上星期 Hacker News 有一條討論衝上 272 分、129 則留言,題目是「AI 代理在審計測試中問的問題,比 KPMG 會計師更好」。不少行內人第一反應是「邊有可能」,但如果你做過審計前期那種對住幾百張單據逐項核對、再寫問題清單的日子,你就會明白為什麼這件事值得認真看待。
這篇文章不是要說 AI 會取代會計師,而是想講清楚一件事:審計工作裡面有大量「整理資料、找出異常、寫出問題」的工序,而這正正是今天 AI 代理最擅長的部分。 我會用五個具體步驟,帶你由零開始建立一套「AI 輔助審計前期流程」,無論你是會計師樓的 junior、中小企老闆,還是自己要做內部對帳的自由工作者,都可以照著做。讀完之後,你應該可以在一個下午之內,把本來要三天的憑證整理工作壓縮到幾個小時。
為什麼 AI 在審計測試中表現亮眼?
先講清楚背景。所謂「AI 代理問問題比會計師好」,核心不是 AI 更聰明,而是它不會疲倦、不會假設、不會因為趕死線而跳步。人類審計員做第三十張發票的時候,大腦已經自動進入「模式識別」狀態,看到熟悉的格式就快速蓋章;AI 則是每一張都當第一張來看。
第二個優勢是提問的系統性。人類審計員通常憑經驗挑重點,經驗豐富的自然挑得準,但經驗不足的就會漏。AI 可以針對同一個科目,一次過生成幾十條不同角度的問題——例如「這筆應收帳款的帳齡為何在月底突然縮短」、「這間供應商的地址與員工住址是否相同」——這些問題未必全部有用,但它保證不會漏問。
第三個優勢是跨文件比對。傳統審計要人手把發票、採購單、收貨單三份文件對起來,AI 可以同時讀取幾十份 PDF,自動標出金額、日期、供應商名稱不一致的地方。這一點對香港中小企尤其有用,因為很多公司根本沒有 ERP,單據散落在 WhatsApp、電郵和紙本之間。
第一步:把散亂單據變成可讀的文字
萬事起頭難,而審計最難的起頭就是「資料唔齊」。你需要先做一件事:把所有單據數碼化並轉成文字。
具體做法是這樣。首先,把紙本單據用手機掃描 App 拍下來,統一存成 PDF,檔名用「日期_供應商_金額」的格式,例如 20261015_ABC貿易_12800.pdf。這一步看起來很笨,但它是後面所有自動化的基礎——AI 讀不到你沒命名的檔案。
然後,用多模態模型(例如 Qwen3.8-27B 這類支援圖像輸入的開源模型,或者商業版的 Claude、GPT)把 PDF 轉成結構化文字。提示詞可以這樣寫:
「以下是一張發票的圖片。請提取以下欄位並以 JSON 格式輸出:發票號碼、開票日期、供應商名稱、買方名稱、各項貨品描述與金額、稅額、總額。如果某個欄位模糊不清,標記為 null 並在備註欄說明原因。」
關鍵在最後那句「標記為 null」。很多人用 AI 做 OCR 就敗在這一步——模型看不清時會「估」,估出來的數字比沒有數字更危險。強制它承認不確定,你才有辦法回頭人手核對。
第二步:用 AI 建立「異常清單」而不是「總結報告」
這是最多人做錯的地方。大部分人叫 AI 讀完單據之後,就叫它「寫一份總結」。出來的東西四平八穩,看完等於沒看。
正確做法是叫它只列出異常。你可以用這個提示詞:
「以下是本公司 2026 年 10 月的 87 張採購發票資料。請不要總結,只列出符合以下任何一項的發票:(1) 金額高於該供應商過去三個月平均值的兩倍;(2) 開票日期在週末或公眾假期;(3) 同一供應商在同一日出現兩張以上發票;(4) 發票號碼不連續。每項列出發票號碼、異常原因、以及你建議人手核查的問題。」
這樣出來的清單可能只有五到八項,但每一項都是真正需要人看的。以我自己試過的案例,一份 87 張發票的資料,AI 標出了三張「同一供應商同一日開兩張、金額剛好各 9,800 元」的發票——這個金額低於很多公司的採購審批門檻,正是典型的拆分採購手法。人手翻的話,這種模式極容易漏掉。
第三步:讓 AI 幫你寫「審計問題清單」
這是整篇文章最實用的一節,也是直接對應 KPMG 那個測試的核心。審計的本質是「問對問題」,而 AI 生成問題的能力,取決於你給它的背景夠不夠。
不要只給它數字,要給它業務背景。例如:
「本公司是香港一家做電子零件貿易的中小企,主要客戶在深圳,主要供應商在東莞。以下是我整理出的異常清單。請以審計員身份,針對每一項寫出兩條問題:第一條問管理層,第二條問前線同事。問題要具體,不要問『為什麼』這種開放式問題,要問可以核實的封閉式問題。」
出來的問題會是這種水平:「這張 10 月 15 日的發票與 10 月 16 日的收貨記錄相差一日,請問貨物實際到倉日期是哪一天?由誰簽收?」——這種問題,前線同事答得出,管理層也無法含糊過去。
小貼士:要求 AI 為每條問題標註「這條問題想驗證什麼假設」。例如上面那條,驗證的是「是否存在先開票後補貨、甚至虛假交易」。有了這一行,你交給上級審閱時,說服力完全不同。
第四步:人手覆核的三個必查位
講到這裡必須澆一盤冷水。AI 再強,以下三件事你一定要人手做,不能假手於機器。
第一是判斷管理層的動機。AI 可以告訴你「這筆關聯方交易價格偏離市價」,但它判斷不了老闆是不是刻意為之、還是單純計錯數。這需要你面對面傾談、看眼神、聽語氣。
第二是確認文件真偽。AI 讀得出一張發票的內容,但讀不出這張發票是不是真的由那間公司開出。你可以用稅務局或供應商的公開渠道核對,這一步絕對不能省。
第三是法律與準則的適用。香港用 HKFRS、台灣用 IFRS 與本地解釋,AI 有時會混淆。任何涉及準則判斷的結論,都要由持牌會計師確認。
把這三件事寫進你的工作流程文件裡,將來審計質素檢查時,這份文件就是你的護身符。
第五步:建立可重複使用的提示詞庫
最後一步,也是讓這套流程真正省時的一步:把你用過的提示詞存起來。
建議開一個簡單的表格,欄位包括「用途」、「提示詞全文」、「適用模型」、「上次更新日期」。例如「發票 OCR」、「異常篩選」、「問題生成」、「關聯方比對」,各存一版。每次做完一個項目,回頭看看哪條提示詞效果不好,就地修改。
為什麼要這樣做?因為 AI 模型的表現會隨版本變化。上個月好用的提示詞,這個月換了模型可能就走樣。有了這個庫,你換模型時只需要重新測試四、五條提示詞,而不是從零開始摸索。
對會計師樓來說,這個提示詞庫還有一個額外好處:它是事務所的知識資產。資深同事的經驗,透過提示詞被固化下來,新入職的同事接手時,等於站在巨人的肩膀上。
給香港台灣讀者的本地化提醒
香港方面,稅務局近年推動電子報稅,很多中小企的單據已經電子化,這對上述流程非常有利;但要留意個人資料(私隱)條例,把客戶資料上傳到海外 AI 服務前,要先確認合約條款與資料處理地點。
台灣方面,財政部推動電子發票多年,發票資料本身已有結構化格式,可以直接跳過第一步的 OCR,把時間花在第二、三步的異常分析上,效率更高。
無論哪一邊,都建議先在一個小項目上試行——例如先拿一個月的採購單據做測試,跑完五步,計一計省了多少時間、抓到了幾項異常,再決定是否推廣到全公司。這樣做,你向上級爭取資源時,手上就有實實在在的數字。
總結一下:AI 在審計工作中最值錢的地方,不是「幫你寫報告」,而是「幫你整理資料、找出異常、生成問題」。把這三步自動化,人手專注在判斷、核實與準則應用,這才是今天最合理的分工。找個下午,拿一個月的單據試一試,你會發現省下來的時間比想像中多。
延伸閱讀
常見問題
Q: 用 AI 做審計,資料上傳到雲端會不會違反保密要求?
A: 這是實務上最大的顧慮。建議三個做法:一是優先選用可本地部署的開源模型(例如 Qwen 系列),資料不出公司網絡;二是如果必須用雲端服務,先與服務商確認是否提供「不使用客戶資料訓練模型」的條款,並簽署資料處理協議;三是敏感項目(例如涉及個人薪酬、客戶名單)先行去識別化,把姓名換成代號再上傳。
Q: 中小企沒有專職會計,這套流程適合我嗎?
A: 非常適合,而且效益更明顯。中小企的單據量通常不大(每月幾十到幾百張),用 AI 整理加篩異常,一個下午可以完成本來要幾天的對帳工作。唯一要提醒的是,第三步的「審計問題清單」對中小企老闆的價值,不在於審計,而在於幫你發現內部流程的漏洞——例如為什麼同一供應商總是在月底開兩張單。把它當成內控工具來用,效果更好。
Q: 哪個 AI 模型最適合做這類工作?
A: 視乎你重視什麼。重視資料私隱、想本地部署,可以考慮開源的 Qwen3.8-27B 這類支援圖像與長文本的模型;重視穩定性與合規條款,商業版服務通常有較清晰的企業協議。實務上建議「雙軌」:日常整理用開源模型,涉及複雜判斷或需要審計痕跡時用商業版。最重要的是,無論用哪個模型,都要保留原始單據與 AI 輸出紀錄,方便日後覆核。
Q: AI 標出的異常,會不會有很多「假警報」?
A: 會,而且初期可能不少。這是正常的,因為你給它的篩選條件還未校準。建議頭一兩個月,把 AI 標出的每一項都人手跟進,記錄哪些是真異常、哪些是誤報。兩三個項目之後,你就會知道哪些條件太寬、哪些太窄,逐步收窄。這個校準過程本身就是有價值的,因為它逼你把自己的審計判斷講清楚。
Q: 這套流程可以用在公司年度審計以外的場合嗎?
A: 可以,而且用途很廣。最常見的三個延伸應用是:一、銀行融資前的財務盡職調查;二、合併收購時的標的公司核查;三、內部舉報調查時的單據追溯。這三個場合的共同點是「時間緊、單據多、需要快速找出異常」,正是 AI 代理最擅長的情境。唯一要調整的是提示詞中的業務背景描述,背景寫得越準,問題問得越到位。