Η χρήση εργαλείων τεχνητής νοημοσύνης στις ελεγκτικές διαδικασίες: αξιολόγηση της αποδοτικότητας και της ποιότητας εφαρμογής τους

Abstract

Η παρούσα διπλωματική εργασία εξετάζει τη χρήση εργαλείων τεχνητής νοημοσύνης στις ελεγκτικές διαδικασίες και αξιολογεί την επίδρασή τους στην αποδοτικότητα και την ποιότητα του ελέγχου. Αρχικά παρουσιάζεται το θεωρητικό υπόβαθρο της τεχνητής νοημοσύνης και η εξέλιξή της στον ελεγκτικό κλάδο, με έμφαση σε εργαλεία όπως η ρομποτική αυτοματοποίηση διαδικασιών (RPA), τα συστήματα μηχανικής μάθησης (Machine Learning), τα μεγάλα γλωσσικά μοντέλα (LLMs), τα chatbots και η προγνωστική ανάλυση. Η μελέτη αναδεικνύει ότι τα εργαλεία τεχνητής νοημοσύνης συμβάλλουν στην αυτοματοποίηση χρονοβόρων διαδικασιών, στη διαχείριση μεγάλου όγκου δεδομένων, στη βελτίωση της ακρίβειας και στον έγκαιρο εντοπισμό ανωμαλιών και περιπτώσεων απάτης. Παράλληλα, επισημαίνονται σημαντικοί κίνδυνοι, όπως ζητήματα ιδιωτικότητας και προστασίας δεδομένων, η έλλειψη διαφάνειας των αλγορίθμων, τα ψευδώς θετικά αποτελέσματα και η ανάγκη εξειδικευμένης εκπαίδευσης των ελεγκτών. Σε εμπειρικό επίπεδο, η έρευνα βασίστηκε σε ερωτηματολόγιο που απαντήθηκε από 53 επαγγελματίες ελεγκτές, τόσο από μεγάλες όσο και από μικρότερες ελεγκτικές εταιρείες. Τα δεδομένα αναλύθηκαν με τη μέθοδο παλινδρόμησης OLS, προκειμένου να διερευνηθεί η σχέση μεταξύ χρήσης τεχνητής νοημοσύνης και αντιλαμβανόμενης ποιότητας ελέγχου. Τα αποτελέσματα έδειξαν στατιστικά σημαντική και θετική συσχέτιση μεταξύ της χρήσης εργαλείων τεχνητής νοημοσύνης και της βελτίωσης της αποδοτικότητας και της ποιότητας των ελεγκτικών διαδικασιών. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αντικαθιστά τον ελεγκτή, αλλά λειτουργεί υποστηρικτικά, ενισχύοντας την επαγγελματική του κρίση και μειώνοντας τον χρόνο και το κόστος του ελέγχου. Η αποτελεσματική αξιοποίησή της προϋποθέτει υπεύθυνη χρήση, κατάλληλες δικλείδες ασφαλείας και συνεχή εκπαίδευση.This thesis examines the use of artificial intelligence tools in auditing procedures and evaluates their impact on audit efficiency and quality. It first presents the theoretical background of artificial intelligence and its evolution within the auditing profession, focusing on tools such as Robotic Process Automation (RPA), Machine Learning systems, Large Language Models (LLMs), chatbots, and predictive analytics. The study highlights that AI tools contribute to the automation of time-consuming tasks, the management of large volumes of data, improved accuracy, and the timely detection of anomalies and fraud cases. At the same time, significant risks are identified, including data privacy concerns, lack of algorithmic transparency, false positives, and the need for specialized auditor training. Empirically, the research is based on a questionnaire completed by 53 professional auditors from both large and smaller audit firms. The data were analyzed using the Ordinary Least Squares (OLS) regression method to examine the relationship between AI usage and perceived audit quality. The findings indicate a statistically significant and positive association between the use of AI tools and improvements in audit efficiency and quality. In conclusion, artificial intelligence does not replace auditors but acts as a supportive mechanism, enhancing professional judgment while reducing audit time and cost. Its effective implementation requires responsible use, appropriate safeguards, and continuous professional training.