人工智能（AI）正深刻改变内部审计的作业模式。从交易级异常检测到持续性监控，AI相较传统审计方法在洞察时效性与覆盖广度上均展现出显著优势。然而，现实挑战在于：多数利益相关方未能充分理解AI的运行机理，亦缺乏对其输出结果的信任依据。

若您的治理层、高管或业务负责人将AI审计视为“黑箱”，此乃普遍困境，并非个例。

值得关注的是，COBIT框架通过“EDM05：确保利益相关方参与”这一治理目标，提供了可行的解决路径。该控制目标若运用得当，能够有效弥合复杂AI工具与其输出结果使用者之间的认知断层。

以下将阐述如何使AI驱动的审计兼具可理解性与可信赖性。

始于期望，而非技术

组织在引入AI审计时最常见的误区，是以技术方案作为沟通起点。正确的做法应以需求对话为开端：

• 利益相关方最为关切哪些风险？

• 其在哪些决策环节面临困难？

• 其对AI应用存在哪些顾虑？

在此基础上，将AI能力转化为通俗的业务语言。

• 例如，避免使用“我们正在部署异常检测模型”此类技术表述

• 而应表述为“我们利用AI对全部交易进行扫描，并自动标记异常活动以供后续审查”

这个转变虽简，却能使AI更像一种工具，而非难以理解的神秘黑箱。

以业务领导者视角沟通，而非数据科学家

不同层级的利益相关方所需的信息粒度各有不同。

• 面向董事会及审计委员会，应侧重风险、趋势及总体成果；

• 面向高管层（如CFO/CIO），应突出业务影响与运营洞察；

• 面向审计团队内部，则需提供深度的技术细节与支持性文档。

贯穿始终的关键原则是：将AI输出结果与业务价值联系起来。

例如：

• “检测到230万美元异常交易”为合格表述。

而“识别出230万美元高风险交易，据此降低了潜在舞弊风险敞口”则为更优表述。

同时，应避免向利益相关方灌输过多技术术语——若其无法用自己的语言复述，则说明信息传递已超出可理解边界。

追求可解释性，而非仅关注准确性

准确性本身不足以构建信任，可解释性才是建立信任的基石。

当AI标记出异常事项时，利益相关方应能理解其判定逻辑：

• 该交易是否超出正常波动区间

• 是否绕过了既定审批控制

• 是否偏离了历史行为模式

清晰说明判定原因能够将AI从“黑箱”转化为有效的决策支持工具。

通过透明度建立信任

信任不会自动建立，而是需要一步步赢得。以下三项措施可供实务参考：

1、坦诚说明模型局限性。

• AI并非完美无缺，其输出存在误报率，且高度依赖输入数据的质量——此点应在项目启动之初即明确告知。

2、展示治理机制如何发挥作用。

利益相关方应知悉：

• AI模型的归属责任方是谁？

• 模型性能如何接受持续监控？

• 变更流程如何经过审批？

此等信息能够强化AI处于受控状态、并非无约束运行的认知。

3、展示模型公平性

• 偏见测试不仅是技术验证环节，更是建立信任的关键活动。

• 应以简明方式分享测试结论，如“我们在各区域分别测试了模型，结果显示准确率保持一致”。

• 透明度是赢得公信力的有效路径。

借助敏捷方法维持利益相关方参与度

若审计流程中已采纳敏捷或Scrum方法，则具备天然优势。

可充分利用以下环节：

• 通过Sprint规划会议对齐优先级

• 通过Sprint评审会议展示审计发现

• 通过回顾会议收集反馈意见

此举可形成持续的反馈闭环，使利益相关方不仅处于知情状态，更能深度参与审计进程。

形成闭环：彰显反馈价值

行动是建立信任的最快路径。

若利益相关方反馈：

• “仪表板过于复杂”——则应予以简化；

• “我们无法理解相关指标”——则应优化可视化呈现；

• “误报率过高”——则需调整模型参数。

之后，应将改进结果主动通报相关方。

当利益相关方观察到其意见被实际采纳并体现于系统变更时，其参与意愿与信任水平将同步提升。

衡量关键要素

欲改善利益相关方参与度，须对其进行量化跟踪。

管理学界有言：无法衡量，则无法管理。

建议重点关注以下衡量维度：

• 利益相关方对审计报告的满意度

• 对AI输出结果的理解程度

• 对AI驱动审计发现的信心水平

若利益相关方对结果缺乏信任或理解不足，则纵然模型性能优异，亦难以转化为实际业务价值。

结语：AI的成功取决于人，而非技术本身

AI具备变革内部审计的潜力，但这一潜力的兑现以利益相关方的信任为前提。

COBIT框架中的EDM05治理目标提醒我们：治理的核心不仅在于系统与工具，更在于人、沟通与协同一致。

若能在清晰期望、简明沟通、透明实践与持续反馈四个维度上着力，则AI驱动的审计完全可以摆脱“黑箱”印象，成为值得信赖的战略性资产。

在审计职能中实施AI时，请勿仅关注“模型是否运行正常”。

——更应追问“我们的利益相关方是否理解并信任它”。

这才是真正业务价值的起点。