大模型驅動審計信息化范式躍遷

本文系國家自然科學基金面上項目“面向國家審計的大模型訓練與知識增強研究”（項目編號：62472227）；江蘇省高校自然科學研究面上項目“面向審計效能提升的領域知識圖譜構建關鍵技術研究”（項目編號：24KJA520005）

一、引言

當前，以人工智能、大數據和云計算為核心的新一輪科技革命，正在全球范圍內重塑經濟社會治理格局。2018年5月，習近平總書記在中央審計委員會第一次會議上提出“堅持科技強審，加強審計信息化建設”，為新時代審計信息化工作指明了方向。在此背景下，科技浪潮深刻推動著審計信息化建設路徑的變革。傳統的審計信息化建設以“審計管理系統（OA）一審計作業系統 $$ 審計大數據分析系統”的線性建設模式，面臨三重瓶頸：其一，數據孤島阻礙監督效能，分階段建設導致系統割裂、數據碎片化，造成審計項目重復建設，尤其在處理工程審計、金融審計等多模態數據時覆蓋率不足；其二，規則引擎僵化滯后，現有系統過度依賴歷史數據預定義規則模型（如規則庫、舞弊標簽、合規閾值等），難以適應動態場景，且模型迭代頻繁、失效快、維護成本高昂；其三，響應機制存在時滯，傳統架構對政策調整與市場異動適應性不足。

大語言模型 （LargeLanguageModels，LLM）的突破性發展為破局提供了關鍵路徑：技術上，大語言模型憑借多模態融合能力可同步解析文本、表格及圖像（如合同、工程量清單）；架構上，基于Transformer（一種深度學習網絡架構）的端到端動態學習推動審計邏輯從“規則編碼”

向“語義理解”轉變。這凸顯了傳統線性路徑與大模型驅動的智能中樞架構間的根本沖突，亟須理論上的創新以揭示其范式躍遷機制。

綜上所述，本文提出審計智能“中樞范式”，并創新性設計“三層融合”機制重構審計流程，旨在填補審計信息化演進的理論空白，指導審計機構規避重復建設、降低試錯成本，實現從“跟跑”到“領跑”的跨越，為科技強審戰略落地提供兼具學術價值與實踐意義的系統性解決方案。

二、文獻回顧

在審計信息化建設中，傳統路徑與大模型為代表的新技術路徑目標高度趨同，均旨在提升審計效率與質量，強化線索挖掘、問題發現與風險預警能力。新技術通過整合審計管理、作業及大數據分析等傳統系統核心功能，推動審計智能化發展。例如，運用大模型構建審計知識圖譜，提升知識庫可用性與問答系統準確率，處理海量數據識別潛在風險，促進智能化工具更深層次嵌入業務實踐（徐超，2023、2025）。

然而，兩者架構與驅動邏輯存在本質差異。在架構層面，傳統路徑多為系統隔離的“煙囪架構”，協同受限；新技術則依托大模型作為“認知中樞”，聯動多智能體（如智能問答、問題定性等）協同作業（李鵬偉，2025）。在驅動層面，傳統路徑依賴預設“流程 + 規則”；新技術則以“數據 + 語義理解”為核心，通過自然語言處理與多模態分析實現認知躍遷。大模型展現出類人推理能力，可結合法規、案例與語境生成可解釋判斷建議（黃佳佳，2025），推動審計輔助從“信息補充”躍升至“認知輔助”。

綜上，新舊路徑目標一致，但實現方式標志著審計信息化從“工具輔助”邁向“智能引領”。隨著大模型在數據理解、跨模態推理與自主學習方面的突破，未來智能審計平臺將具備“人機共審”特征，實現技術協同到認知協同的跨越。

三、大模型驅動的智能審計新范式：以“中樞大腦”重構流程

（一）重構流程：“技術一流程一組織”三維度比較模型

在大模型驅動的智能審計新范式下，審計流程正經歷從傳統路徑向智能協同模式的根本性轉型。基于“技術—流程—組織”三維度比較模型（如圖1所示），可以系統揭示這一轉型的結構性差異與內在邏輯。在技術維度上，傳統審計依賴以規則引擎為核心的判斷機制，其能力邊界受限于預設邏輯與結構化數據處理；而大模型路徑則以語義理解為核心，構建具備上下文感知與知識推理能力的“語義中樞”，顯著增強對非結構化信息和復雜業務語境的處理能力。在流程維度上，傳統模式呈線性分段構建特征，導致各環節之間存在數據壁壘與協同斷點；大模型通過一體化聯動機制重構審計全流程，實現審計任務、數據與知識的動態融合與實時聯動，推動流程由靜態串聯向動態閉環演進。在組織維度上，傳統審計以人為主導，技術僅為工具性支撐，而在大模型路徑下，形成以人機協同為特征的新型組織結構，機器承擔高頻、高計算密度的任務，人類審計人員則聚焦于判斷性、策略性環節，實現從“技術工具”向“智能伙伴”的角色躍遷。總體而言，該比較模型所揭示的轉型邏輯表明，大模型不僅是審計流程的技術升級引擎，更是推動認知審計、動態審計與智能治理深度融合的結構性力量。

圖1 “技術一流程—組織”三維度比較模型

與大數據分析系統間的壁壘。這種融合形成全流程閉環控制：管理端動態生成審計方案并智能分配任務（如基于政策變化自動調整審計重點）；作業端實時解析多源數據并精準識別風險（如合同條款沖突檢測）；分析端則自動生成結構化報告并反饋優化建議（如邏輯校驗與風險預測）。

在數據層面，中樞依托Transformer多模態注意力機制突破數據孤島困境，實現文本（政策法規／合同條款）、表格（財務數據／工程量清單）、圖像（工程圖紙／票據掃描件）等異構數據的統一解析與關聯分析。通過融合合同文本與工程進度圖像數據，系統自動識別虛報工程量線索，同時提升跨模態證據鏈的挖掘能力。

在知識層面，中樞構建了“法規庫基礎規則→垂直行業語料（如百億級工程審計語料）一實時審計證據 $$ 模型微調 $$ 智能體迭代”的動態學習閉環，取代傳統靜態規則庫。該機制使系統能夠自主適應政策調整（如新會計準則實施后自動更新審計邏輯），并通過持續的專業化演進提升判斷精度。

（二）范式內核：智能中樞的一體化

大模型作為底層智能引擎，通過功能融合、數據融合與知識融合的“三層融合”機制，從根本上重構了傳統審計信息化流程（如圖2所示）。大模型驅動的智能中樞通過協同作用，在功能層面實現了管理、作業與分析的一體化整合，徹底打破傳統審計管理系統（OA）、現場作業系統

本質上，這三層融合共同推動審計信息化流程實現范式躍遷：其一，將離散系統整合為協同中樞，消除傳統OA $$ 作業 $$ 分析的線性傳遞損耗，使響應時延壓縮至分鐘級；其二，推動審計邏輯從規則匹配向語義理解躍遷，實現上下文推理與風險預測的維度擴展；其三，構建“數據輸入一知識沉淀—能力提升”的自主進化生態，形成可持續優化的智能審計能力。這種以動態閉環為核心的中樞架構，不僅解決了數據孤島、規則僵化與響應滯后等傳統瓶頸，更為科技強審戰略提供了可拓展的技術實現路徑。

圖2 “三層融合”機制重構審計流程

（三）路徑對比：三大關鍵優勢

以“中樞大腦”重構流程范式變革的核心在于，實現了對傳統線性建設模式的跨越式替代，并展現出三大關鍵優勢，傳統路徑與大模型驅動路徑的對比如表1所示。

首先，該范式實現了審計全流程的智能化覆蓋，顯著提升了效率與精度，跨越了傳統的漸進式建設階段。在審前階段，大模型能夠自動解析復雜的政策法規，并據此動態生成優化的審計方案，有效替代了傳統審計管理系統（OA）中基于靜態模板的計劃功能。在審中階段，其強大的實時處理能力可深入解析非結構化數據（如合同文本），精準識別條款沖突、參數偏離等潛在風險點，準確率可達 75% 以上，從而在很大程度上替代了傳統依賴人工抽樣和預定義規則模型的分析方式。在審后階段，大模型能夠高效自動生成結構化的審計報告（效率提升約 60% ），并智能校驗報告內容的邏輯一致性，融合了傳統作業系統與報告管理系統的核心功能，大幅縮短審計周期。

其次，大模型的多模態融合能力從根本上打破了傳統審計系統的數據壁壘。大模型能夠同步處理和分析文本、表格、圖像（如合同掃描件、工程量清單照片）等異構多源數據，實現了信息的深度關聯與洞察。實踐表明，多模態大模型可以直接打通傳統割裂的審計管理系統（OA）、審計作業系統和審計大數據分析系統之間的數據隔閡，構建統一的數據視圖，為綜合監督提供堅實基礎。

最后，基于Transformer架構的端到端動態學習機制取代了僵化的靜態規則引擎。通過垂直領域知識的持續注入（如在“審元大模型”等專業模型中訓練百億級工程審計語料），大模型能夠不斷自我優化其專業審計能力，靈活適應審計場景、政策法規和市場環境的動態變化。這種持續學習能力顯著降低了對預設規則模型（如規則庫、舞弊標簽、合規閾值）的依賴，避免了規則頻繁迭代、失效快及維護成本高昂的問題，使審計邏輯從刻板的“規則編碼”向更具適應性的“語義理解”躍遷。

（一）整體架構設計

四、大模型驅動的智能審計系統的構建與應用

智能審計大模型系統的整體架構采用數據層、模型層、應用層三層架構設計，聚焦大語言模型（LLM）與業務場景的深度融合，簡化層級劃分的同時確保功能完整性與擴展性，如表2所示。

表1 傳統路徑與大模型驅動路徑的對比

1.數據層是系統的基石，負責整合企業內部多源數據（如OA、財務、人力系統），通過API、多智能體協同等技術構建統一的審計知識庫，實現結構化與非結構化數據的實時抽取與標準化存儲。LLM在此層發揮語義解析能力，對合同文本、審計報告等非結構化內容進行智能分類、標簽化處理，并建立動態關聯（如將合同條款與財務付款記錄映射）。

2.模型層以LLM為核心引擎，結合OCR（光學字符識別）、CV（計算機視覺）等技術實現多模態智能分析。LLM通過知識圖譜構建動態審計知識庫（如關聯法規、案例與整改措施），并協同處理文本、圖像、表格等多模態任務（如解析航拍圖識別違建，或分析財務報表發現科目異常）。模型層還針對農墾集團業務場景進行輕量化微調（如優化術語識別），實時監控資金流水與整改進度，預測風險并觸發預警。

3.應用層聚焦業務落地，覆蓋審計全流程場景。LLM驅動智能計劃管理（如自然語言生成審計計劃）、自動化作業執行（財務異常檢測、招投標圍標分析）與閉環整改跟蹤（材料完整性校驗、責任鏈路生成）。模塊化設計支持快速擴展新場景（如地產審計），同時數據層預埋的外部接口能力（如稅務驗真）可直接服務于業務需求，確保系統靈活性與前瞻性。

（二）核心功能

1.審計知識庫智能體。

（1）多源數據采集智能體：構建非結構化數據和結構化數據的采集接口，為知識庫的構建提供有效的數據來源。

非結構化數據采集智能體：提供對PDF、掃描件、Word文檔等非結構化數據的接人功能，結合OCR和大語言模型技術實現內容解析與結構化轉換；結構化數據采集智能體：提供各類數據庫表單、Excel表單的數據接入功能。

（2）知識提取智能體：利用大模型，清洗原始數據并按需提取相應的數據構建知識圖譜。

數據清洗增強：利用大模型自動識別異常值、缺失值及語義矛盾，支持基于業務規則的動態糾錯（如財務科目邏輯校驗）；知識圖譜自動化構建：通過多模態大模型提取非結構化數據中的實體與關系，自動化構建相應的知識圖譜。

2.審計管理智能體。

表2 智能審計系統整體架構設計

（1）審計項目管理。

① 年度計劃管理：制訂／調整審計計劃，分配資源（人力、時間、預算）。

智能資源優化引擎：LLM分析歷年項目數據（人力投入／問題發現率／整改周期），推薦最優資源分配方案；動態預算模擬：基于歷史成本數據＋宏觀經濟指標預測，生成多版本預算方案（保守／中性/激進）；監管雷達：LLM實時解析最新審計法規，自動標注計劃合規風險點。

② 項目立項管理：創建審計項目，設定目標、范圍、時間節點。

風險自評估模塊：LLM自動解析立項材料，對比行業基準數據生成風險雷達圖；知識圖譜輔助決策：自動關聯歷史相似項目的問題庫、整改方案、審計報告；智能目標生成器：基于被審計單位畫像自動推薦審計重點領域和核心KPI。

③ 任務分派管理：分配審計組成員及角色（主審、協審）。

智能角色畫像引擎：通過成員歷史績效數據（問題發現率／整改率等）生成三維能力矩陣；多目標優化模型：考慮專業匹配度、工作負荷、團隊協作歷史等維度自動生成最優分派方案；實時彈性調整機制：智能體持續監控成員工作狀態（系統活躍度／任務延遲率），自動觸發人員調整。

④ 進度監控管理：甘特圖／看板式跟蹤項目進度，預警延期風險。

風險預測模型：LLM分析項目文檔溝通記錄，識別潛在延期信號（如頻繁變更需求／異常溝通延遲）；智能糾偏建議：當進度偏差大于閾值時，自動生成調整方案（增補資源/縮減范圍／流程優化）；BI可視化看板：根據統計條件，以BI可視化看板方式顯示審計項目的相關統計信息，如分類顯示歷年審計項目數、發現的問題數等；自然語言交互：支持語音／文字查詢（如“對比近三年工程審計問題類型分布”），自動生成動態可視化；智能洞察推送：發現異常模式時主動預警并生成分析看板。

（2）審計流程管理。

① 準備階段：包括資料預審（上傳被審計單位資料）、被審計單位畫像生成（生成被審計單位畫像）等。

智能資料采集：LLM推薦抓取被審計單位關聯系統數據（ERP/OA／財務系統）；風險熱力圖：基于行業特征與歷史問題庫，生成風險領域可視化圖譜（如采購環節高風險提示）；實施階段：包括工作底稿管理（在線編輯、模板化錄人），問題清單跟蹤（記錄審計發現、關聯證據附件），流程控制等；智能底稿助手：可自動填充重復字段（單位名稱／審計期間），LLM實時校驗底稿合規性；問題智能關聯：自動匹配相似歷史案例（“類似2022年 ×× 項目存貨問題”），證據鏈自動補全建議（“需補充2023年1—3月驗收單”）。

② 整改階段：包括整改任務派發（自動推送至責任部門）、智能整改閉環，自動生成整改意見等。

智能驗收機器人：多模態材料核驗（掃描件OCR識別 + 影像分析），邏輯矛盾檢測（整改報告數據與附件憑證不一致時預警）；影響度預測：LLM模擬整改措施對業務流程的連鎖影響（如財務流程變更對審批效率的影響預測）。

③ 報告管理：基于模板+LLM輔助生成審計報告初稿、歸檔管理各類審計報告等。

動態報告生成器：LLM自動提取關鍵數據生成摘要，并支持多版本報告生成（管理層版／董事會版／監管報送版）；智能問答引擎：支持對歷史報告的語義檢索（如“查找所有涉及關聯交易披露問題的報告段落”）。

3.審計作業智能體。

（1）財務審計（應收賬款審計）。

應收賬款動態監控與分類管理：自動生成賬齡分析表（ 30/60/90 天以上），按逾期時長制定差異化催收策略（如逾期30天郵件提醒，90天啟動法律程序），并結合客戶信用評級（如歷史回款率）動態調整賒銷額度。

壞賬風險預測與應對：利用大模型分析客戶經營數據（如財報、輿情），預測壞賬概率并建議計提比例，同步生成催收方案（如分期還款協議）。自動關聯法務系統，生成律師函或訴訟材料，跟蹤執行進展。

業財數據一致性校驗：對比銷售合同、出庫單、發票數據，識別虛增收入或重復記賬，確保應收賬款真實性。

（2）合同審計。

智能合同風險審查：利用大模型語義理解能力，自動識別合同條款中的法律風險（如付款條件模糊、違約責任缺失）、合規性漏洞（如違反行業監管規定）及邏輯矛盾，結合企業自定義規則庫（如風控閾值）生成風險報告。

合同要素自動提取與歸檔：通過OCR增強識別技術提取合同關鍵字段（甲乙方信息、金額、履約節點等），并轉換為結構化數據存入合同臺賬，實現動態追蹤。

履約監控與預警：建立合同執行跟蹤智能體，實時監控關鍵節點（如交付、驗收、付款），逾期自動觸發預警并推送至相關責任人，生成整改建議。

五、未來發展趨勢與挑戰

隨著行業垂直大模型（如審元大模型）的深度普及，審計信息化正加速向技術融合化、范式實時化與治理規范化三重維度演進。在技術層面，大模型將與區塊鏈構建的可信數據鏈、隱私計算實現的安全分析等技術深度耦合，形成多智能體協同的“可信審計網絡”，推動審計基礎設施由工具集向智能體生態躍遷。這一進程同時引發審計范式的根本性重構：審計人員角色從執行者向AI訓練師與決策監督者轉型，亟須掌握提示詞工程、模型校驗等新技能；業務流程則向動態化演進，如中石化“業審融合一體化平臺”已驗證實時審計（如動態監控財政資金流向）的可行性。然而，智能化深化亦伴生新型風險：數據安全方面需依賴私有化部署與聯邦學習機制解決敏感信息保護難題；倫理規范層面則需通過行業組織建立AI倫理標準，以防范算法偏見與誤判導致的監督失靈。未來發展的核心矛盾在于技術迭代速度（如多模態認知增強）與制度適應能力（如職業能力重塑、倫理框架構建）之間的動態平衡，這要求構建“技術一人才—制度”三位一體的協同治理體系，才能有效支撐科技強審戰略的可持續落地。

（作者單位：南京審計大學中國石油化工集團有限公司審計部，郵政編碼：211815，電子郵箱：xuchao@nau.edu.cn）

主要參考文獻

[1]黃佳佳，周立云，徐超.基于大模型的審計知識智能問答系統構建研究[]會計之友，2025（9）：24-30

[2]黃佳佳，朱浩然，徐超，等.大語言模型在審計判斷中的應用研究[].財會月刊，2025（6）：21-28

[3]李鵬偉，周立云，黃佳佳，等.審計大模型系統答案確定性與靈活性優化研究[]中國注冊會計師，2025（4）：45-51

[4]徐超.審計大模型的構建與運用[].審計 觀察，2023（11）：4-7

[5]徐超，劉子碩，周立云，等．審計知識圖譜的自動化構建：基于實體關系抽取的方法改進[J].財會月刊，2025（10）：34-39