Штучний інтелект в аудиті фінансових результатів: методологічні аспекти та практична реалізація

Владислав Брайко

doi:10.26906/EiR.2025.4(99).4165

Автор(и)

Владислав Брайко Університет митної справи та фінансів https://orcid.org/0000-0001-6698-3909

DOI:

https://doi.org/10.26906/EiR.2025.4(99).4165

Ключові слова:

штучний інтелект, аудит, фінансова звітність, великі мовні моделі, машинне навчання, міжнародні стандарти аудиту

Анотація

Стаття присвячена розробці методологічних основ застосування штучного інтелекту в аудиті фінансової звітності. Досліджено системні виклики сучасного інформаційного середовища: зростання обсягів текстових розкриттів, гетерогенність джерел даних, нові регуляторні вимоги щодо цифрової звітності. Обґрунтовано необхідність впровадження великих мовних моделей та машинного навчання для опрацювання інформації, що перевищує можливості традиційного аналізу. Запропоновано методику LLM-AuditBridge для семантичного аналізу текстових розкриттів відповідно до міжнародних стандартів аудиту. Розроблено архітектуру гібридної системи, що поєднує LLM-аналіз з класичними статистичними методами: аналізом Закону Бенфорда та логістичною регресією. Підкреслено інструментальну роль штучного інтелекту, що не замінює професійне судження аудитора.

Біографія автора

Владислав Брайко, Університет митної справи та фінансів

аспірант

Посилання

1. Benichou Mouffok B., Ayachi F. Evolution of Auditing in the Face of the Digital Transformation of Enterprises: Challenges and Perspectives. Educational Administration: Theory and Practice. 2025. Vol. 31, No. 1. P. 511–519. DOI: https://doi.org/10.53555/kuey.v31i1.9615

2. Turzo T., Marzi G., Favino C., Terzani S. Non-financial Reporting Research and Practice: Lessons from the Last Decade. Journal of Cleaner Production. 2022. Vol. 345. Art. 131154. DOI: https://doi.org/10.1016/j.jclepro.2022.131154.

3. CEAOB (Committee of European Auditing Oversight Bodies). CEAOB Guidelines on the Auditors’ Involvement on Financial Statements in European Single Electronic Format (ESEF). Brussels, 2021. 7 p. URL: https://finance.ec.europa.eu/system/files/2021-11/211109-ceaob-esef-guidelines-auditors_en.pdf

4. Noordin N. A., Hussainey K., Hayek A. F. The Use of Artificial Intelligence and Audit Quality: An Analysis from the Perspectives of External Auditors in the UAE. Journal of Risk and Financial Management. 2022. Vol. 15, No. 8. P. 1–14. DOI: https://doi.org/10.3390/jrfm15080339

5. Kim A. G., Muhn M., Nikolaev V. V. Financial Statement Analysis with Large Language Models. Working Paper No. 2024-65. Chicago: Becker Friedman Institute for Economics, 2024. P. 1–55.

6. Huang A. H., Wang H., Yang Y. FinBERT: A Large Language Model for Extracting Information from Financial Text. Contemporary Accounting Research. 2023. Vol. 40, No. 2. P. 806–841. DOI: https://doi.org/10.1111/1911-3846.12832

7. Mokashi A., Puthuparambil B., Daniel C., Hanne T. Analysis of Large Language Models for Company Annual Reports Based on Retrieval-Augmented Generation. Natural Language Processing and Applications: Challenges and Perspectives. 2025. Vol. 16, No. 9. P. 1–15. DOI: https://doi.org/10.3390/info16090786

8. European Securities and Markets Authority; The Alan Turing Institute; Institut Louis Bachelier. Leveraging Large Language Models in Finance: Pathways to Responsible Adoption: Report. Paris–London, 2024. – 32 p. URL:https://www.esma.europa.eu/sites/default/files/2025-06/LLMs_in_finance_-_ILB_ESMA_Turing_Report.pdf

9. Petráš J., Hyseni A., Zbojovský J., Pavlík M. Detecting Benford’s Law Effectiveness Threshold Differences According to Affecting Operation. Axioms. 2025. Vol. 14, No. 4. P. 273. DOI: https://doi.org/10.3390/axioms14040273

10. Le L., Mantelaers E. Benford’s Law and Beyond: A Framework for Auditors. Maandblad voor Accountancy en Bedrijfseconomie. 2024. Vol. 98, No. 7. P. 427–438. DOI: https://doi.org/10.5117/mab.98.134061

11. Lee C.-W., Fu M.-W., Wang C.-C., Azis M. I. Evaluating Machine Learning Algorithms for Financial Fraud Detection: Insights from Indonesia. Mathematics. 2025. Vol. 13, No. 4. P. 1–35. DOI: https://doi.org/10.3390/math13040600

12. Chen X., Wang Y., Zhang Y. Detecting Financial Statement Fraud Using Machine-Learning Methods. FinTech Research and Applications: Challenges and Opportunities / eds. D. Chou, C. O’Sullivan, V. G. Papavassiliou. Singapore: World Scientific, 2023. P. 235–263. DOI: https://doi.org/10.1142/9781800612723_0006

13. Рябчук О. Г., Ракуть Д. О. Аудит і штучний інтелект: як технології змінюють професію аудитора. Держава та регіони. Серія: Економіка та підприємництво. 2025. № 1 (135). С. 54–59. URL: https://www.econom.stateandregions.zp.ua/journal/2025/1_2025/11.pdf

14. Спіцина Н. В., Угоднікова О. І. Цифрові інструменти в аудиті консолідованої звітності: нові можливості для обліку та фінансового менеджменту. Актуальні питання економічних наук. 2025. Вип. 13. URL: https://a-economics.com.ua/index.php/home/article/view/691

15. Liu R., Huang J., Zhang Z. Tracking Disclosure Change Trajectories for Financial Fraud Detection. Production and Operations Management. 2023. Vol. 32, No. 2. P. 584–602. DOI: https://doi.org/10.1111/poms.13888

16. Nigrini M. J. Benford’s Law: Applications for Forensic Accounting, Auditing, and Fraud Detection. Hoboken: John Wiley & Sons, 2012. 352 p. DOI: https://doi.org/10.1002/9781119203094

17. OpenAI. Pricing – OpenAI API / OpenAI Platform. 2025. URL: https://platform.openai.com/docs/pricing

1. Benichou Mouffok, B. and Ayachi, F. (2025) ‘Evolution of auditing in the face of the digital transformation of enterprises: Challenges and perspectives’, Educational Administration: Theory and Practice, no. 31(1), pp. 511–519. DOI: https://doi.org/10.53555/kuey.v31i1.9615

2. Turzo, T., Marzi, G., Favino, C. and Terzani, S. (2022) ‘Non-financial reporting research and practice: Lessons from the last decade’, Journal of Cleaner Production, no. 345, Article 131154. DOI: https://doi.org/10.1016/j.jclepro.2022.131154

3. Committee of European Auditing Oversight Bodies (CEAOB). (2021). CEAOB guidelines on the auditors’ involvement on financial statements in European Single Electronic Format (ESEF). Brussels, Belgium. Available at: https://finance.ec.europa.eu/system/files/2021-11/211109-ceaob-esef-guidelines-auditors_en.pdf

4. Noordin, N. A., Hussainey, K. & Hayek, A. F. (2022) ‘The Use of Artificial Intelligence and Audit Quality: An Analysis from the Perspectives of External Auditors in the UAE’, Journal of Risk and Financial Management, vol. 15, no. 8, pp. 1–14. DOI: https://doi.org/10.3390/jrfm15080339

5. Kim, A. G., Muhn, M. & Nikolaev, V. V. (2024) ‘Financial Statement Analysis with Large Language Models’ (Becker Friedman Institute Working Paper No. 2024-65). Becker Friedman Institute for Economics at the University of Chicago, 54 p. Available at: https://bfi.uchicago.edu/wp-content/uploads/2024/05/Financial-Statement-Analysis-with-Large-Language-Models.pdf

6. Huang, A. H., Wang, H. & Yang, Y. (2023) ‘FinBERT: A Large Language Model for Extracting Information from Financial Text’, Contemporary Accounting Research, vol. 40, no. 2, pp. 806–841. DOI: https://doi.org/10.1111/1911-3846.12832

7. Mokashi, A., Puthuparambil, B., Daniel, C. & Hanne, T. (2025) ‘Analysis of Large Language Models for Company Annual Reports Based on Retrieval-Augmented Generation’, Information, vol. 16, no. 9, p. 786. DOI: https://doi.org/10.3390/info16090786

8. European Securities and Markets Authority, The Alan Turing Institute, & Institut Louis Bachelier. (2024). Leveraging large language models in finance: Pathways to responsible adoption (Report). Paris–London. Available at: https://www.esma.europa.eu/sites/default/files/2025-06/LLMs_in_finance_-_ILB_ESMA_Turing_Report.pdf

9. Petráš, J. (2025) ‘Detecting Benford’s law effectiveness threshold differences according to affecting operation’, Axioms, no. 14(4), pp. 1–18. DOI: https://doi.org/10.3390/axioms14040273

10. Le, L. and Mantelaers, E. (2024) ‘Benford’s law and beyond: A framework for auditors’, Maandblad voor Accountancy en Bedrijfseconomie, no. 98(7), pp. 427–438. Available at: https://doi.org/10.5117/mab.98.134061

11. Lee, C.-W., Fu, M.-W., Wang, C.-C. and Azis, M. I. (2025) ‘Evaluating machine learning algorithms for financial fraud detection: Insights from Indonesia’, Mathematics, no. 13(4), pp. 1–35. DOI: https://doi.org/10.3390/math13040600

12. Chen, X., Wang, Y. and Zhang, Y. (2023) ‘Detecting financial statement fraud using machine-learning methods’, in Chou, D., O’Sullivan, C. and Papavassiliou, V. G. (eds) FinTech research and applications: Challenges and opportunities. Singapore: World Scientific, pp. 235–263. DOI: https://doi.org/10.1142/9781800612723_0006

13. Riabchuk, O. H., & Rakut, D. O. (2025). Audyt i shtuchnyi intelekt: Yak tekhnolohii zminiuiut profesiiu audytora [Audit and artificial intelligence: How technologies change the audit profession]. Derzhava ta rehiony. Seriia: Ekonomika ta pidpryiemnytstvo - State and Regions. Series: Economics and Entrepreneurship, no. (1), pp. 54–59. Available at: https://www.econom.stateandregions.zp.ua/journal/2025/1_2025/11.pdf (in Ukrainian).

14. Spitsyna, N. V., & Uhodnikova, O. I. (2025). Tsyfrovi instrumenty v audyti konsolidovanoi zvitnosti: Novi mozhlyvosti dlia obliku ta finansovoho menedzhmentu [Digital tools in the audit of consolidated reporting: New opportunities for accounting and financial management]. Aktualni pytannia ekonomichnykh nauk - Current Issues of Economic Sciences, no. 13. Available at: https://a-economics.com.ua/index.php/home/article/view/691 (in Ukrainian)

15. Liu, R., Huang, J. and Zhang, Z. (2023) ‘Tracking disclosure change trajectories for financial fraud detection’, Production and Operations Management, no. 32(2), pp. 584–602. DOI: https://doi.org/10.1111/poms.13888

16. Nigrini, M. J. (2012) Benford’s law: Applications for forensic accounting, auditing, and fraud detection. Hoboken, NJ: John Wiley & Sons, 352 p. DOI: https://doi.org/10.1002/9781119203094 (accessed November 24, 2025).

17. OpenAI (2025) ‘Pricing – OpenAI API’, OpenAI Platform. Available at: https://platform.openai.com/docs/pricing