنا به تعریف، دادههای مالی است که با یک شخص ثالث به اشتراک گذاشته شده است. فروشندگان معتبر از مقرراتی مانند قانون حریم خصوصی مصرفکنندگان کالیفرنیا پیروی میکنند و در رمزنگاری و شناسایی نفوذ سرمایهگذاری میکنند، اما قرار گرفتن در معرض خطر واقعی است: دفاتر شما در سرورهای شخص دیگری قرار دارد، برای کارمندان آنها قابل دسترسی است و در معرض خطر نقض امنیتی آنهاست.
شکل دوم و ظریفتر وابستگی (Vendor Lock-in)، خودِ مدل دستهبندی است. مدلی که کدینگ حسابهای شما را در طول دو سال یاد گرفته ارزشمند است و اکثر فروشندگان اجازه صادر کردن (Export) آن را به شما نمیدهند. اگر پلتفرم خود را تغییر دهید، معمولاً باید آموزش را از صفر شروع کنید. فرمتهای حسابداری متنساده (Plain-text accounting) و استانداردهای فایل باز این ریسک را کاهش میدهند؛ در حالی که پایگاههای داده اختصاصی آن را تشدید میکنند.
اتکای بیش از حد و تحلیل رفتن مهارتها
مالکانی که با شدت بیش از حد به سراغ حسابداری با هوش مصنوعی میروند، گاهی اوقات بررسی دفاتر خود را متوقف میکنند. داشبورد میگوید همه چیز مرتب است، بنابراین آنها به داشبورد اعتماد میکنند. شش ماه بعد، یک تنظیمکننده اظهارنامه مالیاتی متوجه میشود که یک دستهبندی هزینهای عمده در تمام طول سال اشتباه طبقهبندی شده است و هیچکس متوجه نشده، چون هیچکس تراکنشهای زیربنایی را نخوانده است.
راهحل این مشکل، یک عادت هفتگیِ پانزده دقیقهای است: دفتر روزنامه (Journal) را باز کنید، در ثبتهای هفته گذشته پیمایش کنید و از خود بپرسید که آیا چیزی عجیب به نظر میرسد یا خیر. هوش مصنوعی یک چندبرابرکننده برای توجه و دقت است، نه جایگزینی برای آن.
یک گردش کار واقعبینانه برای حسابداری با هوش مصنوعی در کسبوکارهای کوچک
در اینجا گردش کاری آورده شده است که مزایای بهرهوری را بدون به ارث بردن حالتهای شکست، حفظ میکند. این الگو برای یک کسبوکار کوچک با یک تا بیست کارمند، یک دفتردار یا مالک-گرداننده که دفاتر را مدیریت میکند، و یک کارشناس مالیاتی که پکیج پایان سال را بازبینی میکند، در نظر گرفته شده است.
روزانه (۵ دقیقه یا کمتر)
از رسیدهای کاغذی که روی میزتان میآیند عکس بگیرید. فاکتورهای ایمیلی را به صندوق ورودیِ ثبتِ هوش مصنوعی فوروارد کنید. تراکنشهایی را که سیستم به عنوان «سطح اطمینان پایین» علامتگذاری کرده است، تأیید یا اصلاح کنید. هدف این است که از طولانی شدن صف انتظار جلوگیری کنید.
هفتگی (۱۵ تا ۳۰ دقیقه)
دفتر روزنامه تراکنشهای هفت روز گذشته را باز کنید. تمام ثبتها را مرور کنید. اکثر آنها به وضوح صحیح خواهند بود. تعداد کمی ممکن است درست به نظر نرسند. قبل از اینکه این موارد به مرحله بستن حسابهای ماهانه برسند، آنها را بررسی کنید. پرچمهای ناهنجاری (Anomaly flags) هوش مصنوعی را بازبینی کنید و یا با یک یادداشت آنها را رد کنید و یا ثبتهای زیربنایی را اصلاح نمایید.
ماهیانه (۱ تا ۲ ساعت به جای ۱ تا ۲ روز)
فرآیند بستن پایان ماهِ ایجاد شده توسط هوش مصنوعی را اجرا کنید. گزارش موارد استثنا در مغایرتگیری بانکی را خط به خط بررسی کنید. به ثبتهای اصلاحیِ خودکار ایجاد شده توجه ویژهای داشته باشید: هر کدام را قبل از تأیید نهایی، با یک سند منبع تطبیق دهید. گزارش سود و زیان (P&L) و ترازنامه را تهیه کنید، آنها را با دقت بخوانید و بپرسید که آیا اعداد با شهود شما از نحوه عملکرد ماه گذشته همخوانی دارند یا خیر.
فصلی
کل دفتر روزنامه تراکنشها را استخراج کرده و حداقل ۱۰ درصد از ثبتها را با مستندات اصلی به صورت تصادفی چک کنید. این مرحلهای برای آمادگی حسابرسی است که اکثر مالکان از آن چشمپوشی میکنند و بعداً بابت آن پشیمان میشوند. اگر ابزار هوش مصنوعی شما اجازه نمیدهد یک دفتر روزنامه کامل به صورت متنساده (Plain-text) برای بازبینی صادر کنید، این نشانهای است که باید به دنبال ابزارهای دیگر باشید.
سالیانه
یک بازبینی کامل برای طبقهبندی مجدد با کارشناس مالیاتی خود انجام دهید. انتخابهای دستهبندی هوش مصنوعی برای گزارشهای مدیریتی بهینه شدهاند، که گاهی اوقات با نحوه طبقهبندی مورد نظر سازمان امور مالیاتی متفاوت است. تطبیق بین این دو دیدگاه یک وظیفه مبتنی بر قضاوت انسانی است و احتمالاً همیشه همینطور باقی خواهد ماند.
انتخاب ابزارها: در سال ۲۰۲۶ به دنبال چه چیزی باشیم
بازار حسابداری هوش مصنوعی شلوغ است و اکثر متنهای تبلیغاتی مشابه هم هستند. در اینجا مواردی وجود دارد که در واقع ابزارهای بهتر را از ابزارهای ضعیفتر متمایز میکند.
شفافیت به جای جادو. ابزاری که دقیقاً به شما نشان میدهد چرا یک تراکنش به روش خاصی دستهبندی شده است (کدام قانون اجرا شده، کدام تراکنشهای مشابه قبلی مبنای تصمیم بودهاند)، بسیار مفیدتر از ابزاری است که صرفاً یک پاسخ تحویل میدهد. دستهبندی بر پایه «جعبه سیاه» (Black-box) سریع است، اما فقط تا زمانی که لازم باشد از آن دفاع کنید.
خروجی متنساده (Plain-text export). دفاتر شما باید متعلق به شما باشند، نه متعلق به ارائهدهنده نرمافزار. ابزاری که به شما امکان میدهد تاریخچه کامل تراکنشها، چارت حسابها و ثبتهای دفتر روزنامه خود را در قالبی قابل خواندن توسط انسان صادر کنید، از شما در برابر افزایش قیمتها، واگذاری شرکتها و تعطیلی سرویسها محافظت میکند.
ردپای حسابرسی برای هر اقدام هوش مصنوعی. هر دستهبندی خودکار، مغایرتگیری خودکار و ثبت اصلاحی خودکار باید دارای مهر زمانی باشد و به مدلی (با ذکر شماره نسخه) که آن را انجام داده، منتسب شود. بدون این، شما نمیتوانید آنچه را که در طول یک حسابرسی یا اختلاف در آینده رخ داده است، بازسازی کنید.
پیشفرضِ حضور انسان در چرخه. سیستم باید قابل پیکربندی باشد تا برای هر ثبتی بالاتر از یک آستانه دلاری خاص یا پایینتر از یک آستانه اطمینان مشخص، تأیید انسانی بخواهد. فروشندگانی که محصولات خود را با پیشفرض «کاملاً خودکار» عرضه میکنند، به دنبال تحت تأثیر قرار دادن شما در جلسات دمو هستند، نه به فکر پروفایل ریسک واقعی شما.
آمار دقت صادقانه. نسبت به هر فروشندهای که ادعای دقت بالای ۹۹ درصد را بدون مشخص کردن جامعه آماری دارد، مشکوک باشید. دقت دستهبندی در اشتراکهای SaaS دورهایِ یک کسبوکار کوچک به طور ناچیزی بالا است. تفاوت واقعی در دقت دستهبندی خریدهای موجودی کالا، انتقالهای بینشرکتی و داراییهای سرمایهای مشخص میشود.
چشمانداز بزرگتر: هوش مصنوعی مالکان را برای اداره کسبوکار آزاد میکند
نادیدهگرفتهشدهترین اثر حسابداری با هوش مصنوعی، روانی است، نه مالی. مالکانی که قبلاً از باز کردن نرمافزارهای حسابداری وحشت داشتند، اکنون داشبورد خود را روزانه چک میکنند چون بالاخره قابل فهم شده است. دفتردارانی که قبلاً ۴۰ تا ۷۰ درصد از زمان خود را صرف ورود دادهها میکردند، اکنون آن زمان را صرف امور مشاوره میکنند و به مشتریان در درک الگوهای جریان نقدی، بهینهسازی زمانبندی مالیاتی و برنامهریزی برای رشد کمک میکنند.
تکنولوژی جایگزین دفتردار نمیشود؛ بلکه جایگزین بدترین بخش شغل دفترداری میشود و زمان و توجه را برای کاری که واقعاً مستلزم قضاوت انسانی است، آزاد میکند. مالکانی که این تعادل را به درستی برقرار میکنند، در نهایت به اعداد بهتر و رابطه بهتری با امور مالی خود دست مییابند.
شفافیت مالی خود را از روز اول حفظ کنید
همگام با بهکارگیری ابزارهای هوش مصنوعی برای دفترداری خود، فرمت فایل زیربنایی بیش از آنچه اکثر مالکان تصور میکنند اهمیت دارد. Beancount.io حسابداری متنسادهای (plain-text accounting) را ارائه میدهد که بهطور ذاتی شفاف، تحت کنترل نسخه و آماده برای هوش مصنوعی است. تاریخچه تراکنشهای شما در فایلهای خوانا برای انسان ذخیره میشود که میتوانید آنها را درست مانند کد منبع بخوانید، مقایسه (diff) و جستجو کنید؛ این یعنی هرگونه دستهبندی و اصلاح توسط هوش مصنوعی، قابل مشاهده، بازگشتپذیر و قابل حسابرسی است. رایگان شروع کنید و ببینید چرا توسعهدهندگان و متخصصان مالی در عصر هوش مصنوعی، حسابداری متنساده را انتخاب میکنند. برای جزئیات تنظیمات فنی، مستندات را مشاهده کنید و برای داشبوردهای بصری که بر پایه همان زیربنای متنساده ساخته شدهاند، Fava را بررسی کنید.