19 · 按岗位学习
审计内控与风控：WorkBuddy 应用场景
了解审计内控与风控岗位的 WorkBuddy 应用场景、输入、交付结果、实施条件与人工边界。
覆盖角色：内部审计、注册会计师、内控、风险管理、模型风险、合规审计 核心判断：审计内控场景强调证据链与可复核性，模型标记只能作为检查线索。
一、岗位为什么值得优先梳理
审计内控与风控每天处理大量资料、规则、协作信息和例外情况。AI智能体的价值来自稳定处理其中可描述、可检查、可回退的任务。本章把应用拆成场景、输入、交付结果和人工边界，方便企业直接选择试点。
岗位应用不能只看生成速度。企业还要检查数据从哪里来、结果交给谁、哪些动作需要系统权限、出错后怎样回滚。涉及高影响决定时，WorkBuddy负责准备材料、解释信息和编排流程，有权限的人员负责批准。
二、应用场景全景表
| 场景 | 需要输入 | WorkBuddy可辅助交付 | 人工或系统边界 |
|---|---|---|---|
| 数据抽取与准备 | 总账、凭证、合同、流程和审计范围 | 标准化数据、缺失和抽样清单 | 数据完整性和取数权限需记录 |
| 凭证与交易检查 | 凭证、附件、规则和历史异常 | 异常交易、证据和待核验项 | 模型标记不是审计结论 |
| 异常识别 | 全量交易、阈值和业务背景 | 异常模式、影响和抽查建议 | 低频异常与业务例外需访谈确认 |
| 内控规则测试 | 流程、控制点、权限和日志 | 控制缺口、失效证据和整改项 | 实际执行证据优先于制度文本 |
| 审计底稿 | 程序、证据、判断和模板 | 底稿草稿、交叉引用和缺件 | 审计人员对充分适当证据负责 |
| 整改跟踪 | 问题、责任人、期限和材料 | 状态、逾期、复核和关闭建议 | 关闭问题需复核证据 |
| 算法与AI审计 | 模型、数据、规则、输出和日志 | 偏差、可解释性、权限和追溯检查 | 需要技术、业务、法务共同参与 |
| 模型风险管理 | 模型清单、用途、风险等级和监控 | 模型台账、验证和退出条件 | 高风险模型不能只靠厂商自证 |
| 审计报告复核 | 事实、证据、结论和措辞 | 证据缺口、逻辑矛盾和表述建议 | 审计意见必须由有资质人员签发 |
三、三个优先场景
1. 数据抽取与准备
这一场景的目标是把总账、凭证、合同、流程和审计范围整理成标准化数据、缺失和抽样清单。建议把任务拆成五步：明确任务口径；收集并检查输入；让WorkBuddy执行整理、检索或生成；输出可编辑结果；由岗位负责人复核后进入下一流程。
- 输入：总账、凭证、合同、流程和审计范围
- 输出：标准化数据、缺失和抽样清单
- 验收：检查取数时间、异常复核命中率、底稿返工率
- 边界：数据完整性和取数权限需记录
图：19-审计内控与风控入选来源文章中的正文配图，用于辅助理解场景。
2. 凭证与交易检查
这一场景的目标是把凭证、附件、规则和历史异常整理成异常交易、证据和待核验项。建议把任务拆成五步：明确任务口径；收集并检查输入；让WorkBuddy执行整理、检索或生成；输出可编辑结果；由岗位负责人复核后进入下一流程。
- 输入：凭证、附件、规则和历史异常
- 输出：异常交易、证据和待核验项
- 验收：检查取数时间、异常复核命中率、底稿返工率
- 边界：模型标记不是审计结论
图：19-审计内控与风控入选来源文章中的正文配图，用于辅助理解场景。
3. 异常识别
这一场景的目标是把全量交易、阈值和业务背景整理成异常模式、影响和抽查建议。建议把任务拆成五步：明确任务口径；收集并检查输入；让WorkBuddy执行整理、检索或生成；输出可编辑结果；由岗位负责人复核后进入下一流程。
- 输入：全量交易、阈值和业务背景
- 输出：异常模式、影响和抽查建议
- 验收：检查取数时间、异常复核命中率、底稿返工率
- 边界：低频异常与业务例外需访谈确认
四、四层能力与实施条件
| 层级 | 本岗位可优先放入的场景 | 实施条件 |
|---|---|---|
| 文件层 | 凭证与交易检查、异常识别、内控规则测试、审计底稿 | 使用本地文档、表格和模板，结果可人工检查 |
| 知识层 | 凭证与交易检查 | 建立有版本、有出处、有权限的知识资料 |
| 系统层 | 数据抽取与准备 | 通过受控的Connector、MCP或API读写业务系统 |
| 决策层 | 模型风险管理 | 展示依据、假设和影响，高风险决定由人批准 |
五、建议从这个试点开始
推荐先做“数据抽取与准备”。它所需输入是总账、凭证、合同、流程和审计范围，目标交付是标准化数据、缺失和抽样清单。
试点可按四个动作推进：第一，抽取一批真实历史任务作为基线；第二，用同一批输入让人工流程和WorkBuddy流程并行；第三，记录失败、遗漏和人工修改原因；第四，只在结果稳定、权限清楚、可以回滚时扩大范围。
建议验收指标包括：取数时间、异常复核命中率、底稿返工率。如果结果需要大量重做、来源无法追溯、系统写入不可回滚，试点应暂停并先修复数据或流程。
六、实施边界
- 算法与AI审计：需要技术、业务、法务共同参与。
- 模型风险管理：高风险模型不能只靠厂商自证。
- 审计报告复核：审计意见必须由有资质人员签发。
- 第三方案例中的效率数字和产品能力先作为线索，正式采购或发布前回查官方资料与实际测试。
七、主要资料来源
按岗位用 AI · 完整版