ИИ в работе внутреннего аудитора: практика и оценка

К истокам

На заре зарождения искусственного интеллекта никто и подумать не мог, какие возможности он предоставит. Начиная свой карьерный путь аудиторской «большой четверке», я столкнулся с использованием  искусственного интеллекта в аудите и консалтинге. Изначально модели ИИ были обучены на данных двух- или трехгодичной давности, что не позволяло использовать их функционал для выполнения рабочих задач. Более того, уже тогда нам, молодым аудиторам, было очевидно, что данные, которые мы загружали в нейросети, оставались на серверах американских компаний, и дальнейший путь этих данных нам никто предоставлять не собирался. Таким образом, уже в 2021 году стало понятно, что далеко не вся информация должна безответственно попадать в поле зрения ИИ. 

С течением времени модели ИИ и нейросети обновляли свои возможности, и в какой-то момент профессиональное сообщество начало говорить о возможной перспективе замены некоторых профессий искусственным интеллектом. В частности, речь шла о бухгалтерах, некоторых экономистах и аудиторах, как внешних, так и внутренних. Пока об этом речь не идет.

Возможности ИИ во внутреннем аудите

Основным концептуальным преимуществом использования нейросетей в работе внутреннего аудитора является делегирование части задач ей. Нейросеть дает возможность аудитору не концентрироваться на технических вопросах работы, например, на анализе массивов данных, но позволяет фокусироваться на более важных стратегических задачах, которые могут значительно увеличить эффект от проведения проверки.

Например, я использую ИИ для проведения обезличенных анализов в случае, если мне надо посчитать отклонения, приросты и иные показатели. В таком виде нейросети полезны как для аудиторов, так и для финансовых аналитиков и иных специалистов, которые работают с большим количеством данных, требующих ручного анализа.

Кроме того, ИИ бывает очень полезен во время планирования будущей аудиторской проверки. В своей практике я несколько раз применял эту технологию с целью дополнения собственных выводов. Следовательно, этот инструмент можно и разумно применять в тех случаях, когда у аудитора закончились собственные пункты для внесения в план проверки. 

В то же время не стоит полностью полагаться на ИИ в вопросах защиты данных, в связи с чем я переформулирую запросы таким образом, чтобы они не отражали настоящей сути проверки. Например, в одной из последних проверок, связанных с перевозкой сотрудников на предприятии, ИИ на основе моих записей помог сформировать опросник для персонала, по которому проверка проводилась в некоторых других юридических лицах холдинга.

Также мне известен случай из практики, когда ИИ был применен для анализа данных в сельскохозяйственном секторе, в частности, при подсчете крупного рогатого скота. В данном случае оператор управляет дроном с фотокамерой и фиксирует поля и пастбища, на которых находится скот. Далее ИИ обрабатывает полученные фотографии и подсчитывает реальное количество рогатого скота на пастбище. 

Такая методика начала применяться после нескольких повторных проверок силами сотрудников, которые позволили подтвердить точность подсчета при помощи ИИ. Так что уже можно утверждать, что использование ИИ в данной задаче упрощает работу сотрудникам внутреннего аудита, а также исключает фактор человеческой ошибки.

Необходимо также упомянуть способность ИИ видеть риски бизнес-процессов. В данном случае ИИ также используется в качестве инструмента планирования и анализа данных, полученных в ходе аудита. По моему мнению, список рисков, который сформирует ИИ, должен быть изучен, поскольку иногда там может быть такая позиция, с которой внутренний аудитор и не рассматривал ситуацию. 

Риски ИИ во внутреннем аудите

Если же говорить о рисках использования ИИ, в первую очередь стоит помнить о безопасности данных – как личных, так и корпоративных. Надо учитывать, что даже отечественные нейросети являются разработками сторонних компаний, которые, безусловно, заинтересованы в сборе наибольшего количества данных о других организациях. В то же время и иностранные нейросети, как правило, разработаны компаниями из недружественных стран. И своей целью нахождения в России они могут ставить сбор корпоративных данных о наших компаниях. Если говорить в общем, то не стоит загружать в нейросети чувствительную корпоративную информацию, поскольку теоретическая утечка данных может привести к колоссальным потерям.

Другой риск заключается в том, что нейросети не содержат в себе информацию за последние два-три года. Если, например, вы захотите узнать емкость рынка молока в России, то, скорее всего, данные, предоставленные вам нейросетью, будут неточными и неактуальными, поскольку новейшей информации она не знает. Таким образом, нейросети не подходят для проведения полноценного анализа рынков, если предполагается получение наиболее актуальной информации. При этом существует способ облегчить себе работу: например, можно использовать нейросеть для выведения алгоритма подсчета емкости рынка в качестве примера. Вот результат, который  зарубежная нейросеть  выдает на такой запрос:

Алгоритм расчета объема рынка молока (в денежном выражении)

Основная формула:

Объем рынка (₽) = Численность населения × Среднее потребление молока на человека в год (л) × Средняя цена реализации 1 литра молока (₽)

Промежуточные формулы:

Среднегодовое потребление молока на человека:

Потребление на человека в год (л) = Потребление в день (л) × 365

Общий объем потребления молока:

Объем (л) = Население × Потребление на человека в год

Оценка в рублях:

Объем рынка (₽) = Общий объем (л) × Оптовая (отпускная) цена за литр

Альтернативная оценка через производство:

Объем рынка (₽) = Число коров × Средний удой (л/год) × Доля реализуемого молока × Цена реализации (₽/л)

Такая методика может быть очень полезна, если аудитор хочет разработать алгоритм или полноценно оценить рынок. При этом отмечу, что подход к расчету объемов рынка примерно повторяет такой ход мышления, которым пользуются консультанты из  «большой тройки» . Так что при грамотном запросе нейросеть способна облегчить работу аудитора и перевести ее в плоскость стратегии.

Заключительным риском использования нейросетей мне представляется необходимость их дозированного эффекта. В данном случае я имею в виду, что аудитор не должен руководствоваться только ответами нейросети или основывать свою проверку или иной этап аудита непосредственно на том, какой ответ ему выдает нейросеть.

Во-первых, ИИ все еще не является идеально точным инструментом для выполнения таких задач и может ошибаться. Во-вторых, постоянное использование нейросетей грозит ухудшением критического мышления самого специалиста, что может негативно сказаться как на итоге проверки, так и на ценности и компетентности самого сотрудника.

Если обобщить, то нейросети способны облегчить выполнение рутинных задач, однако всегда нужно держать руку на пульсе и иметь в виду негативные стороны использования этих инструментов, в частности, соблюдать принципы информационной безопасности, использовать нейросеть в качестве вспомогательного инструмента и применять в работе критическое мышление. При таком подходе ИИ способен стать очень удобным дополнением в работе аудитора, а также значительно повысить его эффективность, скорость работы и результативность проверок.