ИСКУСТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ В АУДИТОРСКОЙ ПРАКТИКЕ

ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING IN AUDIT PRACTICE

Kulikova Adelina Andreevna

Student, Department of Corporate Economics, P.A. Stolypin Volga Institute of Management, a branch of the Russian Presidential Academy of National Economy and Public Administration,

Russia, Saratov

Kazan Elizaveta Aleksandrovna

Student, Department of Corporate Economics, P.A. Stolypin Volga Institute of Management, a branch of the Russian Presidential Academy of National Economy and Public Administration,

Russia, Saratov

Lyutikova Elizaveta Sergeevna

Student, Department of Corporate Economics, P.A. Stolypin Volga Institute of Management, a branch of the Russian Presidential Academy of National Economy and Public Administration,

Russia, Saratov

Takhtomysova Danara Anuarovna

Scientific Advisor, PhD in Economics, Associate Professor, P.A. Stolypin Volga Institute of Management, a branch of the Russian Presidential Academy of National Economy and Public Administration,

Russia, Saratov

АННОТАЦИЯ

В статье рассматривается внедрение технологий искусственного интеллекта и машинного обучения в современную аудиторскую практику, позволяющие проводить полномасштабный анализ транзакций, повышая точность обнаружения рисков и уменьшая количество человеческих ошибок.

ABSTRACT

The article examines the implementation of artificial intelligence and machine learning technologies in modern audit practice, enabling full-scale transaction analysis, increasing the accuracy of risk detection, and reducing the number of human errors.

Ключевые слова: искусственный интеллект, машинное обучение, аудит, аудиторская практика, цифровизация, риски, профессиональное суждение, гибридный подход.

Keywords: artificial intelligence, machine learning, audit, audit practice, digitalization, risks, professional judgment, hybrid approach.

Аудиторская деятельность в Российской Федерации осуществляется в соответствии с Федеральным законом от 30.12.2008 №307-ФЗ «Об аудиторской деятельности», который определяет правовые основы ее регулирования и устанавливает, что аудит проводится согласно международным стандартам аудита (МСА), признанным в порядке, установленном Правительством Российской Федерации. [1, ст. 15] МСА, в свою очередь, предъявляют к аудиторским процедурам строгие требования: каждое профессиональное суждение должно быть обоснованно, а весь процесс – от первичных данных до итогового заключения – обязан сохранять полную прослеживаемость. [3] Традиционная модель аудита, построенная на выборочной проверке и ручной обработке данных, во многих случаях уже не отвечает ни объёмам, ни сложности современных информационных потоков. В ответ на эти вызовы в аудиторскую практику активно внедряются технологии искусственного интеллекта (ИИ) и машинного обучения (МО).

Исследования последних лет фиксируют существенный рост интереса к применению ИИ в аудите: от тестирования гипотез и выборочных проверок до сплошного анализа транзакций и прогнозирования рисков. Автоматизированные системы демонстрируют способность обрабатывать весь массив данных целиком за секунды, выявлять аномалии, невидимые при традиционном подходе, и тем самым повышать точность и скорость аудиторских процедур.

Если проанализировать, как именно на сегодняшний день организована работа аудитора, то становится очевидно: фундаментом традиционного аудита является выборочная проверка данных. Аудитор берет несколько сотен операций из десятков тысяч, проверяет их вручную и распространяет вывод на весь массив, то есть доверяет статистической репрезентативности там, где в идеале требовалась сплошная проверка. Данные действия закрепляют за собой четкость, безошибочность, правильность выполнения действий, полное погружение в процесс. Однако, человеческий фактор берет верх, оставляя за собой вероятность ошибок, недочетов и других различных отрицательных моментов, которые тем или иным образом влияют на работу. Как было сказано ранее, работа аудитора сопряжена с ежедневной обработкой и анализом больших объёмов информации. Такая работа забирает большое количество времени и энергии, поэтому специалисты все чаще и чаще прибегают к инновациям. Невозможно отрицать тот факт, что на сегодняшний день, «машинный инструмент» вышел на новый уровень, становится все меньше ошибок и недочетов, которые робот мог допускать в процессе своей работы. Результаты исследований впечатляют: точность выявления рисков может достигать 90%, а количество ошибок после внедрения ИИ-рекомендаций снижаться почти вдвоем. Специалистов, безусловно, это стало привлекать, страхи использовать сторонние инструменты стали уходить на второй план, а результативность применения приносить преимущества.

Помимо прочего, ИИ-инструменты самостоятельно проверяют документы на соответствие стандартам и выявляют возможные конфликты интересов. Это напрямую усиливает качество всей аудиторской работы. При таком потоке сохранять предельную точность на всем массиве невозможно, можно пропустить неочевидное расхождение или деталь, которая в дальнейшем приведет к неправильно изложенному аудиторскому заключению. Машинное обучение убирает эту вынужденную уступку: алгоритм просматривает весь журнал транзакций целиком, за секунды, и отмечает именно те записи, которые выбиваются из поведенческого паттерна. То есть он способен проанализировать огромный поток информации за достаточно короткие сроки, облегчая работу и время. Но «облегчая работу» в какой-то степени не совсем, верно, ведь после машинной проверки аудитор обязан перепроверить корректность и достоверность результата, чтобы своевременно исключить ошибки, которые мог допустить искусственный интеллект. Так же не стоит забывать, что скорость и охват — это только поверхностный слой преимущества. Глубже лежит другое: модели, обученные на исторических данных компании, начинают различать нормальное и отклоняющиеся поведение для конкретного бизнеса, а не для абстрактной модели. Например, у заказчика могут быть свои специфические схемы расчетов с контрагентами или другие различные мероприятия, нетипичные для рынка. Раньше для этого требовался крайне компетентный и опытный специалист с большим опытом, который потратил годы, чтобы изучить досконально объект. Теперь благодаря ИИ это масштабируется: открывается доступность каждому сотруднику, ведь благодаря такому анализу, аудитор получает всю информацию и специфику ведения бизнеса на руки, готовую картину, так как машины начинают различать нормальное и отклоняющиеся поведение для конкретного бизнеса, а не для общего. Технологии искусственного интеллекта отходят от простого сопоставления данных с заранее установленным образцом. Вместо этого запускается процесс детального изучения специфики работы конкретного предприятия. Такой подход заметно ускоряет выполнение задач и позволяет специалисту пропускать промежуточные ступени, переходя к следующей фазе проверки.

Таким образом, интеграция ИИ и алгоритмов машинного обучения коренным образом меняет аудиторскую деятельность. Процессы обработки массивов информации ускоряются, субъективное влияние практически исчезает, а сам аудитор получает ресурс для концентрации не на типовых операциях, а на сложных концептуальных проблемах.

Заместитель председателя Счётной палаты Российской Федерации Галина Изотова анонсировала создание 7 цифровых проектов, в том числе Единую цифровую платформу, которая позволит аудитору глубже погружаться в анализ данных и при этом снизит трудозатраты.

«‎Но за последний период времени мы пришли к выводу, что искусственный интеллект не заменит аудитора, и это вывод доказан», — резюмировала государственный деятель. Она аргументировала это тем, что искусственный интеллект при работе с большими данными не дает неоспоримого ответа. «‎Аудитор был и аудитор будет», — подытожила Изотова.

Однако у видимых плюсов — быстродействия, масштабируемости и глубины проработки данных — есть и оборотная сторона. Перекладывание профессиональной оценки на алгоритмические модели способно спровоцировать возникновение новых рисков. Те качества, что ранее воспринимались как неоспоримое благо: тотальная проверка операций, до обучения на архивах данных и автоматический поиск аномалий, — при слабом надзоре легко становятся уязвимостью. Прозрачность решений падает, появляется опасность тиражирования искажений, заложенных в старых сведениях, и формируется ложное чувство надежности именно в тех зонах, где остро требуется взгляд человека. Остановимся на ключевых категориях угроз, сопутствующих цифровизации аудита.

Многие современные модели, особенно глубокие нейронные сети, устроены так, что даже их создатели иногда не могут объяснить, как машина пришла к конкретному выводу. Алгоритм выдаёт ответ, но не показывает ход своих рассуждений. В контексте аудита это создаёт фундаментальное противоречие. Согласно международным стандартам, каждое решение аудитора должно быть прозрачным и подкреплённым доказательствами, должна сохраняться полная прослеживаемость от первичных данных до итогового заключения. Что делать в таком случае, когда программа помечает транзакцию подозрительной, но не может объяснить причину. У аудитора появляется выбор: слепо довериться обученной модели, нарушив все стандарты, либо потратить время на ручную проверку. Во втором случае полностью обесценивается цель автоматизации. В связи с этим, появляется привычка попросту доверять алгоритму, полагаться на его выводы, а это уже в корне расходится с самой сутью профессии аудитора.

Кроме того, ИИ обучается на отчётности компании за прошлые годы, которые ему дали как образец. Если эти данные с самого начала были искажены, например, руководство «подкручивало» показатели, то алгоритм усвоит такую деформацию за норму. Он раз за разом будет пропускать мошеннические операции просто потому, что его так научили. Возникает парадоксальная ситуация: чем дольше компания искажала отчетность, тем более естественными эти искажения выглядят для ИИ-инструментов.

Вместе с тем, качественное обучение моделей требует колоссальных объемов информации. На практике это означает, что данные, полученные в ходе проверки одного клиента, могут быть использованы для улучшения алгоритма в работе с другим. Здесь возникает грубейший риск нарушения аудиторской тайны и конфиденциальности информации. Кроме того, известны случаи, когда через параметры обученной нейронной сети злоумышленники могут частично восстановить данные, на которых обучалась модель. Это ставит под угрозу не только репутацию аудиторской компании, но и саму возможность сохранения доверительных отношений с клиентом.

Возможно, самая долгосрочная и незаметная на первый взгляд угроза для аудитора - постепенное притупление профессионального суждения. Чтобы научиться мыслить, как аудитор, нужно самому пройти через рутинную работу: часами сверять данные, выискивать нестыковки, набивать глаз на мелких деталях. Когда всю эту работу берет на себя машина, у новичка просто не формируется профессиональное чутье. Представьте себе врача, который с первого курса ставит диагнозы только по готовым результатам анализов, выданным компьютером. Он никогда сам не учился замечать тонкие симптомы, не ошибался и не исправлял свои ошибки. Однажды программа даст сбой, и такой врач окажется совершенно беспомощным. То же самое происходит в работе аудитора. Специалист, привыкший получать готовую информацию, оказывается безоружным, когда алгоритм ошибается или встречает нетипичную ситуацию. Человек просто не знает, с чего начать проверку, потому что никогда не делал ее сам, от начала до конца. Получается парадокс: автоматизация рутины, задуманная как благо, незаметно подтачивает фундамент, на котором строится компетентность будущих поколений аудиторов.

Таким образом, ИИ и машинное обучение не просто ускоряют аудит, но и меняют его природу. У всех, на первый взгляд, положительных изменений есть обратная сторона. Оставив без внимания непрозрачность алгоритмов, риск манипуляций с данными и постепенную атрофию профессионального чутья, мы рискуем превратить полезный инструмент в источник системных ошибок. Технологии должны оставаться помощником, а не заменой. Окончательный вывод всегда требует живого, критически мыслящего человека.

Проведённый анализ показал, что внедрение искусственного интеллекта и машинного обучения не просто ускоряет отдельные аудиторские процедуры, а принципиально меняет характер аудиторской деятельности. Современные технологии открывают перед аудиторами беспрецедентные возможности: вместо выборочной проверки становится доступен анализ всего массива данных. Снижается вероятность ошибок, вызванных человеческим фактором, возрастает скорость обработки данных, и у специалистов появляется возможность сосредоточиться на анализе наиболее сложных и критически значимых аспектов.

Однако, те же достижения несут с собой и существенные угрозы. При недостаточном контроле автоматизированные системы способны поставить под сомнение достоверность аудиторских выводов. Профессиональное становление аудитора невозможно без личного, даже рутинного, взаимодействия с первичной документацией. Если вся подготовительная работа перекладывается на машину, у специалиста не вырабатывается навык компетентной оценки. В итоге любой сбой алгоритма или встреча с нетипичной ситуацией дезориентирует такого специалиста. Таким образом, автоматизация, вместо того чтобы облегчить труд, рискует лишить будущих экспертов тех ключевых компетенций, на которых строилась ценность аудиторской деятельности.

Следовательно, искусственный интеллект и машинное обучение надлежит использовать лишь как вспомогательный элемент, не допуская подмены ими профессионального суждения человека. Итоговые заключения, определение уровня существенности, трактовка качественных характеристик и подготовка аудиторского заключения должны оставаться в ведении специалиста, обладающего критическим мышлением. Наиболее целесообразным видится гибридный подход: алгоритм берет на себя начальную обработку и фильтрацию данных, тогда как аудитор – их осмысление, проверку и принятие окончательного решения. Именно такое сочетание автоматизированных и человеческих усилий позволяет максимально использовать преимущества инноваций, сводя сопутствующие риски к минимуму.

Список литературы:

1. Закон Российской Федерации "Федеральный закон «Об аудиторской деятельности» от 30.12.2008 № 307-ФЗ // Собрание законодательства Российской Федерации.
2. Казакова, Н. А.  Аудит: учебник для вузов / Н. А. Казакова, Е. И. Ефремова; под общей редакцией Н. А. Казаковой. — 6-е изд., перераб. и доп. — Москва: Издательство Юрайт, 2026. — 422 с. — (Высшее образование). — ISBN 978-5-534-21846-6. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/582286.
3. Международный стандарт аудита "Международный стандарт аудита (МСА) 220 "Контроль качества при проведении аудита финансовой отчетности"" от 09.11.2016 № 207н // Приказ Минфина России. – 2016.
4. Международный стандарт аудита "Международный стандарт аудита (МСА) 520 "Аналитические процедуры"" от 24.10.2016 № 192н // Приказ Минфина России. – 2016.
5. Международный стандарт аудита "Международный стандарт аудита (МСА) 530 "Аудиторская выборка"" от 24.10.2016 № 192н // Приказ Минфина России. – 2016.