【编者按】以ChatGPT和Deepseek为代表的人工智能大模型能否赋能以及如何赋能审计工作以提高财务舞弊发现能力是注册会计师行业关注的重点问题之一。对此，叶钦华博士和黄世忠教授撰写了“AI大模型赋能财务舞弊识别的实践探索”一文。论文基于“天健财判”反舞弊系统与Deepseek的融合应用，介绍AI大模型赋能财务舞弊识别的应用场景，分析应用效果。研究结果表明，AI大模型在智能数据采集和智能人机交互的应用方面，显著提升了财务舞弊识别系统的效能，但在反舞弊规则模型优化的应用方面，效果远不及预期。论文认为，“人机协同”将是AI时代的反舞弊新模式，AI是反舞弊专家的智能助理而非替代者。AI将对注册会计师行业产生深远影响，会计师事务所及其注册会计师必须因应AI时代的变革，借助AI技术赋能反舞弊，提高审计工作的技术含量。论文发表于《中国注册会计师》2025年第3期，是国家自然科学基金项目“基于利益相关者视角的财务舞弊识别及应用”（项目编号：72172135）的阶段性研究成果。
AI大模型赋能财务舞弊识别的实践探索
叶钦华¹ 黄世忠²
（¹厦门天健咨询有限公司；²厦门国家会计学院）
人工智能技术已经从理论研究走向实践应用，正在推动新一轮的转型升级。2022年11月以来，以ChatGPT、DeepSeek为代表的人工智能大模型（以下简称“AI大模型”或“大模型”）持续取得突破，推动第三代人工智能从感知走向认知、从判断式AI走向生成式AI乃至推理式AI，特别是AI大模型能理解并生成人类语言、大幅提高了多维数据提取、解读及结果推理能力，已逐步赋能工业、医疗等行业，在会计及审计行业的运用也日益普遍¹。实务中，国内外大型会计师事务所及咨询公司已开始探讨并尝试人工智能在审计工作中的应用，例如厦门天健财智科技有限公司所开发的天健财判.财务智能预警系统（简称“天健财判”），帮助监管机构、中介机构及投资机构等以指数级别的方式提升财务舞弊识别效率和效果，并促使舞弊识别由事后查处升级为事中识别和事前防范。学术上，已有研究表明（Amy Zang等，2025；陈信元等，2023；龙志能等，2024；黄小忠等，2024；黄世忠，2024；叶钦华和黄世忠，2024；杨寅，2024），人工智能审计作为审计工作与人工智能技术相结合的产物，正逐渐改变着传统的审计模式和方法。但是，人工智能审计从数据、模型及应用等方面仍存在数据处理成本、模型黑箱不可解释性以及大模型“幻觉”等挑战及难题。随着Deepseek大模型及Manus智能体的持续问世，大家不禁会问：AI大模型对财务舞弊识别到底会产生哪些影响？AI大模型会不会对风险导向审计产生重大影响与逻辑变革？AI大模型会不会颠覆审计？这些思考已成为学界与业界需要共同回答的问题。鉴于此，本文拟借助于天健财判接入Deepseek的应用实践，解析AI大模型赋能反舞弊应用的技术路径以及应用效果，并提出AI大模型在反舞弊领域乃至审计行业的应用启示及未来展望，以期对监管机构、注册会计师行业等引入AI大模型提供一定的借鉴意义。
一、天健财判引入AI大模型的应用场景分析
从过往天健财判开发实践看，大数据及人工智能等数字技术显著提升了专家经验规则化、专家规则模型化以及专家模型系统化的进程，从数据、算法及算力层面持续赋能反财务舞弊在监管机构、金融机构及中介机构等应用场景的应用，推动反舞弊从“经验打假”模式逐渐转变为“机器预警与专家判断相结合的智能打假”模式，但是实务应用中，多维数据处理成本、应用交互以及模型算法优化仍存在尚未解决的痛点。Deepseek等AI大模型具有强大自然语言解析能力、复杂任务的深度推理能力，以及开源策略所带来的极致成本优势，让我们以更便捷、更低成本的方式利用AI技术开发和应用反财务舞弊系统。天健财判基于AI大模型在反财务舞弊垂直领域落地三个核心应用：
（一）智采助理：大模型用于复杂文本信息的深度提取
财务舞弊涉及面广，识别财务舞弊需要综合考虑多维度数据信息。一方面，资本市场新型财务舞弊呈现出造假系统性、业务循环性和链条隐蔽性等三大特点，大幅提高了注册会计师识别舞弊难度，造成了多起备受关注的审计失败（叶钦华和黄世忠，2024）。另一方面，人工智能技术的快速发展为财务舞弊识别提供了新的手段和发展，例如天健财判系统利用大数据、人工智能等新技术，已可实现对工商、司法、公告及舆情等多源数据的智能采集和处理，构建了多维专有数据库，提升了反舞弊模型的识别与落地能力。但是，受制于多维数据格式不统一以及文本信息识别率不高等因素，天健财判专有多维数据库的构建效率仍有待完善，特别是文本信息提取方面。Deepseek等AI大模型降低了处理非结构化数据（特别是文本信息）的门槛，理论上其低成本和高效性能可助力反舞弊相关文本信息的提取与处理，拓展数据应用的广度和深度。
鉴此，我们接入Deepseek对天健财判后台数据智能采集系统进行优化，利用AI大模型能力开展复杂文本信息的智能采集，以实现多维数据处理的降本增效。
（二）智问助理：大模型用于智能人机交互应用
实务中，财务舞弊识别应用场景较多且业务痛点不尽相同。基于此，天健财判系统搭建了“数据后台-模型中台-用户前台”的系统架构，并结合不同客户群体、不同应用场景开展前台功能扩展或定制工具开发。引入AI大模型后，利用其在多维数据交互式分析方面的显著优势、特别是“大模型与反舞弊知识库的结合”或“大模型与反舞弊专家系统的结合”，可以实现以多轮对话的形式解决不同应用场景专家专题分析或数据定制需求，低代码或无代码高效满足用户需求。例如，基于大模型+天健财判专家系统的融合构建的“智问助理”能以对话形式帮助用户更高效地查找或分析所需数据，并根据用户需求实时智能问答、辅助舞弊手法拟合并提供进一步核查建议，该应用有望显著提升用户“千人千面”的交互体验。鉴此，我们接入Deepseek对天健财判前台用户功能进行优化，开发“财判小天-监管助理”、“财判小天-审计助理”等垂域智能体以满足监管机构、审计机构、投资机构等不同场景在反舞弊方面的智能人机交互应用。
（三）智算助理：大模型用于反舞弊规则模型优化
现有研究表明（叶钦华等，2022），基于五维度舞弊识别模型所构建的天健财判专家系统有助于事前识别舞弊。实务中，天健财判专家系统的变量定义、模型构建与应用类似于反舞弊专家的组合分析及思考过程，拟合专家识别舞弊的规则经验，即“让机器像反舞弊专家一样思考与决策”。天健财判的模型精准度提升有赖于专家经验持续归纳及大数据技术的支撑，但仍存在专家经验难以覆盖、非财务数据源处理成本高昂等现实挑战。由于财务报表中包含许多会计估计与专业判断，实务中识别舞弊的过程亦充满着专业判断与职业怀疑，这是一个经验和思考的归纳总结和演绎推理过程。鉴此，我们将AI大模型与天健财判专家小模型相结合来构建“AI舞弊建模实验室”，一是用于寻找更多可解释财务舞弊的指标（即“舞弊识别变量”）。结合天健财判“舞弊案例库”的样本及数据对舞弊手法和风险特征进行提炼归纳、对已有专家规则进行补充扩展及验证调优；二是智能反舞弊算法优化。利用AI大模型强大推理能力，对众多舞弊识别变量开展分类、组合以及舞弊手法拟合判断等模型构建工作，从而与专家系统进行双向验证与模型调优，以期更及时、更精准的识别出舞弊公司。
二、天健财判与AI大模型的融合应用效果分析
基于上述分析，天健财智以“AI大模型+天健财判专家系统”的融合应用作为开发人工智能反舞弊系统的技术路线，目标是打造出一个具有“专家思考能力”的智能财务预警系统，以期从数据、算法及应用等方面赋能专家系统，实现数据驱动与专家规则的最佳结合。
（一）人工智能反舞弊系统的框架设计
图1为“天健财判”与Deepseek等AI大模型融合框架图。我们集成人工智能技术与专业财务反舞弊分析引擎，通过开发智采助理、智算助理以及智问助理等多智能体协同与模块化架构设计，以支撑业务层应用场景落地，实现财务舞弊识别的人机协同。
图1 天健财判与AI大模型融合框架图
以智能监管助手为例，该助手是“智问助理-财判小天”智能体基于证券科技监管业务场景需求，与监管专员现场高度适配的人工智能反舞弊辅助工具，兼具智能人机交互、智能舞弊线索提供及智能核查助理的多重能力，能帮助监管人员在实务中提升工作效率和效果。例如在某上市公司年报或季报公告日，以多轮人机对话的交流形式辅助监管人员开展工作，监管人员可以用自然语言提出问题，系统则能够理解查询意图并提供相应的答案和解释，提供包括舞弊动机、舞弊风险信号、舞弊手法与过往典型案例等资料，并结合最新监管政策及舞弊动态提供切核查建议。
以智能数据采集助手为例，该助手是“智采助理”智能体基于财务舞弊识别应用场景需求，与天健财智数据专员高度适配的人工智能反舞弊辅助工具，兼具智能数据采集、精准实体识别及异构数据清洗等多重能力。利用AI大模型强大的自然语言读取能力能帮助数据专员在实务中大幅提升文本信息提取效率及识别精准度，例如非结构化的临时公告文件、监管处罚文件、工商变更信息等等。
以智能交易对手排查助手为例，该助手是“智算助理”智能体基于上市公司或IPO企业重要交易对手智能穿透核查应用场景需求，与券商会计师等中介机构现场业务人员高度适配的人工智能反舞弊核查工具，兼具智能数据采集、智能股权穿透、智能风险模型预警以及一键底稿生成等多重能力，有助于增强中介机构识别隐性关联客户供应商、预警客户供应商为曾经配合造假第三方、预警客户供应商为空壳公司等能力，提升中介机构识别及应对第三方配合造假型财务舞弊的能力。
（二）人工智能反舞弊系统的应用效果
1、应用效果提升方面
从天健财判-人工智能反舞弊系统的实践效果来看，我们欣喜看到AI大模型在文本信息提取（智采助理）、人机智能交互（智问助理）等方面应用相较于传统AI或信息技术有着显著提升，可有效提升挖掘非财务类舞弊线索、辅助舞弊手法认定的能力。
以智能数据采集助手为例，在对企业工商数据库中的“企业工商变更信息表”的关键信息提取时，基于传统Python技术对人名及任职时间的识别采集准确率仅为80%左右，而接入AI大模型技术后数据采集准确率可提升至100%，大幅提高了识别网络新词、生僻字且适应不同领域语境进行识别的能力。此外，“智能数据采集助手”支撑了多维数据质量提升，赋能规则模型优化及舞弊手法拟合，最终提高了舞弊识别精准度。
在智能人机交互方面，“财判小天”智能体，可大幅提升AI大模型回答复杂问题及专题分析的人机交互能力。以智能监管助手应用为例，结合监管专员可以在前台界面用自然语言提出问题，并智能获取与特定上市公司相关的舞弊动机、舞弊线索等信息，如图2所示。
图2 财判小天-智能监管助手界面之1
除此之外，“财判小天”通过天健财判专有知识库的自主学习与深度思考，还可就特定上市公司可能涉及的舞弊类型及舞弊手法、监管建议以及初步结论提供辅助判断，为监管人员提出监管意见提供支撑，如图3所示。
图3 财判小天-智能监管助手界面之2
2、应用效果不足方面
令人遗憾的是，我们也发现AI大模型在指标特征提炼、舞弊模型效果调优等方面，短期内仍难以取得突破。与传统AI建模预测舞弊所遇到挑战一样，引入AI大模型尽管在多维数据处理方面有了明显改善，有助于对某类专家经验的量化及规则调优，但是AI大模型在指标提取及模型构建方面尚需要持续提升。在指标规则提取方面，据微信公众号“财务数字化探索”最新报道²，在研究人员进行的测试中，Deepseek参与并通过了四门CPA专业阶段考试，我们将CPA教材和企业会计准则等上传至Deepseek知识库，请Deepseek对一份造假样本公司（坏样本）的年报进行分析，我们发现Deepseek给出的结果看似很有逻辑，但仔细核对存在两大问题。一是提示不该出现的异常指标，该异常指标与坏样本实际上并不相关；二是提示了该出现的异常指标，但数据源核实难度大。进一步地，我们除了给出坏样本年报、还上传了天健财判五维度模型的指标规则进行分析，我们发现Deepseek给出的结果更加不准确，甚至出现张冠李戴的“幻觉”问题。可见，在反舞弊专业垂直领域，仅依靠大模型的算力推理能力还远远不够，实务中还需嫁接类似天健财判这类反舞弊领域的“小模型”，才能具备实时指标运算及分辨对错的能力，以降低组合加工成误导性信息的“幻觉”问题。在舞弊模型构建方面，舞弊识别问题本身是一个“大海捞针”（“Finding needles in a haystack”）的困难问题（Perols等，2017），并且同为财务舞弊，不同舞弊类型、不同舞弊手法的共性部分并不多，很容易造成模型识别率偏差。与机器学习算法一样，AI大模型在智能反舞弊模型优化方面仍存在三大挑战：好坏样本不均衡问题，特别是坏样本稀缺；样本边界不清晰问题，财务舞弊识别往往滞后3-5年，实务中已被监管处罚的上市公司一定是坏样本，但未被监管处罚的上市公司却未必是好样本；模型可解释性差问题，机器学习与大语言模型往往具有黑箱性，难以解释模型的预测结果，这可能会影响模型的实务应用。
三、总结与建议
美国科学家罗伊·阿马拉（Roy Amara）的“阿马拉定律”指出，“人们倾向于高估技术的短期影响，而低估其长期影响”，该定律同样适用于人工智能技术。可以预期，在未来一段时间内反舞弊乃至审计行业仍将保持人机协同模式，机器难以取代“人”来独立开展反财务舞弊及审计工作，但从长期来看，人工智能技术终将对注册会计师行业产生深远影响，突出表现为：事后审计将向实时审计转变；抽样审计将向全面审计转变；人力密集型审计将向算法密集型审计转变。
在传统审计模式下，注册会计师往往是在财务事项发生之后，通过查阅大量的历史财务记录开展鉴证工作，存在着明显的时滞性。而借助AI技术，注册会计师可以不间断地对财务和非财务数据进行扫描和分析，实时监控会计处理是否合规和异常，极大地提高了审计的时效性和准确性（Dennis,2024）。
在数据处理方面，传统审计通常采用抽样审计的方法，抽样不当的风险较大，审计质量易受影响。随着AI和大数据等数智化技术的运用，注册会计师能够以较低的成本和极高的效率对被审计单位海量的财务数据、经营数据和行业数据等进行全面的交叉分析，不仅可从根本上消除传统审计模式固有的抽样风险，而且可以大幅降低发表不当审计意见的机率。
在人力资源配置方面，传统审计模式的人力密集型属性十分明显。随着AI技术迅猛发展，延续100多年的人力密集型审计正逐步向算法密集型审计转变，马斯克手下的6名技术人员通过AI算法几天内就发现美国联邦政府部门诸多财务问题，充分彰显了算力相较于人力的强大优势。可以预见，审计延续100多年的人力密集行业属性将成为历史记忆，算法密集、技术密集将成为注册会计师行业的新属性和新标识。
鉴于此，我们提出以下四点建议，以期对监管机构、注册会计师行业等引入AI大模型提供一定的借鉴意义。
1、引入AI技术，推动舞弊识别从经验驱动走向算法驱动
已有研究表明，基于会计信息系统论和大数据视角所建构的五维度舞弊识别模型（如图4所示）可提前2~3年左右识别上市公司恶性财务舞弊（黄世忠，2024；叶钦华和黄世忠，2024）。在财务舞弊识别的后续研究方面，AI大模型可大幅提升数据广度与深度方面挖掘能力，一方面可以寻找并量化更多舞弊识别变量来进一步解释财务舞弊行为，另一方面可以借助AI大模型强大推理能力，嫁接专家规则小模型来构建“AI建模实验室”，持续研究建模以实现“拟人化”思考与推理，进一步推动风险识别从经验驱动转向算法驱动。
图4 五维度财务舞弊识别模型框架
2、引入AI技术，构建反舞弊人机协同新模式
从“财判小天”智能体的应用开发实践可知，“AI大模型+反舞弊知识库+天健财判专家系统”相结合来开发反舞弊智能体，应该是“让机器像反舞弊专家一样工作”的有效技术路径。财务舞弊预警是一项复杂系统工程，从“有没有舞弊特征”到“像不像舞弊手法”、再到“会不会舞弊爆雷”，进而认定“是不是舞弊”，这需要通过多维数据处理、专家规则预警、AI模型推定以及人工现场取证等各环节协同推进，进而形成完整证据链进行舞弊行为认定的过程（如图5所示）。受制于财务舞弊隐蔽性、滞后性以及复杂性等特征，识别并认定财务舞弊案件的难度仍较大。在天健财判协助专业机构开展反舞弊实践应用中，“机器”可以为财务舞弊识别提供“有没有舞弊特征”到“像不像舞弊手法”的智能辅助，但仍不能完全取代人工判断，最终财务舞弊认定仍然需要由“专家人工”完成。后续，人工智能技术在反财务舞弊领域的应用与融合仍将不断发展，人工智能技术与专家经验判断相结合的模式仍将持续很长一段时间，借助于“AI大模型+反舞弊知识库+反舞弊领域专家系统”所开发智能体，将有助于人机协同，进而提高反财务舞弊的效率和精准度。
图5 财务舞弊识别逻辑-人机协同作业
3、引入AI技术，重构审计新型作业模式
本文认为，得益于AI技术的发展，未来会计师事务所审计业务将快速转向“业务前台—数智中台—质控后台”的人机协同新型作业模式。“人机结合”必然是审计AI化中不可或缺的一部分（Amy Zang等，2025），基于AI技术所开发的智能体将成为审计专业人士的“智能助手”，但并非替代者。2024年下半年，天健财判与国内某大型会计师事务所联合开发并上线了大数据风险评估智能助手，将信息技术应用贯穿风险导向审计的各个阶段，如业务承接前对是否承接客户的评价、重大错报风险（包括舞弊风险）的识别和评估、完成审计业务和出具审计报告前的总体评价等环节，已显著提高了各环节的审计效率及效果。下一步天健财判将重点协助券商及注册会计师陆续开发智能交易对手排查工具、智能股权穿透核查工具等等，以识别存在第三方配合的上市公司财务造假。后续，会计师事务所可加快审计底稿数字化、行业经验数字化及审计知识库搭建等工作，通过“AI大模型+审计知识库+专家系统”相结合的方式开发不同行业、不同业务循环的智能体，逐步走向审计数智化，提升舞弊识别能力，防范审计失败。
4、引入AI人才，强化复合型人才梯队建设
如前所述，从事后审计到实时审计，从抽样审计到全量审计，从人力密集到算力密集，这些历史性变革不仅提升了审计的质量和效率，而且为注册会计师行业的发展带来了新的机遇和挑战。注册会计师需要与时俱进，积极拥抱变革，不断学习和掌握新技术，以适应AI时代审计的新要求。会计师事务所特别是大型会计师事务所，应当优化人才结构，引进更多通晓AI技术的人才，构建由审计人员、法务会计和数智化专家组成的复合型人才团队，促进这些人才的融合和互动，不断提高审计工作特别是反舞弊工作的技术含量，推动从账到账、从账到物的传统审计范式向从账到流（物流、资金流、信息流）、从财务数据到非财务数据（行业数据、业务数据、工商数据等）的现代审计范式的转变。为此，会计院校的课程设置、注册会计师的考试科目、后续职业教育的培训内容都应当因应AI时代进行相应改革，以便让注册会计师行业跟上AI技术的发展步伐。
脚注：
¹财政部与中国注册会计师协会相继引发《会计信息化发展规划（2021-2025）》《注册会计师行业信息化建设规划(2021-2025年)》，相关文件均要求会计师事务所要引入人工智能等信息技术促进行业数字化转型，逐步实现远程审计、大数据审计和智能审计。
²https://mp.weixin.qq.com/s/ki0yZLU56dXrtrf5yF6xTQ
主要参考文献：
[1].Dennis.A.What AI Can Do for Auditor[EB/OL].Journal of Accountancy. www.journatalofaccountancy. February 1,2024.[2].Perols J L, Bowen R M, Zimmermann C, et al. Finding needles in a haystack: Using data analytics to improve fraud prediction[J]. The Accounting Review, 2017, 92(2): 221-245.
[3].陈信元,何贤杰,邹汝康,等. 基于大数据的企业“第四张报表”:理论分析、数据实现与研究机会 [J]. 管理科学学报, 2023, 26 (05): 23-52. DOI:10.19920/j.cnki.jmsc.2023.05.002.
[4].龙志能,鲍镕江,何贤杰. 人工智能驱动的审计变革研究 [J]. 审计研究, 2024, (05): 53-61.
[5].黄小忠,吕全. 人工智能审计系统建设思路及实践探索 [J]. 审计研究, 2024, (06): 30-38.
[6].黄世忠. 上市公司财务造假热点问题分析 [J]. 中国注册会计师, 2024, (07): 35-38+5. DOI:10.16292/j.cnki.issn1009-6345.2024.07.021.
[7].叶钦华,黄世忠. 财务舞弊的新特征与新应对——基于专网通信舞弊样本 [J]. 财会月刊, 2024, 45 (19): 3-8. DOI:10.19641/j.cnki.42-1290/f.2024.19.001.[8].叶钦华，叶凡，黄世忠．2022．财务舞弊识别框架构建——基于会计信息系统论及大数据视角[J]．会计研究，3：3-16．
[9].杨寅. 人工智能对审计工作的影响：演进逻辑与分析框架 [J]. 财会月刊, 2024, 45 (18): 52-57. DOI:10.19641/j.cnki.42-1290/f.2024.18.008.
[10].Amy Zang ,Wilbur Chen ,范为 ,等. AI重塑审计：探索人工智能驱动下的行业变革之路 [J]. 中国注册会计师, 2025, (02): 70-72. DOI:10.16292/j.cnki.issn1009-6345.2025.02.008.
