AI 工作實務
稽核資料散在各部門,AI 如何協助整理證據、辨識異常與追蹤改善?
AI 內部稽核如何落地?從資料整理、六步流程、五種企業情境、風險控管到可驗收的 KPI,提供實作與採購決策指南。

內容摘要:稽核的可用性取決於證據適切性、充分性及獨立判斷;AI 的價值是讓證據不漏接,不是替稽核員下結論。 對內部稽核主管、法遵與風險管理人員而言,真正要回答的是「如何建立每一項稽核發現可以回溯到原始證據的鏈結」,而不是買下哪一套工具。本文提供資料欄位、六段工作流程、五個情境推演、風險清單與可下載的 CSV 範本。所有示範情境與計算參數均是教學假設,不代表特定企業導入績效。

一、先回答管理問題:為什麼原本的工作方式還不夠?
企業最容易把「已投入時間」誤認為「已得到成果」。在AI 內部稽核的情境中,主管看得到資料表、會議紀錄與工作進度,卻未必能看清可回溯至原始來源的稽核發現比率。這種斷裂不是因為員工不努力,而是現有紀錄分別服務不同單位:一份用於請款、一份用於稽核、一份用於追蹤進度,彼此欠缺同一事件或同一物件的識別方式。於是主管必須靠口頭問答補洞,重大問題常在交付前才被看見。
從第一性原理看,AI 內部稽核要解決的是「決策能否在足夠時間內,依足夠可信的證據作出,並在事後驗證」。要做到這件事,至少需要三層能力。第一層是把人、物件、日期與規範對起來;第二層是把例外從日常資料中分離出來;第三層才是透過 AI 幫助解讀、排序和寫出建議。若第一層不成立,模型口吻再確信,頂多是在不完整資訊上產生一份流暢報告。
本篇以內部稽核主管、法遵與風險管理人員為唯一主角。它不是為了把每一項工作自動化,也不預設一定要購買 AI Agent。優先選擇一個有明確分母、有可回溯單據、可由現場主管驗收的小範圍問題。當資料品質和權責尚未足夠,先採規則、試算表和人工覆核,比急著導入模型更有價值。
實際上什麼情況值得導入?
適合起步的情境有三項共同條件:第一,類似事件每週持續發生,足以形成可比較資料;第二,主管能明確說明錯誤決策的成本,並願意負責最終判斷;第三,輸入資料可以合法取得及保存。相反地,若事件一年只有一次、資料大量只在個人記憶、原始文件無法追溯,應先整理規則與資料,不宜承諾自動預測。稽核的可用性取決於證據適切性、充分性及獨立判斷;AI 的價值是讓證據不漏接,不是替稽核員下結論。 這是本文所有技術選項的前提。
二、先建立資料地基:八個不能省略的欄位
下列欄位不是要求企業立刻建置大型資料倉儲,而是讓分散的文件有共同語言。附檔 資料字典(CSV) 已提供欄位名稱、資料目的與常見錯誤,使用者可填入所屬系統、更新頻率、權限與承辦人。檢核時要先確認「來源可靠」和「可依相同規則重算」,才談模型效率。
1. 稽核目標與範圍
把被查核流程、期間、控制目標和排除範圍寫明,防止 AI 擴大推論。
驗收與例外:越界文件不能因為被搜尋到就變成查核標的。 請以一筆正常及一筆反例追溯來源,保留資料版本和覆核人。
2. 控制點清單
每一控制需有設計目的、作業規範、責任單位及測試方法。
驗收與例外:不應把既有控制存在視為有效運作。 請以一筆正常及一筆反例追溯來源,保留資料版本和覆核人。
3. 政策與程序版本
保留版次、生效日、發布人與適用子公司,避免引用過期規範。
驗收與例外:文件發布日晚於樣本期間不能拿來倒判違規。 請以一筆正常及一筆反例追溯來源,保留資料版本和覆核人。
4. 原始憑證索引
發票、核准郵件、系統紀錄、簽核附件需有來源識別與取件時間。
驗收與例外:摘要文字不能取代可驗原始憑證。 請以一筆正常及一筆反例追溯來源,保留資料版本和覆核人。
5. 存取與修改紀錄
稽核保全誰下載、誰修正及哈希,便於追溯證據完整性。
驗收與例外:未保全的編修文件不宜作唯一重大發現依據。 請以一筆正常及一筆反例追溯來源,保留資料版本和覆核人。
6. 樣本母體與抽樣規則
明確記錄母體總數、抽樣方法、期間與排除依據。
驗收與例外:異常檢出率不能直接推估整體發生率。 請以一筆正常及一筆反例追溯來源,保留資料版本和覆核人。
7. 發現與反證
保存初步異常、管理單位回應、反證及稽核員最後判定。
驗收與例外:單方敘事不可在系統中自動蓋章成立。 請以一筆正常及一筆反例追溯來源,保留資料版本和覆核人。
8. 改善計畫與複驗
改善措施、負責人、期限、實施證據及再測結果連成閉環。
驗收與例外:期限前送報告不等於控制改善有效。 請以一筆正常及一筆反例追溯來源,保留資料版本和覆核人。
三、六步工作流程:從散落紀錄到可執行的管理決策

不同企業的軟體環境差異很大,但有效流程有共通前提:同一事件不能在匯出、摘要、簽核後失去身分;每個結果都要能回答誰確認、依據何在、何時應重新檢查。下列六步不等同於一定使用六個 AI Agent;前兩步通常以資料清洗、檔案歸檔與規則檢查就可以完成,生成式 AI 主要放在解釋和整理證據的環節。
步驟 1:建立控制目標與查核矩陣
輸入:內控手冊、年度稽核計畫。執行方式:將每個風險映射到控制點與測試步驟。應得到:可核准的查核清單。
執行前先確認「內控手冊、年度稽核計畫」的來源版本與授權範圍。當資料缺漏時,將「可核准的查核清單。」標成待補,不能由模型自行補成確定事實。
反例測試:放入過期、缺漏或互相矛盾的內控手冊、年度稽核計畫;流程應拒絕、標註或要求人工覆核,並留下原始輸入。
步驟 2:盤點跨部門證據
輸入:ERP 匯出、簽核紀錄、電子郵件、PDF。執行方式:依權限索引並標記保存期限與來源。應得到:檔案目錄、缺件清單及取件狀態。
執行前先確認「ERP 匯出、簽核紀錄、電子郵件、PDF」的來源版本與授權範圍。當資料缺漏時,將「檔案目錄、缺件清單及取件狀態。」標成待補,不能由模型自行補成確定事實。
反例測試:放入過期、缺漏或互相矛盾的ERP 匯出、簽核紀錄、電子郵件、PDF;流程應拒絕、標註或要求人工覆核,並留下原始輸入。
步驟 3:進行規則型初步測試
輸入:金額欄位、日期、授權層級。執行方式:先做可重現條件比對,例如重複付款與超權限。應得到:異常候選而非正式發現。
執行前先確認「金額欄位、日期、授權層級」的來源版本與授權範圍。當資料缺漏時,將「異常候選而非正式發現。」標成待補,不能由模型自行補成確定事實。
反例測試:放入過期、缺漏或互相矛盾的金額欄位、日期、授權層級;流程應拒絕、標註或要求人工覆核,並留下原始輸入。
步驟 4:用 AI 產生疑點與反證要求
輸入:候選異常、上下文、控制敘述。執行方式:產生兩種可能解釋並列待補證資料。應得到:稽核員待查工作表。
執行前先確認「候選異常、上下文、控制敘述」的來源版本與授權範圍。當資料缺漏時,將「稽核員待查工作表。」標成待補,不能由模型自行補成確定事實。
反例測試:放入過期、缺漏或互相矛盾的候選異常、上下文、控制敘述;流程應拒絕、標註或要求人工覆核,並留下原始輸入。
步驟 5:形成發現與管理回應
輸入:來源鏈結、抽樣紀錄、管理說明。執行方式:稽核員判斷影響與原因,核准文字後發送。應得到:有證據與審核者的正式發現。
執行前先確認「來源鏈結、抽樣紀錄、管理說明」的來源版本與授權範圍。當資料缺漏時,將「有證據與審核者的正式發現。」標成待補,不能由模型自行補成確定事實。
反例測試:放入過期、缺漏或互相矛盾的來源鏈結、抽樣紀錄、管理說明;流程應拒絕、標註或要求人工覆核,並留下原始輸入。
步驟 6:追蹤改善有效性
輸入:整改紀錄、測試證據與同類事件。執行方式:複測是否實質降低風險,逾期升級主管。應得到:關閉或再次開案的決策紀錄。
執行前先確認「整改紀錄、測試證據與同類事件」的來源版本與授權範圍。當資料缺漏時,將「關閉或再次開案的決策紀錄。」標成待補,不能由模型自行補成確定事實。
反例測試:放入過期、缺漏或互相矛盾的整改紀錄、測試證據與同類事件;流程應拒絕、標註或要求人工覆核,並留下原始輸入。
四、五個現場決策情境:表面相似,判斷方式不能相同
以下均為虛擬教學情境。它們用來演示決策結構,沒有使用企業實際績效,也不表示 AI 一定能自行判斷正確。每一例必須具備場景、輸入、可能誤判、正確處置與驗收五個要素。
情境 1:採購拆單規避授權
業務背景與資料:同日同廠商多筆請購金額接近授權門檻;先檢查是否有合法的分批需求。
錯誤捷徑:金額相近不能直接判定舞弊。 先拆解這個假設,列出可能的反證、需要釐清的權責與適用條件。
處置與完成條件:對照請購目的與核准層級,保留反證。 需要由現場權責人核對原始來源;AI 可以整理待查清單,但不得自行下達不可逆的交易、人事或安全指令。
情境 2:離職帳號仍可登入
業務背景與資料:人事離職日與系統存取日不一致;核對實際權限與特殊交接。
錯誤捷徑:登入紀錄可能來自服務帳戶或代管機制。 先拆解這個假設,列出可能的反證、需要釐清的權責與適用條件。
處置與完成條件:IT 交付帳號綁定與停權證據。 需要由現場權責人核對原始來源;AI 可以整理待查清單,但不得自行下達不可逆的交易、人事或安全指令。
情境 3:費用報支附件不足
業務背景與資料:匯總無憑證或超過政策標準的報支筆數,分類為補件或疑似例外。
錯誤捷徑:缺件不等於蓄意不當。 先拆解這個假設,列出可能的反證、需要釐清的權責與適用條件。
處置與完成條件:每筆補件歷程及審核者可追索。 需要由現場權責人核對原始來源;AI 可以整理待查清單,但不得自行下達不可逆的交易、人事或安全指令。
情境 4:改善已回覆但重犯
業務背景與資料:去年同類發現已關閉,近期同控制點仍出現異常。
錯誤捷徑:報告寫已教育訓練不代表制度完善。 先拆解這個假設,列出可能的反證、需要釐清的權責與適用條件。
處置與完成條件:複驗證明控制操作有效而不只是公告完成。 需要由現場權責人核對原始來源;AI 可以整理待查清單,但不得自行下達不可逆的交易、人事或安全指令。
情境 5:跨子公司採用不同制度
業務背景與資料:相同風險在不同法人與制度有不同控制要求。
錯誤捷徑:錯把總部制度套給尚未生效的子公司會誤判。 先拆解這個假設,列出可能的反證、需要釐清的權責與適用條件。
處置與完成條件:映射法人、地區與適用日期。 需要由現場權責人核對原始來源;AI 可以整理待查清單,但不得自行下達不可逆的交易、人事或安全指令。
五、可重現的數字與決策推演(模擬案例)
以下所有數值均為專為教學設計的假設。其目的在於讓讀者檢查公式、分母和決策邊界;並非實際企業導入效果,也不能用作市場統計。
假設一季共有 1,200 筆採購付款,稽核主管依授權門檻、付款對象與重複請款規則挑出 60 筆高風險候選,其中 AI 找出 8 筆疑點。稽核員逐筆檢視後,確認 3 筆確實存在控制執行問題、2 筆是合法例外、3 筆尚待提供文件。這裡能計算的是「在已覆核的 8 筆候選中,目前有 3 筆成立」,不能宣稱企業付款流程的違規率是 3/1,200,也不能把高風險抽樣的比例推廣到全部母體。
若要估計母體的異常頻率,必須另外設計抽樣方式,並清楚說明分層、代表性與推估限制。對主管更有用的結果可能是:哪個控制環節重複產生證據缺漏?是權限設定、例外授權流程,還是程序文件未更新?完成稽核報告時,應將「系統找到線索」「原始憑證支持」「稽核員作出判定」「管理單位回覆」放在四個不同欄位。
試辦驗收時,可以故意放入一筆合規但看似可疑的付款,例如因合約分期所形成的同日相同金額,檢查模型是否允許管理單位提出反證。沒有這道程序的 AI 稽核容易提高誤報、損害單位信任,甚至把稽核資源耗在不必要的溝通。
六、衡量是否有價值:六項指標不能只看漂亮的平均數

「可回溯至原始來源的稽核發現比率」是本篇的核心結果指標。其餘指標是診斷原因與保護品質的護欄。請在試辦前確認分子、分母、觀察期間、排除條件、資料更新頻率及責任人。沒有一致口徑時,AI 再快也只是替兩份不同意義的表格做比較。
指標 1:證據可追溯率
定義與算法:具來源識別及版本的正式發現÷正式發現總數。判讀邊界:重大發現須達 100%可核驗。
觀察此指標時,應同時記錄當期值、前期值、來源筆數及資料缺口;若口徑改變,必須另行註記,不能直接對比並宣稱改善。
指標 2:異常覆核精確度
定義與算法:抽查屬實候選÷已覆核候選。判讀邊界:僅表示所抽樣候選精確,不代表召回率。
觀察此指標時,應同時記錄當期值、前期值、來源筆數及資料缺口;若口徑改變,必須另行註記,不能直接對比並宣稱改善。
指標 3:資料缺件率
定義與算法:逾期未提供證據項數÷應提供證據項數。判讀邊界:按單位與重要度分析。
觀察此指標時,應同時記錄當期值、前期值、來源筆數及資料缺口;若口徑改變,必須另行註記,不能直接對比並宣稱改善。
指標 4:改善再測通過率
定義與算法:經複驗有效案件÷到期改善案件。判讀邊界:需具實際測試檔案。
觀察此指標時,應同時記錄當期值、前期值、來源筆數及資料缺口;若口徑改變,必須另行註記,不能直接對比並宣稱改善。
指標 5:平均取證等待時間
定義與算法:每項證據申請至完整取得的時數中位數。判讀邊界:跨部門需分開看。
觀察此指標時,應同時記錄當期值、前期值、來源筆數及資料缺口;若口徑改變,必須另行註記,不能直接對比並宣稱改善。
指標 6:未結重大風險暴露天數
定義與算法:重大未結案風險的持續天數。判讀邊界:對管理階層依制度升級。
觀察此指標時,應同時記錄當期值、前期值、來源筆數及資料缺口;若口徑改變,必須另行註記,不能直接對比並宣稱改善。
七、六項高風險例外:先定義禁止事項,再決定自動化程度
AI 不應只提供「建議採用」的答案,還要清楚辨別何時應停止。只要涉及法律、個人權益、合約義務、付款、公共安全或不可逆的外部行動,系統須回到正式授權人員。下列風險不是裝飾性提醒,而是試辦與擴大導入的停止條件。
風險 1:稽核獨立性
經營單位不能要求模型刪除不利發現;調整紀錄須可檢視。 若情境無法對照規則、證據或負責人,就應把系統輸出標記為「僅供參考」,並保留人員重新審查的空間。若模型與可重現的規則計算不一致,應優先查輸入、口徑及模型版本,而非憑語氣選擇其中一種說法。
驗收時要有解除此風險的具體附件,例如人員核准、重新測試或原始憑證,不能只標示「已改善」。
風險 2:證據保全
文件索引需要雜湊與取件版本;不能只保留 LLM 回答。 若情境無法對照規則、證據或負責人,就應把系統輸出標記為「僅供參考」,並保留人員重新審查的空間。若模型與可重現的規則計算不一致,應優先查輸入、口徑及模型版本,而非憑語氣選擇其中一種說法。
驗收時要有解除此風險的具體附件,例如人員核准、重新測試或原始憑證,不能只標示「已改善」。
風險 3:個資過度收集
採最小必要目的、權限分層與遮罩,避免整批人資資料不當暴露。 若情境無法對照規則、證據或負責人,就應把系統輸出標記為「僅供參考」,並保留人員重新審查的空間。若模型與可重現的規則計算不一致,應優先查輸入、口徑及模型版本,而非憑語氣選擇其中一種說法。
驗收時要有解除此風險的具體附件,例如人員核准、重新測試或原始憑證,不能只標示「已改善」。
風險 4:誤報與偏差
規則異常是線索,應保留可能的合法原因及被稽核單位回應。 若情境無法對照規則、證據或負責人,就應把系統輸出標記為「僅供參考」,並保留人員重新審查的空間。若模型與可重現的規則計算不一致,應優先查輸入、口徑及模型版本,而非憑語氣選擇其中一種說法。
驗收時要有解除此風險的具體附件,例如人員核准、重新測試或原始憑證,不能只標示「已改善」。
風險 5:法規版本錯置
ISO 19011 已有 2026 新版;引用標準要帶版本及適用範圍。 若情境無法對照規則、證據或負責人,就應把系統輸出標記為「僅供參考」,並保留人員重新審查的空間。若模型與可重現的規則計算不一致,應優先查輸入、口徑及模型版本,而非憑語氣選擇其中一種說法。
驗收時要有解除此風險的具體附件,例如人員核准、重新測試或原始憑證,不能只標示「已改善」。
風險 6:改善狀態漂綠
到期關閉必須有再測樣本,不可只依文字回覆自動結案。 若情境無法對照規則、證據或負責人,就應把系統輸出標記為「僅供參考」,並保留人員重新審查的空間。若模型與可重現的規則計算不一致,應優先查輸入、口徑及模型版本,而非憑語氣選擇其中一種說法。
驗收時要有解除此風險的具體附件,例如人員核准、重新測試或原始憑證,不能只標示「已改善」。
八、從零起步的四階段試辦:不靠大型採購也能驗證
第一階段:界定一項成果。不要先列出十個想做的 AI 功能。請選擇一個能代表AI 內部稽核價值的痛點,指定唯一責任人,挑一段資料有足夠紀錄的期間。把目前人工流程的處理時間、退回原因、重大錯誤與檔案缺件數記成基準。不宜事後才補寫基準,因為屆時很容易把任何變化都歸功於新系統。若企業無法取得可比較基準,至少要先保存試辦前的原始工作證據。
第二階段:僅做唯讀整理。先用 Excel、CSV、權限受控的文件庫或現有資料庫接入,不要求操作人員交出管理員密碼。以文件索引、欄位映射、重複資料檢查及缺漏清單為主。導入模型前先對數據格式做測試,對合約、規格、法規等敏感內容保留人工判定。完成後讓另一位同仁按 README 重新執行,得到一致的資料筆數與相同規則檢查結果。
第三階段:在影子模式驗證。讓 AI 產生摘要或候選建議,但不直接改動正式資料,不寄出對外承諾、不作自動付款或人事決策。挑出正常、邊界與高風險樣本,由不同角色覆核;至少記錄對錯、漏判、重複提醒、資料版本及修正原因。特別留意「系統沒提出任何警示」不等於所有事情都正常,因為模型可能沒有看到完整母體。
第四階段:決定擴大、修正或停止。依可回溯至原始來源的稽核發現比率與風險護欄同時判斷,計算導入後的人工作業、系統費用、維運、資料清理、誤判及審核成本。若只省下報表整理時間,但工作本身沒有更快解決、錯誤沒有減少或查證無法重現,應先修正資料與流程,而不是立即擴大到其他單位。正式化前還需確認資訊安全、權限、版次、備援、例外處置和負責人交接。
一份可複用的決策紀錄應包含什麼?
建議每次決策寫下:決策編號、業務問題、日期、依據來源、數據時間範圍、模型或公式版本、替代方案、未解決的不確定性、主管決議、責任單位、回看日期。這不是要新增一份供填寫的行政表格,而是把既有AI 內部稽核會議最常遺漏的因果證據留住。當管理團隊可以回頭回答「當時為什麼這樣決定」,系統才開始成為組織資產。
九、常見問題:主管應先問的五個問題
Q1:AI 能替稽核員簽發報告嗎?
不應。正式專業判斷、風險分級與簽發屬授權稽核角色。
Q2:用 AI 查到異常就是舞弊嗎?
不是。應結合原始證據、可能反證與權限完整性調查。
Q3:是否一定要連接所有系統?
先選一項高風險流程,用唯讀匯出與來源紀錄試辦。
Q4:如何讓法遵接受生成式 AI?
訂定資料分級、存取授權、輸出記錄和稽核員核驗。
Q5:內稽用 ISO 19011 還是 IIA 標準?
兩者用途不同,依專業職能與適用規範判斷,不可混稱為同一法定義務。
十、給企業的導入判斷:什麼時候該採購系統,什麼時候只需改善流程?
若只有一個部門、少量固定欄位、每週更新一次,從標準 CSV 和可重現的規則檢查開始往往比較合理。若需要多系統資料自動同步、保留完整簽核歷程、跨部門分權與大量文件檢索,才有條件評估資料整合、工作流程系統與 AI Agent 的必要性。採購時應要求廠商示範錯誤輸入、資料刪除、權限不足、來源連結失效與不同版本對照,而不是只展示一張華麗儀表板。
衡量費用時除了工具授權,還要把人力清理資料、規則修訂、訓練、權限配置、資安審核、資料備份、模型更新與退出成本列入。一旦未來改用另一套系統,原始資料、欄位字典、決策紀錄、圖片授權及核准痕跡應仍可匯出,不能只留下某個供應商專有的聊天歷史。這也是為何本篇提供 CSV 而不綁定特定軟體平台。
本篇結論:稽核的可用性取決於證據適切性、充分性及獨立判斷;AI 的價值是讓證據不漏接,不是替稽核員下結論。 實際可帶走的第一份成果,是將 文末「操作範本下載」 內的資料字典、試辦檢核表與指標卡,套用在一個真實但可控的工作流程。當主管能用文件證據描述基準、錯誤與驗收,再決定需不需要模型、流程自動化或 AI Agent,專案才有擴大的基礎。
參考來源與證據使用說明
以下是與本篇方法和邊界相關的官方或專業機構資料。本篇的分析框架、案例與 KPI 設計是天地人的編輯性管理建議,不是標準全文的節錄,也不是任何機構核證。不應把任何案例中的假設視為已驗證之企業績效。
- The IIA:Global Internal Audit Standards:2024 年公布並於 2025 年 1 月 9 日生效。
- ISO 19011:2026 稽核管理系統指引:2026 年 5 月第 4 版,取代 2018 版。
- NIST AI Risk Management Framework:AI 風險治理與評估框架,不能替代各領域專業判斷。
企業需要進一步落地時
天地人提供企業 AI 培訓、工作流程盤點與導入陪跑。若要評估「AI 內部稽核」是否值得投資,建議先整理一個工作情境、三份代表性文件、現行處理時間及需要決定的主管,再由團隊判斷是否適合從培訓、資料治理或 AI Agent 開始。服務資訊可由 天地人官網 了解。
操作範本下載
本文由 TARAISG(TIANDIREN AI SOLUTION GROUP)使用 AI 模型產生正文、整理來源並設計實務工具。方法依據與限制列於文末;案例為明確標示的教學假設。未有具名紀錄時,不宣稱經人工或專家審核。
查看內容製作與更正說明