一、引言：背景与挑战

在证券公司的内部控制体系中，内部审计发挥着不可替代的重要作用。它不仅仅是对财务数据的核查，更是嵌入企业经营与战略管理的关键环节，对于完善治理结构、保障稳健运营、促进价值持续增长具有深远影响。

当前，数字化风潮正在席卷各行各业，审计领域也积极引入人工智能技术。通过深度融合审计与数字化、智能化技术，助力审计人员高效处理包括文本、图像、语音在内的多种审计数据形式，从而推动审计工作实现从“手工作坊”模式向“智能工厂”模式的转型。

不过，审计业务智能化转型面临诸多挑战。

其一，数据处理难题制约效率。券商业务数字化转型后，数据量爆发式增长，涵盖财务、交易等多源信息，且结构复杂，包含大量非结构化数据。海量复杂的数据让审计人员处理起来压力巨大，严重拖慢审计进度。

其二，风险识别能力短板明显。金融业务创新加速，风险愈发隐蔽复杂。传统审计依赖历史数据和抽样检查，难以全面、及时识别新型风险，像数据隐私泄露、跨市场操纵等。系统性舞弊行为借助多账户和复杂交易结构掩盖，传统方法发现异常模式的能力有限，存在新型风险“探测盲区”。

其三，知识管理与传承机制缺失。审计经验多靠个人积累和口头传递，缺乏系统化、结构化体系。新员工成长慢，资深经验难复用。同时，技术与业务存在断层，技术人员懂工具但缺业务洞察，业务人员懂审计逻辑却难转化为数据模型。“两张皮”现象导致审计创新不足，重复工作频发。

二、变革：人工智能赋能券商审计

（一）人工智能赋能的理论基础

人工智能赋能审计的理论基础主要源于信息加工理论、协同效应理论、模式识别理论和机器学习理论。这些理论为AI在审计中高效处理海量数据，提升审计效率与质量提供了坚实支撑。传统审计在面对大数据时效率低、易出错，而AI通过模拟人类的认知过程，利用机器学习对历史数据建模，识别风险与异常；同时借助NLP技术加强非结构化数据解析，进一步拓展审计信息来源。基于模式识别理论，AI能精准发现财务数据中的异常模式，有效识别潜在的欺诈行为或内部控制缺陷。在实际应用中，AI与审计数据、审计人员等要素协同，由AI承担数据收集、分析等基础工作，审计人员则凭借专业经验进行深度判断与验证，形成优势互补，为审计决策提供有力支持。

（二）审计作业全生命周期赋能

人工智能可贯穿审计作业的各个环节，实现全流程智能化支持。

审计准备阶段：人工智能可先行开展风险评估与预测，针对券商多样业务场景，构建风险识别体系，全面识别高风险领域，优化资源配置。并且能够快速整合数据，帮助审计人员收集整理背景资料，编制审前分析模型确定重点。结合多方面科学制定审计计划，解析法规，确定审计方法，确保工作精确。

审计实施阶段：人工智能能够对多源异构数据进行集成与标准化处理，构建审计数据集市，并运用异常检测、神经网络、时序分析等技术，实时识别异常行为。如员工委托交易审计中挖掘异常行为，利用神经网络技术发现潜在问题，还能分析财务数据找舞弊迹象，持续监控实时数据流，及时察觉异常。

审计报告阶段：利用自然语言处理，人工智能整合审前审中数据，精准提炼发现，自动生成条理清晰的审计报告，融合知识图谱增强逻辑性。结合知识库和案例，大模型生成针对性解决方案，还能为审计问题提供优化策略，如完善内控制度。

审计整改阶段：人工智能根据整改报告，持续追踪整改过程，确保问题解决，推动体制机制完善，实现闭环管理优化。同时能推动知识积累迭代，将异常模式、改进措施等录入知识库，高价值案例指导未来审计，提升效率与能力。

（三）审计知识沉淀与传承

审计工作具备复杂、多样与重复性特征，每次项目都积累了风险识别方法、问题解决思路等宝贵经验，但这些知识常分散于审计人员脑海或孤立文档中，难以系统整合利用。同时，规章制度、法律法规等知识资源数量庞大，检索效率低下，也难被审计人员迅速有效利用。

一、通过引入人工智能构建审计知识库，可对碎片化知识分类整理、系统存储，形成全面系统的知识网络，实现知识积累沉淀。借助大语言模型技术实现智能搜索与语义精准匹配，使知识库具备良好用户体验与便捷检索功能。以知识问答智能化形式，为审计人员即时推荐审计路径，将知识获取效率从小时级提升至秒级，促进审计工作快速高效开展。这既避免新入职人员花费大量时间熟悉业务，又降低其对资深人员的依赖，保障审计团队稳定运作。

二、通过大模型等机器学习算法，深度挖掘分析知识库中的数据、案例，剖析审计情况与业务风险趋势，为审计人员提供决策支持。如利用大语言模型对审计报告和案例语义分析，自动生成审计思维导图，助其快速了解行业热点与风险趋势。此外，智能审计知识库还能自动更新优化，持续监测分析审计实践数据，自动识别新风险点与审计方法并纳入知识体系，确保知识库紧跟行业前沿，为审计作业全生命周期赋能。

三、展望：券商审计的未来

随着人工智能与大模型技术的发展，券商审计正加速迈向数智化。面对审计存在的复杂业务分析、深度数据理解及决策支持等方面挑战，未来突破将聚焦几方面突破：一是提升大模型的业务逻辑建模能力，融合证券行业知识图谱与因果推断，实现跨部门风险识别与高解释性报告生成；二是开发垂直领域专属大模型，通过结合证券特定数据训练，精准适配经纪、研究等业务审计场景，如在研究业务审计中，通过专属模型剖析研报，自动评估合规性，提升效率与准确性；三是增强模型可解释性，如在异常交易检测等场景结合可解释性算法，呈现判断依据，便于审计人员验证与调整；四是构建动态学习机制，借助联邦学习等技术，在保障数据隐私前提下持续从各分支机构实践中优化模型，快速响应市场与监管变化。这些方向将推动券商审计向更高效、智能、可信的新阶段演进。

（作者彭藤、丁满泉、曾志凯、李焕华、汤洁、陈翠宜、丁慧芳任职于东莞证券股份有限公司）

（编辑 孙倩）