会计师事务所的AI转型:从作业模式到审计工作流重构
会计师事务所的 AI 转型:从作业模式到审计工作流重构
会计师事务所的AI转型不能停留在原有作业环节中增加模型调用,而需按职业判断边界重构工作流。作者以重复度与不确定性为维度划分四类开发场景,主张由少量精锐团队设计作业逻辑、将分散作业点连成可追溯的作业线,文中以抽凭为例拆解数据准备、规则处理、异常分流、人工判断、证据留痕、复核反馈六个阶段的流程化改造路径。
\- - 又两个月没更新了...聊一下近期的想法...纯属个人观点...
AI可能是最近一年里会计师事务所讨论最热门的话题之一。从文件整理、准则检索、底稿初稿,到凭证识别、合同抽取、数据比对,可供演示的应用越来越多...当然,也有一些披着Ai的应用...个人理解上现阶段部分实践并没有摆脱原有的作业关系,只是在其中增加模型调用,希望借此提高单个环节的处理速度。这样的尝试能够产生效率,但很难自然沉淀为新的作业能力。
AI 带来的变化源于生产力进步,也会逐步改变事务所组织和完成专业工作的方式。它影响底稿编制速度,更会重塑审计证据的流动、职业判断的表达、异常事项的处理和复核对作业过程的追溯,但现有的开发模式可能会让事务所在Ai转型上面临一定的困局。
一、原有作业结构容易把 AI 放到错误的位置
传统作业模式下依靠专业经验、项目组协作、底稿记录和逐级复核完成工作。这套方式适应了审计现场信息不完整、客户差异显著、职业判断密集的特点,同时也留下一个长期问题:项目结束后,底稿和结论能够归档,结论形成过程中的判断路径却很少得到完整表达。大量经验仍存在于项目经理的头脑、复核意见、临时沟通和补充程序中。
这种结构会直接影响 AI 的应用位置。项目组经常从某个耗时环节出发,希望模型直接回答:是否存在舞弊特征,应当抽取哪些样本,是否需要扩大程序。表面上节省了现场判断时间,实际上绕过了审计工作中最关键的链条——风险如何被识别,风险与业务实质如何对应,进一步程序如何回应风险。
举例来说,收入确认的假定舞弊风险能够说明这一问题。面对收入风险,单纯增加样本通常无法构成有针对性的应对。样本数量增加,可能覆盖更多交易,却未必更加接近风险来源。审计人员需要先理解客户所处行业、交易链条、结算方式、交付方式和收入确认模式,再据此定义可能的风险标识。
物流周期异常、新增重大客户但设立时间较短、期末集中确认收入、客户与供应商存在异常关联、交易与回款节奏明显不匹配,都可能成为进一步分析的线索。风险标识会随行业和业务模式变化:制造业需要关注生产、出库和物流链条,平台业务可能更依赖订单、结算和退款数据,长期服务合同则涉及履约进度和验收条件。脱离业务环境的一套通用“舞弊特征”,很难提供稳定的审计指向。
风险识别准确以后,进一步程序才有设计基础。审计人员可以据此检查合同条款、追踪物流或服务交付证据、关注期后回款、调查客户背景、实施截止性测试,或围绕异常交易扩展核验范围。每一项程序都应与具体风险形成对应关系。
缺少这层作业思维时,AI 即使生成一份“疑似舞弊交易清单”,项目组也难以判断清单的审计含义,更难说明后续程序。模型可以提取信息、发现规则内异常、聚合风险线索、排列核查优先级,其输出仍属于需要验证的中间结果。审计证据应当建立在可验证的原始资料和已实施的审计程序之上。将未经核验的模型产出直接写入底稿或据此形成结论,会造成证据链断裂,留下难以弥补的应用缺陷。
原有结构的另一项局限,在于它鼓励项目层面的即时解决(这种模式下作业人员更倾向于利用Ai得到“合理”的解释,而不是风险的识别与应对),却不利于形成事务所共同的作业逻辑。不同项目对风险的判断本来就会存在差异;如果判断条件、风险标识和程序选择无法被说明、比较和积累,这些差异便很难转化为 AI 可以调用的方法论。模型最终接收到的是一批彼此不同的项目结果,而非一套能够界定方向与边界的审计逻辑。
建立新的作业逻辑,最难跨越的现实往往在人这一侧。资深人员需要将隐性经验拆开、说清并接受检验;项目团队需要把“惯常做法”转化为可讨论的风险特征和程序规则;不同项目、不同层级的人员还要围绕共同的审计语言协作。AI 能够加速资料处理,却无法代替事务所完成专业共识的建设。
二、先建立职业判断的“围墙”
事务所执业涉及大量职业判断,包括风险评估、重要性水平、样本设计、异常性质认定、替代程序选择、错报评价和审计结论。标准与方法论不够健全,或尚未在项目层面被转化为可执行要求时,AI 就缺少稳定的运行边界。
审计场景中的幻觉、错判和越界,很多时候还牵涉方法论与边界定义。模型进入一个连人工判断依据都没有被充分说明的区域,自然难以给出稳定结果。工具投入应用前,事务所应当明确它可以提供何种信息或建议、依据什么形成、哪些事项需要人工介入、哪些结论不得由模型直接生成。
这构成了职业判断的“围墙”。围墙并非排斥 AI,它用于划定可控范围,使模型在边界内发挥稳定作用。
1\. 将原则转化为可执行的方法
准则提供原则,方法论需要进一步转化为场景化要求。针对拟引入 AI 的程序,应明确审计目的、适用前提、数据要求、判断规则、例外类型和人工介入条件。缺少这些内容时,模型输出更接近语言概率的补全,不可避免会发生幻觉的问题,即难以构成可靠的专业辅助。
以抽凭为例,“核验凭证及相关支持文件”,是一句符合审计作业的表述,但并不足以直接构成 AI 任务。还需要明确交易类型、支持文件范围、关键字段的勾稽要求、可解释差异范围、高风险信号及资料缺失后的处理方式。任务拆解到这一程度,AI 才能参与事实识别和规则执行。
2\. 区分事实识别与审计判断
AI 适合承担事实提取、文本归类、字段比对、异常提示和信息汇总。缺乏明确规则时,模型不宜跨越事实层,直接给出带有审计结论意味的判断。
例如,AI 可以识别发票日期晚于约定发货期、物流单数量与发票数量不一致、回款账户名称存在差异,并将这些事项列入异常清单。至于是否构成收入确认错报、是否需要扩大样本、能否接受管理层解释,仍取决于审计目的、交易实质和项目具体情况,需要由具备相应能力的人员分析。
3\. 设置人工介入与升级门槛
审计团队的金字塔结构决定了,多数中初级作业人员尚未形成成熟的职业判断能力。他们能够遵循程序、整理资料、执行明确的核验步骤,却未必能够识别工具建议何时越界,也难以判断表面合理的结论是否缺乏足够证据。
若将一个表达流畅的开放式 AI 直接交给中初级人员,又缺少使用范围、升级条件和复核要求,风险可能超过收益。使用者容易因回答“像专业人士”而放松验证,也容易把模型建议误作工作结论。
因此,应用设计需要明确三类边界:中初级人员可在规则内使用的任务;需要具备职业判断能力的人员发起或确认的任务;出现特定异常后必须停止自动处理并升级分析的情形。清晰的边界既保护审计质量,也避免项目人员进入超出其专业能力的判断区域。
三、由少数精锐构建作业逻辑,形成新的关键角色
职业判断原本由人处理。项目判断来自不同层级、不同经验和不同客户背景,天然带有变量。事务所无需追求所有项目得出完全相同的结论,需要形成共识的是判断方向:风险从何处识别,哪些事实构成风险标识,某类风险通常对应哪些程序,何时需要升级为更深入的专业分析。
当过多人员同时参与底层作业逻辑的定义,每个人都会带入自身经验、惯用程序和项目偏好,标准容易停留在宽泛原则上。人工团队可以通过沟通和资深人员复核填补模糊空间,但模型执行时却必须作出明确取舍。规则冲突、例外无边界、同类情形对应多种处理路径,都会降低模型输出的稳定性。
因此,开发和维护作业逻辑更适合由少量精锐人员承担。这个群体需要具备足够的审计经验,理解行业和业务模式差异,也能够把经验拆解为风险特征、判断边界、程序选择和例外机制。项目组和广大作业人员仍然承担场景发现、案例提供、使用验证和反馈改进的作用;底层标准、开发优先级和共性逻辑则由精锐团队统筹。这样既保留一线经验,也避免把分散的项目偏好直接写入系统。
全体人员共同构建底层逻辑,常见结果是在各自的作业方式上增加一个 AI 工具。少量专业人员完成逻辑设计,全体人员在清晰边界内使用并反馈,才有机会推动作业方式发生实质变化。
这里需要指明,Ai由少量人员开发并不是为了建立一言堂,而是构建一个符合运行条件的基础框架,在框架可运行的前提下,再由具体业务人员进行细化和定制化调整。这样的模式规避了“众口难调“的客观困难,让作业人员先应用,后迭代,进而形成体系化的作业模式。
四、以“重复度×不确定性”选择开发场景
当前技术条件下,事务所可以从两个维度判断 AI 场景:重复度与不确定性。
- 重复度:工作是否在不同客户、项目和期间反复出现,输入、处理步骤和输出是否具有稳定共性。
- 不确定性:工作在多大程度上依赖职业判断、交易实质、客户背景和现场情形,也就是能否事先用规则、方法论和数据边界加以限定。
由此可以形成四类场景:
| 场景类型 | 主要特征 | 当前建议 |
| --- | --- | --- |
| 高重复度、低不确定性 | 输入较稳定、规则清晰、结果易验证 | 优先开发,并推动规模化应用 |
| 高重复度、高不确定性 | 高频出现,同时涉及较多职业判断或复杂例外 | 先补齐方法论和异常分流,再开展有限辅助 |
| 低重复度、低不确定性 | 个案不多,规则相对清楚 | 视投入产出采用轻量工具 |
| 低重复度、高不确定性 | 个案性强、判断密集、边界难以预设 | 暂不作为重点开发方向 |
高重复度、低不确定性,是现阶段最适合投入开发的区域,例如凭证及附件分类归集、特定字段一致性校验、银行流水与账面记录初步匹配、合同关键条款提取、函证回函要素比对。这类工作仍有风险,但可以通过数据要求、规则配置和抽查验证进行管理。
高重复度、高不确定性的场景需要更谨慎地推进。异常交易识别、收入截止测试中的复杂差异分析、关联方判断等,往往正是业务人员最希望由 AI 解决的问题。职业判断边界尚未通过方法论明确时,过早追求自动结论,只会把本应讨论的判断问题包装成技术结果。AI 在此类场景中可先承担信息汇总、线索提示和初步分层。
项目组最了解现场痛点,却不宜独自决定事务所层面的开发方向。项目通常时间紧、任务具体、客户差异大,最迫切的问题常常也是最复杂、最依赖经验的环节,容易落入低重复度、高不确定性区域。若开发资源持续追逐项目即时痛点,往往会出现周期长、资料差异大、规则难复用、输出难验证的问题。
项目组应当持续发现和验证场景;场景优先级需要在跨项目、跨行业和跨期间的尺度上统筹,优先选择能够形成共性规则、稳定数据和可复用流程的工作单元。
五、以抽凭为例:把作业点连接为可追溯的作业线
传统抽凭通常包括:根据风险评估和审计目标确定总体与样本策略;检查总体完整性并进行分层;抽取样本;调取凭证、合同、发票、物流单、银行流水等材料;核验资料间的勾稽关系;识别和调查异常;记录程序、证据和结论;接受复核并补充程序。
若沿用旧作业方式,AI 应用很容易被简化为自动抽凭、自动匹配附件、自动生成底稿。附件识别、字段提取、初步匹配和文字整理确实能够提高效率,但它们只覆盖链条中的局部环节。模型无法仅凭一组文件可靠判断总体是否完整、样本是否适当、异常是否具有审计意义,或是否需要调整进一步程序。
抽凭是一项围绕审计目标形成证据的工作。缺少清晰的审计目的和异常边界时,AI 即使匹配了大量材料,也可能只完成一次与审计结论关联有限的整理。
(一)先定义作业点
抽凭的工程化改造可以从以下作业点开始:
- 1.总体数据是否完整,字段是否满足分层和抽样需要;
- 2.凭证及附件是否可识别、可分类、可关联;
- 3.合同、发票、出入库、回款等文件之间,哪些字段需要勾稽;
- 4.金额、日期、交易对手、审批、数量等不一致情形中,哪些属于规则可识别的异常;
- 5.哪些异常需要补充资料,哪些需要升级至具备职业判断能力的人员分析;
- 6.最终底稿如何保留原始证据、处理过程、规则版本和人工结论。
这些点定义清楚后,AI 可以批量识别附件类别、提取关键字段、完成规则内勾稽、排序并提示异常。审计师则基于风险评估确定样本策略,分析异常的审计意义,决定是否扩大程序并形成结论。
(二)再形成完整作业线
一条可验证、可复核的抽凭作业线,可以划分为六个阶段:
- 1.数据准备:取得总体并完成完整性、格式和质量检查;条件不满足的数据不直接用于抽样和分析。
- 2.规则处理:按照既定审计目标和规则完成分层、匹配、字段比对和异常标记。
- 3.异常分流:区分缺失资料、规则不一致、需要业务解释和需要职业判断的事项,使不同异常进入相应处理路径。
- 4.人工判断:审计师对样本策略、重大异常、替代程序和审计结论作出判断,模型建议作为信息输入。
- 5.证据留痕:保留原始资料、提取结果、适用规则、异常处理记录和人工结论,使复核可以还原作业过程。
- 6.复核反馈:将误报、漏报和特殊情形反馈到规则和方法论中,持续改进后续处理。
这条作业线跑通后,抽凭将从项目成员在 Excel、文件夹和底稿之间切换的经验性工作,转化为由审计逻辑约束、数据和规则支撑、人工判断把关的协同流程。
六、从点到线再到面
限制事务所Ai转型的并不是不愿意调整作业模式,而是作业模式固化,在变革的过程重实际上是生产力进步导致的生产关系变化,这就要求在承接、执行、质控等各维度需要调整切入点,最终的目标是将多个符合审计作业逻辑的点,连成线,进而打通整个作业模式的面,而不是将原有的作业模式Ai化。如前所述,审计实务中存在信息不完整、客户差异显著、职业判断密集的特点,这样的特殊性就导致自上而下,大体系的Ai建设势必难以执行...并不是缺少足够的经验数据、管理方式和作业逻辑,而是这些内容难以形成Ai可运行的工程化结构。
就好比泡方便面,有人先放调料后倒水,有人先倒水后放调料...有用注会书压泡面的,就有用手机压的...有喜欢泡三分钟的,也有喜欢泡五分钟的,所以...这就回归到了一个本质的问题,如果让一个机器去泡面,是选择灵活适配,还是尽可能固化标准,减少变量导致的不确定性?答案显然是后者....这也是Ai开发更接近工程化思维,当然是在符合审计作业流程的框架下执行...所以,在面对一个全新的范畴时,逐点击破可能要远好于拉开阵仗,盲目送人头(损失效率)...
第一阶段:选点
建立统一的场景筛选机制,以重复度、不确定性、数据可得性、结果可验证性和跨项目复用价值为标准排序。优先启动规则明确、结果可核验、能够在多个项目重复使用的场景。试点开始前,应写清审计目的、输入资料、适用规则、输出形式、异常类型、人工介入条件和留痕要求。这个过程也能反向检验现有方法论是否足够清晰。
第二阶段:连线
将分散的作业点连接为连续工作流,使风险识别、程序执行、异常分流、人工判断、证据留痕和复核反馈能够前后衔接。这个阶段的重点在于统一基础语言:什么是总体,什么是异常,什么构成有效支持,何时需要人工介入,哪些过程必须保留。缺少共同语言,单点能力无法形成稳定作业线。
第三阶段:铺面
多个高价值工作单元得到验证,并形成稳定的作业线后,事务所可以将这些能力拓展到不同业务循环、项目类型和客户场景。共享的数据标准、规则组件、异常机制和系统能力会逐步构成新的作业基础设施。
审计中始终存在低重复度、高不确定性、判断密集的部分,需要由具备专业能力的人处理。成熟的 AI 作业模式能够减少机械整理、重复核对和低价值检索,使职业判断回到风险识别、异常调查和审计结论等关键环节。
结语:围墙、道路与规模
会计师事务所的 AI 转型是一场作业模式重构,生产关系在生产力进步的大前提下已经发生了不可逆的转变,在新的模式下,需要思考的不应仅仅是如何做一个Ai工具,而是如何快速调整岗位职责和工作的组织形式。既有方法论、工作关系和数据基础尚未准备好承接新的生产力时,单纯增加工具很难产生预期效果。
无论是知识库抑或是作业标准,为 AI 建立围墙才能在合理的范畴内有效的提高效率;利用重复度与不确定性的场景矩阵选择作业点;由少数精锐和新的关键角色完成逻辑设计;通过业务嵌入与共享能力连接现场和标准;随后把作业点连接成线,再将成熟能力拓展为面。
一开始就追求自动生成底稿或自动判断审计结论,容易进入最复杂、最不确定的区域,投入与成果也难以匹配。以审计逻辑为边界、以职业判断为约束、以可复用工作单元为起点,AI 才能逐步从局部提效工具转化为支撑事务所作业能力的新生产力。
有的没的胡写了一些...上面聊的很多是对模式的想法,等有时间了再写写工程化的问题吧...比起大写作业变更,对于具体应用场景而言,如何变成一名产品经理,可能才是作业人员最头疼的事情....
来源:田川不是四川 · 微信 · mp.weixin.qq.com