Когда машина помогает подписывать аудит

Регулятор зовёт аудиторов внедрять искусственный интеллект быстрее. И тут же предупреждает: если аудит окажется ошибочным, обвинить в этом машину нельзя. Financial Reporting Council (FRC), британский регулятор отчётности, 30 марта 2026 года опубликовал руководство по использованию в аудите генеративных и агентных систем. Оно должно помочь фирмам получить выгоду от новых инструментов, включая рост эффективности и качества работы. Но ответственность за решение и итог аудита, по словам регулятора, никуда не перемещается. (FRC, март 2026; *Financial Times*, март 2026)

В обычном аудите ответственность выглядит почти механически. Есть рабочие документы, источники доказательств, профессиональное суждение и человек, который подписывает результат. Искусственный интеллект может вмешаться в каждый элемент этой цепочки: найти несоответствие, составить вывод, предложить дальнейшее действие или выполнить серию шагов без отдельной команды на каждом из них. (FRC, март 2026)

Проблема начинается не с подписи. Она начинается раньше — в тот момент, когда человек принимает ответ системы как достаточно надёжный, чтобы положить его в основу аудиторского вывода.

Формально имя остаётся человеческим. Но работа по производству уверенности может уходить в систему, которую этот человек не разрабатывал и не способен полностью проверить. Отсюда главный вопрос британского руководства: что именно должен знать, испытать и задокументировать аудитор, если критически важное доказательство пришло через непрозрачную модель?

Простое правило, которое оказалось не таким простым

На первый взгляд ответ FRC очевиден. Аудитор или фирма выбирает инструмент, решает, где его применить, оценивает результат и включает его в рабочий процесс. Значит, ответственность остаётся у них, а не у программы. Так регулятор и формулирует позицию: ответственность фирм и ответственных лиц за применение ИИ и качество аудита не меняется. «Человеческий аудитор всегда несёт ответственность», — говорит FRC. (FRC, март 2026)

Но в этом ответе смешаны по меньшей мере три разных вопроса. Кто несёт профессиональную или юридическую ответственность? Кто фактически вызвал ошибку? И кто мог её обнаружить или предотвратить до публикации аудита? Эти вопросы могут указывать на разных участников одной и той же цепочки.

Сам FRC различает три канала риска: недостаточный результат системы, неправильное понимание или использование этого результата и методологию, которая не соответствует стандартам аудита. Это важное разделение. Ошибка может появиться в ответе модели, в трактовке аудитора или в решении фирмы применить инструмент там, где он не подходит. (FRC, *Generative and Agentic AI Guidance factsheet*, март 2026)

Профессиональная организация ICAEW считает эту классификацию полезной. Дэниел Кларк, председатель совета технологического факультета ICAEW, отмечает: «Руководство рассматривает три категории риска». Тем самым он обращает внимание не на эффектную формулу о человеческой ответственности, а на разные места, где может разрушиться качество аудита. (ICAEW Insights, май 2026)

Особенно трудно становится с доказательством самого доверия. Фирме может понадобиться показать, почему она считала результат модели достаточно надёжным. Но если речь идёт о сторонней базовой модели, аудиторы могут иметь ограниченный доступ к сведениям о её разработке и тестировании; независимые отчёты о такой проверке пока доступны не всегда. (ICAEW Insights, май 2026)

Ответственность названа. Контроль над источником уверенности — не всегда.

Это и есть нерешённая часть правила.

От эксперимента к инфраструктуре

Нынешняя позиция FRC возникла не из одного пресс-релиза. В июне 2025 года регулятор впервые опубликовал руководство по использованию ИИ в аудите. Одновременно он сообщил о тематическом обзоре процессов, с помощью которых шесть крупнейших аудиторских фирм сертифицируют новые технологии для работы. (FRC, июнь 2025)

Через девять месяцев последовало руководство по генеративному и агентному ИИ. В первом случае речь шла о более широком порядке применения технологии в аудите; во втором — о системах, которые создают содержание или способны выполнять многошаговые действия. ICAEW описало мартовский документ как продолжение публикации 2025 года. (ICAEW Insights, май 2026)

«Руководство не носит предписывающего характера и не вводит новых регуляторных требований»

Это отличается от более жёсткого американского направления. В 2024 году рабочая группа Совета по надзору за бухгалтерским учётом публичных компаний США (PCAOB) рекомендовала стандартизированные рабочие документы, чтобы работу с ИИ было легче проверять. Британская модель оставляет фирмам больше пространства для профессионального суждения. (Resultsense, апрель 2026)

Гибкость имеет очевидное преимущество. Один и тот же инструмент может использоваться для разных процедур, а риск зависит от его назначения и контекста. Но гибкость одновременно переносит спор о соответствии с регулятора на саму фирму: она должна решить, что считать достаточной проверкой именно в её случае.

Пока ИИ был экспериментом, такой перенос можно было воспринимать как разумную осторожность. Теперь FRC говорит, что фирмы внедряют генеративные и агентные системы быстрыми темпами. Регулятор хочет одновременно не тормозить их применение и защитить качество аудита. (FRC, март 2026)

Скорость внедрения стала частью регуляторной задачи.

Почему «просто инструмент» перестаёт работать

Самая сильная версия привычного объяснения звучит так: искусственный интеллект — всего лишь новый инструмент, примерно как программное обеспечение для выборки данных или аналитики. Если итог неверен, проблема в человеке, который принял плохой результат без достаточной профессиональной проверки.

Эта версия привлекательна по уважительной причине. Она не превращает программу в самостоятельного носителя ответственности и не позволяет фирмам использовать технологию как лазейку. Если человеческая подпись перестанет что-либо значить всякий раз, когда в работе участвовал алгоритм, профессиональная ответственность станет легко обходимой. FRC прав, что этого допускать нельзя. (FRC, март 2026)

«Риск не может быть устранён, поскольку у больших языковых моделей есть неотъемлемые ограничения»

— говорится в памятке регулятора.

Это не означает, что каждый ответ модели ненадёжен. Это означает, что внешний вид ответа не доказывает его качество. Аудитору приходится оценивать не только содержание, но и обстоятельства, в которых оно возникло.

Одна и та же ошибка может иметь разные причины. Модель могла дать недостаточный результат из-за своих данных, устройства или входных параметров. Аудитор мог неправильно понять ответ или придать ему больший вес, чем следовало. Наконец, фирма могла встроить систему в процедуру, которая сама не соответствует аудиторским стандартам. (FRC, *Generative and Agentic AI Guidance factsheet*, март 2026)

Это уже не одна разновидность «человеческой ошибки». Это несколько точек отказа.

«подходящую уверенность в качестве результатов инструмента ИИ»

Как фирма должна окружить модель контролем

FRC предлагает четыре слоя контроля. Первый относится к устройству и разработке системы: фирма должна понимать, как инструмент предназначен работать и какие ограничения у него есть. Второй — сертификация, то есть проверка того, что инструмент пригоден для предполагаемого применения. Третий — обучение сотрудников и управление использованием технологии. Четвёртый — проверка человеком и надзор за результатом. (FRC, *Generative and Agentic AI Guidance factsheet*, март 2026)

Эти слои не создают доверие автоматически. Они превращают доверие в проверяемое решение.

Важна и документация. Руководство FRC 2025 года подчёркивает необходимость фиксировать сведения об ИИ-инструменте на уровне фирмы и отдельно описывать его конкретное применение в аудиторском файле. В первом случае создаётся общий след управления системой; во втором — объясняется, как именно она участвовала в определённой работе. (FRC, июнь 2025)

Так ответственность приобретает практическую форму. Фирме нужно показать, какой инструмент был выбран, для чего он применялся, какие ограничения учитывались и каким образом человек проверил результат. Однако сам регулятор оставляет масштаб таких действий на профессиональное суждение: он зависит от инструмента и его предполагаемого использования. (FRC, март 2026)

Это разумная конструкция, если её воспринимать как организационную работу, а не как формальность. Сертификация должна быть не печатью одобрения, а ответом на конкретный вопрос: где и почему система может быть полезна? Обучение должно объяснять не только интерфейс, но и типичные способы ошибочного доверия. Проверка человеком должна означать возможность оспорить результат, а не просто нажать кнопку подтверждения.

Здесь возникает скрытая цена человеческой ответственности. Чтобы аудитор оставался ответственным не только на бумаге, фирма должна создать условия для осмысленного контроля над инструментом. Это требует времени, компетенций, методологии и записи решений.

Подпись человека становится убедительной лишь вместе с доказательством проверки.

Когда человеческий надзор смотрит на непрозрачную систему

Слово «человек» в выражении «человек в контуре» иногда звучит как готовое решение. Но человек может проверить вывод только в пределах доступной ему информации. Если он не знает, на каких данных обучалась модель, как она тестировалась, какие ошибки уже выявлялись и в каких условиях она особенно слаба, его способность оспорить ответ ограничена.

Именно здесь ICAEW указывает на трудность независимого заверения сторонних базовых моделей. Фирмы могут не получить полный доступ к сведениям о разработке и тестировании таких моделей, а независимые отчёты о них ещё не стали доступным стандартным инструментом. (ICAEW Insights, май 2026)

Это не обвинение поставщиков и не доказательство того, что конкретный инструмент непригоден. Это ограничение линии проверки. Аудитор может тщательно изучить собственное применение модели, но не обязательно сможет столь же тщательно исследовать её внутреннюю основу.

Пакет источников подтверждает наличие этих ограничений; вывод о системном расхождении между ответственностью и контролем — уже гипотеза. Она следует из сочетания трёх обстоятельств: FRC поддерживает быстрое внедрение, признаёт несколько независимых каналов риска и одновременно допускает, что риск не может быть устранён полностью. (FRC, март 2026; FRC, *Generative and Agentic AI Guidance factsheet*, март 2026)

Что если настоящая проблема не в том, что аудиторы могут обвинить ИИ, а в том, что ответственность остаётся человеческой после передачи способности проверять на сторону?

Для этого расхождения подходит термин **«заимствованная ответственность»**. Это ситуация, в которой организация сохраняет формальную ответственность за решение, но заимствует доказательства, рекомендации или уверенность у системы, которую не может полностью исследовать. В аудите фирма оставляет за собой подпись и риск, а часть интеллектуальной работы получает от генеративной или агентной модели.

«Человеческий аудитор всегда несёт ответственность», — утверждает FRC. В привычной рамке это финальная точка. В рамке заимствованной ответственности это только начало: нужно выяснить, может ли названный ответственный действительно проверить источник своего решения. (FRC, март 2026)

Машина не получает ответственность. Но работа, на которой она основана, меняет владельца.

Три документа вместо выдуманного кризиса

В доступных материалах нет названных случаев, в которых конкретный аудит уже признали ошибочным именно из-за искусственного интеллекта. Поэтому здесь нельзя честно рассказывать историю о компании, модели и установленной причине провала. Зато сами документы показывают, как регулятор пытается заранее собрать новую систему контроля.

Первый пример — публикация FRC от июня 2025 года. Её сопровождал тематический обзор процессов шести крупнейших фирм по сертификации новых технологий, используемых в аудите. Это не случай неудачи, а свидетельство того, что ответственность начали закреплять внутри фирм ещё до мартовского предупреждения о невозможности обвинять ИИ. (FRC, июнь 2025)

С точки зрения заимствованной ответственности сертификация выполняет понятную функцию. Она должна превратить вопрос «можно ли применить этот инструмент?» в документированное решение с определёнными границами. Но сама сертификация не доказывает, что любой последующий ответ системы будет верным.

Второй пример — мартовская памятка FRC о генеративном и агентном ИИ. Она одновременно выделяет недостаточный результат, неправильное использование результата и несоответствующую методологию. Рядом с этой классификацией стоят четыре слоя контроля: устройство системы, сертификация, обучение и управление, проверка человеком. (FRC, *Generative and Agentic AI Guidance factsheet*, март 2026)

Эта связка важнее лозунга о том, что аудитор отвечает всегда. Она показывает, что человеческая ответственность распределяется по всей организации. За инструмент отвечает не только сотрудник, который использовал его, но и те, кто выбрал систему, утвердил методику, обучил персонал и принял рабочий процесс.

Третий пример — оценка ICAEW, опубликованная в мае 2026 года. Организация называет руководство полезным началом, но обращает внимание на практическую проблему: независимое заверение сторонних базовых моделей трудно получить, поскольку у фирм может не быть доступа к сведениям об их разработке и тестировании. (ICAEW Insights, май 2026)

Здесь виден предел всей конструкции. Документация может точно описать применение модели. Аудитор может внимательно изучить полученный результат. Но обе процедуры не устраняют автоматически нехватку сведений о самой внешней системе.

Это примеры регуляторной архитектуры, а не подтверждённых провалов аудита.

Справедлив ли ответ FRC?

У FRC есть сильный аргумент. Фирмы сами выбирают инструменты, внедряют их в методику и принимают решения о том, можно ли опереться на результат. Отказ от человеческой ответственности создал бы удобную лазейку: достаточно было бы сослаться на программу, чтобы избежать последствий профессионального решения. Принципиальный и гибкий подход FRC позволяет не ждать отдельного правила для каждого нового инструмента. (FRC, июнь 2025; FRC, март 2026)

Регулятор также не утверждает, что ИИ только ухудшает аудит. Напротив, он говорит о возможных преимуществах для качества и эффективности и стремится поддержать внедрение систем на раннем этапе. FRC подчёркивает, что мартовское руководство не было реакцией на уже выявленные недостатки качества, а должно кодифицировать хорошую практику заранее. (FRC, март 2026)

Проблема в другом. Формальная ответственность не отвечает на вопрос, могла ли фирма разумно обнаружить ошибку в модели, к которой у неё ограничен доступ. Открытые понятия вроде «подходящей уверенности», «профессионального суждения» и человеческого надзора полезны для разных ситуаций, но оставляют фирмам заметную практическую неопределённость. (ICAEW Insights, май 2026; FRC, март 2026)

Это не делает руководство ошибочным. Оно показывает его предел.

Что должна будет доказать подпись

После предупреждения FRC нельзя будет сказать: «Так решил искусственный интеллект». Но одной человеческой подписи тоже недостаточно, чтобы доказать, что полученное с помощью ИИ доказательство было понято и контролировалось.

Для каждого существенного применения системы останутся три проверочных вопроса. Что именно сделал инструмент? Почему его результат сочли достаточно надёжным? Какие материалы показывают, что проверяющий мог заметить ошибку?

Эти вопросы потребуют не только технической настройки. Они затронут выбор моделей, сертификацию, обучение сотрудников, аудиторскую методику и содержание рабочих файлов. Если внедрение будет опережать способность фирмы проверять и документировать использование системы, эффективность окажется куплена за счёт более слабой проверяемости. Это вывод из описанного FRC и ICAEW напряжения, а не установленный результат конкретного аудита. (FRC, март 2026; ICAEW Insights, май 2026)

«Заимствованная ответственность» применима и за пределами аудита. Она возникает всякий раз, когда организация сохраняет имя ответственного лица, но передаёт производство суждения системе, которую не может полностью осмотреть.

Ответственность — это не только фамилия в документе. Это способность знать, задавать вопросы и вовремя остановить ошибку.