Анализ внедрения ИИ в аудиторской практике: ключевые выводы и проблемы

29/10/2025

0 3 minutes read

Введение

Интеграция искусственного интеллекта является одним из наиболее значимых трендов, определяющих развитие глобальной экономики и профессиональных услуг. Аудиторская деятельность, традиционно основанная на анализе больших объемов данных и профессиональном суждении, представляет собой плодородную почву для применения ИИ. Однако, несмотря на значительный потенциал, фактическое проникновение ИИ в аудиторские процессы остается неравномерным и сопряжено с рядом системных трудностей. В недавнем исследовании «Проблемы и возможности искусственного интеллекта в аудите: данные из практики» (Julia Kokina, Shay Blanchette, Thomas H. Davenport, Dessislava Pachamanova) авторы проанализировали текущее состояние и выявили основные барьеры на пути к полной реализации потенциала ИИ в аудите.

Методологическая основа

Анализ базируется на данных качественного исследования, в рамках которого было проведено 22 полуструктурированных интервью с опытными профессионалами из крупнейших международных аудиторских фирм, включая компании «Большой четверки». Средний профессиональный опыт респондентов составил 20,5 лет, что обеспечивает высокий уровень глубины и достоверности полученной информации о практических аспектах технологической трансформации.

Основные результаты внедрения ИИ

1. Дихотомия между «простым» и «сложным» ИИ

Ключевым выводом исследования является выраженная дихотомия в уровне принятия различных типов ИИ. Технологии, условно относимые к категории «простого ИИ», получили широкое распространение. К ним относятся инструменты оптического распознавания символов (OCR) и алгоритмы для извлечения структурированных данных из документов (например, счетов-фактур, договоров). Эти решения успешно автоматизируют рутинные, трудоемкие задачи.

В то же время, «сложный ИИ», включающий системы глубокого обучения (deep learning), нейронные сети и генеративные модели, находится преимущественно на стадии пилотного тестирования или экспериментальной разработки. Его применение для выполнения критических аудиторских задач пока ограничено из-за сложности, недостаточной интерпретируемости и высоких рисков.

2. Ограниченная роль роботизированной автоматизации процессов (RPA)

Исследование показывает, что, вопреки ожиданиям, RPA находит основное применение не в выполнении содержательных аудиторских процедур, а в автоматизации вспомогательных административных процессов. Это связано с тем, что многие аудиторские задачи требуют когнитивной гибкости и профессионального суждения, которые выходят за рамки возможностей стандартных RPA-ботов, оперирующих на основе жестко заданных правил.

3. Успешное применение технологий обработки естественного языка (NLP)

Наиболее значительный прогресс достигнут в области применения NLP. Данные технологии эффективно используются для анализа неструктурированных текстовых данных. Примеры включают:

Анализ договоров аренды для проверки соответствия стандарту IFRS 16.
Изучение документации по системам внутреннего контроля для идентификации ключевых контрольных процедур и ответственных лиц (с точностью распознавания до 98%).
Выявление формулировок с высоким уровнем риска в годовой финансовой отчетности и пояснениях к ней.

Фундаментальные проблемы и барьеры

Несмотря на достигнутые успехи, полномасштабному внедрению ИИ препятствует ряд фундаментальных проблем:

Прозрачность и объяснимость (Explainability). Проблема «черного ящика» является главным препятствием, особенно для сложных моделей машинного обучения. Аудитор должен быть в состоянии объяснить и доказать регулятору и заинтересованным сторонам, на каком основании ИИ-система пришла к тому или иному выводу.
Предвзятость данных и алгоритмов (AI Bias). Существует риск, что ИИ-модели, обученные на исторических данных, могут воспроизводить и усиливать существующие в них скрытые погрешности, что приведет к систематическим ошибкам в аудиторских выводах.
Конфиденциальность и безопасность данных: Для обучения эффективных моделей требуются огромные массивы данных, зачастую содержащих конфиденциальную информацию клиентов. Обеспечение безопасности этих данных и соблюдение нормативных требований является критически важной задачей.
Надежность и стабильность систем. Аудиторские фирмы выражают обеспокоенность по поводу динамического обучения моделей. Система, которая постоянно изменяется, не может гарантировать воспроизводимость результатов, что является краеугольным камнем аудиторской проверки. По этой причине в действующих системах функция динамического обучения намеренно отключается.
Риск чрезмерного доверия и эрозия профессионального скептицизма. Автоматизация принятия решений может привести к снижению критического мышления у аудиторов и необоснованному доверию к результатам работы ИИ, что подрывает основы профессии.
Регуляторное отставание. Отсутствие четких стандартов и руководств со стороны регулирующих органов (таких как PCAOB или IAASB) по вопросам применения ИИ в аудите создает правовую неопределенность и сдерживает инновации.

Эволюция аудиторских подходов: «Аудит вокруг ИИ»

Ввиду указанных проблем, доминирующим подходом на сегодняшний день является не «аудит через ИИ» (проверка логики и кода алгоритма), а «аудит вокруг ИИ». Этот подход, аналогичный тому, что применялся на заре компьютеризации, предполагает, что аудиторы фокусируются на проверке входящих данных, используемых моделью, и тщательном тестировании и верификации исходящих результатов, не углубляясь в анализ самого алгоритма.

Заключение

Исследование убедительно демонстрирует, что внедрение искусственного интеллекта в аудит находится на начальном, но динамичном этапе. Процесс характеризуется прагматичным подходом: широкое принятие простых и надежных инструментов автоматизации соседствует с крайне осторожным и экспериментальным использованием сложных ИИ-систем.

Ключевыми выводами являются фиксация технологического разрыва между простым и сложным ИИ, а также идентификация фундаментальных барьеров, таких как проблема объяснимости, риск предвзятости и отсутствие регуляторной базы. Дальнейший прогресс будет зависеть не только от технологического совершенствования ИИ, но и от разработки новых аудиторских стандартов, методологий управления рисками и программ повышения квалификации аудиторов. Трансформация аудиторской профессии под влиянием ИИ неизбежна, однако ее темпы и характер будут определяться способностью отрасли найти эффективные ответы на существующие вызовы.