生成式人工智能赋能审计数智化工具转型升级

一、生成式人工智能在审计实践中的应用场景

生成式人工智能具有较强的推理能力、逻辑判断能力和专业学习能力，可以为使用者生成更精炼、更高效、更全面且具有逻辑关系的信息，有效节约了使用者的时间成本，有利于提高审计效率和审计质量。本文认为，生成式人工智能在审计实践中的应用，需要从审计计划阶段、审计实施阶段、审计报告阶段和审计整改阶段这四个阶段探索应用场景，将生成式人工智能运用在审计工作全流程中。

（一）审计计划阶段

审计计划中的项目审计方案是审计人员开展审计项目的行动指南，生成式人工智能可以深度学习审计案例的实施方案，将相关案例进行检索、阅读、分析与归纳，并根据逻辑分析结果归纳参考实施方案的审计目标、审计范围和审计重点等主要内容，形成审计项目实施方案的建议模板，为审计人员提供框架指引与思路指导。

（二）审计实施阶段

大数据技术等其他数智化审计工具只能“被动”协助审计人员进行数据处理，而生成式人工智能凭借其强大的深度学习能力和创造力，可以更为“主动”地协助审计人员开展审计工作。生成式人工智能能够“理解”审计人员输入的指令与数据，自动进行数据处理，减轻了审计人员的工作任务压力。

（三）审计报告阶段

在传统的审计实践中，审计组根据审计工作底稿及相关资料形成审计报告。审计组成员在对自己撰写的审计报告进行审校时，易因思维定式陷入观察者偏见，即观察者在对审计报告这一观察对象形成先入为主的印象后，会不自觉地跳过自己较为熟悉的信息，即便其中可能存在错误。生成式人工智能可以帮助审计人员对相关资料的格式、内容、逻辑等进行复核，提示潜在错误风险，提出修改建议，推动完善审计报告。

（四）审计整改阶段

生成式人工智能可将审计报告中审计发现问题建立整改台账，设立时间节点及时提醒审计人员跟踪整改情况，确保审计整改贯彻落实。生成式人工智能可以利用时间序列，根据整改进度等具体信息，分析预测任务延期风险，提前向整改责任单位、审计人员发送预警通知，更好地推动审计整改高效落实。

二、生成式人工智能赋能审计数智化工具的潜在风险及应对策略

生成式人工智能在推动审计数智化工具转型升级、提升审计效能的同时，也不可避免地带来了新的技术风险和治理挑战。

（一）数据安全风险及应对策略

1.具体风险。

审计人员将被审计单位的相关资料上传至生成式人工智能，要求其对资料进行分析处理的过程，事实上是将相关资料上传至第三方平台，且存储在云端，无法保证资料的安全，存在泄密风险。

2.应对策略。

一是出台治理规范。生成式人工智能在高速发展的同时，所带来的信息安全问题也受到了社会各界的广泛关注。由于已有管理条例无法对新技术新方法进行明确界定，因此亟须更新完善相关管理条例。

二是实现本地化部署。目前，部分生成式人工智能工具已支持进行本地化部署，将AI模型及其有关应用程序部署在相关单位或企业自有服务器或边缘计算节点中的可信执行环境上，取代依托云服务的端口，确保数据不出域、不出境、不用于第三方训练。

三是建立分级风险监管机制。生成式人工智能在审计工作中应用时，可以参考该分类机制对使用行为进行风险分类，列出审计人员的行为风险清单。

（二）内容真实性风险及应对策略

1.具体风险。

生成式人工智能无法准确甄别信息来源，经常引用非官方渠道信息佐证自身观点，审计人员如无法准确识别人工智能产生的信息是否真实有效，可能会影响审计质量和审计结果，从而进一步对生成式人工智能产生信任危机。

2.应对策略。

一是采用提示词工程并加强人工审核。通过提示工程，使用时间锚定法、知识锚定法等方法，要求人工智能根据审计期间的资料对相关提问进行回答，规避人工智能对未来时态的虚构。

二是采用大模型协作。审计人员可以采用双模型交叉验证（Cross-Verification），在使用主模型生成信息后，应用其他大模型进行审查，通过相互监督、交叉验证确保信息真实准确。

三是探索建立人工智能使用记录底稿制度。随着生成式人工智能的发展，在审计工作中可以探索建立人工智能使用记录底稿制度，将与人工智能的对话记录导出作为单独的底稿，并将其中使用在审计底稿和审计报告中的内容进行标记。

（三）信息污染风险及应对策略

1.具体风险。

生成式人工智能通过不断深度学习加强自身能力，需要对大量的数据进行交互和关联性分析，但是其本身不具备识别信息质量、过滤垃圾信息的能力，因此存在大量重复值、缺失值或异常值等问题的低质量的数据源可能导致人工智能出现数据污染的问题，且“垃圾进，垃圾出”（GIGO）的数据分析效应将进一步放大误差、污染数据。

2.应对策略。

一是严格规范内容输入。对大模型输入信息进行约束，禁止审计人员向审计大模型输入海量、低质量的无关信息，在日常使用过程中需要采用较为清晰明确简洁的输入指令。限制将人工智能生成的材料进行二次投喂，防止污染人工智能的训练数据。

二是优化算法的透明度和可解释性。2023年发布的《生成式人工智能服务管理暂行办法》第四条明确指出，提供和使用生成式人工智能服务，应当遵守法律、行政法规，尊重社会公德和伦理道德。

三是进行大模型微调。通过导入审计领域的专业数据对其进行微调，大模型可以深度学习该领域的知识体系和语言模式，有助于生成式人工智能在专业任务上取得更好的性能。

四是引入符合行业监管要求的第三方测评。生成式人工智能的算法偏见是阻碍生成式人工智能赋能审计工作的重大挑战，只有科学识别并修正算法偏见，才能让生成式人工智能真正服务审计工作。

（四）技术依赖风险及应对策略

1.具体风险。

数字技术的普及推动了社会发展，但是也加深了数字成瘾问题。对审计人员而言，生成式人工智能在审计工作中的深度应用可能形成隐性的技术依赖效应，审计人员在认知上与实务中均可能对审计大模型形成依赖心理，对其逐步加深信任进而放松职业怀疑，盲目信任人工智能提供的推断，导致自身职业判断能力和敏感性下降，最终造成自身的专业能力全面退化。

2.应对策略。

一是建立限制使用机制。针对本地化部署的生成式人工智能，设置单个账户每天限次使用的机制，限制审计人员的使用频率，降低审计人员对生成式人工智能的依赖程度。

二是建立不定期模型更新与校准机制。通过每年不定期对本地化部署的审计大模型进行维护升级、调整参数，促使审计人员在无AI辅助环境中完成审计工作，锻炼审计人员审慎进行审计职业判断、独立开展审计工作的基本能力。

节选自《中国内部审计》2026年第8期

作者：王会金 王芮妮 陈曦瑶 王庶权 孙杰琳 武熙怡

单位：南京审计大学

编辑：孙哲

目前200000+人已关注我们，您还等什么？

点击这里立即订阅