收益：
- 能够使用人工智能扫描整个人群，并根据异常规则对可疑记录进行优先级排序
- 能够按照“标记和证明”的原则进行审计，而无需对模型做出判断
- 能够为每个人工智能输出保留审计跟踪（数据、提示、日期、验证者）
也许会计和财务中最敏感的领域是审计：独立验证记录是否准确、完整和合规。人工智能（AI）在这里是一个双管齐下的工具。一方面，它在扫描大数据堆栈中是否存在异常（偏离预期的可疑记录）和检测内部控制漏洞方面非常强大。另一方面，由于审计的性质，人工智能自身的输出也必须受到审计。在本单元中，我们将学习如何使用人工智能作为“审计助手”并维护审计跟踪。
人工智能在内部控制和审计中的作用
内部控制是为防止错误和滥用而建立的一套规则和流程（例如职责分离、批准阈值、对账）。审计检查这些是否有效。人工智能最有效的地方是它可以扫描整个群体，而传统审计涉及抽样（检查数百条记录中的几条）。查看全部 10,000 条记录对于人类来说很困难，但对于模型来说却是可能的。
但关键的区别是：人工智能产生怀疑，而不是判断。 “这个记录看起来不正常”是一个出发点；实际的审计决定和证据收集属于人。
提示：在审核提示时，说“只需指出并证明理由，不要得出结论/判断”。对于模型来说，做出诸如“这是一种违规行为”之类的明确声明既是错误的，也是有风险的；此事将根据您的审查决定。
一步一步：使用 AI 进行异常扫描
- 定义您的规则集。你认为什么不正常？阈值、重复、时间。
- 扫描整个人口。不仅仅是一个样本，而是全部。
- 标记并论证。对每个发现的“为什么可疑”的解释。
- 优先考虑。按风险/影响程度排序。
- 请参阅人工审核。收集证据，做出决定，记录。
弱提示/强提示
弱提示：这些费用是否存在违规行为？ [数据]
这产生的答案要么是“无”，要么产生无法在审计中使用的毫无根据的指控。
强烈提示：您的角色：内部审计助理。任务：根据风险规则扫描以下费用记录。规则：1）金额略低于批准阈值（50,000）（分散怀疑）2）周末或下班后输入的记录3）在短时间内向同一供应商重复类似金额4）回合金额的异常频率输出：记录编号|触发规则 |为什么可疑（1 句话）|优先级（高/中/低）约束：只需标记并证明即可。做出“属于违规行为”之类的判断；这些是人体检查的候选者。仅使用数据中的信息。<records> ... </records>
这个提示；它优先考虑刚好低于批准阈值（“分离”标志）的金额或下班后输入的记录，并为审计员提供清晰的审查列表。
人工智能对审计最大的贡献在于其规模优势。在传统审计中，进行抽样是因为实际上不可能查看所有记录：可能会检查数十万张发票，并将结果推广到整个人群。这意味着样本外部的不规则性被忽略了。另一方面，人工智能可以在几秒钟内将您定义的规则应用于所有数万条记录。因此，审计从“查看几个示例并希望”演变为“扫描每条记录并排除异常”。然而，发现的只是调查的候选者，而不是结论。
审计中常用的异常规则
规则
它表明什么
例子
阈下积累
分裂以避免批准
金额如 49,500、49,800
非工作时间登记
不受控制的进入
周六 23:40 账单
重复付款
双重支付风险
同一张发票，两个文件编号
整数频率
预计/补足金额
正好有 10,000 个
新供应商+更高金额
幽灵供应商风险
第一笔交易200,000
职责分离和权限控制
内部控制的基石之一是职责分离：发起、批准和支付交易的人是不同的。如果同一个人进入、批准并支付发票，那么滥用之门就大开。人工智能可以通过扫描交易记录中的用户信息来发现违反此政策的实例。
扫描以下交易记录中是否存在职责分离违规行为： - 同一用户输入并批准的交易 - 同一用户既批准又发起付款的交易 - 单个人批准的金额高于授权限额 输出：交易编号 |违规类型 |相关用户 |优先级只是指向并证明；列入量刑、复核候选人名单。
这种类型的扫描可以在几秒钟内提取出人眼永远无法捕获的数千行图案。但同样的原则也适用：该模式显示了“违反规则的模式”；由一个人来决定这是一个真正的问题还是一个合法的例外（例如，在小团队中被迫担任双重角色）。
审计追踪义务
如果人工智能输出要用于审计，它必须是可追溯的：什么数据、什么提示、什么模型、什么日期、谁验证了它？如果没有这个记录，打印输出在审计中就没有证据价值。
为此分析准备审核跟踪记录：- 使用的数据源和期间- 应用的提示/规则摘要- 模型输出日期- 人工验证步骤的空白字段（人员、时间、结果） 将其导出为可重复使用的模板。
注意：仅仅因为人工智能说“这个记录没问题”并不能证明那里没有问题。该模型可能错过了一个模式。 “人工智能说干净”并不是审计中的保证；始终记录范围和方法的限制。
迷你箱
情况 1 — 阈下区室。一名内部审计员通过人工智能扫描，在一家审批门槛为 50,000 土耳其里拉的公司中，发现同一部门连续开出三张发票，金额分别为 49,200、49,700、49,500 土耳其里拉。调查显示，一笔 145,000 英镑的购买被分成了三笔，以避免获得批准。控制差距已经缩小。
案例 2 — 幽灵供应商标志。 AI高度重视，第一笔交易就向系统新增供应商支付了200,000 TL。审查表明该供应商是真实的并且是有合同的；警报是假的，但控制装置工作正常。教训：并非每一个迹象都是犯罪，但每一个迹象都应该受到检查。
案例 3 — 无证输出崩溃。一个团队向审核提交了AI异常列表，但没有记录生成该异常列表的提示和数据。外部审计师不接受打印输出作为证据。使用审计跟踪重新运行分析。教训：审计中没有无法监控的输出。
案例 4——违反职责分离。内部控制扫描发现一家小型分行有 37 笔交易，由同一名员工输入、批准并发起发票付款。调查显示，该员工并无恶意，只是因人手不足而担任了这些职务。不过，风险确实存在。该公司通过将付款审批转移到中心来缩小差距。教训：即使没有恶意，控制赤字也是危险的；人工智能发现模式，人类设计解决方案。
常见错误
- 来判断模型。说“这是违规行为”既是错误的，也是有风险的；只需标记它即可。
- “AI 说它是干净的”保证。可能是模型漏掉了；干净的结果并不能证明。
- 不保留审计跟踪。如果没有记录数据、提示、日期和验证者，则输出将不能作为证据。
- 认为每一个迹象都是犯罪。该异常是待调查的候选者；证据决定决定。
- 没有记录范围。应写出扫描了哪些记录以及方法的限制。
综上所述
- 人工智能在审计中通过扫描整个人群来发现异常现象的能力非常强大；超出了采样范围。
- 该模型产生怀疑，而不是判断；将其与“仅指向并证明”规则一起使用。
- 应提前定义异常规则（低于阈值积压、非工作时间注册、重复付款）。
- 必须为每个人工智能输出保留审计跟踪（数据、提示、日期、验证器）；无法追踪的输出不是证据。
- “AI说干净”并不是保证；始终记录范围和方法的限制。
应用任务
准备30-50行的费用记录；故意细分并重复付款。使用强大的提示模板进行异常扫描，并检查模型是否捕获陷阱并确定陷阱的优先级。然后填写审计跟踪模板并将调查结果列为“审查候选者”（不进行判断）。
清单
- [ ] 我已经预定义了异常规则（阈值、计时、重复）。
- [ ] 我扫描了整个人群，我并没有停止抽样。
- [ ] 我阻止模型做出判断；我只是将其标记并证明合理。
- [ ] 我为每个发现记录了审计跟踪（数据、提示、日期）。
- [ ] 我将那些标记为“审查候选者”的内容留给人类判断。
- [ ] 我记录了扫描的范围和该方法的局限性。