ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ ОЦЕНКЕ АУДИТОРСКИХ РИСКОВ

Аудит как профессия переживает одну из наиболее значительных трансформаций за свою историю — и причиной тому служат не изменения законодательства, а появление инструментов искусственного интеллекта, принципиально расширяющих аналитические возможности специалиста. Применительно к оценке аудиторских рисков это особенно ощутимо: именно здесь сосредоточена наибольшая неопределённость и цена ошибки максимальна.

Аудиторский риск, согласно МСА 200, представляет собой риск того, что аудитор выразит ненадлежащее мнение в случае, когда финансовая отчётность содержит существенное искажение. Он складывается из трёх компонентов: неотъемлемого риска, риска системы внутреннего контроля и риска необнаружения [3]. Традиционный подход к работе с этими компонентами опирался на профессиональное суждение аудитора и выборочные процедуры — что само по себе оставляло пространство для ошибки: выборка в 5–10% документов по определению не даёт полного охвата.

Объём финансовых данных, с которыми работают аудиторы, за последние годы вырос настолько, что выборочная проверка перестала обеспечивать приемлемый уровень аудиторской уверенности. Схемы искажения отчётности усложняются, и их распознавание требует аналитических возможностей, выходящих за пределы человеческих. В этом контексте технологии ИИ становятся не просто удобным дополнением, а необходимым инструментом.

Технологии искусственного интеллекта в оценке аудиторских рисков

Применение ИИ в аудите охватывает несколько технологических направлений, каждое из которых решает конкретную задачу в рамках оценки рисков.

Машинное обучение (ML) занимает центральное место. Модели обучаются на исторических данных — финансовой отчётности, транзакционных журналах, результатах предыдущих проверок — и формируют статистическое представление о норме для данного типа организации и отрасли. При анализе новой отчётности отклонение, превышающее установленный порог, фиксируется как потенциальная зона риска. Принципиальное отличие ML от правиловых систем состоит в том, что модель самостоятельно выявляет закономерности, не требуя явного программирования каждого правила [1].

Обработка естественного языка (NLP) решает задачу анализа неструктурированных данных: текстов договоров, пояснительных записок, корпоративной переписки. Алгоритмы NLP выявляют семантические противоречия между документами, фиксируют нетипичные формулировки в стандартных разделах отчётности, классифицируют контракты по степени риска. Для аудита раскрытий — традиционно трудоёмкой процедуры — NLP обеспечивает масштабируемость без потери содержательности [4].

Системы обнаружения аномалий (Anomaly Detection) не требуют знания о том, как именно выглядит мошенничество. Они выявляют всё, что статистически выбивается из общей картины: транзакции в нерабочее время, операции с нетипично круглыми суммами, аномальную частоту определённых видов записей. Это делает их особенно ценными для обнаружения новых схем, не описанных в существующих правилах [2].

Предиктивное моделирование позволяет оценивать вероятность существенного искажения на уровне отдельных статей отчётности с учётом внутренних характеристик организации, отраслевых тенденций и макроэкономических факторов. На этапе планирования аудита это даёт возможность сформировать риск-ориентированную программу, концентрируя ресурсы в зонах с наибольшей вероятностью проблем.

Платформы и их применение: международный и российский опыт

Крупнейшие международные аудиторские сети разработали собственные платформы на основе ИИ, превратив их в стратегическое конкурентное преимущество. Deloitte Argus специализируется на анализе генеральной совокупности документов вместо традиционной выборки: система обрабатывает миллионы счетов-фактур и контрактов в автоматическом режиме, выделяя статистически нетипичные позиции. PwC GL.ai ориентирована на анализ журналов бухгалтерских проводок — система выявляет паттерны, характерные для манипулирования данными: проводки в нерабочее время, нестандартные корреспонденции счетов, аномальную частоту однотипных операций [5]. KPMG Clara обеспечивает отраслевое бенчмаркирование: автоматическое сопоставление показателей проверяемой организации с агрегированными отраслевыми данными.

В российской практике интеграция ИИ в аудит находится на более ранней стадии, однако движение в этом направлении уже обозначилось. Отечественным аналогом аналитических модулей для работы с бухгалтерскими данными выступает «1С:Аудит» — надстройка над широко распространённой учётной системой 1С, позволяющая автоматизировать сбор и первичный анализ данных клиента. Компании ФБК, Kept и «Технологии Доверия» ведут разработку собственных аналитических инструментов, адаптированных к особенностям российского бухгалтерского учёта и отчётности по РСБУ [5]. Уход крупных международных сетей с российского рынка в 2022 году придал этому направлению дополнительный импульс: потребность в качественных отечественных решениях стала очевидной.

Практические результаты и ограничения

Автоматизация рутинных аналитических процедур сокращает трудозатраты на первичный анализ данных на 40–60%, высвобождая ресурс для задач более высокого уровня: работы с системой внутреннего контроля, профессиональных суждений по спорным вопросам, взаимодействия с руководством клиента. На содержательном уровне ключевым преимуществом является переход к сплошному анализу: статистическая вероятность того, что существенное искажение останется вне поля зрения аудитора, при корректно настроенной модели стремится к нулю [1].

Вместе с тем у технологии есть принципиальные ограничения. Качество модели полностью определяется качеством обучающих данных: смещённая или неполная выборка влечёт систематические ошибки. Нейронные сети, обеспечивая высокую точность, работают как «чёрный ящик» — они не могут объяснить логику своих выводов, что противоречит требованию МСА об обоснованности аудиторских суждений. Существует и задокументированный психологический эффект — automation bias: аудитор, привыкший доверять результатам системы, постепенно снижает интенсивность собственного критического мышления [2].

Важно понимать, что все перечисленные технологии выполняют функцию аналитического фильтра, а не инструмента принятия решений. Алгоритм формирует перечень зон повышенного внимания — аудитор оценивает каждую из них самостоятельно. Это соответствует МСА 315, устанавливающего, что ответственность за оценку рисков существенного искажения несёт аудитор, а не применяемые им инструменты.

Заключение

Применение искусственного интеллекта при оценке аудиторских рисков — не экспериментальное направление, а формирующийся профессиональный стандарт. Ведущие аудиторские сети уже перешли от пилотных проектов к системной интеграции ИИ-платформ; в российской практике этот процесс набирает темп, подкреплённый как технологическим прогрессом, так и рыночными изменениями последних лет.

Технологии ИИ меняют механику аудита: сплошной анализ вместо выборки, автоматическое выявление аномалий, работа с неструктурированными текстами — всё это расширяет возможности аудитора там, где возможности человека объективно ограничены. Вместе с тем ограничения технологии делают профессиональное суждение не менее, а более важным. Алгоритм указывает на аномалию — аудитор решает, что с ней делать.