大家好，这里是内审北极星。每天一篇原创，陪你一起进化。

昨天看到腾讯WorkBuddy 企业版升级的文章，讲的是把腾讯文档、乐享、网盘、Ardot 设计工具打通，用统一的 Agent 底座和 Credit 池，让企业 AI 从 "散装工具" 变成 "套件化生产力"。

读完之后，我一直在想一个问题：审计AI 产品，应该怎么设计？

但审计不是普通办公协同。审计的底色是证据、判断、责任与合规。审计AI 不能只追求 "套件化生产力"，更要追求 "可审计、可追溯、可担责的人机协同"。

这篇文章，是我基于WorkBuddy 的产品逻辑，对审计 AI 产品设计的一些思考。

01 审计 AI 的 "五个分散" 是什么？

最近一年，我密集测试各种AI 工具 ——Qwen、Kimi、DeepSeek、GLM—— 配合 Claude Code、Codex、Zcode、WorkBuddy 这些 Harness 工具，发现一个普遍现象：

审计人员的AI 使用，是 "散装" 的。

第一个分散：工具分散。小张用Qwen 写审计方案，用 Kimi 读制度文件，用 DeepSeek 做数据分析，用 GLM 写审计报告。每个工具都要重新登录，每次对话都要重新喂背景。

第二个分散：上下文断裂。上周做采购审计，AI 已经理解了 "这家公司有 30 家子公司、采购金额 80 亿、主要风险在单一供应商"。这周做工程审计，AI 又变成一张白纸，要从头介绍公司背景。

第三个分散：经验无法沉淀。老审计师沈吉跑通了一个"关联方交易识别" 的 Prompt，效果很好。但这个 Prompt 只存在他的聊天记录里，新人小李根本不知道，更用不上。

第四个分散：治理分散。权限、日志、数据分级、模型准入、供应商管理各自为政。前三个分散导致效率低，第四个分散导致风险高。

第五个分散：人机分散。这包括两层：一是人和AI 的分散 ——AI 是工具，人是使用者，但没有形成真正的 "人机协同" 模式，人和 AI 各干各的；二是使用 AI 的人的分散 —— 不同审计人员使用 AI 的方式、水平、经验不同，导致效果差异巨大。

前三个分散导致效率低，第四个分散导致风险高，第五个分散导致能力不均。

02 "五个统一" 能否解决 "五个分散"？

腾讯WorkBuddy 的逻辑是 "三个一"：一个订阅、一个 Agent 底座、一个管理后台。

我尝试把这个逻辑映射到审计场景，初步思考是：审计AI 产品应该有 "五个统一"，并且有一个贯穿始终的底线。

这五个统一有逻辑顺序，也有主次之分：

第一层：基础层—— 统一上下文管理

解决"上下文断裂"。企业上下文、部门上下文、项目上下文 —— 这是审计 AI 的 "地基"。没有统一且受控的上下文，后面的知识和判断都无法发挥作用。

第二层：核心层—— 统一知识与判断中枢

解决"经验无法沉淀"。知识中枢解决 "知道什么、依据在哪"，判断中枢解决 "在什么条件下、依据什么、由谁、以多大置信度、做出什么判断"。这是审计 AI 的 "大脑"。

第三层：载体层—— 统一 Agent 底座

解决"工具分散"。任务分解→工具路由→约束判断→结果整合→全程留痕。这是审计 AI 的 "骨架"，承载工具选择和任务编排。

第四层：能力层—— 统一 Skill 沉淀与编排

把个人经验变成组织能力。Skill 库、工作流编排、版本管理、责任追溯。这是审计 AI 的 "肌肉"，让能力可复用、可进化。

第五层：呈现层—— 统一人机协同模式

解决"人机分散"。明确人和 AI 的职责边界，标准化人机交互方式，降低 AI 使用门槛，建立反馈机制。这是审计 AI 的 "界面"，决定最终用户体验。

一个底线：统一治理与安全

这不是并列的"第六个统一"，而是贯穿其他五个的底线。包括权限、日志、数据分级、脱敏、模型准入、供应商管理、合规审查、退出销毁。没有这个底线，五个统一越强，风险越大。

03 "知识中枢" 和 "判断中枢" 有什么区别？

我认为这里应该有两个中枢，不是一个。

知识中枢解决"知道什么、依据在哪"。制度、案例、底稿模板、历史发现 —— 这些是审计工作的核心资产。知识中枢要把这些结构化、可检索、可进化、带版本、带权限。

比如，你问"采购审计有哪些常见风险"，AI 不应从通用知识里瞎编，而应从你们公司过去 10 年的审计发现里提炼，并标注出处、年份、项目、责任人、适用条件。

判断中枢解决"在什么条件下、依据什么、由谁、以多大置信度、做出什么判断"。老审计师沈吉看到一个异常数据，能判断 "这个风险是否重大"" 这个建议是否可行 ""这个处理是否恰当"。这种判断力，来源于长期积累，但也可能带偏见、过时或不可复制。

判断中枢要做的，不是把个人经验神圣化，而是把判断结构化：基于什么数据、用了什么规则、参考了什么案例、逻辑链是什么、适用边界在哪里、有哪些反例、置信度多高、谁对判断负责、版本何时更新。

举个例子：沈吉发现"某供应商连续三年中标，且价格逐年上涨"，这只能形成异常线索，不能直接得出 "围标串标" 结论。判断中枢应提示进一步核查：投标文件制作痕迹、IP/MAC、保证金来源、报价规律、供应商关联关系、评审专家关系等。

新人小李遇到类似情况，可以查看沈吉的判断逻辑，学习、追溯、验证，也可以提出异议。

知识和判断中枢合在一起，才是审计AI 的 "大脑"。

04 "统一上下文" 应该包括什么？

上下文至少包括三层：

企业上下文：企业基本情况、组织架构、商业模式、运营模式、经营业绩、核心客户和供应商、主要产品等。这是审计人员应该了解的"企业常识"。

审计部门上下文：部门架构、人员分工、制度流程、沟通风格、历史审计发现、常用底稿模板等。这是审计人员应该了解的"部门常识"。

项目上下文：本次审计目标、范围、数据、访谈、疑点、证据、判断、审批记录。这是审计项目不跑偏的关键。

但上下文不是越多越好。必须坚持最小必要、分级授权、项目隔离、时效管理。企业上下文再厚，也不能让无关人员看到敏感数据；项目上下文再全，也不能绕过权限和日志。

在统一且受控的上下文下，Agent 才能准确识别、理解、分析、执行任务。

05 "Agent 底座" 怎么做到 "工具找人"？

现在审计人员用AI，是 "人找工具"—— 我要写方案，打开 Qwen；我要读制度，打开 Kimi；我要分析数据，打开 DeepSeek。

理想的审计AI，应该是 "工具找人"—— 你告诉 AI"我要做采购审计"，它根据任务特点、数据分级、安全要求、成本约束和工具特长，自动选择最合适的工具。

但工具选择不是简单"按特长切分"。一个审计任务往往是复合型的。比如 "关联方交易识别"，既需要数据分析，又需要制度解读，还需要报告生成。

Agent 底座要做的是：任务分解（把复合任务拆成子任务）→工具路由（每个子任务选择最合适的工具）→约束判断（数据能不能出域？能不能上公有云？成本是否可接受？是否合规？）→结果整合（把多个结果汇总成可验证的审计发现）→全程留痕（提示词、模型版本、数据来源、工具选择、人工审批全部记录）。

人不需要知道哪个工具擅长什么，但人必须知道：为什么选它、数据去了哪里、结论怎么来的、关键节点谁批了。

Agent 底座不能是黑箱，必须是可解释、可追溯、可验证的编排器。

这与中国商业会计学会和上海国家会计学院联合发布的《人工智能时代内部审计行动共识》第五条高度一致："AI 的审计应用必须可验证 —— 过程可回溯、逻辑可解释、结果可验证。" 这是审计 AI 的质量生命线，也是治理层、管理层和全体审计人员最核心的关切。

06 "人机协同模式" 怎么统一？

这是解决"人机分散" 的关键，我初步思考分四层：

第一层：明确人和AI 的职责边界。

AI 负责：数据查询、模式识别、文档生成、知识检索、流程执行。

人负责：风险判断、决策制定、责任承担、异常处理、价值判断。

第二层：标准化人机交互方式。

不是每个人自己摸索怎么用AI，而是通过 Skill 库提供标准化的交互方式。比如 "关联方交易识别 Skill"，输入什么数据、输出什么格式、需要人确认什么节点，都是标准化的。

第三层：降低AI 使用门槛。

通过Agent 底座和 Skill 编排，让新手可以通过调用 Skill 达到接近专家级的输出。小李不需要知道沈吉的经验细节，只需要调用 "关联方交易识别 Skill"，就能获得接近沈吉水平的分析结果。

第四层：建立人机协同的反馈机制。

人使用AI 的过程中，发现 AI 输出有问题，可以反馈、修正、优化 Skill。这个反馈机制让人机协同不断进化。

统一人机协同模式，不是让人变成AI 的操作员，而是让 AI 成为人的放大器。

但无论AI 如何赋能，审计的最终责任始终在人。这也是《人工智能时代内部审计行动共识》第四条的核心原则。AI 给出可验证的出处、过程、逻辑，人做出专业判断、检验结果、承担责任。

07 审计流程应该怎么重构？

AI 时代，审计流程不必严格遵循 "立项→风险评估→数据分析→底稿→报告→整改" 的线性逻辑。我初步思考，可以重构为两种模式。

数据驱动模式（持续审计）。 系统每天自动抓取数据，识别异常，生成预警，审计人员核对和判断。适合 "监控类" 场景，比如费用报销、采购订单、资金划转等高频业务。

人驱动模式（专项审计）。 审计人员基于经验和判断，确定审计方向，AI 负责执行和生成。适合 "调查类" 场景，比如舞弊调查、专项核查等需要深度判断的任务。

两者可以结合：数据驱动发现异常，人判断是否深入调查；人提出假设，数据验证假设。

但必须补上"异常管理闭环"：数据采集→规则 / 模型→预警分级→人工核查→反馈→调优→归档。否则误报会把审计人员淹没，漏报会制造虚假安全感。

持续审计不能替代专项审计的深度，专项审计也不能替代持续审计的广度。AI 生成内容不能直接作为审计证据，必须保留原始数据、规则版本、模型版本、提示词、审批记录和人工判断。

08 成本、ROI、数据安全怎么考虑？

这是决策者最关心的问题，不能回避。

成本：建设"五个统一 + 一个底线" 需要投入。知识中枢要整理历史资料，判断中枢要结构化专家经验，Agent 底座要开发或采购，上下文管理要做数据治理，安全治理要做权限、日志、脱敏、合规，人机协同模式要设计交互标准和培训体系。小型团队可以先从 "知识中枢 + 上下文管理 + 安全底线" 起步，成本相对可控。

ROI：审计AI 的价值不只是 "省了多少人力"，而是 "提升了多少审计质量"。可以量化：风险覆盖率、重大发现率、整改率、损失挽回、监管处罚下降、项目周期、人均产能、模型调用成本、数据治理成本、运维成本、合规成本、供应商锁定成本。

数据安全：企业上下文、审计发现、判断逻辑都是敏感数据。必须回答：是否分级分类？是否脱敏？权限是否到字段？日志是否不可篡改？是否用于模型训练？是否跨境？供应商合同是否禁止二次使用？退出时数据能否销毁？这些问题必须在设计阶段解决清楚。

09 落地路径应该怎么设计？

不同规模的审计团队，落地路径应该不一样。以下是我的初步设想：

小型团队（3-5 人）：可以先从"上下文管理 + 知识中枢 + 安全底线" 起步。把历史审计报告、制度文件结构化，建立企业上下文和部门上下文。优先使用企业版、私有化或可信环境中的 AI 工具，先跑通单点场景。同时建立基础的人机协同规范，让团队成员使用 AI 的方式相对统一。

中型团队（10-30 人）：在知识中枢基础上，建设"判断中枢"。把老审计师的判断逻辑结构化，建立 Skill 库，明确 Skill 的评审、版本、责任和退出机制。开始尝试 Agent 编排，把多个 Skill 串成工作流，但关键节点必须人工审批。建立人机协同标准，降低 AI 使用门槛，让不同水平的审计人员都能获得接近专家级的输出。

大型团队（50 人以上）：全面建设"五个统一 + 一个底线"。开发或采购 Agent 底座，实现 "工具找人"。建立 Skill 市场，让个人经验变成组织能力。探索数据驱动和人驱动的结合。同时建立 AI 治理委员会、模型风险管理、审计 AI 自身的审计机制。建立人机协同的反馈和进化机制，让人机协同不断优化。

分阶段推进，先试点验证，再批量升级。

10 最终目标是什么？

腾讯WorkBuddy 文章里有一句话让我印象深刻：

"调用越多，企业空间里的上下文越厚；上下文越厚，智能体的交付越贴近企业自身的标准。"

这句话映射到审计场景，就是：

审计项目做得越多，知识库里积累的案例越丰富；案例越丰富，AI 的风险识别越精准；风险识别越精准，审计价值越高；审计价值越高，越愿意投入审计 AI。

这是一个正向飞轮。

但飞轮的起点不是"个人经验" 本身，而是经过验证、结构化、可治理的组织知识。

老审计师沈吉积累了大量审计案例，这些案例是他最宝贵的资产。如果只存在他脑子里，退休之后就消失了。如果被结构化地沉淀到知识库，变成可复用、可验证、可更新、可追责的Skill，那才是组织的资产。

最终目标：把散装的AI 工具整合起来，把散装的审计经验沉淀下来，把分散的人机协同统一起来，通过合理编排形成高效的人机协同组织。人负责判断和责任，AI 负责可验证的支撑和执行。

审计避坑指南

避坑一：不要只做"知识检索"，要做 "判断结构化"。

知识中枢解决"知道什么"，判断中枢解决 "怎么判断"。很多审计 AI 只关注知识检索，不关注判断逻辑。结果就是，AI 能告诉你 "这个数据异常"，但不能告诉你 "这个异常是否重大"" 应该怎么处理 "。

避坑二：不要追求"全自动化"，要坚持 "人工在环"。

审计的核心价值是判断和决策。AI 可以帮你查数据、写底稿、生成报告，但风险定级、报告签发、整改认定、舞弊结论必须由人负责。AI 给出可验证的出处、过程、逻辑，人做出专业判断、检验结果。

避坑三：不要只关注"单点效率"，要关注 "组织协同"。

很多审计AI 产品，只关注 "一个人用 AI 能快多少"，不关注 "整个团队怎么协同"。结果就是，每个人都在用自己的方式用 AI，经验无法共享，流程无法标准化。好的审计 AI 产品，应该通过 Skill 编排和工作流，把散装的审计人员整合起来，形成高效的人机协同组织。

避坑四：不要只建"中枢"，不建 "治理"。

没有权限、日志、脱敏、模型准入、供应商管理、退出销毁，知识中枢和判断中枢就是敏感数据风险池。治理不是附属品，是底座。

避坑五：不要只审计业务，不审计AI。

审计AI 本身也要被审计：模型是否漂移？提示词是否泄露？数据是否越权？结论是否可复现？Skill 是否过期？Agent 路由是否合规？否则，AI 会成为新的审计盲区。

避坑六：不要忽视"人机分散"。

人和AI 没有形成协同模式，不同审计人员使用 AI 的方式和水平差异巨大。结果就是，有人用 AI 效率翻倍，有人用 AI 反而更慢。统一人机协同模式，通过 Skill 标准化和 Agent 底座降低门槛，让所有人都能获得接近专家级的输出。

避坑七：不要使用"不可验证" 的 AI。

《人工智能时代内部审计行动共识》第五条明确："AI 的审计应用必须可验证 —— 过程可回溯、逻辑可解释、结果可验证。" 拒绝使用不合规、不可解释的黑箱 AI 工具，这是审计质量的生命线。

结语

腾讯WorkBuddy 的升级，给了我一个启发：

审计AI 产品，不能只是 "散装工具"，而应该是 "可治理的套件化生产力"。

五个统一有逻辑顺序：基础层（上下文）→核心层（知识与判断）→载体层（Agent 底座）→能力层（Skill 沉淀）→呈现层（人机协同），再加一条贯穿始终的治理与安全底线 —— 这是我对审计 AI 产品应该追求的方向的一些思考。

但更重要的是，要回答十个关键问题：五个分散是什么？五个统一+ 一个底线怎么解决？知识和判断中枢有什么区别？上下文包括什么？Agent 底座怎么做到工具找人？人机协同模式怎么统一？审计流程怎么重构？成本、ROI、数据安全怎么考虑？落地路径是什么？最终目标是什么？

回答清楚这十个问题，审计AI 产品才能从概念走向落地。

OCR:IMG:?