可审计的财税 AI，应该留下哪些记录

可解释与可审计不是同一件事

模型给出一段解释，可能帮助使用者理解结果，但无法单独回答这些问题：系统当时读取了哪个版本的制度，是否有权限访问这份资料，计算工具返回了什么，以及谁批准了最终操作。可审计性需要能够重建关键过程，而不只是重读最后的答案。

关于 AI 可审计性与审计人员准备度的工作论文，通过专业人员访谈讨论了系统可审计性和审计能力。对工程设计而言，一个值得采用的方向是把可检查性放进设计、开发、部署和使用全过程，而不是等问题发生后再补日志。^[2]

实务研究提示了哪些风险

Kokina 等人的实地研究基于 22 次审计专业人士访谈，区分了广泛使用的数据提取等相对简单应用与仍在发展的复杂 AI。它指出透明度、偏差、隐私、可靠性、过度依赖和指引不足等挑战。这里的发现反映特定研究样本与时期，不应被当作所有事务所当前能力的统一描述。^[3]

Generative AI and Edge AI in Auditing 强调上下文设计、输出验证和专业责任。该文关于云端与本地处理的讨论，可以用来思考数据流向；但本地运行并不自动解决权限、终端安全和模型输出泄露等问题。技术部署位置只是治理的一项条件。^[1]

最小可复核记录

一种可审查的记录应包含输入文件标识和版本、处理任务、权限范围、模型与配置版本、检索片段、工具参数与返回值，以及复核者的处理结果。对发生变化的知识库，还应能够定位当时可用的规则，而不是只链接最新版本。

记录不应无差别保存所有敏感内容。需要按处理目的决定保留范围，控制访问权限，并明确到期处置方式。对财务数据，可在可用性允许时优先保存必要标识、摘要和受控存储位置，使可追溯性与数据最小化同时成立。

• 重要写入、对外提交和权限变更应有单独授权，不由文本生成结果直接触发。
• 将异常、重试和人工覆盖操作记录下来，避免只保存成功路径。
• 准备明确的暂停、回退和人工接管机制，并通过演练验证。

存证不能替代业务真实性

区块链与 AI 的会计审计综述讨论了共享记录、实时会计和持续审计等方向。这为数据可追溯提供了一个视角，但是否采用区块链应取决于协作方、信任边界和系统成本，并非财税 AI 的必选项。^[4]

从工程上看，能够证明一条记录后来没有被改动，与能够证明记录描述的交易真实发生，是两种不同的保证。无论使用何种存证方式，输入真实性、业务授权和专业核验仍然需要独立机制。

治理效果也需要验证

可以用一次历史任务回放检查记录是否足够：另一位有权限的复核者，能否知道系统使用了哪些材料、复算关键数值、识别人工覆盖原因并确认最终责任。本文讨论的是治理设计要求，不对某个部署方案作法律合规判断；实际落地仍需结合适用制度、数据条件与专业要求审查。