這篇研究是由林育妃所執行，由我指導。目前，分享給大家已有的結果。
生成式 AI 進入審計實務後，產生了有悖直覺的現象。多數人探討生成式 AI 時，首要關注焦點通常是效率提升：加速報告撰寫、加快查核速度與資料彙整。這些優勢確實存在，但將其導入審計、內部控制與法遵等高度專業場域時，核心議題不應僅停留在效率層面。我們必須進一步探問：當系統率先給出判斷，專業人員的決策是否會受其定錨？面對系統看似篤定的結論，審計人員是否仍具備追查資料來源的動力？當系統發生錯誤時，人類會趨於保守，抑或將其視為常態性的輔助工具？
本研究旨在釐清這些細緻的行為變數。研究涵蓋內部稽核、會計財務與會計師等專業工作者。研究設計並非單純詢問受測者對新技術的信任度，而是將其置入多個擬真的審計情境。例如：由系統率先提供存貨跌價損失提列比例；以不同表述方式描述應收帳款風險；產出 ESG 供應商風險評估時，部分版本附上原始憑證與法規來源，部分僅提供結論；操作介面提供不同的預設顯示；將系統設定為具備互動溫度的助理或純粹的自動化系統；最後，刻意安排系統犯下基礎的會計邏輯錯誤。
這些情境設計緊扣行為經濟學的經典偏誤，包含錨定效應（Anchoring Effect）、框架效應（Framing Effect）、預設效應（Default Effect）與演算法嫌惡（Algorithm Aversion）。此研究架構的優勢在於，能夠超越表面偏好的調查，深入觀察新技術介入專業判斷流程時，人類的信任、懷疑、查證行為與責任感將如何演變。
當前探討此議題具備高度急迫性。美國上市公司會計監督委員會（PCAOB）在 2024 年的觀察指出，生成式 AI 在審計與財務報導的應用雖處於早期階段，但發展迅速；主要涵蓋行政庶務、研究、文件草擬與內部指引查詢。與此同時，資訊安全、隱私保護、輸出結果的可靠性與監督責任等風險亦浮上檯面。英國財務報導理事會（FRC）也規劃於 2025 年發布審計應用指引，並針對代理式 AI（Agentic AI）提出進階規範，核心目標在於平衡審計品質風險與效率效益。
洞察一：來源透明度為信任基礎
研究中最顯著的發現，在於專業人員對來源透明度的要求。
在評估 ESG 供應商風險的情境中，研究提供兩組結論相似的報告。關鍵變數在於：一組附上可點選的原始憑證與法規條文；另一組僅提供分析結果。結果顯示，具備原始憑證與法規依據時，審計人員將其納入正式查核底稿的意願大幅提升。反之，若僅提供結論，採納意願則顯著下降。在控制職務、年資、使用頻率與基本信任傾向等變數後，此結果依然具備高度穩定性。
在專業領域，文句流暢度等同於資訊可信度是一個危險的誤區。審計人員需要的是具備完整證據鏈的內容，必須能追溯至合約、發票、傳票、法規或原始數據。美國國家標準暨技術研究院（NIST）的人工智慧風險管理框架（AI Risk Management Framework）亦強調，系統的可信度應貫穿設計、開發、使用與評估的完整生命週期。
這對企業規劃工作流程具備實務啟發。若系統僅能產出專業文字，其在審計現場的價值將受限；唯有將結論、來源、引用資料、判斷步驟與覆核紀錄完整串接，方能真正融入專業作業流程。
洞察二：過度包裝專業度，犯錯時信任折損更嚴重
另一項顛覆認知的結果來自「系統犯錯」的情境。
研究將系統分別設定為「持續學習中的實習生」與「高準確率的全自動專家系統」。隨後，兩組系統皆發生如會計科目借貸不平衡等基礎邏輯錯誤。資料顯示，被定位為「專家系統」的 AI 在犯錯後，受測者後續參考該系統的意願急遽下降。相較之下，若初期即定位為「仍在學習的輔助者」，使用者較能包容其錯誤，並願意持續作為參考。
企業導入新技術時，常傾向過度強調其強大效能與準確率，以期說服內部採用。然而，在審計此類講求證據與責任的工作中，過度包裝可能產生反效果。使用者會以更高標準檢視系統，一旦發生基礎錯誤，信任感將瞬間崩解。過往關於演算法嫌惡的研究也指出，人們目睹演算法發生錯誤後，常會降低後續使用的意願，即便其整體表現仍優於人類。
企業在導入時，應務實說明其作為輔助工具的定位，具備整理、比對與提示異常的功能，但最終判斷仍需仰賴人類覆核。這也更符合專業工作的實務情境。
洞察三：高頻使用者具備較高的辨識度
研究同時檢視了使用頻率的影響。直覺上，高頻率使用者可能更容易仰賴系統給出的答案。但數據顯示，這群使用者雖然更願意將生成式 AI 納入工作流程，在面對「有來源」與「無來源」的結論時，其決策差異反而更為顯著。
換言之，頻繁使用並未導致盲從，反而培養出判斷系統輸出結果可用性的能力。這凸顯了當前所需的素養，已超越單純的工具操作或提示詞撰寫。核心關鍵在於辨識何種輸出需要查證、何種答案僅是詞藻堆疊，以及何種任務不應交由系統單獨執行。
這正呼應了國際審計與確信準則理事會（IAASB）所強調的「專業懷疑」（Professional Skepticism）態度。新技術進入審計流程，專業懷疑不應被省略，必須被制度化地納入作業規範中。
洞察四：定位為輔助工具，確保責任歸屬
在開放性問題的質性回饋中，多數受測者將生成式 AI 視為節省時間、初步辨識異常與協助擬定判斷方向的輔助工具。他們同時強調，正式結論仍需人工覆核，系統不能做為單一的決策依據。
審計人員並未將其視為可完全接管工作的角色。其核心考量在於，審計工作不僅是產出最終結論，更在於留存完整的判斷軌跡。審計人員必須能具體說明採納特定證據、執行或不執行追加查核的理由。若系統無法支撐這些佐證與說明，便只能停留在資料彙整的輔助角色。
值得關注的未顯著變數
此研究中部分設計並未產生顯著影響，這同樣具備探討價值。
例如，以正面（80% 回收機率）或負面（20% 呆帳機率）表述應收帳款風險，並未改變受測者追加查核的決策。系統介面的語氣、擬人化設定，亦未促使受測者將錯誤責任歸咎於開發端。系統預設畫面對查核範圍的影響，目前也未形成穩定結論。
這些未成立的假設，反而強化了研究結論的穩健性。這顯示專業人員的判斷並未輕易受表象包裝影響。真正影響決策的核心要素僅有兩項：是否提供可查證的來源，以及錯誤發生後，其原始定位是否仍具備輔助價值。
實務工作流程設計的啟發
此研究的核心貢獻在於，將關注焦點由「工具效能」轉移至「工作流程的重新設計」。
- 建立來源要求機制： 任何影響關鍵決策的產出，皆須具備可追溯的來源。缺乏依據的結論，應排除於正式文件之外。
- 確立人類覆核責任： 避免將系統包裝為絕對正確的專家。較穩健的架構是將其應用於初步彙整、異常提示與文件草擬，並明確保留人工覆核環節。
- 深化錯誤辨識訓練： 內部培訓不應僅限於操作技巧。更重要的是培養使用者辨識系統證據缺失、以及判斷何時應回溯原始資料的能力。
- 重視可追溯性與責任軌跡： 評估導入效益時，除了時間成本的節省，更應將可追溯性、可覆核性與責任紀錄納入關鍵指標。
- 建立動態的信任校準機制： 良好的作業流程應協助使用者建立合宜的信任邊界，明確界定可直接採納與必須停下查證的作業情境。
結論
生成式 AI 處理繁複資訊的能力已具備廣泛共識。然而，越深入嚴謹的專業場域，越能觀察到實務運作的真實樣貌：具備資料來源的系統，其價值遠高於展現自信語氣的系統；誠實定位為輔助工具，較包裝為專家系統更能維持信任；高頻使用者更重視查證；專業人員樂於使用工具，但堅守責任歸屬。
在審計、內控、法遵與財務等高要求領域，新技術的價值不僅在於提升效率，更在於協助人類及早辨識風險、留存清晰證據，並以更具紀律的方式做出判斷。總結來說，專業領域所期盼的生成式 AI，在於具備可驗證性、支援人工覆核，並能釐清責任歸屬，而非僅提供看似流暢的解答。
