跳出技术思维以EDM05治理实现可解释、可落地的AI内审人工智能AI正深刻改变内部审计的作业模式。从交易级异常检测到持续性监控AI相较传统审计方法在洞察时效性与覆盖广度上均展现出显著优势。然而现实挑战在于多数利益相关方未能充分理解AI的运行机理亦缺乏对其输出结果的信任依据。若您的治理层、高管或业务负责人将AI审计视为“黑箱”此乃普遍困境并非个例。值得关注的是COBIT框架通过“EDM05确保利益相关方参与”这一治理目标提供了可行的解决路径。该控制目标若运用得当能够有效弥合复杂AI工具与其输出结果使用者之间的认知断层。以下将阐述如何使AI驱动的审计兼具可理解性与可信赖性。始于期望而非技术组织在引入AI审计时最常见的误区是以技术方案作为沟通起点。正确的做法应以需求对话为开端利益相关方最为关切哪些风险其在哪些决策环节面临困难其对AI应用存在哪些顾虑在此基础上将AI能力转化为通俗的业务语言。例如避免使用“我们正在部署异常检测模型”此类技术表述而应表述为“我们利用AI对全部交易进行扫描并自动标记异常活动以供后续审查”这个转变虽简却能使AI更像一种工具而非难以理解的神秘黑箱。以业务领导者视角沟通而非数据科学家不同层级的利益相关方所需的信息粒度各有不同。面向董事会及审计委员会应侧重风险、趋势及总体成果面向高管层如CFO/CIO应突出业务影响与运营洞察面向审计团队内部则需提供深度的技术细节与支持性文档。贯穿始终的关键原则是将AI输出结果与业务价值联系起来。例如“检测到230万美元异常交易”为合格表述。而“识别出230万美元高风险交易据此降低了潜在舞弊风险敞口”则为更优表述。同时应避免向利益相关方灌输过多技术术语——若其无法用自己的语言复述则说明信息传递已超出可理解边界。追求可解释性而非仅关注准确性准确性本身不足以构建信任可解释性才是建立信任的基石。当AI标记出异常事项时利益相关方应能理解其判定逻辑该交易是否超出正常波动区间是否绕过了既定审批控制是否偏离了历史行为模式清晰说明判定原因能够将AI从“黑箱”转化为有效的决策支持工具。通过透明度建立信任信任不会自动建立而是需要一步步赢得。以下三项措施可供实务参考1、坦诚说明模型局限性。AI并非完美无缺其输出存在误报率且高度依赖输入数据的质量——此点应在项目启动之初即明确告知。2、展示治理机制如何发挥作用。利益相关方应知悉AI模型的归属责任方是谁模型性能如何接受持续监控变更流程如何经过审批此等信息能够强化AI处于受控状态、并非无约束运行的认知。3、展示模型公平性偏见测试不仅是技术验证环节更是建立信任的关键活动。应以简明方式分享测试结论如“我们在各区域分别测试了模型结果显示准确率保持一致”。透明度是赢得公信力的有效路径。借助敏捷方法维持利益相关方参与度若审计流程中已采纳敏捷或Scrum方法则具备天然优势。可充分利用以下环节通过Sprint规划会议对齐优先级通过Sprint评审会议展示审计发现通过回顾会议收集反馈意见此举可形成持续的反馈闭环使利益相关方不仅处于知情状态更能深度参与审计进程。形成闭环彰显反馈价值行动是建立信任的最快路径。若利益相关方反馈“仪表板过于复杂”——则应予以简化“我们无法理解相关指标”——则应优化可视化呈现“误报率过高”——则需调整模型参数。之后应将改进结果主动通报相关方。当利益相关方观察到其意见被实际采纳并体现于系统变更时其参与意愿与信任水平将同步提升。衡量关键要素欲改善利益相关方参与度须对其进行量化跟踪。管理学界有言无法衡量则无法管理。建议重点关注以下衡量维度利益相关方对审计报告的满意度对AI输出结果的理解程度对AI驱动审计发现的信心水平若利益相关方对结果缺乏信任或理解不足则纵然模型性能优异亦难以转化为实际业务价值。结语AI的成功取决于人而非技术本身AI具备变革内部审计的潜力但这一潜力的兑现以利益相关方的信任为前提。COBIT框架中的EDM05治理目标提醒我们治理的核心不仅在于系统与工具更在于人、沟通与协同一致。若能在清晰期望、简明沟通、透明实践与持续反馈四个维度上着力则AI驱动的审计完全可以摆脱“黑箱”印象成为值得信赖的战略性资产。在审计职能中实施AI时请勿仅关注“模型是否运行正常”。——更应追问“我们的利益相关方是否理解并信任它”。这才是真正业务价值的起点。