AI审计行业破局之“制造业”篇:最贵的不是设备,是审计看不见的那部分

AI审计行业破局系列 · 第 4 篇 / 共 10 篇

（上一篇：线索不是没有，是不敢用）

制造业的内审团队，大概是所有行业里"想做的事"和"能做的事"差距最大的。

想做的事一大把：采购招投标、供应商管理、存货与成本、工程项目、销售与回款、费用报销……每一块都是真金白银，每一块都有风险故事。能做的事却很有限：115 份内审人员问卷里，制造业受访者最高频的三个痛点是"数据量大、处理效率低、缺乏数据分析技能"——制造业的数据体量，配的常常是十几年不变的手工抽查。

结果就是：最贵的损失，往往发生在审计看不见的地方。 一个供应商围标三年没人发现，一笔存货减值信号被淹没在几万条明细里，一个工程变更累计超支 30% 直到结算才暴露。

AI 能改变这个局面，但前提是选对场景。今天这篇就讲制造业 AI 审计的第一道选择题：场景太多，先做哪个？

一、先摊开：制造业的候选场景地图

我们把制造业审计常见的 AI 候选场景摊在一张桌子上，每类场景标注 AI 能干什么、必须留给人干什么：

看到这张表，很多制造业朋友的第一反应是"全都要"。我们的建议是：先忍住。

二、三维打分：价值、可行性、风险

场景选择我们只用三维评价，每个维度问三个问题：

价值维度：这个场景覆盖的金额和风险敞口有多大？查出问题后的整改价值有多大？领导层有多关心？（关心程度很现实——没有管理层关注的场景，做完也没人用。）

可行性维度：数据可获得吗？口径可解释吗？流程标准化程度够吗？人工复核的成本降得下来吗？数据拿不到的场景，再有价值也要往后排。

风险维度：AI 出错的后果是什么？误报会伤及无辜吗？漏报有兜底吗？输出的敏感度有多高？

三维打分之后，制造业项目里最常胜出的两个场景，往往出乎意料地"朴素"：

一是费用与报销。 数据全、规则清、量大到人工根本做不完，AI 一上场就能拉开差距——凭证识别 95% 以上的准确率，加上重复报销、超标组合的批量筛查，第一个月就能交出可验证的成果。

二是采购招投标的一致性检查。 不碰"围标认定"这种高难度判断，先做招标文件、投标文件、合同、结算单之间的跨文件一致性比对：数量对不上、日期倒挂、条款偏离、金额勾稽异常。这类检查规则清晰、证据客观，AI 做得又快又稳，还特别容易赢得业务部门信任。

反而那些听起来最高大上的场景——供应商画像、舞弊预测——我们通常建议往后放。判断边界越模糊，AI 越容易变成"看起来很聪明"的摆设。

三、每个场景配一张"场景卡"

场景定了，先别急着开发。我们的做法是给每个候选场景写一张场景卡，七个要素缺一不可：

1. 审计目标：
   这项检查要回答什么问题；
2. 风险假设：
   预期存在什么风险，依据是什么；
3. 输入资料：
   需要哪些数据、文档、凭证；
4. 可用数据：
   这些输入里哪些真拿得到、口径如何；
5. AI 任务：
   AI 具体做什么——识别、比对、聚合、排序；
6. 人工复核：
   谁在哪个环节核、核什么、怎么记录；
7. 证据输出与限制：
   结果以什么形式进底稿，AI 不能做什么。

场景卡看着是文书工作，实际是把"审计逻辑"和"技术实现"翻译到同一张纸上的过程。大量 AI 审计项目失败，根源就是场景卡没写清楚就开工：技术团队按自己理解的"智能"去建，审计团队按自己习惯的"经验"去验，最后两边都对不上。

四、算一笔净价值账

还有一个很多人忽略的维度：净价值。

一件 AI 能干的事，不等于值得 AI 干。粗略的算法是：净价值 = 业务收益 − 数据清洗成本 − 人工复核成本 − 误报/漏报代价 − 维护成本 − 合规成本。

举例：某场景 AI 每年节省 300 个人时，但数据口径长期混乱，清洗和维护要搭进去 250 个人时，误报还要业务部门反复澄清——这单就是亏的，果断不立项。不能把"10 秒生成"直接等同于高效。

五、和年度审计计划咬合

最后提醒一句：场景选择不能脱离年度审计计划。

正确的方式是把 AI 场景和计划里的项目一一对接——哪些项目用 AI 做全量筛查、哪些用 AI 做持续监控、哪些专项直接按 AI 友好方式设计取证程序。场景长在计划里，能力才能长在组织里；游离于审计计划之外的"创新试点"，通常活不过两个季度。

下一篇我们转向教育行业：制度三百页、规则散在九个部门、审计团队一半是兼职——知识资产怎么从"纸"变成"库"。

翼安AI审计｜AI审计，落地为先。

面向内审与事务所，分享AI审计方法、场景实操与安全边界，提供线下实战培训及落地服务。

汇集审计、AI应用、网络安全、IT架构与开发力量，帮助审计人安全合规地把AI用进工作。