——从黑箱审计到可验证审计
人工智能正在进入企业的交易、决策、记账、风控和审计过程。通常的讨论是:AI能不能替审计师读凭证、找异常、扩大样本、提高效率,甚至最终取代一部分审计人员。
这些当然会发生,但这还不是最重要的变化。
真正值得讨论的问题是:当越来越多的事实可以被机器持续记录、全量检查和独立验证以后,建立在信息不透明和高验证成本基础上的传统审计制度,是否也应该改变?
答案是肯定的。
AI时代不是简单地“用AI做传统审计”,而是审计的对象、方法和边界都将发生变化。
一、审计为什么存在
传统审计表面上是查账、抽凭证、核报表,深层原因却是信息不对称。
企业掌握原始事实,投资者、债权人和社会看不到;管理层编制财务报表,外部使用者又无法逐项核实。因此需要一个独立的专业机构进入企业,取得资料、抽样检查,然后发表审计意见。
它解决的是一个信用问题:
企业说发生了什么,外界无法直接验证,于是由独立第三方进行核实。
过去这种制度具有充分合理性。不是因为人们不希望全部验证,而是因为验证成本太高。企业一年可能产生数百万、数千万笔业务,人不可能逐笔检查,于是只能通过内部控制、风险评估、抽样检查和专业判断取得合理保证。
所以传统审计首先是信息黑箱和高验证成本条件下形成的一种信用机制。
AI改变的,恰恰是这个条件。
二、AI改变的首先是验证成本
AI最重要的能力并不只是“更聪明”,而是能够低成本处理过去人无法处理的数量、速度和关联关系。
它可以读取大量原始单据,匹配账本,分析合同,连接不同业务系统,检查时间、金额和主体的一致性,发现异常,再把少量真正需要判断的问题交给人。
因此,过去只能抽样检查的部分事实,开始具备全量核验的条件;过去一年检查一次的部分事项,开始具备持续检查的条件;过去散落在不同系统中的事实,也开始能够形成关联。
审计于是出现一个根本变化:从抽样检查结果,逐步走向持续验证事实与过程。
但这并不意味着所有事实都能够自动验证,更不意味着风险导向审计失去意义。风险仍然决定社会需要多高程度的保证;新的变量是,这种保证中有多少已经可以由事实本身的可验证性直接取得。
这就形成AI时代审计的两条轴:
风险决定需要多高的保证;可验证性决定这些保证通过什么方式取得。
概念上可以表达为:
审计需要补足的部分 = 所需保证 − 已经具备的可验证能力。
这不是一个机械的数学公式,而是一种新的制度分工。
三、透明不等于可验证
这里必须先区分“透明”和“可验证”。
一个企业把大量资料公开出来,不等于这些资料一定真实;一个系统代码完全开源,也不等于实际运行状态一定符合代码;一套规则执行得完全透明,也可能是错误规则被透明地执行。
所以真正重要的不是“看见多少”,而是:
关键事实能不能由有权验证的人独立核实。
这也对应本文所借用的“透明银行”原则:透明不是把所有信息向所有人公开,而是让关键事实按照责任和权限处于可验证状态。
能够公开的事实,应当公开;涉及个人隐私、商业秘密或者安全的信息,不一定向所有人公开,但应当按照责任和权限向有关主体开放;即使原始内容不能公开,也应尽可能使关键事实能够被证明。
因此,未来审计不应简单分为“透明”和“不透明”,而应按照事实的可验证程度分层。
四、五个可验证性层次
第一层,原生可验证。
事实、规则和必要数据本身已经公开,任何具备条件的人都可以按照同一规则独立验证。
就比特币公开账本上能够由节点独立验证的交易事实而言,没有必要再由一个外部机构重复检查后告诉公众“请相信我”。这里需要的是持续验证,而不是传统意义上的重复审计。
第二层,可证明但不宜公开。
事实不适合公开原始明细,但可以通过经过定义的证明机制、脱敏结果或监管验证接口,使有权主体在不取得全部敏感内容的情况下独立核实某项事实。
例如,验证客户资产是否按规则隔离,并不必然意味着必须向公众披露每一个客户的姓名和余额。关键区别是:核验者能够验证目标事实是否成立,而不必取得全部原始明细。
第三层,授权后可核实。
事实没有公开证明结构,必须在取得合法授权以后进入企业系统、查看原始资料,才能核实。
现实企业的大多数合同、采购、库存、工资、客户和商业秘密资料,都可能属于这一层。传统外部审计的核心作用主要集中在这里。
第四层,低可验证黑箱。
数据分散、记录不完整、系统彼此割裂,事实虽然可能留下部分证据,却无法直接形成完整验证链。
这时AI的重要作用不是“猜出真相”,而是整理现存证据、发现断点,再由审计人员沿着证据逐步核实。
第五层,不可验证。
关键原始证据已经灭失,又不存在可靠的独立外部证据,事实已经无法重建。
这时正确的审计结论不是让AI根据经验推测,而是明确说明:无法验证。
“无法验证”必须成为AI时代审计的一条底线。推理不能代替事实,合理性也不能代替证据。
需要强调,五层分级的对象是事实、账户和业务过程,而不是给一家企业贴上整体标签;同一家公司可以同时包含多个可验证层级。
五、从审报表回到事实、证据和过程
传统审计往往从最终报表向前追查:报表对应总账,总账对应凭证,再抽查背后的业务。
AI时代,这个顺序可以逐步改变。
真正需要验证的首先不是一个会计数字,而是数字背后的经济事实。
一笔收入是否真实,至少涉及主体、授权、交易、交付、责任和核算。合同存在,并不等于交易已经履行;发票存在,并不等于商品已经交付;银行到账,并不自动证明交易没有关联关系;账目正确,也不能证明所有应该入账的业务都已经进入账本。
因此,审计对象应该由报表向前延伸到:
事实—证据—过程—核算—报表。
对于尚未透明的企业,一个现实可行的起点,是把原始单据数字化进入AI证据库,与账本建立匹配,再沿着已有证据逐步核验业务过程。
可以把这套关系概括为:
账本是索引,原始单据是证据,业务过程是验证链。
这里不能倒过来,让AI从结果“推导”过去发生了什么。结果只能帮助定位疑点,真实过程必须由存在的证据证明。证据在哪里中断,验证就在哪里停止。
六、从抽样走向全量,但全量数据不等于全量事实
AI能够对大量结构化交易进行接近全量的检查,这会显著改变传统抽样审计。
过去人工抽查一百笔,现在机器可以检查一千万笔,再把异常部分交给人。这将使大量机械性的抽样工作退居次要位置。
但这里存在一个很容易被忽视的边界:
全量检查,只能证明进入系统的数据被全量检查了;它不能证明所有应该进入系统的事实都已经进入系统。
一家企业可以做到系统内百分之百核对正确,同时把某些交易放在系统之外。
因此,AI能够大幅提高“存在、准确、匹配、一致性”等验证能力,却不能单凭企业自己的数据解决完整性问题。
内部证据越不足,越需要独立外部证据;系统自证能力越强,越需要警惕遗漏在系统之外的事实。所以AI不会消灭职业怀疑,反而会把职业怀疑从大量机械抽样中释放出来,集中到真正困难的地方。
七、AI本身也成为新的审计对象
过去主要审人有没有违规,未来还要审机器有没有越权。
当AI参与记账、估值、风险控制和审计以后,必须能够回答:
数据从哪里来;
使用了什么规则和模型;
AI具有什么权限;
系统是否发生过版本变化;
哪些步骤由机器自动执行;
哪些步骤必须由人批准;
异常是否被人工覆盖;
关键判断依据能否复核。
否则,AI虽然减少了旧的黑箱,却可能制造一个新的、更复杂的黑箱。
即使系统日志完整、执行一致,如果规则、权限或入口本身被恶意设计,透明运行也不能自动产生可信结论。
因此,AI既可以成为审计工具,也必须成为审计对象。
八、重大判断不能因为使用AI而失去责任主体
财务报告中并不是所有问题都是确定性事实。
商誉减值、公允价值、坏账准备、持续经营、资产寿命等,都包含专业判断。
AI可以帮助分析更多数据、建立模型、寻找反证,但它不能把判断变成事实。
对于重大判断,未来真正需要保留下来的应当包括:依据、方法、主要假设、重要反证、判断边界以及什么条件出现时需要改变判断。
这样,外部核实的对象就不仅是“最后数字是多少”,还包括“为什么这样判断”。
但最终责任不能交给AI。
谁授权系统,谁批准重大判断,谁签署财务报告,谁出具审计意见,责任链最终都必须回到具体的人和机构。
机器可以扩大验证能力,但不能成为法律责任的终点。
九、原生可验证系统与黑箱组织,不应采用同一种审计方式
这也是AI时代审计最需要重新认识的问题。
对原生公开、任何人都可以独立验证的事实,继续让第三方重复抽样、重复背书,意义会越来越低。
以比特币系统为例,就其公开账本和公开验证规则能够直接核验的部分而言,它主要需要的是持续验证,而不是由某一家审计机构替所有人查看账本。
但围绕比特币形成的中心化交易所、托管机构、基金、企业和其他组织,仍可能是黑箱,因此仍然需要审计。
这说明审计并不是跟着资产名称走,而是跟着不可验证性走。
同样,一家银行或者普通企业也不可能把全部商业信息向社会公开,但它完全可以把更多关键事实设计成对有责任主体可验证。
因此未来更合理的分工是:
组织承担透明和留证责任;
内审负责内部持续检查;
外部审计负责独立核实;
监管机构规定最低透明和验证要求,并监督责任履行;
最终判断和法律责任仍然归人。
监管机构能够直接验证某些事实,可以减少重复核实,却不能自动替代对管理层认定、重大判断和剩余黑箱的独立保证。
十、审计将追随剩余黑箱
AI时代最重要的变化,并不是审计行业消失。
相反,审计会越来越集中到过去最困难、最有价值的部分:
事实是否完整;
剩余黑箱是否真实;
规则和控制是否可靠;
重大判断是否有充分依据;
用于验证的系统本身是否可信。
能够直接验证的部分,不需要反复依赖机构信用;不能直接验证的部分,才需要外部独立保证。
随着越来越多的事实在产生时同步留下证据,年度审计也可能逐步从“重新检查一年发生了什么”,转向确认持续验证机制是否可靠运行,以及剩余不可验证部分是否得到充分核实。
这不是降低审计标准。恰恰相反,是把有限的专业审计资源,从大量可以由机器直接完成的重复检查中释放出来,集中到真正需要独立判断、职业怀疑和责任承担的地方。
结语:审计是对不可验证性的补偿
AI真正改变的,不只是审计师手里的工具,而是审计制度赖以存在的信息条件。
过去,因为事实难以直接验证,所以社会必须更多地相信机构、相信专业人士、相信抽样后的意见。
未来,越来越多事实可以从产生时就留下证据,可以持续核验、过程回放、独立复算。
于是信用结构也会改变。
能够验证的,交给验证。需要授权才能核实的,交给独立核实。无法直接验证的,继续由审计承担保证责任。无法证明的,就明确说无法证明。审计不是为了证明一切完美。
审计,是对不可验证性的补偿。
可验证边界推进到哪里,审计就合理后退到哪里;黑箱和不确定性剩在哪里,审计就坚守在哪里。
附录:可验证性分层审计的最小框架
一、五层与审计方式
| 层次 | 核心特征 | 主要方式 | 外部审计重点 |
| 原生可验证 | 事实与规则可独立直接核验 | 持续验证 | 完整性入口、规则和验证系统 |
| 可证明但不宜公开 | 不披露全部原始数据也能验证目标事实 | 证明、脱敏核验、受控验证接口 | 证明规则、边界和可靠性 |
| 授权后可核实 | 必须取得权限查看原始资料 | 独立核实 | 原始证据、控制和专业判断 |
| 低可验证黑箱 | 记录分散、证据链不完整 | AI整理证据+人工逐项核验 | 断点、外部证据、异常 |
| 不可验证 | 关键证据灭失且无法获得独立佐证 | 不作推测 | 明确披露无法验证 |
第二层与第三层的区别在于:第二层不必取得全部原始敏感数据,也能够独立验证目标事实;第三层必须进入原始资料或内部系统以后才能核实。
二、普通企业的一笔收入如何进入这个框架
一笔制造企业收入可以同时跨越不同层级:
销售发票和会计分录可以进入机器全量匹配;
客户名称、价格条款等商业秘密只能授权后核实;
物流和银行记录可以作为相对独立的外部证据;
管理层关于收入确认时点的特殊判断仍需专业复核;
如果关键交付记录已经灭失,则相关事实可能进入“无法验证”。
因此,上述分层应以事实、账户和业务过程为对象,而不应当作为对整家公司的整体评级。
这也是“风险导向+可验证性分层”需要同时存在的原因。
三、AI时代审计至少应回答五个问题
1. 哪些重要事实已经能够直接验证,哪些仍属于黑箱?
2. AI所谓“全量检查”究竟覆盖了什么,又明确没有覆盖什么?
3. 对完整性的判断依赖哪些独立于企业自身系统的证据?
4. 哪些结论属于专业判断,其依据、主要假设和失效条件是什么?
5. 用于验证和审计的AI系统本身由谁控制、如何留痕、由谁复核并最终承担责任?
这五个问题不是新的审计准则,而是本文提出的最低可复核结构。
四、与现有标准发展的关系
本文的“可验证性分层”与“双轴审计”并非来自现有审计准则,而是本文提出的制度框架。但现有标准的发展已经出现若干相邻方向。
PCAOB AS 2301仍明确要求审计程序根据重大错报风险设计,并明确要求:风险评估越高,审计师应取得越有说服力的审计证据。这支持本文保留“风险决定所需保证强度”的传统轴,而不是以技术取代风险导向。[1]
IAASB于2026年8月5日发布ISA 330、ISA 500和ISA 520修订征求意见稿,进一步强化原则导向、风险导向的审计框架,并明确回应数字环境、技术使用以及审计证据相关性与可靠性问题。这说明技术正在进入审计证据和风险响应的底层标准讨论,而不再只是外围效率工具。[2]
ISO 21378:2019建立了通用会计数据元素和审计数据提取框架,旨在使总账、应收、销售、采购、库存等审计数据减少对具体ERP系统的依赖;该标准在2025年再次确认有效。[3]
ISO 21926:2026进一步提出审计数据服务的语义数据模型,讨论如何把不同系统中的审计数据转化为统一的对象、属性和关联关系。它与本文所说“让AI连接事实、证据、过程和核算”并不等同,但表明跨系统审计数据标准化已经成为现实的制度与工程方向。[4]
这些进展证明的不是本文框架已经成为行业标准,而是一个更有限但重要的事实:风险导向审计仍然成立,同时审计数据、技术工具和数字证据正在成为专业标准必须正面处理的新基础条件。
[1] PCAOB, AS 2301: The Auditor’s Responses to the Risks of Material Misstatement
https://pcaobus.org/oversight/standards/auditing-standards/details/AS2301
[2] IAASB, Proposed Revisions for Audit Evidence & Risk Response: ISA 330, ISA 500 & ISA 520, Aug. 5, 2026
https://www.iaasb.org/publications/proposed-revisions-audit-evidence-risk-response-isa-330-isa-500-isa-520
[3] ISO 21378:2019, Audit data collection
https://www.iso.org/standard/70823.html
[4] ISO 21926:2026, Semantic data model for audit data services
https://www.iso.org/standard/86895.html
