AI 重塑审计：探索人工智能驱动下的 行业变革之路

2025-03-25

 Amy Za ng Wilbur Chen 范 为 龚镘霖 信息化与数智化
专题

摘 要

 

 

关键词

 

文章探讨了人工智能（AI）技术在审计与会计领域的广泛应用及其面临的挑战，重点关注了AI 对注册会计师 行业变革的推动作用。文章进一步分析了审计行业在 AI 时代的技能重塑需求，强调会计师和审计师需提升技 术素养，实现人机协同。此外，结合马斯克领导的“政府效率部”（DOGE）利用 AI 对美国政府机构进行快速审 计评估的案例，文章指出 AI 应被视为审计人员的“智能助手”，而非替代者，并呼吁行业在技术创新与专业主 义之间寻求平衡，以推动可持续发展。
AI 人工智能 审计 人机协同 智能助手

 

 

一、行业变革的引擎：剖析 AI 的深远影响
随着人工智能（AI）技术的持续发展，审计和会计 正成为受这些技术影响最大的专业领域之一。从业人员 已广泛认识到 AI 在多个场景中的潜在应用，预示着这一 领域正在经历深刻的转型。
最新研究表明，在审计和会计实践中引入 AI 技术 能够带来显著增益。例如，研究数据显示，通过应用 AI 技术，审计机构能够显著减少会计错误的发生，同时有 效降低审计失败的风险。
然而，AI 的融入也为审计与会计行业带来了新的挑 战，尤其是在人才管理方面。研究表明，由于 AI 先进的技 术能力，部分初级审计师可能面临被取代的风险。
本文将深入探讨 AI 如何重塑审计与会计行业，并分 析从业人员应如何制定策略以应对技术变革带来的机 遇与挑战。
二、解码 AI 的力量：应用场景中的变革之旅
1．信息分析。在会计与审计领域，发现并标记会计 问题是专业人士的核心职能，可以帮助提升企业财务信 息质量、强化对内管理与对外披露。然而，当前 AI 在执 行定量财务分析和识别会计欺诈方面尚未完全成熟，仍 需进一步发展。
在会计学术研究中，传统方法通常依赖线性模型来 预测欺诈行为，并从企业年度数据中抽取大量样本以识 别异常会计条目。然而，这些线性模型在预测精度上面临 显著的局限性。经实证发现，AI 的引入为提高欺诈检测准 确性开辟了新的路径。例如，研究表明，随着技术的进步， 图形机器学习（Graph ML）能够高效识别异常条目，从而 帮助会计专业人士准确发现会计系统中的潜在错误。
此外，研究表明，采用随机森林和梯度提升回归树

等机器学习方法，可以进一步改善欺诈检测的效果。而 自动化机器学习（Auto ML）的应用，则能够实现实时欺 诈检测，从而显著提升欺诈检测的效率与及时性。这些 学术研究成果充分表明，AI 在提升审计与会计任务中错 误检测能力方面蕴藏着巨大的潜力。
2．信息整合。AI 可能彻底革新审计和会计中的信 息整合方式。在这些职业中，工作汇报通常需要将零散 的观点编纂成结构化的文档，同时严格遵守复杂的监管 要求。生成式 AI 通过任务分解和系统化的信息提取能 力，从多种来源整合内容并生成初步草稿，帮助专业人 士迅速搭建工作框架。凭借对上下文的深度理解，AI 能 够协助解释和整合信息，为专业人士提供有力支持，优 化文档编制流程。
3．合规助手。AI 还可以作为合规检查的可靠助手， 确保文档内容符合行业法规、公司政策及方法论要求。 通过自动标记潜在错误和遗漏，并提供相关指导意见， AI 帮助专业人士快速识别并修正问题，提高文档的准确 性与合规性。
4．重塑流程。生成式 AI 的应用还可能彻底革新审 计及会计工作流程，推动从“副驾驶”（copilot）模式向 “智能体”（agent）模式的转变，进一步实现高度的人机 融合。这一变革显著优化了时间资源的分配，减少了专 业人士在事实收集与文档编制上的投入，使其能够集中 精力于框架设计、结果审查和专业判断，从而交付更高 质量的见解。

三、应对 AI 挑战：破解技术应用的难题
尽管 AI 在审计和会计领域展现了诸多有益的应用 前景，其大规模采用仍然面临诸多挑战。
1．许多会计和审计从业者缺乏判断哪些任务适合

 

AI 以及识别其技术局限性的专业知识。对于AI 相 关的潜在风险的理解与识别，以及 AI 性能与人 工表现的评估与比较，是一项复杂且尚未完全解 决的难题。这可能导致审计机构在拥抱 AI 时，资 深员工难以产出有价值的洞察，并在缺乏充分批 判性评估的情况下，对 AI 过度依赖。
2．员工对 AI 的信任不足。实验研究表明，审 计从业者常表现出“算法排斥”现象，倾向于低 估 AI 生成建议的价值。这种现象较为显著，研究 数据显示，与人类基准相比，审计人员对 AI 驱动 建议的信任度平均降低了 23%。
3．数据隐私问题对AI 的推广构成重大挑战。 针对审计行业中数据分析应用的最新调查表明， 客户普遍担忧在分析模型中使用企业专有信息可 能导致数据泄露。
4．监管机构对 AI 技术的谨慎态度。作为一 项相对较新的技术，现有关于AI 使用的指导和规 范仍不完善，使审计机构在采用创新技术时心存 疑虑。研究进一步表明，监管机构倾向于质疑基 于数据分析得出的判断，认为自动化结果的可靠 性低于人工生成的分析。
要全面释放 AI 在审计 和会 计行业的潜力， 必须采取多方面的举措，积极缓解员工、客户及 监管机构对 AI 应用的疑虑。这包括提供针对性 培训以提升员工的技术素养、增强客户对数据安 全的信心，以及推动监管机构对 AI 技术的深入 理解与规范化管理。
四、技能重塑：会计与审计专业人士的新使命
AI 的迅速发展正在显著提升审计和会计专 业人士的效率与产出，但同时也为行业的人才管 理带来了前所未有的挑战。2023 年 3 月，高盛的 一项调查指出，会计是最有可能受到 AI 兴起影响 的职业之一，这一结论凸显了 AI 技术对行业人才 发展的深远影响。
研究显示，主流的 AI 应用 ChatGPT 已经能 够复现许多与审计师和会计师相关的核心技能。 例如，在研究人员进行的测试中，ChatGPT 参与 会计执照考试（如 CPA、CMA、CIA 和 EA 考试）并 取得了平均 85% 的高分。这一显著成绩反映了 AI 技术对审计行业人才可能带来的颠覆性影响。
然而，这是否意味着公司将不再需要专业的 审计师和会计人才？答案显然是否定的。德勤的 研究表明，93% 的首席财务官认为，在未来两年

内，引入具备生成式 AI 技能的专业人才作为财务团队的重要组成 部分尤为关键，成为首要关注重点。
由此，在这个特殊时刻，审计与会计行业面临的关键问题有
二：（1）在 AI 主导的时代，哪些核心技能对于行业人才至关重要？
（2）专业人士应如何重塑个人技能，有效整合 AI 技术，优化工作流 程并保持竞争力？
五、会计师和审计师需要什么样的技能？
在 生 成 式 AI 时 代，一 个 名 为“ 智 能 劳 动 力”（Workforce Intelligence，Wi）的 新 型劳 动力设 计理 念正在 崭露头 角。该 理 念 旨 在 实 现 人 类 智 能（Human Intelligence，Hi）与 人 工 智 能 （Artificial Intelligence，Ai）的无缝整合。这种模式主要关注劳动 力时间的重新分配，从而促进个人价值的深刻转型。信息收集与 初步创意生成等任务正逐步交由生成式 AI 管理，而专业人士则 能够将更多精力集中在产生洞察与专业判断等高价值活动上。
这一趋势无疑构成了会计师与审计师未来发展的核心方向。 根据世界经济论坛的报告，一项关于未来五年内技能重要性变化 的调查显示，企业对员工技能的期望正在快速演变。认知技能增 长最快，反映出职场对复杂问题解决能力的需求不断提升。创造 性思维的重要性增长速度预计将略高于分析性思维，而技术素养 则成为增长速度第三快的核心技能。
六、会计师和审计师应如何重新学习和提升技能？
1. 必须拥抱技术变革并积极应对挑战，借助生成式 AI 工具深 入探索会计和审计领域。会计师和审计师需要学习如何正确、高 效地使用这些工具，包括自我评估提示词工程的精通程度，并根 据最佳实践持续提升你的提示词技巧。对于年长员工而言，这一 过程可能面临更大的适应性挑战。
2. 在掌握工具的基础上，专业人士需要评估其职业中哪些任 务适合生成式 AI 的辅助。这一过程要求他们识别技术的局限性， 理解潜在风险，批判性地选择适用场景，并确保 AI 输出能够得到 人类审查与补充。会计和审计专业人士应逐步将注意力从“如何 完成任务”转向“如何利用生成式 AI 更快更好地完成任务”，以实 现更高效的人机协作。
3. 行业必须共同面对知识保留这一关键问题。随着生成式 AI 的发展，部分决策必然会被委托给 AI。然而，为避免对 AI 的过度 依赖并保持稳健的专业判断力，明确哪些知识必须由会计师和审 计师保留至关重要。哪些专家知识可以在最小化人工干预的前提 下委托给 AI，是行业领导者需要主动探讨的，发人深省的课题。

七、AI 与审计的边界：一场引发深思的技术变革
尽管 AI 技术在审计领域的应用前景广阔，但在实际操作中 仍面临着诸多挑战和争议。近期，马斯克领导的“政府效率部” （DOGE）通过 AI 技术对美国国际开发署（USAID）等联邦政府机

 

 

构进行快速审计评估的案例，引发了社会各界对 AI 技术适用性和伦理问题的热烈讨论。这一事件 不仅凸显了 AI 在审计中的潜力，也让我们不得不 重新审视其边界和局限。作为专业服务机构，我 们认为这一事件为深入思考 AI 技术与审计本质 关系提供了重要契机，同时也对行业如何加强与 社会公众的互动、弥合审计期望差距提出了课题。 究其本质是马斯克创造的 AI 审计神话和现实中 屡禁不止的财务造假现象形成强烈对比，那么在 此借着这一热点话题，我们探讨下 AI 究竟能在多 大程度上重构传统审计模式？
从专业角度看，审计的本质是通过系统化的 工作方法，获取充分、适当的审计证据，并在此 基础上运用专业判断得出合理结论。这一过程涉 及复杂的信息收集、分析判断和质量控制，需要 审计人员具备扎实的专业知识、丰富的实践经验， 以及严谨的职业道德。从完整的审计生命周期出 发，我们可以从以下三个方面具体去看 AI 与审计 的关系。
第一是“审计 证据获取”。这里最核心的问 题是“数据授权”，在马斯克的案例中，特朗普政 府显然是为他“一路开绿灯”，这在通常的审计 案例中极为少见，企业出于个人隐私和商业机密 的保护，往往希望审计团队能以最小的“数据成 本”完成审计工作，有言道“巧妇难为无米之炊”， 在缺乏数据的情况下 AI 能做的其实也极为有限， AI 系统的判断质量高度依赖于基础数据的完整 性和准确性，以及算法设计的合理性。在处理非 标准化数据和复杂业务场景时，AI 的表现往往不 及专业审计人员，这也与我们之前讨论的相呼应， 想要利用 AI 赋能审计，数据基础必不可少。
第二是“剩下的 5% 的难题”。这里讲的是在 获取审计证据后，进行专业判断分析时，我们往 往会看到 AI 工具的准确率难以达到 100%，那么 假设 AI 工具能达到 95% 的准确率，我们是否能容 忍剩下 5% 的误差？答案是否定的。此外，区块链 技术也常常与马斯克这一案例一同被提及，虽然 并没有官方消息表明马斯克使用了区块链技术。 作为一项去中心化的高可信技术，人们往往对它 和审计的结合给予厚望，但若企业使用的区块链 本身公信力不够强大，是否未来会转变为对区块 链技术本身的审计？答案是未可知的，但无论如 何，出于审慎考虑，“人机结合”必然是审计 AI 化 中不可或缺的一部分。

最后是“异常不等于问题”。在出具审计意见的过程中，我们 面对无论是通过AI 还是人工识别出的五花八门的异常，均需要逐 一鉴别，但目前的 AI 模型普遍存在 " 黑箱 " 特性，无论是传统的 机器学习，还是大语言模型，前者需要论证参数的合理性，后者 为基于概率的模型，其得出结论的过程难以追溯和解释，这与审 计工作要求的可验证性和透明度存在潜在冲突。实践证明，最终 对异常的解释还是需要落实到业务中去，不能“乱扣帽子”，只有 发现企业真正潜藏的风险，才能有利于其自我改进，良性发展。
当然，我们也应当正视 AI 技术为审计行业带来的积极影响。 德勤的实践研究表明，合理运用 AI 技术确实能够提高审计工作 效率、降低人为失误风险，并为审计人员提供更多洞察。关键在 于如何实现 AI 与传统审计方法的有机融合。基于此，我们提出三 点建议：一是准确定位 AI 技术的角色，将其视为审计人员的“智 能助手”而非替代者；二是建立健全的 AI 应用质量控制体系，确 保技术应用始终符合职业准则要求；三是加强审计人员的数字素 养培训，提升其理解和运用 AI 工具的能力。
这次 USAID 事件的争议提醒我们，在评估 AI 技术的审计应 用价值时需要保持客观理性的态度。一方面，我们要积极拥抱技 术创新带来的效率提升；另一方面，也要坚守审计工作的专业主 义精神，确保质量控制始终处于核心地位。唯有如此，才能推动 审计行业在数字化转型中实现健康可持续发展。
作为行业引领者，注册会计师行业将继续以严谨的态度探索 AI 技术在审计领域的创新应用。我们坚信，在恪守独立、客观、专 业等核心价值准则的前提下，审慎推进技术创新，是提升审计质 量、维护公众利益的应有之义。
香港科技大学证券分析与金融技术中心
（责任编辑：杨文风）

1. Eloundou, T., S. Manning, P. Mishkin, and D. Rock. 2024. GPTs are GPTs: An early look at the labor market impact potential of large language models. Science 384 (6702), pp. 1306-1308.
2. Law, K. K. F., and M. Shen. 2024. How does artificial intelligence shape audit firms? Management Science, Forthcoming.
3. Fedyk, A., J. Hodson, N. Khimich, and T. Fedyk. 2022. Is artificial intelligence improving the audit process? Review of Accounting Studies 27 (3):938-985.
4. Liang, P. J., A. Wang, L. Akoglu, and C. Faloutsos. 2021. Pattern recognition and anomaly detection in bookkeeping data. Working paper. Asian Bureau of Finance and Economic Research (ABER). Available from https://www.abfer.org/component/edocman/main-annual-conference/pattern-recognition-and-anomaly- detection-in-bookkeeping-data.
5. Bao, Y., Bin. Ke, Bin. Li, Y. J. Yu, and Jie Zhang. 2020. Detecting accounting fraud in publicly traded U.S. Firms using a machine learning approach. Journal of Accounting Research 58 (1):199-235.
6. Bertomeu, J., E. Cheynel, E. Floyd, and W. Pan. 2021. Using machine learning to detect misstatements. Review of Accounting Studies 26 (2):468-519.
7. Jiang, L., M. Vasarhelyi, and C. A. Zhang. 2022. Towards real-time financial statement fraud detection using machine learning. Working paper. Rutgers University. Available from https://ssrn.com/abstract=4003621.
8. Commerford, B. P., S. A. Dennis, J. R. Joe, and J. W. Ulla. 2022. Man versus machine: Complex estimates and auditor reliance on artificial intelligence. Journal of Accounting Research 60 (1):171-201.
9. Austin, A. A., T. D. Carpenter, M. H. Christ, and C. S. Nielson. 2021. The data analytics journey: Interactions among auditors, managers, regulation, and technology. Contemporary Accounting Research 38 (3):1888-1924.
10. Cao, T., R.-R. Duh, H.-T. Tan, and T. Xu. 2022. Enhancing auditors' reliance on data analytics under inspection risk using fixed and growth mindsets. The Accounting Review 97 (3):131-153.
11. Eulerich, M., A. Sanatizadeh, H. Vakilzadeh, and D. A. Wood. 2024. Is it all hype? Chatgpt's performance and disruptive potential in the accounting and auditing industries. Review of Accounting Studies 29 (3):2318-2349.4
12. Deloitte, Research from Deloitte CFO Signals Q1 2024
13. World Economic Forum, Future of Jobs Report, May 2023