习近平总书记在主持中共中央政治局第十一次集体学习时系统阐述了“新质生产力”的内涵及其主要特征，强调科技创新是发展新质生产力的核心要素。随着人工智能（AI）技术的迅猛发展，从智能制造到金融科技等众多领域均展现出巨大的势能和潜力。在此背景下，证券公司内部审计与前沿AI技术融合创新，已成为审计赋能新质生产力发展的必然趋势，也为审计服务证券业务发展提供了有力保障。
AI技术是一种模拟人类智能的技术。在过去几十年里，得益于计算能力的提高、算法的进步以及海量数据的积累，AI技术取得了迅猛发展。AI的核心能力包括自动化、智能化的数据处理和决策。具体来说，AI中的机器学习能够通过海量历史数据进行训练，在不同情境中自动调整和优化模型，以获得更优的决策结果；深度学习则进一步提升了AI在处理图像、语言等非结构化数据的能力，大大扩展了其应用场景；自然语言处理（NLP）使得AI可以理解、处理和生成人类语言，为审计等资料密集型职业提供了新的解决方案。
传统的证券公司内部审计工作通常涉及大量复杂的任务，审计人员不仅需要具备深厚的证券、财务、法律等知识，还需处理交易数据、客户信息、管理数据等海量数据，以确保各环节的准确性与合规性。然而，审计方法主要依赖于人工操作，效率低下且容易出错，尤其是在面对每日增长的太字节（TB）级别的证券数据和日益复杂的法规环境时，审计工作面临诸多挑战。AI技术的崛起为应对这些问题提供了强有力的工具。例如，大语言模型可以根据证券业务特征和风险情况生成定制化的审计报告；检索增强生成（RAG）技术能够实时检索并整合最新的业务和管理数据，确保审计过程中的合规性；机器人流程自动化（RPA）技术则能够执行基于规则的重复性任务，减少审计人员在数据收集与处理阶段的工作负担。AI技术的这些优势能够显著提高审计效率、提升审计发现、降低操作风险，也能为审计人员提供智能化的决策支持。
本文将重点探讨AI技术在证券公司内部审计的三大核心应用：大语言模型、检索增强生成（RAG）和机器人流程自动化（RPA），以及介绍三大核心技术在证券公司内部审计中具体的应用场景。
大语言模型（Large Language Model）是一类通过大量文本数据进行训练的深度学习模型，其能够理解自然语言并生成文本，因而可以胜任多种自然语言处理任务，如文本分类、问答、对话等。自ChatGPT-3.5问世以来，大语言模型的性能持续更迭优化，在审计领域也展现了广泛的应用潜力。
利用大语言模型的文本生成能力，审计人员可以根据需求生成定制化的文本内容。同时，借助其多轮对话能力，用户可以与模型进行持续的互动与优化，从而逐步生成符合要求的文本。在编写审计报告时，内部审计人员可以提供审计底稿、报告模板及关键要点，大语言模型便可基于这些信息生成相应的报告草稿，从而显著提升工作效率。
作为一种审计的常规手段，大数据审计旨在提升审计覆盖率和审计效率，通常需要对审计任务数据库中的数据进行归纳整理并分析。结构化查询语言（SQL）是处理这些数据的常用分析工具，但由于SQL技术的使用通常需要一些编程知识，这限制了部分审计人员的操作能力。而大语言模型具备代码生成的功能，可根据用户的自然语言描述生成各种编程语言的代码和脚本，当然也可以生成SQL语句。借助这一功能，即使审计人员不具备编程经验，也能通过自然语言描述审计思路，使用大模型生成SQL语句并执行，从而获取到所需的分析结果，这显著降低了审计数据分析的技术门槛。
在企业内部审计实践中应用大语言模型前，数据和语料库的对齐是确保模型有效性的关键工作。数据对齐的核心目的是将模型的预训练数据集与企业所需的审计数据融合，提升模型在特定专业领域内的表现力。为实现这种对齐，企业通常可以采用领域特定的微调（Fine-tuning）和数据集融合等策略。领域特定的微调是指在企业内部审计数据上对模型进行额外训练，使其能够捕捉并应用审计领域特有的术语和文本风格，技术上这一过程通常涉及对模型参数权重的调整。这类微调借鉴了迁移学习的思想，即模型先在大规模的通用数据集上进行预训练，再在专门的审计数据集上进一步训练。数据集融合则是将企业内部审计数据与广泛的通用数据结合，可以增强模型对多样文本类型和不同领域知识的理解，这一过程涉及审计数据和通用数据的筛选、清洗及合并。通过领域微调与数据集融合等专业AI技术的应用，企业能够确保大语言模型在内部审计任务中的高效和精确，从而在专业领域内实现更加深入的数据分析和洞察。详细的审计领域大模型训练流程参见图1。
经过一系列审计领域数据的训练，大模型能够快速识别和提取文本中的关键信息，如重要的关键词、核心内容或特定的细节信息。审计人员可借助这一能力快速阅读大量文档，并聚焦于关键信息。例如，在证券公司内部审计中，财富条线的经济责任审计数量占比最多。内审人员通常需要查阅财富管理委员会及其下属众多营业部的工作计划、年度总结、决策记录等文档，旨在识别重要任务、关键决策和重大风险，这类工作往往需要耗费大量时间。大语言模型拥有文本提炼的能力，能批量处理这些文档，快速总结出核心内容并给出初步分析。使用大模型能够生成财富条线决策层的决策清单、讨论的风险事项、高频出现的重点工作，为深入审计提供重要参考。这一技术提升了审计人员对复杂数据和信息的处理能力，提高了效率。其他一些可能的审计大模型应用参见表1。
大语言模型在处理高度专业领域时可能存在一定局限，如生成不正确信息或生成“幻觉”内容，缓解这些局限的一种方法是检索增强生成（RAG）。它通过结合大型语言模型的生成能力与外部数据的实时检索，显著提升了工作效率和准确性，在审计领域展现了较大的应用潜力。首先，RAG能够依托于一个庞大的数据库，结构化存储审计人员所需的文档。在内部审计中，RAG可与证券公司内部数据系统连接，预先处理大量数据并存入数据库，帮助审计人员实现快速、精准的检索。此外，审计人员还需处理诸如合同、财务报告和交易记录等非结构化数据，RAG也能快速处理这些不同格式的文件，如图片和表格，并从中检索出所需信息。RAG的核心依赖于大语言模型，其赋予了RAG强大的自然语言处理能力。在审计过程中，RAG可以根据审计人员提出的问题或关键词，提供实时的语言交互支持，从而可以快速获取所需的审计信息，在确保数据准确性与合规性的同时也极大地提高了工作效率。详细的RAG工作流程参见图2。
与传统的AI模型相比，RAG不只拥有大模型的预训练数据，还能从外部知识库检索最新的相关数据，确保生成内容包含实时更新的审计资料，如最新的监管政策、财务数据或市场趋势等。传统AI模型因其训练数据的时效性限制，容易因信息过时而无法准确使用，或者需要频繁重新训练，而RAG的动态数据访问能力能够有效克服这一局限，确保生成的审计报告与当前法律要求保持一致。在证券行业中，法规时常变动，RAG的这一优势显得尤为关键，它能够减少信息滞后带来的风险。而在风险评估与异常检测方面，通过从多种来源获取最新的企业财务记录、法规数据库和市场数据，RAG能够为审计人员提供实时的风险评估报告。它能够迅速识别与行业标准不符的交易或可能违反最新法规的业务活动，帮助审计人员迅速定位潜在的风险点。
RAG在提高审计效率和准确性方面具有显著优势，但其有效性仍依赖于高质量的外部数据源和强大的技术支持。为了确保RAG系统能够持续提供准确的检索结果，证券企业还需要建立和维护一个高效的向量数据库，用于存储和检索文本嵌入。此外，RAG在处理复杂数据时可能需要采用特定的数据切分方法，部分数据还需人工标注和处理，这在技术实现上存在一定挑战。尽管如此，RAG依然为业务类型丰富且复杂的证券公司内部审计工作提供了智能化、数据驱动的工具，能够通过提升风险评估能力、合规性分析水平和动态精准报告生成，助力于审计揭示风险。
机器人流程自动化（RPA）技术是一种通过软件配置于系统中的自动化工具，能够依据预设的业务规则和工作流，执行大量高频、重复性的操作任务，同时实现与多个系统或应用程序的界面层交互，完成跨系统的数据处理和操作。作为一种基础的自动化技术，RPA具备多项显著优势。首先，RPA以非侵入性方式实现自动化操作，仅在系统的表示层上执行，不干扰被审计单位的底层信息系统结构或业务逻辑。其次，RPA是一种高度用户友好的自动化工具，操作人员无需深入的IT或编程知识即可上手操作。此外，RPA能够高效实现业务流程的自动化和审计任务的自动串联，通过将分散的、独立的业务节点无缝连接，构建端到端的流程自动化方案，提升审计操作的整体效率。
RPA在审计领域中已有许多成熟应用，并彰显出卓越效能，尤其是在数据自动化采集方面。证券公司内部审计中，RPA能够依据预定规则从CIF（客户信息系统）、交易系统、财务系统、投行底稿系统、OA等众多平台自动抓取审计所需数据，并直接将结果录入审计底稿，内审人员仅需耗费极少时间检查由RPA生成的底稿，有效规避了人工重复提取数据所引发的低效与错误。这种自动化的数据采集能力，大幅降低了审计人员与被审计部门的沟通成本，进而全身心投入更具策略性与分析性的工作当中。另外，通过与OCR（光学字符识别）等技术相融合，RPA还能处理诸如开户资料、双录视频、上市申请书、决策会议纪要、招股说明书等非结构化信息，RPA能够依照预设的审计规则持续抓取审计证据，这种自动化搜集审计证据不仅缩短了审计周期，还提升了报告的准确性与及时性。在投资银行业务审计中，RPA助力审计团队将单个审计证据的获取时间从40分钟锐减至30秒以内，文档编制时间缩减到原来的1/3，审计效率与效能得到显著提升。此外，RPA还能够持续自动化监测系统变化，及时向内审人员发出系统更新可能导致数据问题的提醒，在信息技术管理审计中发挥灵活高效作用。
RPA技术从2014至2015年之间开始兴起，随着近年来AI技术的进步，现在将RPA技术与大语言模型等新兴技术相结合是切实可行的数智化发展趋势。这种结合为AI审计工作带来互补性优势：RPA技术通过预设编码执行特定任务，适用于高度重复、规则明确的流程自动化，但其业务范围受限于既定规则，缺乏预测、规划和深层次分析的认知能力。而大语言模型等AI技术则为RPA提供了认知和分析层面的支持，具备自我迭代、自我学习和自我优化的能力。通过持续接收海量数据，AI增强了审计软件的知识储备，并可基于数据案例进行规范性分析，从而能够改进、优化操作流程。同时，获得最新AI能力支持的RPA技术可以具备多任务编排和处理能力，使审计流程真正实现端对端的流程自动化。
为了确保人工智能技术在审计中的成功应用，必须全面识别并应对其中的多重挑战。首先，在数据采集、处理和分析过程中，数据安全与隐私保护始终是核心问题。审计涉及证券公司大量客户、资产和交易信息，因而需要构建健全的数据安全管理体系，配备先进的技术防护措施，以确保数据的完整性与保密性。其次，审计业务通常跨越多个部门和领域，高效的跨部门协作与信息共享机制至关重要，要实现AI审计的全面落地，防止潜在的数据泄露与滥用风险，审计部门需要按照《生成式人工智能服务管理暂行办法》等规定，确保将合规性始终贯穿于AI技术使用的每个环节。第三，随着人工智能技术的持续发展，新兴算法和模型不断涌现，若想持续保持AI在审计中的先进性，需要内审部门紧跟技术趋势，定期升级和优化审计工具，以应对快速变化的技术环境。
此外，审计数智化的发展并不能完全取代审计人员，这主要基于以下三点。首先，新兴AI技术仍在高速发展，技术的不确定性可能带来尚未预知的风险，审计人员需协调应对各种异常情况，以确保审计系统的稳定。其次，智能审计虽能替代部分常规操作，但缺乏人类独有的判断力、创造力等复杂认知能力，在一些复杂情境中仍需依赖审计人员过往的经验。最后，审计工作通常涉及多方主体的沟通交流，只有通过人际互动才能深入挖掘审计证据背后的行为动机，洞察更深层次风险。AI审计系统更应作为传统审计工作的辅助工具，以确保审计结论的全面性和可靠性。
审计人员与AI技术的协同合作将成为应对复杂审计任务的重要方式，这也对审计人员的专业素养提出了更高要求。审计人员不仅要与时俱进，积极学习并掌握最新的AI技术，如大语言模型的提示词编写、检索增强生成（RAG）技术等，以提升在数据分析、风险识别中AI技术的应用能力，同时也需不断积累专业经验，巩固审计知识基础，提高自身的专业判断能力。这样的复合型技能组合将使审计人员在数字化环境中发挥出更大的价值。
展望未来，人工智能技术与审计业务的深度融合将是职业发展的必然趋势。通过持续的技术研发与创新，提升审计人员的技术素养，审计工作将能够有效应对数字化转型过程中的各种挑战。此外，制定与完善相关的法律法规框架与合理的风险控制措施，将推动AI技术在审计工作中的深层次应用，不仅能够提升审计效率和准确性，而且能够为金融行业守住不发生系统性风险提供坚实保障。未来，我们有理由期待更多具备创新性的AI技术在审计领域的广泛推广，为智能审计的发展开辟更为广阔的前景，并以此来促进防范化解各类金融风险，增强证券业务、资本市场发展的韧性。
文章摘自《中国内部审计》杂志2025年第1期
作者：曾勇华 曹立凡 周立炜 郑为峰
单位：东吴证券股份有限公司
编辑：孙哲