以人工智能為引擎驅動內部審計流程重構

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的深度融合。內部審計作為企業治理的關鍵環節，亟須借助技術革新實現流程重構。以ChatGPT、DeepSeek為代表的生成式AI技術，促使審計從“經驗驅動”轉向“數據驅動”。不過在應用中，其技術瓶頸與倫理爭議不斷顯現，值得企業高度關注。

人工智能驅動內部審計流程重構的表現形式

從“抽樣審計”到“全量分析”的審計效率提升

國際內部審計師協會2022年調查顯示，全球78%的企業內部審計部門采用隨機抽樣技術，但抽樣誤差造成的審計盲區占比達 12% — 15% 。人工智能技術正通過多種方式突破這一效率瓶頸。

其中，自然語言處理技術能有效解析非結構化數據。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模型對醫療機構的電子病歷、采購合同開展語義分析，把原本需要3周才能完成的數據分析工作壓縮到72小時內。

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

從“事后檢查”到“事中防控”的審計效能提升

人工智能助力構建動態風險預警體系，推動審計質量從“事后糾偏”轉向“事中防控”。實踐顯示，AI系統介入后，重大錯報風險發生率從2019年的 7.3% 降至2023年的2.1% ，效能提升明顯。在金融審計領域，監督式學習算法已經能夠成熟應用。

某股份制商業銀行的內部審計系統中，審計團隊運用XGBoost算法構建信用風險評估模型，并納入財務指標、納稅記錄、供應鏈數據等128個維度變量。通過SHAP值解析發現，企業應收賬款周轉率與納稅申報差異度的交互作用對風險預測貢獻度達 37% ，這一發現糾正了傳統審計過度依賴流動比率的偏差。

從“人工主導”到“人機協同”的模式創新

人工智能不僅改變了審計工具，更重塑了審計作業模式。無錫市審計局研發的四層模型棧，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腳本，將常見審計程序封裝成可復用模塊。例如固定資產折舊審計模塊，通過配置參數就能自動生成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督學習、異常檢測等算法庫，支持動態選擇適配模型。

而應用持久化層則采用微服務架構，實現模型版本管理與持續訓練。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合生成式AI，實現審計報告智能撰寫。測試顯示系統可自動生成標準段落，最終令人工修改量減少 65% 。

人工智能驅動內部審計流程重構的挑戰

數據安全與隱私風險

企業采用人工智能審計系統，就意味著需要接收、處理和存儲大量被審計單位信息，既包括內部數據，也涵蓋更廣泛的外部關聯數據。系統如果存在漏洞，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1.2萬條未脫敏醫療報銷數據，涉及47項患者隱私。溯源發現，系統未隔離加密與明文數據，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中并不罕見。2024年審計署評估顯示，僅 32% 的省級審計機關部署同態加密技術，導致云端數據計算存在暴露風險。

人工智能的判斷存在盲區

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

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

“算法黑箱”與技術依賴

人工智能常通過持續自我學習實現審計模型迭代，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% 分散在數百個微特征中。這種“碎片化解釋”使審計人員無法驗證結論合理性，可能導致訴訟舉證困難。

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

人工智能驅動下內部審計流程重構的對策

構建智能審計平臺與數據治理體系

智能審計平臺可采用分層架構設計，利用代碼輔助層降低技術門檻。具體而言，智能模型層可以引入聯邦學習技術實現跨機構數據協同；應用持久化層依托微服務支持動態迭代；自動化生成層則負責整合生成式AI，以提升報告效率。

數據治理需覆蓋數據全生命周期：采集階段落實分級分類與隱私保護；存儲階段用區塊鏈保障可追溯性；共享階段通過同態加密安全傳輸，以此構建兼顧合規性、安全性與可用性的治理框架。

強化人機協同與職業判斷能力

企業要建立“預處理—分析—決策”三階段協同機制，由AI負責基礎數據處理與模式識別，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，再結合人類商業邏輯校驗降低誤判風險；構建案例驅動的反饋優化閉環，借助人類反饋強化學習技術迭代模型參數，以實現審計知識庫動態進化與場景適應能力提升。

制定倫理規范

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

注重技術迭代

企業應當主動推進聯邦學習、邊緣計算等前沿技術的深度融合與高效應用，搭建雙盲壓力測試體系，筑牢系統性風險防火墻。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，推動跨境審計數據互認，構建開放共贏的技術生態格局。

人工智能推動內部審計流程重構，既是技術賦能的體現，也是管理創新的實踐。隨著“人工智能+”行動深化，人機協同將成為審計高質量發展的核心路徑，技術、人才與制度的協同創新正是實現目標的關鍵。未來，我們可以探索AI在文本、圖像等非結構化數據處理中的應用，重點攻克跨行業審計標準統一課題。