「AI 能不能做审计」这个问题已经过时了。现在真正的问题是：事务所把 AI 放在审计流程的哪一步、放进去之后谁负责、出错谁担。

《Journal of Accountancy》（AICPA & CIMA 主办）2026 年 11 月 1 日的这篇专题，作者 Mark Tosczak，采访了四家规模从 11 人到 1,800 人以上的事务所负责人，把 AI 在审计中的用法拆成五类具体任务，并逐类给了真实案例与时间数据。这篇文章的价值不在于预测，而在于它记录的是已经跑起来的流程。

四家事务所的规模跨度是文章刻意选的：Wells CPA（11 人，主要服务非营利组织，每年做 80 多个审计项目）、Smith + Howard（750 人，亚特兰大）、The Bonadio Group（Jennifer Wood 为鉴证业务线负责人，参与了 AICPA 的 Dynamic Audit Solution 框架）、PKF O’Connor Davies（1,800 人，Ronald Martinez 为审计合伙人）。

四家的共同表态是：无论 AI 用得多深，人的判断与职业怀疑仍是注册会计师价值的核心。这句话在文首就被点明，也被每一家的具体做法印证——他们的 AI 都不是「替代判断」，而是「把判断之前那些耗时的活干掉」。

文章把四家的实践归成五类，这是全文的骨架：

Wells CPA 的做法最能说明「省时间」是怎么来的：用 AI 通读客户的财务报表、董事会纪要、政策手册等文档，识别可能的风险并规划审计。老板 Donald Wells 给的时间对比是——AI 两三个小时能跑完，换成一位中层员工做，可能要一周。这家所一年做 80 多个审计项目，这个差额不是小数。

但文章紧接着写了代价：这用法要求员工核对 AI 的准确性，并判断它识别的风险是否真的需要评估。Wells 特别点出年轻员工的通病——他们会说「AI 说这是风险，所以这是风险」，而 Wells 的回答是「不行，我们得自己想清楚」。这一段是全文最实用的提醒：效率红利和判断退化是同一件事的两面。

Smith + Howard 的用法偏研究：处理 GAAP 问题时，生成式 AI 能快速定位相关的 FASB 准则，会计师再把它应用到手上的审计项目。合伙人
J. Sean Spitzer 的描述是，以前翻两小时指引，现在把时间花在分析数据上。

PKF 的 Martinez 讲的是一个很具体的痛点：客户会计软件导出的总账，格式往往不适合审计直接使用，审计程序开始前要做大量手工整理。他们自建了一个 agent 专门处理这件事，目的是把助理的时间挪到计划分析与风险评估上。

Bonadio 的 Wood 讲的是另一类活：财报的加总、交叉加总与勾稽核对（footing、crossfooting、tie-out）。这些活手工做要两三天，交给 AI 之后，负责这项工作的助理会计角色发生了转变——原文用了一个很准确的说法，从执行者变成复核者（“from a doer to a reviewer”）。

这个转变值得单独留意：工作没消失，但做这份工作所需的技能变了。以前要求「算得准、手脚快」，现在要求「看得懂 AI 算的结果对不对」。

五类用途里进展最快的是这一类。文章区分了两层：一层是分析大数据集、找出原本会被忽略的异常；另一层是让 AI 直接执行动作，比如从交易总体中选样。

Bonadio 的一个案例很能说明前者的价值：团队用 AI 跑数据查询时发现，有少数员工拥有记账权限，但一年里记账不到三次。这个发现促使客户收紧控制，并砍掉了这些几乎不用的软件许可费用。这类发现传统抽样很难碰上，因为它不在「金额大」的维度上。

后者（选样、执行）依赖智能体工具。Wood 提到 Microsoft Copilot 的 agentic 工具可以编程实现「替你选样」，但她也说，公司最大的几个成果来自自建工具，而不是现成平台。PKF 同样走了自建路线，做了多个定制 GPTs 与 agent。

这一节的隐含结论是：买工具解决通用问题，自建工具解决你家流程里的具体卡点。审计流程的差异很大，通用工具的边际收益会很快见顶。

Wells CPA 把 AI 用在审计团队自己的工作底稿上，检查文档的完整性与清晰度——在任何人看到之前先过一遍。关键在于这个环节是强制的：合伙人或经理在 auditor 回应完 AI 的全部意见之前，不会看任何对外的文件。

Wells 说这个流程把他的复核时间从「抓错」转向了「判断客户特有的问题」。这是全文对「AI 到底改善了什么的」最实在的回答：不是让人少干活，而是让人把时间花在只有人能做的部分。

同样是 Wells CPA：用 AI 检查审计报告草稿的内部一致性，比如命名规范是否统一、报告前后能否勾稽。另有一个第三方清单工具，用来核查财报是否满足全部披露要求，输出形式是「AI 找到了这项披露／AI 没找到这项披露，你确认不要这项披露吗」——把判断权留给人的设计。

文章还讲了一个细节：这家所的非营利客户里，有些董事会成员是律师，习惯审 10-K／10-Q，会把事务所出的审计报告或 990 表退回来做大量批注。自从有 AI 充当另一道审阅，退回的批注明显少了。这是「客户体验」层面的收益，通常不会被算进效率账。

第一件是数据安全。Wells CPA 跑在封闭的 Thomson Reuters CoCounsel 平台上，Wells 明确禁止专业人员用 ChatGPT 处理保密客户数据；Smith + Howard 用的是 Claude 企业版，Spitzer 说他们有获批工具清单，企业级安全是采纳前提，Copilot 背后是微软的安全体系。四家都把这当成前置条件而不是事后补丁。

第二件是人的判断。四家负责人在文首就统一表态：职业怀疑与人的判断仍是核心。落到操作上，就是「AI 出结论、人签字」，责任不转移。

第三件是初级员工的角色变化。Wells 在训练年轻员工不要盲从 AI 输出，并预测部分入门级现场审计任务几年内会完全自动化，初级员工会更早进入复核角色。Wood 的说法更直接：靠「去年怎么做今年照做」（SALY，same as last year）的日子结束了。而 Spitzer 的判断与「AI 抢饭碗」的叙事相反——效率提高四倍之后能做更多业务，他的所在增加人手而不是裁员。

对准备入行或正在带团队的人，这篇文章给出的画像很清楚：未来审计团队里，「会操作工具」不稀缺，「能判断工具输出对不对」才稀缺。

回复本帖，可见这篇报道的原文入口与作者信息、四家事务所的规模与受访人职务、五类 AI 用途与对应案例的完整对照表、各家采用的具体平台与安全安排，以及文章提到的 AICPA 相关框架与会议资源链接。