Έλεγχος με την χρήση τεχνητής νοημοσύνης

Abstract

Η παρούσα εργασία ασχολείται με τη χρήση της τεχνητής νοημοσύνης (ΤΝ) στον ελεγκτικό κλάδο και εξετάζει πώς οι νέες τεχνολογίες επηρεάζουν τις διαδικασίες, τον ρόλο των ελεγκτών και τις μελλοντικές προοπτικές του επαγγέλματος. Στο θεωρητικό μέρος παρουσιάζεται η ιστορική εξέλιξη της τεχνολογίας στον έλεγχο, ξεκινώντας από τις πρώτες υπολογιστικές εφαρμογές και τα CAATs, μέχρι τις πιο σύγχρονες λύσεις όπως η ρομποτική αυτοματοποίηση διεργασιών (RPA), η μηχανική μάθηση (ML), η ανάλυση μεγάλων δεδομένων (Big Data Analytics), η επεξεργασία φυσικής γλώσσας (NLP), το blockchain, καθώς και οι πιο πρόσφατες προσεγγίσεις της generative και agentic AI. Στο εμπειρικό μέρος, πραγματοποιήθηκε έρευνα με ηλεκτρονικό ερωτηματολόγιο που διανεμήθηκε μέσω LinkedIn και επαγγελματικών δικτύων, συγκεντρώνοντας 111 απαντήσεις, κυρίως από ελεγκτές μεγάλων ελεγκτικών εταιρειών. Η ανάλυση των αποτελεσμάτων έδειξε ότι η ΤΝ χρησιμοποιείται ήδη σε σημαντικό βαθμό (υιοθέτηση 45,9%), κυρίως για ανάλυση δεδομένων, σχεδιασμό ελέγχου και παραγωγή αναφορών, ενώ πιο διαδεδομένη τεχνολογία είναι η generative AI. Οι συμμετέχοντες αξιολόγησαν την χρησιμότητα της τεχνητής νοημοσύνης σχετικά υψηλά (μέσος όρος 3,51/5), αλλά εμφανίστηκαν πιο επιφυλακτικοί ως προς την εμπιστοσύνη στα αποτελέσματα (2,95/5) και αναγνώρισαν έλλειμμα σε δεξιότητες χρήσης (2,85/5). Ως βασικά εμπόδια αναδείχθηκαν η έλλειψη τεχνογνωσίας, τα νομικά και ρυθμιστικά ζητήματα και η περιορισμένη διαφάνεια των αλγορίθμων. Συνολικά, η μελέτη δείχνει ότι η τεχνητή νοημοσύνη δεν πρόκειται να αντικαταστήσει πλήρως τον ελεγκτή, αλλά θα λειτουργήσει ως υποστηρικτικό εργαλείο, επιτρέποντας μεγαλύτερη εστίαση σε κρίσιμες και στρατηγικές πτυχές του ελέγχου. Τα ευρήματα υπογραμμίζουν την ανάγκη για εκπαίδευση, σαφές ρυθμιστικό πλαίσιο και ενίσχυση της εμπιστοσύνης, ώστε η τεχνολογία να αξιοποιηθεί με τρόπο που θα βελτιώνει την ποιότητα και την αξιοπιστία του ελεγκτικού έργου.This dissertation explores the impact of Artificial Intelligence (AI) on the field of auditing, with an emphasis on both theoretical and practical aspects. In the first part, the study examines the historical development of auditing technologies, from the introduction of Computer-Assisted Audit Techniques (CAATs) to more advanced systems such as Robotic Process Automation (RPA), Machine Learning (ML), Big Data Analytics, Blockchain, Natural Language Processing (NLP), Generative AI, and Agentic AI. The review highlights how these technologies transform auditing practices, enhance efficiency, and shift the auditor’s role from a purely procedural function to a more strategic and analytical one. The empirical part of the research is based on a questionnaire distributed to professionals in the auditing sector, through LinkedIn and targeted towards Big Four and other audit firms. A total of 111 valid responses were collected. The results show a moderate adoption of AI tools (45.9%), with Generative AI being the most widely recognized technology. Respondents rated AI as quite useful (mean score 3.51 out of 5), though trust in its results was lower (mean 2.95). A notable skills gap was identified (mean 2.85), pointing to the need for training and upskilling. Key barriers included lack of expertise, regulatory uncertainty, and lack of algorithmic transparency. Overall, the findings confirm that AI is already shaping the audit profession, though its integration remains at a transitional stage. The profession faces both opportunities and challenges, with future development expected to follow a hybrid model combining human judgment and technological support.