论文标题：How Does Artificial Intelligence Shape Audit Firms?

中文标题：人工智能如何塑造审计事务所？

原文来源：Kelvin K. F. Law, Michael Shen. 2024. "How Does Artificial Intelligence Shape Audit Firms?." Management Science.

供稿：陈梦雪

封面图片来源：Pexels

编者按：

人工智能（AI）会取代审计师吗？文章利用美国各地的审计事务所交错雇用人工智能员工，作为当地审计事务所使用人工智能的代理变量。研究分析表明：首先，相对于尚未雇用人工智能员工的审计事务所，雇用人工智能员工的审计事务所的审计师职位数量增加了4.3%，特别是在初级和中级审计师中。其次，使用AI与审计师工作中对软技能（如认知技能）的需求增加有关。第三，使用AI的审计事务所有更准确的持续经营和内部控制意见。对11名经验丰富的审计合作人的半结构化访谈证实，对AI的投资集中在公司层面，但部署人工智能的往往取决于各地方审计事务所。值得注意的是，没有一个合伙人认为AI已经或将取代人类审计师。

一、引言

人工智能（AI）会取代审计师吗？尽管在这个问题上学界还没有达成明确的共识，但越来越多的研究表明，AI在未来很有可能取代审计师。有研究估计，AI在不久的将来实现审计师和会计师工作自动化的可能性为94%（Frey和Osborne, 2017）。Fedyk等（2022）的研究表明，人工智能的使用降低了审计师工作的增长率，并声称人工智能的使用“最终取代了人类审计师”。然而，增长率下降并不一定意味着此类工作数量的减少；它仍可能以较慢的速度增长。他们的研究并没有直接解决审计事务所开始使用人工智能后审计师工作数量的总体变化。本文的研究重新审视了这一重要但尚未解决的主张。

出于几个原因，了解人工智能是否会取代审计师很重要。首先，被人工智能取代的可能性意味着审计师未来职业生涯的中断。这种潜在的糟糕职业前景可能会赶走审计行业的最佳人才，并导致人才流失。其次，对于审计客户来说，用人工智能取代审计师可能会对审计工作的开展产生影响。例如，尽管人工智能可能会增强审计的某些方面，但用人工智能完全取代审计师的专业判断可能会忽视人类判断可能提供的复杂决策并影响审计质量。最后，对于监管机构来说，用人工智能输出代替审计师的判断可能会对审计质量和相应监管的设计产生影响。

本文中利用美国各地审计事务所雇用人工智能员工作为当地审计事务所使用人工智能的代理变量，基于Revelio Labs 数据库中2011年至2019年163家审计事务所的648个审计事务所的407,000多份简历样本开展一系列DID回归，以调查使用AI对审计师工作的影响。研究发现，在审计中使用AI实际上可以为审计师创造更多的工作机会；使用AI与审计师工作中对软技能（如认知能力、效率和客户服务）的需求增加有关；有人工智能员工参与的审计事务所审计的客户公司具有更高的审计质量。

本文提供了两方面的贡献。首先，本文提供了大规模的证据，表明在审计事务所使用AI增加了审计师的工作数量，而不会取代审计师。本文的发现对计划使用AI的审计事务所有着直接的影响。他们可以考虑审查和更新培训计划，以确保审计师具备必要的软技能。作者对审计伙伴人的访谈也证实，人工智能的采用既不会影响客户选择标准，也不会显著减少审计师的人数。

其次，本文证明了使用人工智能与更高的审计质量相关。本研究首次揭示了AI在审计工作中的直接好处，特别是在减少持续经营错误和提高重大缺陷准确性方面。使作者能够更好地了解使用AI对审计工作以及最终审计质量的直接影响。在访谈中的与审计合伙人的共识印证了本文关于人工智能在提高审计质量方面的直接影响的发现。

二、相关文献与假说

（一）人工智能与劳动力市场

AI的最新进展增加了AI将接管或显著改变高技能工人工作性质的可能性（例如，律师、股票分析师、医疗保健专业人员）。但与其他白领职业不同，审计职业是独一无二的，因为它在验证和确认公司提供的财务信息方面发挥着至关重要的作用。Brynjolfsson等人（2018）根据每个职业的不同任务考察机器学习的适用性。他们发现，在适合机器学习的964个职业中，审计师处于后20%，而金融分析师（律师）处于前20%（50%）。尽管坊间传闻和相关调查表明人工智能似乎强烈影响白领职业（Dillender和Forsythe, 2019）或审计行业（Cooper等, 2019），但尚不完全清楚这些发现是否会推广到大型档案环境中的审计事务所。

（二）假设

AI在审计事务所的使用对审计师的需求和审计师所需的技能有着重要的影响。一方面，先前的研究表明，人工智能可以取代人类执行日常和重复性任务（Remus和Levy,  2017）。Christ等（2021）发现，审计师通过使用无人机和自动计数软件提高了库存计数的效率以及准确性。然而，AI可能不是审计师的完美替代品。首先，审计人员的关键任务依赖于他们的专业判断，人工智能很难取代需要更高认知技能的非常规任务（Autor等, 2003; Brynjolfsson等, 2018）。第二，AI无法取代人与人之间的社交。审计师之间或客户与审计师之间的社会互动是本地知识共享的重要渠道（Guan等, 2016; He等, 2017, 2022; Beck等, 2019）。第三，审计事务所可以将从日常任务中节省下来的劳动力转移到审计高风险领域。因此，由于人工智能对人类审计师的补充作用，使用人工智能可能不会降低审计事务所对劳动力投入的总体需求。因此，本文提出的第一个假设如下：

假设1：地方审计事务所使用人工智能与审计师工作的数量无关。

AI如何重塑审计师工技能是本文的第二个研究问题。Autor等（2003）发现计算机化减少了常规任务的劳动投入，但增加了非常规认知任务的劳动投入。使用人工智能可以帮助审计师标记异常模式并识别会计记录中的异常情况。这可能需要审计师获得更多的软技能（例如，认知技能）来分析模式和异常值。此外，使用人工智能可能还需要审计师更好地与同事和客户沟通，Deming（2017）记录了社交技能在降低协调成本方面越来越重要。这种社交技能可能与更高的审计质量有关（Ham等，2022年）。Cooper等（2019）的研究表明，使用机器人流程自动化（RPA）软件通常需要会计师和软件程序员之间的广泛协作。因此，本文提出的第二个假设如下：

假设2：人工智能在审计事务所的使用与软技能需求的增加有关。

使用AI能否提高审计质量，这是监管机构关注的一个重要问题（上市公司会计监督委员会, 2020a, b）。由于AI能帮助审计师减少处理重复性任务的时间，审计事务所可以更好地将资源分配到高风险领域。除了有助于审计师发现和纠正客户的误报外，新的人工智能技术可以帮助审计事务所检测未识别的风险（上市公司会计监督委员会, 2020b），如内部控制风险和客户公司的持续经营风险（例如，安永使用机器学习来检测发票中的异常）。更多地接触具有不同专业知识的非审计人员也有助于提高审计质量（Sherwood等, 2020）。因此，本文提出的第三个假设如下：

假设3：在审计事务所使用人工智能与提高审计质量相关。

尽管使用人工智能有助于提高审计效率和节省成本，但它也可能增加审计费用，因为审计费用的成本结构是由固定成本（对人工智能技术的投资）和可变成本（主要是劳动力成本）决定的。因此，审计事务所可能会承担额外的管理费用，例如增加软件投资、支付给人工智能员工的工资溢价、及培训员工使用AI的成本。此外，审计事务所可能不会减少他们的总审计时间，因为他们可能会将通过使用AI节省的审计时间重新分配到高风险领域，以提高审计质量。因此，AI投资对审计费用的固定成本和可变成本的相反影响可能不能保证审计费用的降低。总体而言，使用AI对审计费用的影响尚不清楚。因此，本文提出的第四个假设如下：

假设4：审计事务所使用人工智能与审计费用无关。

三、数据

本文从Revelio Labs收集了110万份在美国审计事务所工作的员工简历，并手动将Revelio Labs中的雇主姓名与Audit Analytics中的审计师姓名进行匹配。然后，作者从Audit Analytics中的审计意见文件中提取当地审计事务所的城市位置。为了最大限度地减少误报，作者只保留Revelio Labs和Audit Analytics中同名同一城市的审计事务所的工作。经过人工匹配，作者筛选出在2010年至2019年期间在193个城市和47个州超过407,000份简历。本文的样本涵盖了美国2011年至2019年163家审计事务所的648个审计事务所的4417个审计事务所年度观察结果。

为了获得审计事务所的职位发布数据，作者手动将Burning Glass中雇主的姓名与主要样本中审计师的姓名进行匹配。作者还要求每个雇主在样本期内至少有10个职位发布，并且遵循惯例剔除实习生。经过人工匹配，本文的主要样本中有34,839个审计事务所的职位发布。

对于客户端级分析，作者使用历史中央索引键（CIK）代码将Compustat数据与Audit Analytics数据合并，并保留公司年度观察值，其中公司是作者主要样本中审计机构的客户。本文最终得到了2011年至2019年2,965家公司的18,097家客户公司年观察结果的面板数据。

四、主要结果：审计人员

（一）样本概述

表1的面板A显示，排名前10的审计事务所约占审计署年度观察结果的70%。毕马威会计师事务所的观察次数最多，四大审计事务所约占本文审计年度观察结果的48%。表1的面板B按地理位置列出了观测值的数量。表2列出了本文分析中主要变量的汇总统计数据。

-表1- 样本概览

-表2- 描述性统计

如果职位名称或职位描述包含Babina等（2024）和Fedyk等（2022）使用的任何人工智能关键字，作者将员工归类为人工智能员工。在本文的最终样本中，大约0.41%的审计师被归类为人工智能员工。图1报告了审计行业人工智能工作的增长情况。其中值得注意的是：首先，该领域的人工智能工作岗位数量持续上升，从2010年到2019年翻了一番。其次，四大审计事务所招聘人工智能员工的速度比非四大审计事务所快得多。2019年，四大审计事务所雇佣的人工智能员工是非四大审计事务所的三倍左右。

-图1- AI员工增长率

（二）哪些审计师事务所雇佣AI员工？

本节首先解答是什么驱使审计事务所雇佣人工智能员工。作者估计以下Cox比例风险模型：

该模型估计风险函数（H），该风险函数预测在给定年份t在审计事务所j发生故障事件的概率。在本文中，失败事件发生在审计事务所第一次雇用人工智能员工时。因此，作者构建了Use of AI来捕捉事件，其中Use of AI是一个虚拟变量，当审计事务所雇用人工智能员工时等于1。

X包括可能与当地审计事务所雇用人工智能员工的可能性相关的变量。作者还控制了一系列随时间变化的当地特征，如教育、人口、年龄和收入，这些特征可能与当地审计事务所雇用人工智能员工的可能性相关。由于残差可能在当地审计事务所内相关，作者按当地审计事务所对所有标准误差进行聚类。

Cox比例风险模型的正系数表明审计事务所雇用第一名人工智能员工的时间跨度较短。作者发现，四大审计事务所和那些收到更多审计费用的事务所更早雇用人工智能员工。如果员工流动率较高，审计事务所也会偏后雇用人工智能员工。对于时变的当地县特征，作者发现，当审计事务所位于受教育程度更高、人口更多、更年轻的县时，它会更早地雇用人工智能员工。

（三）更多审计师

本节考察了相对于尚未拥有人工智能员工的审计事务所，拥有人工智能员工的审计事务所是否拥有更多的审计师。作者估计以下DID模型：

因变量# Auditors是某一年审计事务所j的审计师人数。如前所述，Use of AI是一个虚拟变量，在审计事务所雇用人工智能员工后等于1。X是控制变量的向量，包括复杂性、市场份额、#个客户、市场竞争、员工流动率和审计费；δj表示审计事务所固定效应，吸收审计事务所之间不随时间变化的异质；γt 表示时间固定效应，吸收给定年份宏观经济状况的任何变化；εjt是随机误差项。

表3第1栏，作者使用给定年份审计事务所的审计师和税务顾问的数量作为因变量。结果表明相对于尚未拥有人工智能员工的审计事务所，那些拥有人工智能员工的审计事务所拥有更多的审计师和税务顾问。在第2-3列中，作者将因变量分解为审计师数量（#审计师）和税务顾问数量（#税务顾问）。结果表明主要影响是在审计师（第2栏）中观察到的，而不是在税务顾问（第3栏）中观察到的。第4栏将因变量替换成顾问的数量，结果显示，相对于还没有人工智能员工的审计事务所，那些有人工智能员工的审计事务所并没有增加顾问的数量。

-表3- 更多审计师

表4将因变量替换成不同职业阶段的审计师。结果显示，增长主要出现在初级和中级审计师（第1-2栏）中，但没有出现在高级审计师（第3栏）中。在第4栏中，作者关注初级审计师与高级审计师的比例。结果显示，相对于尚未拥有人工智能员工的审计事务所，拥有人工智能员工的审计事务所初级审计师与高级审计师的比例更高。

-表4- 更多初级审计师

（四）软硬技能

本节考察了审计事务所在雇用人工智能员工后是否会改变审计师工作的技能要求。使用AI可能会改变审计师工作的技能要求，因为它会改变关键的审计任务。它还可以减少雇用具有硬件和技术计算机/软件技能的审计师的需求，并增加雇用具有非技术技能的审计师的需求。

作者参照Deming and Noray（2020）将Burning Glass的审计师招聘信息中的技能编码分为不同的类别。认知技能Cognitive Skills是一个指标变量，如果审计师的工作需要认知技能（例如，解决问题、决策、分析），则该变量等于1。效率技能Efficiency Skills是一个指标变量，如果审计师工作需要效率技能（例如，时间管理、确定任务优先级、目标设定），则等于1。其他七项技能包括创造力技能、写作技能、社交技能、客户服务技能、管理技能、人员管理技能和项目管理技能。总的来说，这九种非技术技能构成了审核师招聘中提到的软技能。

本节同表3的变量设置相同，并用颗粒度更细的职位名称×年份固定效应替换年份年份固定效应，并按职位名称对所有标准误差进行聚类。表5面板A第1列和第2列显示，相对于尚未拥有人工智能员工的审计事务所，拥有人工智能员工的审计事务所对同一审计事务所的同一审计师工作需要认知（效率）技能的可能性高0.019（0.017）。关于认知技能和效率技能的结果表明，当审计师的工作需要更多的认知技能时，他们需要更有效率。第6列的结果表明，相对于尚未拥有AI员工的审计事务所，拥有AI员工的审计事务所在同一审计事务所的同一审计师工作中需要客户服务技能的可能性高出3.0%(0.014 ÷ 0.468)。这些结果与先前研究中的发现一致，即使用人工智能不会减少对非常规任务中涉及的技能的需求，如认知技能等（Autor等, 2003; Brynjolfsson等, 2018; Aobdia等, 2024）。

为检验雇用人工智能员工是否可以减少雇用具有硬技能（如计算机和软件方面的特定技术技能）的审计师的需求。作者构建以下虚拟变量来捕捉对硬计算机技能的需求。若审计师工作需要软件技能（如Excel、Microsoft Office），一般软件技能则等于1。硬技术计算机技能的其他七个变量是业务系统技能、数据库技能、数据技能、机器学习技能、人工智能技能、自动化技能和机器人流程自动化技能。结果如表5 面板B所示。在第1列中，当因变量是通用软件技能时，使用人工智能员工的估计系数为正，但仅在10%水平显著。由于Microsoft Office和Excel等通用软件程序是审计师的基本工具，作者将这一增长解释为审计事务所更加重视技能熟练程度。另一方面，估计系数在其他列中都是不显著的。证据表明，拥有人工智能员工的审计事务所不太可能需要更具体的计算机和软件技术技能（例如，机器学习、深度学习、自然语言处理）。

作者接下来检验了软技能和硬技能的总数。将#软技能构建为面板A中所有九项软技能的总和，将#硬技能构建为面板B中所有八项硬技能的总和。结果如面板C中所示，第1列表明相对于尚未拥有人工智能员工的审计事务所，拥有人工智能员工的审计事务所在同一审计事务所中从事相同的审计师工作需要多2.9%的软技能。但第2列中没有观察到硬技能的相同结果。第3列，作者构建了软硬技能的比率。较高的软硬技能比率意味着审计师工作需要更多的软技能而不是硬技能。结果显示，相对于尚未拥有AI员工的审计事务所，对于同一审计事务所的同一审计师工作，拥有AI员工的审计事务所需要更多的软技能而不是硬技能。

-表5- 软硬技能

（五）工具变量

本文研究设计依赖于审计事务所层面交错雇用人工智能员工的识别。为了进一步减轻内生性问题，作者使用如下两组工具变量。首先，使用人工智能人才供应作为人工智能使用的工具变量。Cao等（2023）发现，本地人工智能人才供应（即拥有信息技术大学或研究生学位的人口百分比）与人工智能所有权正相关，但对企业和投资者来说似乎是外生的。由于在人工智能人才供应较大的情况下雇用人工智能员工更可行，因此这种人工智能人才供应不太可能与当地对专业服务工作的劳动力需求（例如，审计师的数量）直接相关。

作者将人工智能人才供应构建为州级拥有信息技术大学或研究生学位的劳动力的百分比。表6第1列结果显示，人工智能人才供应与当地审计事务所层面的人工智能使用正相关，这满足有效工具变量的相关性条件。第一阶段F统计量高于阈值10，表明人工智能人才供应是一个强有力的工具（Stock和 Yogo, 2002）。在第2列中，对人工智能人才的估计系数在5%的水平上是显著为正。第二，作者参照Forman等（2012）使用历史高级研究计划局网络（ARPANET）节点的数量作为使用人工智能的工具。由于ARPANET节点是军队和大学专属需求的历史通信选择，这种历史选择是不太可能与当今审计事务所对审计师的劳动力需求相关，满足排他性的要求。相关结果详见在线附录表2。

-表6- IV估计量

作者在表7中展示了几项稳健性检验的结果。首先，在第1列中，按照Acemoglu等（2022）的关键字列表构建了人工智能员工的替代定义。其次，为了确保本文的结果不是由处理组（即雇用至少一名人工智能员工的审计事务所）和对照组之间的任何潜在差异驱动的，在第2列中，作者仅使用在样本期内至少雇用一名人工智能员工的审计事务所来重新估计表3中的主要结果。第三，为了排除四大审计事务所是本文得到此检验结果主要原因的可能性，在第3列中作者剔除了四大审计事务所后重新进行检验。此外，在第4栏中，作者按审计事务所和年份对标准误差进行了双重聚类，以说明同一年雇用人工智能员工和当地劳动力需求之间的潜在相关性。在这些检验中结果仍然稳健。

-表7- 稳健性检验

一个潜在的担忧是，对通用技术（如自动化软件）的投资增加可能会造成本文的结果。因此作者将#RPA构建为某一年审计事务所拥有机器人流程自动化技能的员工数量，并重新进行检验。但表7第5列结果显示在拥有RPA技能的员工的事务所中没有发现类似的结果。

五、主要结果：审计质量与审计费用

（一）审计质量

在接下来的下一组分析中，作者研究了雇佣有人工智能员工的审计事务所的客户是否比不雇佣有人工智能员工的审计事务所的客户具有更高的审计质量并支付更高的审计费用。为了更好地控制与审计质量和审计费用相关的客户公司特征，作者在客户公司年度水平上进行了分析。具体来说，作者设计如下公式来进行假设检验：

审计质量包括以下两组因变量。第一组为持续经营错误，这是一个虚拟变量，分为以下两类。错误类型1是指，如果客户收到持续经营意见，但在未来12个月内没有破产，则持续经营错误等于1。错误类型2是指，如果客户公司没有收到持续经营意见，但在未来12个月内破产，则持续经营错误等于1。作者还研究了人工智能的实施如何影响审计师对内部控制的评估。与处理持续经营错误的方法类似，作者参照Doyle等（2007）、Ashbaugh-Skaife等（2007）和Newton等（2016）预测了内部控制薄弱的概率。并将重大缺陷误差构建为一个虚拟变量，当客户处于内部控制弱点预测概率的前百分之一，但客户收到了有效的内部控制意见，则该变量等于1。

第二组审计质量因变量如下。作者使用客户公司的财务重述作为衡量审计质量差的代理（DeFond和Zhang, 2014; Aobdia, 2019）。重述是一个虚拟变量，如果客户公司有非依赖重述，则等于1。换句话说，该变量基于重述期间，而不是宣布重述的年份。如果审计事务所开始使用人工智能后审计质量提高，重述应该更低。根据Audit Analytics分类，作者进一步将重述分为三种类型。大R重述是一个虚拟变量，如果客户公司有一个参考8-K项目4.02的非依赖重述（即，与以前发布的财务报表或相关审计报告或已完成的中期审查不相关），则等于1。小R重述是一个虚拟变量，如果客户公司有一个没有参考8-K项目4.02的非依赖重述，则等于1。SEC调查是一个虚拟变量，如果SEC参与重述，则等于1。

表8显示了持续经营错误的回归结果。在第1列中，相对于由没有人工智能员工的审计事务所审计的客户公司，由有人工智能员工的审计事务所审计的客户公司具有较低的持续经营误差（即更高的准确性）。持续经营错误的减少主要来自第1类错误（第2列）而不是第2类错误（第3列）的减少。在第4列中，作者还发现拥有AI员工的审计事务所拥有更准确的内部控制意见。

-表8- 减少持续经营错误

财报重述的回归结果在表9中列出。在第1列中，重述没有任何显著减少。在第2-4列结果显示，相对于由没有任何人工智能员工的审计事务所审计的客户公司，由有人工智能员工的审计事务所审计的客户公司经历大R重述和SEC调查的可能性较低。这一证据表明人工智能的实施可能有助于审计事务所通过识别客户财务报告中的严重异常来降低客户风险。

-表9- 减少财报重述

（二）审计费用无变动

最后，作者研究了相对于尚未雇用人工智能员工的审计事务所，那些雇用人工智能员工的审计事务所在审计费用上是否又重大变化。作者用来自Audit Analytics的一组费用变量进行了相同回归。审计费用（客户）是客户公司在给定年份的审计费用。非审计费用（客户）是客户公司在给定年份的审计相关费用、福利计划相关费用、财务信息系统设计和实施相关费用、税务相关费用以及其他杂项费用的总和。总费用（客户）是客户公司在给定年份的审计和非审计费用的总和。在线附录表5中列出了全套系数估计值。对于雇用人工智能员工的审计事务所的客户公司，审计费用（第1列）、非审计费用（第2列）或总费用（第3列）没有任何重大变化。对于这些结果有两种潜在的解释。首先，使用人工智能不一定会降低审计参与过程中的初始或持续成本。其次，即使使用人工智能确实节省了成本，审计事务所也不一定会将节省的成本转嫁给客户。

六、研究结论

本文利用在美国各地的审计事务所交错雇用人工智能员工，作为在当地审计事务所使用人工智能的代理变量，来探究人工智能是否取代审计师。结果显示，首先，相对于尚未雇用人工智能员工的审计事务所，雇用人工智能员工的审计事务所的审计师职位数量增加了4.3%。审计师职位数量的增加主要由初级和中级审计师推动。其次，人工智能的使用与审计师工作中对软技能（例如认知能力、效率和客户服务）的需求增加有关。证据表明，拥有人工智能员工的审计事务所不太可能需要更具体的计算机和软件技术技能（例如，机器学习、深度学习、自然语言处理），但对一般软件熟练程度的关注程度上升。第三，与没有人工智能员工的审计事务所审计的客户公司相比，由有人工智能员工的审计事务所审计的客户公司具有更高的审计质量（即更准确的持续经营和内部控制意见，以及更低的大R重述的可能性）。最后，没有证据表明使用人工智能可以降低审计参与过程中的总成本。

Abstract:

Does artificial intelligence (AI) displace auditors? We exploit the staggered hiring of AI employees at audit office locations across the United States as a proxy for the use of AI at local audit offices. The main findings are as follows. First, relative to audit offices that do not yet hire AI employees, those that do hire AI employees have a 4.3% increase in the number of auditor jobs, particularly among junior and midlevel auditors. Second, using AI is associated with an increased demand for soft skills (e.g., cognitive skills) in auditor jobs. Third, audit offices that use AI have more accurate going concern and internal control opinions. Semistructured interviews of 11 seasoned audit partners confirm that investment in AI is centralized at the national level, but the decision to deploy it often resides at the local audit office level. Notably, none of the partners believe that AI has replaced or will replace human auditors. Overall, our study—comprising both empirical and qualitative data—suggests that using AI does not replace auditors, but rather changes the skills required for these jobs and improves audit quality.