审计Ai应用?
审计领域的Ai应用不应停留在账表转化的统计层面,其核心难点在于将风险识别与职业判断标准化为可执行的开发逻辑。大型事务所因实务方法论沉淀深厚而转型困难,中小事务所决策链短却缺少标准维护能力;若仅将Ai用于自动制表而脱离业务事实判断,反而可能放大审计风险。
我是一个既不懂python、java、C语言,也不懂Ai大模型的门外汉...以下内容仅为个人观点...
在讨论这个话题之前,先要明确两件事,审计是做什么的?以及在这样的逻辑下,Ai的作用是什么?
首先,没有必要过多的去讨论准则,因为都是白字黑色,长篇大论的讨论何为审计,其实最终都是车轱辘话...而且就我微不足道的经验而言,可能并没有搞明白审计的本质是什么...换个一话题,审计的底稿应该长成什么样,或者Ai究竟在作业层面能如何支持我们的工作?其实,形式并不是核心矛盾,因为审计的工作本身就是千变万化的,模板本身就是一个伪命题,如果认为某一套模板或者某一套固定模式可以包打天下,那这个东西大概率和审计没啥关系...而基于固定模板生成的固定化输出流程,对于审计工作的开展非常重要,但是将账表、企业资料转化为主表、明细表,至多只能算是统计工具,而且这种形式十几年前就有,和Ai没球关系...
很多时候,新入职的员工觉得审计不好干、没意思,一方面是因为在学校并没有接受过系统性的数据处理教育,就导致理论基础和实务应用产生了脱节,另一方面,数据处理是遵循一定的编制规律,当掌握具体编制规律后,重复作业对于员工个人能力的成长收益无限趋近于0,只是在单纯的增加作业的熟练度,并没有真正的引入审计工作的基本概念,即风险识别和风险应对。
大型事务所之所以推进审计的Ai应用陷入困境,并不是因为事务所不具备相应的能力,相反的,正是因为大型事务所在数十年的发展中,产生了大量的实务应用经验及审计方法论,如何将一个事务所的作业模式沉淀为真正的审计应用才是真正的难点,当然,我相信难并不等同于不可能,事务所也好、企业也好,Ai应用是在新的生产关系下,去重新进行生产组织,这个探索的过程绝对不是一蹴而就的,毕竟用机器去处理数学逻辑,和用机器去替代人去执行判断,是两个完全不同的命题,并不是说那个命题是更高大上的,而是首先要搞清楚,做一套解决统计工作的“审计”软件,和做一套符合审计逻辑,可以准确进行职业判断并执行恰当的审计应对的“审计”软件,是不同的。如果简单的把减少账表转化的非必要工作时间、输出一系列的表格等同于是自动化审计作业,我个人理解这对使用者来说本身是一种误导。
审计是一项逻辑清晰但变量复杂的职业工作,其工作的起点并不是取数、制表,而是承接阶段和计划阶段的风险识别,审计的对象本质上是被审计单位的业务,当然,财务是业务的量化结果,单纯围绕着账表生成的表单有助于审计执行阶段的工作开展,但审计更多依赖的是账表表单背后的业务事实,脱离了这些支撑性依据,只会适得其反,甚至客观的讲,如果不去探究这些事实,仅为底稿合理而合理,导入Ai甚至会把风险放大,而不是将风险降到可接受的低水平。
那么问题的本身到底在那?就我粗浅的理解,问题的本质是难以将风险识别的动作标准化,举个很简单的例子,比如流水核查,Ai在标准清晰的情况下,是完全可以胜任的,但胜任的前提是标准满足风险导向的基本需求,在执行审计软件也好、审计Ai应用的开发过程中,往往会用数字逻辑去代替业务逻辑,账面的流水发生额和银行的对账单核对一致了,就认为流水核查已经完成了,但是如下的这些事项是否需要考虑那:账载单位与对账单单位是否一致、是否存在支付客户货款或收取供应商资金的情形、是否存在收取大额款项在期后退回的情形、是否存在频繁的现金收支情形等?
再举一个例子,比如项目或被审计单位具体经营业务的固有风险评估,固有风险的高低其实本身就是一个比较模糊的范畴,即便审计准则给出了一些判断标准,但是仍然存在很强的主观性,所以在事务所风险评估过程中,如果要融入Ai的自动化判断,就需要将标准和边界进行明确,比如房地产行业、城投债,默认的固有风险可能是高,但难的地方并不是标记了高以后让Ai去下推后续流程,难得是如何能保证对于事务所的主要客户、新承接客户可以设置一致性的标准...
在这个标准的设置过程中一定是少数人代表的,因为人的介入,只会把问题越高越复杂,所以决策不能依赖于广泛的集体决策,就像让10个硬币同时字面朝上,这个概率趋近于0。因此,又会回到前面提到的,少数人是否具备必要的敏感性,以及少数人是否有足够的权限去快速进行跟进调整。在这点上,中小型事务所相对于大型事务所而言,因为决策链条短,在决策周期上会有先天优势,但是因为缺少必要的知识沉淀,甚至未设置标准部门去更新维护,就导致在作业标准质量上也存在先天性的不足。
当然,可能有人会说我不懂中小所的业务模式,但是我想讨论的是审计应该如何做?至于放弃审计逻辑,为了凑一套底稿拿来出报告,这本身就没有讨论的必要性,因为这样的底稿并不能称之为审计底稿。
审计底稿的灵魂永远不是那些满是数字和文字的表格,而是针对这些表格,在保持职业怀疑的基础上,进行风险识别和风险应对工作的记录,在Ai应用前,事务所的作业模式本身就存在一定的滞后性,之所以这样讲,是因为绝大多数的作业人员没得选,在缺乏必要组织的情况下,只能沿着前期的底稿或类似的底稿照葫芦画瓢,而这些底稿一定是滞后于现有的信息技术的。
10年前,取得主要客户供应商的工商信息是一件非常困难的工作,因为没有联网的公开信息;时至今日,主要客户供应商的工商信息已经变成了一件易于取得的外部资料,那与执行对应的检查要求也随之而来,往来单位的设立时间、注册资本与交易规模的匹配性、购销业务的产品或服务与其经营范围是否相符、客户供应商是否存在临近地址、相同联系电话、联系方式等表明可能存在潜在关联关系的情形,都并不难执行,而且这些任务都可以交给Ai去执行,但问题是,开发的时候,“少数人”是否能考虑到这些要素?如果这些要素发生了缺失,进而导致了审计失败的案例,那问题究竟是出在“审计Ai软件”上,还是出在“少数人”身上,答案不言而喻。
Ai在审计作业的应用中,已经可以实打实的解决非常多应用场景的具体问题,但是离实现审计逻辑,仍然有非常远的路要走,审计的作业就像生产一台汽车,在生产的过程中可能有可依赖的模具,也可能完全需要进行重新定义,而Ai在这个过程中就是在协助人去打破知识整理、标准规范与批量化执行的边界,将审计责任还给会计师事务所。
然而普遍性上的开发原则还是遵循将原有的工作方式让Ai进行复现,这个路径本身是没有问题的,但是这个过程会存在一个很明显的问题,即人的作业方式和Ai的作业方式不尽然相同。
为什么?因为Ai需要的是一个清晰的可执行的逻辑,在缺少必要逻辑时,开发就难以推进,无论是Ai应用之前还是Ai应用之后,普遍存在的矛盾是应用的需求者不理解Ai的运行模式,应用的开发者又不具备需求者的专业经验...以事务所为例,合伙人是Ai应用开发的主要需求者,无论是降本、增效还是控制风险,但是合伙人的开发指令往往是很模糊的,比如“提升底稿编制质量”、“增加风险应对措施”,这类的描述是不能通过自然语言简单地通过Ai实现的,因为没有标准...就像前两天写过的文章,“我喜欢吃软一点的面”,这句话对于人来说是易于理解的,无外乎多煮一会儿,但是如果交给机器,就需要对“软”的加工方法进行明确,比如100度的水煮2分30秒...
所以如果要把Ai的作用发挥到最大化,首先要找到适合Ai去运行的场景,这些场景可能占一项审计工作80%的任务,也可能只占5%,但无论是哪一种,只要Ai可以运行,就能在一定程度上实现作业模式的优化和变更。不过,就像前面反复提及的,如果认为将账表导入到表里,就完成了审计底稿,就能出审计报告了,这只能叫抄数软件,不能叫审计软件,即便加了Ai的技术,也与审计无关。
做一个满足审计需求的Ai应用,是一项庞大的系统工程,开发的过程依赖于对行业、审计业务的认知水平,依赖于是否可制定满足Ai应用条件的开发形式,依赖于是否可以准确识别满足现有技术水平的开发场景、依赖于是否可以清晰界定统计、会计和审计责任,依赖于事务所是否坚定的决心去进行变革...
任何实践都是有意义的,无论是站在谁的角度去发现对方的不足,本质上都是在为新技术的应用做推广,无论这些实践是有很多人在用,抑或是无人问津,行业需要保持着创新、谨慎和严肃的态度去探索新路径的人员,无关那个事务所、无关什么出身...
不_与夏虫语冰_,不与井蛙语海,不与凡夫语道...
来源:田川不是四川 · 微信 · mp.weixin.qq.com