AI重塑审计：探索人工智能驱动下的行业变革之路

AI重塑审计：探索人工智能驱动下的行业变革之路

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。本文深入探讨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。

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。存在研究表明，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。

解码AI的力量：应用场景中的变革之旅

信息处理与标准化

在传统会计实践中，会计师通常需要进行大量的信息检索，从海量搜索结果中筛选出相关内容，用于对标竞争对手或确认会计准则及审计方法。这一过程高度依赖会计师的专业知识与经验，以支持其做出准确的判断并提炼出有价值的洞见。

AI的引入彻底革新了会计师获取信息和知识的方式。通过整合行业专业知识、监管标准、政策指南以及企业特定的审计方法，审计师能够为企业构建专属的知识图谱（knowledge graph）。这些知识图谱作为企业信息的核心数据库，借助大型语言模型（Large Language Models，LLMs）的强大能力，成为专业人士的“智慧大脑”。这种自然语言问答功能极大缩短了从提出问题到获得答案的路径，显著减少信息检索时间，使专业人士能够将更多精力集中于高价值的判断与分析任务。

生成式AI革新了会计师与信息交互的方式。传统上，数据通常被划分为结构化数据（如在线表格和银行对账单）和非结构化内容（如收据和合同）。处理这些数据通常需要依赖多种工具，并常常面临结构化数据质量参差不齐和非结构化数据难以批量处理等多种挑战。

生成式AI通过先进的技术手段弥合了不同数据类型之间的鸿沟。其卓越的能力能够以前所未有的效率提取关键信息并挖掘潜在事实。例如，AI可以针对不同数据样本应用个性化的预处理方法，并通过字符串标准化、噪声去除等操作，自动优化低质量文本。此外，生成式AI还在数据对账过程中表现出显著优势。例如，在匹配贷款组合与对应的还款等相关数据时，AI能够确保还款流水信息与贷款协议的高度一致，加速处理流程并提升交易记录的端到端准确性，确保结果与法律合同的要求相符。

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。

信息整合

最后，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。

此外，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。

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。

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。首先，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。此外，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，也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。

另一个关键障碍是员工对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%。

数据隐私问题同样对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。

此外，监管机构对AI技术的谨慎态度也是一项重要制约因素。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，这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。

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？

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。

会计师和审计师应如何重新学习和提升技能？

首先，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。

其次，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。

最后，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。

注：

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. Fan Zhou, Zengzhi Wang, Qian Liu, Junlong Li, PengFei Liu. 2024. Programming Every Example: Lifting Pre-training Data Quality Like Experts at Scale, Working Paper, Available from https://arxiv.org/abs/2409.17115.

5. Bloomberg, “Citi used generative AI to read 1,089 pages of new capital rules”, Oct 2023.

6. 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 (ABFER). Available from https://www.abfer.org/component/edocman/main-annual-conference/pattern-recognition-and-anomaly-detection-in-bookkeeping-data.

7. 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.

8. Bertomeu, J., E. Cheynel, E. Floyd, and W. Pan. 2021. Using machine learning to detect misstatements. Review of Accounting Studies 26 (2):468-519.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. Deloitte, Research from Deloitte CFO Signals Q1 2024

15. World Economic Forum, Future of Jobs Report, May 2023

本文原文来自德勤