点蓝字关注 设为星标 ☆ 优先赏阅
数据化审计 SmartAudit：问题导向、应用至上、解决痛点
AI大模型应用需要智慧，更需要智慧的运用。
在探索AI大模型应用场景时，我们往往带着强烈的结果导向思维，将重点放在寻找正确答案上，而不是先提出正确的问题。
这表现在，我们对大模型应用的探索主要集中在工作流的最后环节。例如，审计领域热衷于用大模型生成审计报告，开发领域专注于通过大模型快速编写代码，咨询领域期望利用大模型直接生成方案建议。
这种“拿来主义”式的应用思维，反映了我们对大模型能力和应用路径的片面理解。这种思维方式虽然直观，但却可能让我们错失大模型应用的真正价值。因为这种思维方式：
忽视了问题的根源分析
弱化了专业判断的价值
降低了创新思维的空间
限制了大模型的应用潜力
AI大模型应用，结果导向很重要，更需要“后退一步”思维。
“后退一步”思维
"后退一步"思维深深植根于系统思维理论，这种思维方式要求我们在面对问题时，不是直接寻找解决方案，而是先退一步审视问题的本质和系统环境。
四个核心特征
和“结果导向”思维相比较，“后退一步”思维具有四个核心特征：
整体性视角。任何问题都不是孤立存在的，而是嵌入在一个更大的系统中。例如，在审计工作中，单个财务异常背后往往涉及业务流程、管理制度、人员行为等多个维度的问题。只有采用整体性视角，才能真正理解问题的本质。
关联性思考。系统中的各个要素之间存在复杂的相互作用关系。正如复杂性科学家艾德加·莫兰所说："部分存在于整体之中，整体也存在于部分之中。"这要求我们在分析问题时，要特别关注要素间的相互影响和反馈循环。
动态性认知。系统是动态演化的，今天的解决方案可能成为明天的问题源头。这就要求我们在应用大模型时，不能仅仅关注当前的问题解决，还要考虑解决方案的长期影响和可持续性。
根源性分析。"后退一步"思维强调从表象深入到本质，从结果追溯到原因。这种思维方式可以帮助我们避免头痛医头、脚痛医脚的简单处理方式，转而寻找问题的根本解决之道。
看两个数字化审计实施过程中的例子：
审计报告生成
以审计报告为例，如果没有很好地发现问题，前期对问题没有深入理解，再怎么在报告生成这个环节努力，也无法生产出高质量的报告。
内部审计报告绝不仅仅是一份按照固定格式编写的文档。它是内部审计人员运用专业知识和职业判断，对组织内部控制、风险管理和治理过程进行系统评估的成果。报告需要清晰传达审计发现和建议，帮助管理层了解问题并采取改进措施。
在内部审计报告生成过程中，问题诊断和根因分析是一个极其关键的环节。
“后退一步”的思维是，我们如何从事实中发现问题背后的问题，找准问题的原因，思考可操作的审计建议。这些环节高质量解决了，生成一份高质量的审计报告就会迎刃而解。
审计人员不能仅停留在表面现象的描述上，而是要透过具体事实和收集的证据，运用专业知识深入分析问题背后的深层原因。
例如，在发现某个业务流程存在操作偏差时，需要追问：是否存在制度设计不合理？是否反映了考核机制的缺陷？是否暴露了管理层对风险的认识不足？这种深层次分析往往能够揭示出更具本质性的管理问题。大模型 | 用大模型辅助挖掘问题背后的问题
将零散的审计发现进行归类分析，识别出共性问题和典型特征；
运用系统思维，分析问题之间的关联性，找出导致多个问题的共同根源；
结合组织的发展阶段和管理特点，判断问题是否具有结构性和普遍性；
评估问题背后是否反映了更深层次的管理理念、组织文化或制度设计等方面的缺陷。
通过这种深入分析，审计报告才能真正发挥"诊断书"的作用，为管理层提供更具价值的改进建议。
这也是AI系统在辅助审计报告生成时需要特别关注的环节，需要设计专门的分析框架和方法论来支持审计人员的专业判断。
系统功能开发
数字化审计系统功能开发也是如此。当我们过分关注代码生成的效率时，容易忽视更为关键的需求分析和架构设计环节。
我们现在的问题并不是代码写得不优秀或不快，很多时候的问题是需求没有找准。
用“后退一步”的思维，我们首先应该解决找准真实的需求。目前在需求沟通过程中，业务和技术员之间的沟通会存在很多问题：
需求不清晰。可能是业务人员自己也没有想清楚，到底是需要一匹跑得更快的马，还是需要一辆汽车。
信息的降维。业务人员在讲需求想法的时候，可以滔滔不绝，讲很长时间，但当需求整理落实到纸面上的时候，由于各种原因，可能会写得比较简略，信息会丢失很多。
知识的诅咒。业务人员在讲需求的时候，可能天然地认为技术同事对业务的知识都了解，没有从技术实现的角度去讲解需求。
这三个痛点其实都可以借助于大模型进行辅助，大模型可以将需求进行挖掘（感知）、扩展（思维链），并用技术的语言表达出来（角色扮演）。
重构应用场景
最重要的不是把事情做对，而是找到正确的事情去做。
基于“后退一步”思维，大模型的应用场景需要重新构建。这种重构不是简单的技术升级，而是思维模式和应用范式的整体转变。
这些场景的重构，使得大模型能够更好地服务于审计工作的需要，提升审计质量和效率。审计人员可以将更多精力投入到需要职业判断的关键环节，实现人机协同的智能审计。
认知增强场景
认知增强是大模型最具革命性的应用方向。在这个场景中，大模型不再是简单的工具，而是成为人类认知能力的延伸和增强。
知识图谱构建。大模型可以帮助审计人员快速构建审计领域知识图谱，将分散的审计准则、法规政策、案例经验等信息组织成有机的知识网络。例如，构建会计准则、审计准则、内控规范等规则体系之间的关联网络，帮助审计人员更全面地把握审计要求。
因果推理能力。大模型通过分析历史审计数据，可以帮助发现异常交易背后的因果关系。例如，在舞弊审计中，这种能力可以帮助审计人员理解可疑交易之间的关联，识别潜在的舞弊链条。
模式识别。大模型能够从海量财务数据中识别出异常模式。例如，在收入审计中，可以识别出不符合行业特征或历史规律的收入确认模式，及时发现潜在风险。
预测性分析。通过对历史审计数据的深度学习，大模型可以对被审计单位的经营风险做出预警。例如，通过分析财务指标变动趋势，预测企业可能面临的持续经营风险。
分析增强场景
在分析增强场景中，大模型的作用是提升人类的分析决策能力。这种增强不是替代人类的判断，而是为决策提供更全面的支持。
多维度数据分析方面。大模型可以同时处理财务数据、业务数据、外部数据等多源信息，提供更全面的分析视角。例如，在存货审计中，模型可以同时分析存货明细账、出入库记录、采购订单、市场价格等数据，形成更可靠的审计证据。
复杂关系推理方面。大模型可以帮助识别和分析关联交易网络。例如，在集团审计中，这种能力可以帮助审计人员理解复杂的集团交易架构，识别异常的关联交易。
异常模式识别能力。大模型能够及时发现异常交易，例如，在收入循环审计中，可以识别出不符合商业实质的交易模式，帮助发现虚假收入。
风险预警预测方面。大模型可以通过整合财务和非财务信息，提前发现审计风险信号。例如，通过分析行业动态、舆情信息等外部数据，预警可能影响被审计单位的重大风险事项。
决策增强场景
决策增强场景是大模型应用的最高层次，它要求模型不仅能够提供分析，还能够辅助决策过程。
情景模拟分析。允许审计人员评估不同审计策略的效果。例如，在审计计划阶段，可以模拟不同的抽样方案，评估审计效率和风险覆盖度。
方案优化比较。使审计人员能够基于多维度标准评估不同审计方案。例如，在确定关键审计事项时，可以综合考虑重要性水平、风险程度、复杂性等因素，选择最优的审计关注点。
影响评估预测。帮助审计人员评估审计发现对被审计单位的影响。例如，在评价内控缺陷时，可以预测缺陷对财务报告可能产生的影响程度。
风险防控预警。能够实时监测审计过程中的风险信号。例如，在审计实施过程中，及时发现被审计单位提供的审计证据存在的矛盾或异常，提示需要补充审计程序。
结语
在AI大模型应用探索的征程上，“后退一步”思维提醒我们要跳出结果导向的思维定式，找准价值链关键环节，解决根源性问题。
正如老子所言："图难于其易，为大于其细。天下难事，必作于易；天下大事，必作于细。"
只有找准切入点，才能真正发挥大模型的价值，实现从工具应用到能力提升的跨越，推动组织在数字化转型征程中行稳致远。
（个人观点，不代表所在单位意见）
“致信金融资讯”致力于尊重版权，部分信息来源于网络，由于一些原因未能找到原作者，转载是出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性。如有涉及版权请及时与我们联系，我们会尽快与您协商解决！投稿邮箱：779898565@qq.com 微 信：13933885213。
