2024年《政府工作報告》首次提出開展“人工智能+”行動，加速了人工智能與各行業(yè)的深度融合。內(nèi)部審計作為企業(yè)治理的關(guān)鍵環(huán)節(jié)，亟須借助技術(shù)革新實現(xiàn)流程重構(gòu)。以ChatGPT、DeepSeek為代表的生成式AI技術(shù)，促使審計從“經(jīng)驗驅(qū)動”轉(zhuǎn)向“數(shù)據(jù)驅(qū)動”。不過在應用中，其技術(shù)瓶頸與倫理爭議不斷顯現(xiàn)，值得企業(yè)高度關(guān)注。

人工智能驅(qū)動內(nèi)部審計流程重構(gòu)的表現(xiàn)形式

從“抽樣審計”到“全量分析”的審計效率提升

國際內(nèi)部審計師協(xié)會2022年調(diào)查顯示，全球78%的企業(yè)內(nèi)部審計部門采用隨機抽樣技術(shù)，但抽樣誤差造成的審計盲區(qū)占比達 12% — 15% 。人工智能技術(shù)正通過多種方式突破這一效率瓶頸。

其中，自然語言處理技術(shù)能有效解析非結(jié)構(gòu)化數(shù)據(jù)。例如，無錫市審計局在社保資金審計項目中，審計團隊運用BERT模型對醫(yī)療機構(gòu)的電子病歷、采購合同開展語義分析，把原本需要3周才能完成的數(shù)據(jù)分析工作壓縮到72小時內(nèi)。

與此同時，光學字符識別技術(shù)與智能匹配算法結(jié)合后，紙質(zhì)憑證數(shù)字化率可以提升至 98% ，效率比傳統(tǒng)人工錄入提高5倍以上。這些人工智能技術(shù)的應用，讓原本依賴人工抽樣檢查的憑證審核工作得到系統(tǒng)替代，在提升審計效率的同時，也顯著提高了審計質(zhì)量。

從“事后檢查”到“事中防控”的審計效能提升

人工智能助力構(gòu)建動態(tài)風險預警體系，推動審計質(zhì)量從“事后糾偏”轉(zhuǎn)向“事中防控”。實踐顯示，AI系統(tǒng)介入后，重大錯報風險發(fā)生率從2019年的 7.3% 降至2023年的2.1% ，效能提升明顯。在金融審計領(lǐng)域，監(jiān)督式學習算法已經(jīng)能夠成熟應用。

某股份制商業(yè)銀行的內(nèi)部審計系統(tǒng)中，審計團隊運用XGBoost算法構(gòu)建信用風險評估模型，并納入財務(wù)指標、納稅記錄、供應鏈數(shù)據(jù)等128個維度變量。通過SHAP值解析發(fā)現(xiàn)，企業(yè)應收賬款周轉(zhuǎn)率與納稅申報差異度的交互作用對風險預測貢獻度達 37% ，這一發(fā)現(xiàn)糾正了傳統(tǒng)審計過度依賴流動比率的偏差。

從“人工主導”到“人機協(xié)同”的模式創(chuàng)新

人工智能不僅改變了審計工具，更重塑了審計作業(yè)模式。無錫市審計局研發(fā)的四層模型棧，標志著審計流程邁入智能化分工新階段。

該棧模型最底層的是代碼輔助層，其依托低代碼平臺開發(fā)腳本，將常見審計程序封裝成可復用模塊。例如固定資產(chǎn)折舊審計模塊，通過配置參數(shù)就能自動生成Python代碼，使審計人員編程參與度降低 80% 。

緊隨其后的智能模型層集成監(jiān)督學習、異常檢測等算法庫，支持動態(tài)選擇適配模型。

而應用持久化層則采用微服務(wù)架構(gòu)，實現(xiàn)模型版本管理與持續(xù)訓練。隨著項目應用增多，模型會在迭代中更適配智能。

最上層的自動化生成層結(jié)合生成式AI，實現(xiàn)審計報告智能撰寫。測試顯示系統(tǒng)可自動生成標準段落，最終令人工修改量減少 65% 。

人工智能驅(qū)動內(nèi)部審計流程重構(gòu)的挑戰(zhàn)

數(shù)據(jù)安全與隱私風險

企業(yè)采用人工智能審計系統(tǒng)，就意味著需要接收、處理和存儲大量被審計單位信息，既包括內(nèi)部數(shù)據(jù)，也涵蓋更廣泛的外部關(guān)聯(lián)數(shù)據(jù)。系統(tǒng)如果存在漏洞，這些信息就可能面臨泄露風險。

B

無錫市審計局2023年報告顯示，其智能審計平臺試運行時遭遇APT（高級持續(xù)性威脅）攻擊，攻擊者利用OCR接口漏洞，竊取1.2萬條未脫敏醫(yī)療報銷數(shù)據(jù)，涉及47項患者隱私。溯源發(fā)現(xiàn)，系統(tǒng)未隔離加密與明文數(shù)據(jù)，密鑰輪換周期為90天，遠超NIST建議的30天標準。這類問題在地方審計機關(guān)中并不罕見。2024年審計署評估顯示，僅 32% 的省級審計機關(guān)部署同態(tài)加密技術(shù)，導致云端數(shù)據(jù)計算存在暴露風險。

人工智能的判斷存在盲區(qū)

債務(wù)重組審計中，AI系統(tǒng)對協(xié)議條款隱藏條件的識別存在不足。某會計師事務(wù)所案例顯示，帶有對價條款的協(xié)議被AI誤歸為固定支付義務(wù)，導致企業(yè)負債率高于 15% 。這源于自然語言處理模型難以理解“當且僅當標的資產(chǎn)收益率超過 8% 時”這類復合條件句的邏輯內(nèi)涵。

現(xiàn)場審計的觀察取證也是AI的短板。2023年江蘇省某制造企業(yè)存貨審計中，AI通過RFID掃描確認庫存數(shù)量匹配，但審計人員現(xiàn)場發(fā)現(xiàn)部分貨架存在“外層合格品 ^+ 內(nèi)層殘次品”的問題。這類在物理空間上“做文章”的舞弊手段，現(xiàn)有計算機視覺技術(shù)尚無法有效識別。

“算法黑箱”與技術(shù)依賴

人工智能常通過持續(xù)自我學習實現(xiàn)審計模型迭代，但迭代后的復雜邏輯讓審計人員難以理解。招商證券內(nèi)控審計中，XAI（可解釋人工智能）工具顯示LSTM模型判定某異常交易時，前五大特征貢獻度僅占 41% ，其余 59% 分散在數(shù)百個微特征中。這種“碎片化解釋”使審計人員無法驗證結(jié)論合理性，可能導致訴訟舉證困難。

審計機關(guān)對特定AI系統(tǒng)的依賴還會制約技術(shù)創(chuàng)新。浙江省審計廳2019年采購的智能審計平臺因架構(gòu)封閉，導致2023年無法接入大語言模型。倘若遷移新系統(tǒng)，則需重新標注歷史數(shù)據(jù)，預估成本達原采購價的 170% ，暴露出技術(shù)選型缺乏全生命周期評估的問題。

人工智能驅(qū)動下內(nèi)部審計流程重構(gòu)的對策

構(gòu)建智能審計平臺與數(shù)據(jù)治理體系

智能審計平臺可采用分層架構(gòu)設(shè)計，利用代碼輔助層降低技術(shù)門檻。具體而言，智能模型層可以引入聯(lián)邦學習技術(shù)實現(xiàn)跨機構(gòu)數(shù)據(jù)協(xié)同；應用持久化層依托微服務(wù)支持動態(tài)迭代；自動化生成層則負責整合生成式AI，以提升報告效率。

數(shù)據(jù)治理需覆蓋數(shù)據(jù)全生命周期：采集階段落實分級分類與隱私保護；存儲階段用區(qū)塊鏈保障可追溯性；共享階段通過同態(tài)加密安全傳輸，以此構(gòu)建兼顧合規(guī)性、安全性與可用性的治理框架。

強化人機協(xié)同與職業(yè)判斷能力

企業(yè)要建立“預處理—分析—決策”三階段協(xié)同機制，由AI負責基礎(chǔ)數(shù)據(jù)處理與模式識別，隨后再由審計人員主導風險評估與策略制定；通過置信度評分量化AI輸出可靠性，再結(jié)合人類商業(yè)邏輯校驗降低誤判風險；構(gòu)建案例驅(qū)動的反饋優(yōu)化閉環(huán)，借助人類反饋強化學習技術(shù)迭代模型參數(shù)，以實現(xiàn)審計知識庫動態(tài)進化與場景適應能力提升。

制定倫理規(guī)范

企業(yè)為建立覆蓋研發(fā)、應用、追責全周期的AI倫理治理體系，需要在研發(fā)階段嵌入公平性檢測算法；在應用階段制定數(shù)據(jù)脫敏與算法透明度標準；在責階段完善技術(shù)文檔備案制度，以此形成“技術(shù)可控、權(quán)責明晰”的倫理約束機制。

注重技術(shù)迭代

企業(yè)應當主動推進聯(lián)邦學習、邊緣計算等前沿技術(shù)的深度融合與高效應用，搭建雙盲壓力測試體系，筑牢系統(tǒng)性風險防火墻。與此同時，還要注重深化國際交流合作，積極參與全球可信AI標準建設(shè)，推動跨境審計數(shù)據(jù)互認，構(gòu)建開放共贏的技術(shù)生態(tài)格局。

人工智能推動內(nèi)部審計流程重構(gòu)，既是技術(shù)賦能的體現(xiàn)，也是管理創(chuàng)新的實踐。隨著“人工智能+”行動深化，人機協(xié)同將成為審計高質(zhì)量發(fā)展的核心路徑，技術(shù)、人才與制度的協(xié)同創(chuàng)新正是實現(xiàn)目標的關(guān)鍵。未來，我們可以探索AI在文本、圖像等非結(jié)構(gòu)化數(shù)據(jù)處理中的應用，重點攻克跨行業(yè)審計標準統(tǒng)一課題。