مسئله‌ی محوری این مطالعه از شکاف عمیق میان واقعیت‌های عمل حرفه‌ای و ادبیات علمی موجود ناشی می‌شود؛ در حال حاضر، شاهد آن هستیم که در شمار قابل توجهی از سازمان‌ها، هوش مصنوعی (AI) به عنوان مجری فرایند در هسته‌ی چرخه‌های عملیاتی حسابداری (به ویژه در حوزه‌های حساب‌های پرداختنی، حساب‌های دریافتنی و تطبیق بانکی) به کار گرفته می‌شود، در حالی که فقدان یک چارچوب منسجم برای طراحی این سامانه‌ها، سازگاری آن‌ها با منطق کنترل داخلی و الزامات حسابرسی‌پذیری را با چالش جدی مواجه ساخته است. هدف این مطالعه، تدوین، ارائه و ارزیابی معماری هوش مصنوعی کنترل‌سازگار است؛ معماری‌ای که به صورت چندلایه طراحی شده و تمامی جنبه‌ها را از پذیرش و آماده‌سازی داده‌ها، هسته‌ی مدل یادگیری ماشین (ML) و سازوکار آستانه‌های اطمینان، تا لایه‌ی لاگینگ حسابرسی‌پذیر و حاکمیت چرخه‌ی عمر مدل را دربر می‌گیرد. از نظر روش‌شناختی، پژوهش حاضر بر رویکرد علم طراحی بنا شده است؛ بدین معنا که ابتدا با ترکیب هدفمند ادبیات سیستم‌های اطلاعات حسابداری (AIS)، کنترل داخلی و هوش مصنوعی توضیح‌پذیر (XAI)، مدل مفهومی و اصول طراحی استخراج گردیده است. سپس، این معماری در قالب یک نمونه‌ی کاربردی متمرکز بر کدگذاری خودکار صورتحساب‌ها و تطبیق بانکی، پیاده‌سازی شده و بر روی داده‌های تاریخی، به صورت شبه‌تجربی، مورد ارزیابی قرار گرفته است. نتایج به دست آمده به وضوح نشان می‌دهد که دستیابی هم‌زمان به کارایی عملیاتی بالا و سطح مطلوب کنترل، تنها مشروط به تعریف آگاهانه‌ی آستانه‌های اطمینان، طراحی جریان Human-in-the-loop و ثبت ریزدانه‌ی تراکنش‌ها امکان‌پذیر است؛ در مقابل، گسترش بدون قید و شرط اتوماسیون، اگرچه شاید اندکی به بهبود سرعت بیانجامد، اما به طور قابل ملاحظه‌ای به تضعیف ردیابی‌پذیری، تفکیک وظایف و اتکاپذیری حسابرسی منجر خواهد شد.