引言

在经济数字化转型与一体化发展的浪潮下，企业交易规模呈爆发式增长，业财数据复杂性急剧上升。传统线性、事后抽样的审计模式由于存在天然的时效性滞后与信息不对称，已难以有效防范现代企业的系统性风险，亟需进行技术升级与业务重构。在此背景下，人工智能技术的迅猛发展为持续审计模式的创新注入了动能。依托机器学习、自然语言处理和深度学习等先进算法，持续审计得以在业务运行中实现全量数据的实时捕获、异常关联的自动化研判以及风险的即时预警。这种人工智能与持续审计的深度融合，大幅提升了审计的效率与质量，缩短了风险响应周期，不仅推动着审计资源从事后被动核查向事中主动防范转型，更为审计人员向算法决策者的角色跃迁奠定了技术基础。

一、文献综述

（一）人工智能相关概念

人工智能（AI）指利用计算机模拟、延伸与扩展人类智能的理论、方法、技术及系统。其依托数学与计算机科学基础，通过机器学习、深度学习等核心技术，实现与计算机科学、语言学、心理学及神经科学等多学科的交叉融合。人工智能起源于20世纪50年代，图灵提出“图灵测试”，McCarthy与Simon等学者于达特茅斯会议首次明确提出“人工智能”概念。受限于早期技术条件，人工智能发展缓慢。近年来，随着智能云计算与移动互联网技术的突破，人工智能已广泛应用于医疗、金融、交通、教育等领域，推动社会向智能化与自动化方向演进。

（二）持续审计相关概念

持续审计的概念最早由Groomer和Murthy在1989年提出。1999年，加拿大注册会计师协会（CICA）和美国注册会计师协会（AICPA）联合发布了一份研究报告，正式提出了“持续审计”的定义，将其描述为“一种由独立的审计人员使用的，在一系列的审计报告的基础上，为一个企业管理当局承担责任的项目提供书面保证的技术，这些审计报告发布时间与事件发生时间是同步的或者紧随其后的”。2005年，国际内部审计师协会（IIA）发布的《全球技术审计指南》将定义进一步扩展为“一种利用技术自动执行控制和风险评估的方法，是审计策略从传统的交易样本的周期性复核向对所有交易持续测试的转变”。

持续审计的发展经历了多个阶段。最初，学者们主要关注“持续”和“实时”等理念，强调审计的及时性和持续监控。随着信息技术的发展，持续审计逐渐从理论走向实践，许多大型企业如AT&T、Siemens等开始试点和采用持续审计方法。持续审计通过自动化审计程序、数据建模和分析，能够提高审计的效率和效果，支持实时保证。

（三）人工智能环境下持续审计相关概念

1.基本概念

人工智能环境下的持续审计是指依托机器学习、深度学习及自然语言处理等前沿技术，对企业业财多源异构数据实施动态监测、即时分析与智能反馈的审计模式。其核心在于将AI算法模型深度植入审计生命周期，打破传统审计在时间跨度与样本抽样上的局限，通过自动化数据流处理与智能决策辅助，构建主动式的风险预警与价值创造机制，从而实现审计工作的敏捷化与智能化转型。

2.基本特征

审计过程的即时性：不同于以定期复核为主的事后静态审计，AI赋能的持续审计依托实时数据通道，实现由“事件驱动”的实时或近实时监测。通过短周期、高频次的自动化审计流程，系统能够动态输出风险评估画像，将风险防范关口前移，显著降低审计滞后性。

审计数据的全景性：AI技术突破了传统审计偏重财务结构化数据的局限。持续审计能够对非结构化业务数据进行深度挖掘与语义关联，促进“业财一体化”维度的全景式风险扫描，有效填补了非财务信息审计的空白。

审计手段的自适应：持续审计不仅表现为审计程序的自动化流转，更体现在算法模型的自适应学习能力。系统能基于异常检测反馈不断修正识别规则，通过迭代优化降低误报率，实现了从规则驱动向数据驱动的跨越。

（四）文献述评

现有研究为人工智能与持续审计的交叉领域奠定了基础。学者们普遍认同人工智能在提升审计效率、拓展数据覆盖面方面的潜力，并对机器学习、自然语言处理等技术在异常检测与文本分析中的应用进行了有益探索。然而，既有文献多聚焦于单一技术的点状应用，缺乏对持续审计全流程智能化重构的系统性研究。同时，算法可解释性、数据隐私保护、人机协同机制等关键问题尚未得到充分关注。为此，本文从系统论视角出发，构建“技术—流程—角色—平台”一体化的持续审计智能化转型模式，并探讨相应的实施策略与保障机制，以填补现有研究的不足。

二、人工智能应用于持续审计的关键技术

（一）数据挖掘与机器学习

数据挖掘技术通过自动化算法从大量交易数据中识别模式、发现异常，显著提升了审计数据分析的深度与广度。聚类分析可将交易记录按特征向量自动划分为若干簇，远离簇中心的点被视为潜在异常，适用于收入循环中的大额或非常规交易筛查。关联规则挖掘能够发现账户间或交易方间的频繁模式，当出现违反模式的行为时，系统自动预警，有助于识别隐蔽的关联方舞弊。

机器学习在审计预测与分类中发挥着核心作用。监督学习算法通过已标记的历史审计数据训练分类模型，可对新交易进行实时风险评估。在持续审计场景下，模型依据交易金额、对手方信用、历史审计结论等特征输出风险等级，触发差异化的审计程序，实现风险导向的资源分配。无监督学习则无需标记样本，特别适用于舞弊识别等小概率事件场景。

（二）自然语言处理与文本分析

企业内部存在大量非结构化文本，包括采购合同、销售协议、会议纪要、邮件往来及董事会决议等，其中蕴含着结构化数据无法直接反映的审计线索。自然语言处理技术中的命名实体识别（NER）和关系抽取可从文本中自动提取交易对手名称、金额、日期、担保义务等关键信息，并将其转换为结构化表格，与财务系统中的交易记录进行交叉比对。

情感分析和主题建模为持续审计提供了辅助预警工具。情感分析技术可对管理层讨论与分析（MD&A）、业绩说明会文本进行情感倾向评分。研究发现，过度乐观或异常悲观的情感语气与财务错报存在统计关联，可定期爬取企业对外公告并跟踪情感变化趋势作为风险信号。主题建模则能从海量审计工作底稿或会议记录中自动发现高频话题，帮助审计团队识别重复出现的问题领域。近年来，大语言模型（LLM）的应用进一步提升了文本处理能力：基于LLM的合同审阅系统能够理解复杂法律条款，自动对比版本差异，生成审计重点提示，并可初步撰写审计底稿的描述性部分，增强异常交易报告的可解释性。

（三）深度学习与神经网络

深度学习通过多层非线性变换自动学习数据的高维抽象特征，在处理复杂、高维、非线性的审计数据方面具有显著优势。自编码器及其变体被广泛用于无监督异常检测。模型在正常交易数据上训练，学习“正常模式”的低维表示；当输入异常交易时，重构误差显著增大，从而有效识别异常。这种方法优于基于距离的聚类，能够适应多模态分布的数据，适用于大型企业集团跨业务单元的合并审计。

循环神经网络（RNN）及其变体LSTM、GRU能够捕捉财务数据的时间依赖性。在持续审计中，可利用历史序列训练预测模型，对未来短期财务指标进行预测，并将实际值与预测值的残差作为异常信号。若连续多日实际值显著偏离预测区间且排除季节性或市场因素，系统自动提示可能存在收入确认提前或虚构交易风险，实现实质性分析程序的动态化。此外，图神经网络（GNN）可构建企业资金流向图，自动学习多跳邻居特征，有效识别循环交易、隐性最终控制方及异常资金归集等传统方法难以发现的复杂舞弊模式。

（四）边缘智能与隐私计算

持续审计需要访问企业内部敏感数据，但数据隐私与安全问题成为制约其广泛应用的关键瓶颈。边缘智能技术将轻量级AI模型部署在企业内部服务器或ERP系统边缘侧，对原始数据进行就地处理，仅将非敏感的结果或加密摘要发送至审计中心平台，原始数据不离开企业环境，从根本上降低泄露风险。联邦学习进一步允许多家企业或集团内多个子公司联合训练审计模型，各方在本地训练模型参数，仅上传加密后的梯度更新，服务器聚合生成全局模型，原始数据无需共享。可信执行环境则为必须集中处理的高敏感数据提供了硬件级隔离保护。这些技术的综合运用，为持续审计在遵守数据合规要求的前提下落地实施提供了可行的技术路线。

三、持续审计智能化转型的模式构建

（一）人工智能驱动持续审计转型机制

1.从抽样审计到全量数据审计

传统审计受限于人工处理能力，只能对总体中的样本进行测试，存在抽样风险。人工智能凭借分布式计算与高效算法，能够对企业全部交易数据进行扫描与分析，实现真正意义上的全量审计。全量覆盖消除了抽样偏差，使得异常交易无所遁形。同时，机器学习模型可以从海量数据中自动发现潜在规律，识别出人工难以察觉的隐蔽模式，显著提升审计发现的能力。在这一转变下，审计结论不再基于统计推断，而是建立在对总体完整考察的基础之上，审计可靠性得到根本性增强。

2.从事后核查到实时预警与预测

传统审计通常在财务报告日之后进行，发现问题时损失已然发生。人工智能支持下的持续审计将核查时点前移至业务发生的同时或之后极短时间。通过流数据处理技术，系统能够实时监控交易，并在触发预设条件时即刻预警，甚至对高风险支付指令实施自动阻断。更进一步，基于时间序列分析和预测模型，人工智能还可以对未来的财务指标或风险事件进行预判，使审计从“事后诸葛亮”转变为“事前诸葛亮”，为企业风险管理赢得宝贵的时间窗口。实时性与预测性的结合，使审计功能从“确认”拓展至“预警”和“防护”。

3.从静态程序到自适应算法优化

传统审计程序一旦确定，在整个审计周期内保持不变，难以适应业务环境的变化。人工智能驱动的持续审计系统具备在线学习能力：模型根据新流入的数据和审计师的反馈结果，自动调整参数与规则。例如，当审计师将某类被系统预警的交易裁定为“正常业务特例”后，模型会将该反馈作为训练样本，更新异常判断的边界条件，从而逐步降低误报率。这种自适应机制使审计程序能够动态匹配企业风险轮廓的演变，始终保持较高的精准度，避免了静态规则在业务迭代中迅速失效的问题。

（二）“技术—流程—角色—平台”一体化模式构建

1.模式的核心要素与逻辑框架

该模式的四个核心要素构成有机整体：技术是驱动力，流程是载体，角色是执行主体，平台是集成环境。技术层提供数据采集、处理、分析与解释能力；流程层定义审计工作的步骤与标准；角色层明确人与机器在审计中的分工；平台层整合前三者，形成可操作的审计作业系统。四者关系可概括为：技术驱动流程再造，流程重塑角色定位，角色需求反推技术优化，平台则作为前三者的物理承载与交互界面。

2.技术嵌入路径

人工智能技术并非孤立部署，而是按审计作业链条嵌入各环节。在数据采集环节，采用机器人流程自动化（RPA）和变动数据捕获（CDC）技术，实时同步企业异构系统数据，确保审计数据的及时性与完整性。在数据处理环节，应用自然语言处理（NLP）抽取非结构化文本中的关键信息，利用数据清洗算法自动识别并修正异常值，构建标准化的审计数据集。在分析环节，部署机器学习分类模型进行风险评估，采用图神经网络挖掘关联方隐性交易，利用时间序列模型预测财务异常波动。在报告环节，利用大语言模型自动生成审计底稿和异常说明，提升结果的可读性与沟通效率。各环节的技术组件通过标准化接口互联，形成端到端的自动化审计流水线。

3.审计闭环化流程

传统审计流程为“计划—实施—报告”的线性模式，智能化持续审计将其改造为“实时监控—智能分析—动态报告—反馈优化”的闭环。监控环节不间断采集业务数据，覆盖财务流水、操作日志、文本信息等多源数据；分析环节自动执行异常检测与风险评分，采用多模型集成策略提升判断准确性；报告环节按需生成不同颗粒度的审计发现；反馈环节将审计师的判断结果回传至模型训练库，用于增量训练和规则更新。该闭环消除了传统流程中的等待时间和信息损耗，使审计真正嵌入业务运行之中，实现了从周期性工作到持续性服务的转变。

4.审计师角色转变

在智能化模式下，审计师的角色发生根本性转变。第一，从“数据核查者”升级为“模型监督者”：低附加值的数据比对、凭证核对等工作由人工智能接管，审计师转而关注模型运行是否合规、算法输出是否可解释、训练数据是否存在偏见。第二，从“程序执行者”转变为“风险分析者”：审计师需要解读模型输出的风险信号，结合行业背景和管理层动机进行综合判断，而非机械地执行检查程序。第三，承担“AI训练者”职能：通过反馈标注帮助模型持续改进，将专业判断转化为机器的学习样本。这一转变要求审计师同时具备审计专业知识与数据分析技能，成为复合型人才。同时，审计师的职业价值从“保证准确性”向“提供洞察”迁移。

5.智能审计平台功能架构

智能审计平台是该模式的物理实现，其功能架构自下而上分为四层。第一层为数据底座层，集成数据湖与流处理引擎，实现多源异构数据的统一接入与实时计算，支持批流一体处理模式。第二层为算法模型层，封装各类机器学习、NLP、图计算模型，提供标准化的分析服务接口（API），支持模型的版本管理与AB测试。第三层为作业协同层，支持审计任务的自动分配、进度跟踪与团队协作，内置风险导向的审计资源调度算法。第四层为交互展示层，提供可视化风险看板、自然语言查询与证据穿透功能，支持审计师一键追溯异常交易的完整证据链，大幅降低技术使用门槛。

（三）模式运行机制与特征分析

该一体化模式的运行机制可以概括为“数据驱动、模型核心、人机协同、闭环进化”。数据源源不断地汇入平台，经过清洗与特征工程后输入各类算法模型，模型输出风险评分与预警信号；审计师对信号进行复核与判断，关键决策结果反馈至模型训练集，驱动模型迭代更新。整个运行过程具有以下典型特征：实时性，从数据产生到预警输出的延迟控制在秒级或分钟级，满足持续监控要求；全面性，覆盖所有交易与账户，而非抽样样本，消除抽样风险；自适应性，模型根据新数据和反馈自动调优，动态匹配企业风险变化；可解释性，通过特征归因技术提供透明的决策依据，增强审计师对算法的信任；协同性，人与机器各司其职、相互增强，发挥各自优势——机器处理规模与速度，人类负责判断与创造。这些特征的协同作用，使持续审计智能化模式在效率、质量与风险应对能力上显著优于传统审计模式。

四、人工智能持续审计的应用策略与实施保障

（一）审计目标与范围的智能定位

人工智能持续审计的目标应从合规确认向价值创造延伸。审计范围不再局限于财务报表，应拓展至数据治理、内部控制有效性、业务流程合规性及网络安全等多个方面。实施时需结合企业实际，优先选择高频、高价值、高风险的业务领域进行试点，逐步扩大覆盖范围。审计团队应定期审视目标与范围的匹配度，利用数据分析结果动态调整审计重点，确保资源投入与风险水平相匹配。

（二）数据治理体系与隐私保护机制

高质量数据是人工智能审计的基石。企业应建立健全的数据治理体系，明确数据所有权、质量标准与使用规范。具体措施包括：制定数据采集与清洗标准，建立主数据管理流程，定期开展数据质量审计。隐私保护方面，需落实数据分类分级管理，对敏感数据实施脱敏处理；采用加密传输与静态加密技术；部署访问控制与审计日志，确保数据操作可追溯。在跨企业审计场景中，可引入联邦学习或可信执行环境，实现“数据不动模型动”，从技术层面解决数据共享与隐私保护的矛盾。

（三）审计流程优化与团队协作模式

引入人工智能后，审计流程需从线性模式转向闭环敏捷模式。建议将流程重构为“数据接入—自动分析—人工复核—反馈迭代”四个阶段，并明确各阶段的输入输出标准与时效要求。团队协作模式相应调整：设立数据工程师负责数据管道维护，算法工程师负责模型训练与调优，审计专家负责规则设定与结果解读。同时，建立审计与IT部门的常态化协作机制，确保业务理解与技术实现同步。

（四）复合型人才培养与团队建设

人工智能持续审计要求审计人员具备“审计+数据+算法”的复合能力。培养路径包括：在高校审计专业课程中增设Python编程、数据库原理、机器学习基础等模块；在职培训方面，定期组织数据分析工作坊和案例复盘；鼓励审计师考取CISA、CDA等跨界认证。团队建设方面，可采用内部培养与外部引进相结合的策略，逐步建立包含审计专家、数据科学家和系统架构师在内的多元化团队。

（五）效果评估与持续优化机制

为确保人工智能持续审计的长期效能，需建立科学的评估与优化机制。评估指标应覆盖效率、质量、成本和用户满意度四个维度。每季度开展一次评估，基于评估结果识别瓶颈并制定改进计划。模型层面，建立监控体系跟踪模型性能衰减情况，设置自动化报警阈值，当准确率下降超过预设值时触发重新训练。此外，应建立审计发现的知识库，将人工复核的结论定期转化为训练样本，驱动模型持续进化。

五、结论与展望

本文立足于人工智能与持续审计的交叉领域，系统分析了数据挖掘、机器学习、自然语言处理及深度学习等关键技术在持续审计中的应用路径，构建了“技术—流程—角色—平台”一体化的智能化转型模式。研究表明，人工智能能够实现从抽样审计向全量数据审计、从事后核查向实时预警与预测、从静态程序向自适应算法优化的根本性转变，显著提升审计效率与质量，降低审计成本与风险，推动审计师角色向模型监督者与风险分析师转型。

尽管人工智能为持续审计注入了强大动能，但仍面临数据隐私与安全、算法可解释性、人机协同机制等挑战。未来研究可进一步探索大语言模型与审计知识图谱的深度融合，开发面向持续审计的可解释性评估标准，并通过案例研究与实证检验验证模式的实践有效性。随着技术迭代与制度完善，人工智能将持续赋能审计行业，助力构建更加敏捷、智能与可信的审计新生态。

参考文献：

1. [1] 丁玲，杨明春，吴金希,等.企业向人工智能创新生态系统演化研究[J].科学学与科学技术管理，2022,43(01):138-158.
2. [2] Groomer M, Murthy K. Continuous auditing: A framework for the future[J].Journal of accounting research, 1989,27(02):323-341.
3. [3] 谢志华,程恺之.新技术与审计方法的变革[J].审计研究,2023(01):3-11.
4. [4] 王林辉,胡晟明,董直庆.人工智能技术、任务属性与职业可替代风险：来自微观层面的经验证据[J].管理世界,2022,38(07):60-79.
5. [5] 刘云花.大数据与人工智能在会计审计中的融合应用[J].中国集体经济,2024(33):181-184.
6. [6] Han S, Hu X, Huang H, et al. ADBench: Anomaly detection benchmark[J]. Advances in neural information processing systems,2022,35:32142-32159.
7. [7] 秦荣生. 数据导向审计体系构建：风险模型、方法体系与实现路径 [J]. 审计研究, 2023(05): 3-10.
8. [8] Dixon J, Hong B, Wu L. The robot revolution: Managerial and employment consequences for firms[J]. Management science,2021,67(09): 5586-5585.
9. [9] 龙志能,鲍镕江,何贤杰.人工智能驱动的审计变革研究[J].审计研究,2024(05):53-61.
10. [10] Zang A, Chen W,范为,等. AI重塑审计：探索人工智能驱动下的行业变革之路[J]. 中国注册会计师, 2025(02): 70-72.