讲师
讲师介绍
Tom Wang
德勤审计合伙人 · CPA · MSF
扫码添加讲师微信，课后交流与答疑
Tom 是德勤审计合伙人，有十六年在加拿大、美国和中国的会计师事务所与企业财务工作经历，长期从事金融机构审计、结账流程和第三层级公允价值复核。
他把这些工作中重复度高、规则清楚的部分整理成 AI 实操案例，让审计团队用智能体完成整理、复算和筛查，把时间留给判断。
课程的立场来自审计：AI 的产出在验证之前只是草稿；每个交付物都带着异常清单；判断不交给机器。
面向审计合伙人与经理的三小时实操课。用公司 DeepSeek Harness 把四个行业的外审数据任务做一遍： 三表勾稽、全量分析性程序、规则筛查、批量复算与离线报告。课程同时回答一个管理问题：团队用 AI 做出的底稿，怎样复核、怎样留痕、何时可以作为审计证据。
打开案例 →下载数据包第二场：估值实务四个案例练的是同一条工作链：先控制输入，再执行规则和复算，形成异常清单和控制回执，最后由审计师判断。行业不同，变的是规则和数据，方法不变。
以下数字来自德勤 AI Institute 2026 年 3 月发布的金融服务业报告，报告给出了各行业对比。调研于 2025 年 8–9 月开展，覆盖 24 个国家的 3,235 名总监至 C-suite 受访者。数字描述的是调研样本，不指向任何单一机构。
金融服务业受访企业；工具可得性已不是主要障碍。
同上，金融服务 N=573。金融服务业受访企业；员工技能不足被列为最大障碍。
同上。跨行业受访企业；智能体的扩张快于治理。
德勤《The State of AI in the Enterprise》2026 年报告，N=3,235。德勤 Trustworthy AI™ 框架。本课程的工作规则，是这七个维度在审计底稿层面的落实。
要求审计师深入了解客户的 IT 环境，特别关注 AI 等技术在业务流程和财务报告中的采用；评估由此产生的 IT 风险；判断是否需要专门技能或专家。
会计师事务所应积极适应数字化时代特点，重视数据安全管理，开发和应用数智化反舞弊工具。
对业务流程自动化、人工智能、云平台、大数据分析等采用新技术的领域，执行针对性的审计程序；必要时利用信息技术专家的工作。
面向会计专业人士的 AI 应用指引，强调稳健治理、风险管理、有效的人工监督，以及遵守职业和道德准则。
不得将涉密信息输入或上传至公共人工智能平台；AI 识别的异常需执行进一步审计程序；证据不一致时保持职业怀疑；按底稿准则记录 AI 工具的使用过程、结果及分析采纳过程；AI 不能替代注册会计师专业判断，不减轻对审计意见承担的责任。
资金交易、资产评估、信贷审批、承保理赔、风险管理等场景视为高风险应用；关键环节设置人工监督和干预；可解释性不足的技术用于高风险场景只能作为辅助工具，最终决策由人作出。
事务所应把 AI 和技术工具纳入质量管理体系；审计师应具备批判性评价 AI 输出的能力，独立验证自动化结果的可靠性和相关性，避免过度依赖。
DeepSeek Harness（命令行名 dsh）是 DeepSeek 开源的智能体运行框架，MIT 许可。它本身不是模型，而是把模型连接到你的文件夹、终端和工具上：读文件、写脚本、运行、报告结果。模型可以接 DeepSeek，也可以通过自定义接口接公司网关。
按所内提供的方式启动，浏览器进入 Web 界面。官方启动方式为 npx @deepseek-ai/dsh web，默认地址 127.0.0.1:3080。
设置 → 模型。确认选中的是所内已配置的模型。课堂不需要自己填写任何密钥。
点“选择工作区”，选本课程数据包解压后的文件夹。没选工作区时，输入框不可用。
把模板改名为 AGENTS.md 放在工作区根目录。Harness 会读取工作区中的 AGENTS.md / CLAUDE.md 作为工作规则。
新会话默认工作区内可写、越界操作需审批；可在输入框下方切换为只读。设置 → 通用 → 权限只改变之后新建会话的默认值。
第一条指令只让它看、不让它改。读它的计划，批准审批请求，最后核对控制回执。
背景、目标、规则、交付物、要复核的点。说“要什么”，不说“怎么点”。
文件长什么样、每列什么含义、单位和币种、你已经知道的坑。
先列计划再执行；控制总数；异常清单；保存脚本；缺数据就停下来问。
项目组把规则写一次，所有成员和每次会话共用。模板也在下载区。
# 审计工作区规则（AGENTS.md 模板）
把本文件放在工作区根目录。DeepSeek Harness 打开该工作区时会读取它；同一套规则也适用于其他支持 AGENTS.md 的智能体工具。
按项目修改，并由项目组确认后使用。
## 角色与边界
- 你是审计项目组的数据助手，只处理本工作区内的文件。
- 不修改原始数据文件；所有输出写入“输出”文件夹，文件名带日期和版本号。
- 不联网检索，不调用外部接口，除非我在指令中明确要求。
## 每次任务
1. 先列计划，等我确认后再执行。
2. 交付三件：结果文件、异常清单、控制回执（输入行数、金额合计、勾稽差异）。
3. 数据缺失、口径不清或规则冲突时停下来问我，不要猜，不要编造数字。
4. 全部计算用脚本或公式完成，保存脚本，保证可以重复运行得到同样结果。
## 口径
- 金额单位与原表一致；只在最终展示时四舍五入。
- 日期、币种、单位不一致时，先列出差异并说明换算方法。
## 人工判断
- 风险评估、错报认定、是否需要专家、结论表述由审计师决定；你只提供线索、计算和草稿。
- 每个异常注明依据的数据行或单元格。
案例 A 由讲师带全场完成，示范完整工作流。案例 B、C、D 分三组同时进行：先在组内讨论分析路径，再交给 DeepSeek Harness 执行。学员版不提供现成指令，讲师 Prompt 库在课堂上分段解锁。
一句话目标：用合同编号把三张表连起来，找出双向缺口，按合同条款独立复算订阅收入、实施收入和合同负债，再与总账对比。
云启软件（虚构）提供企业 SaaS 订阅和实施服务。2025 年审计中，项目组需要对收入和合同负债执行实质性程序。客户提供了合同台账、开票明细和回款明细，以及总账中两类收入的金额。全部合同均于 2025 年签订，没有期初余额。
文件：案例A_原始数据_SaaS合同开票回款.xlsx
| 工作表 | 内容 | 行数 |
|---|---|---|
| 合同台账 | 合同编号、客户、产品类型（订阅/实施）、服务期、合同金额、验收日期、验收备注 | 120 |
| 开票明细 | 发票号码、合同编号、开票日期、开票金额 | 154 |
| 回款明细 | 回款流水号、合同编号、付款方名称、回款日期、回款金额 | 106 |
| 总账收入 | 订阅服务收入、实施服务收入（公司账面） | 2 |
收入确认口径（本案例给定）：
两次运行或两种方法得到的数字应当一致。不一致时，先看是哪一步的口径不同。
一句话目标：用结算电量 × 电价建立每座电站、每个月的独立预期收入，与账面比较；再用利用小时检查结算数据本身是否合理。
本组 45 分钟完成，之后 5 分钟汇报。先在组内讨论分析路径，再交给 DeepSeek Harness 执行。汇报内容：分析思路、关键发现、AI 完成了哪些工作、哪些事项必须由审计师判断。
绿源新能源（虚构）运营 18 座风电站和 18 座光伏电站。电费收入 = 上网结算电量 × 电价；补贴项目在补贴截止日期前另享补贴电价。项目组计划对电费收入执行实质性分析程序，并关注电站运营数据中的减值迹象。
案例B_原始数据_电站结算与收入.xlsx
| 工作表 | 内容 |
|---|---|
| 电站主数据 | 类型、省份、装机容量、并网日期、电价类型、基准电价、补贴电价、补贴截止日期 |
| 月度结算电量 | 36 座 × 12 个月，含计量单位列 |
| 月度账面收入 | 36 座 × 12 个月，不含税 |
| 教学参数 | 利用小时理论上限、差异阈值、偏低提示比例 |
三张表的行数、电站数和月份是否完整对应；结算电量的计量单位是否一致，不一致的先换算为 kWh。
逐站逐月计算预期收入 = 结算电量（kWh）×（基准电价 + 当月适用补贴电价）。补贴电价只适用于补贴截止日期（含）之前的月份。
按电站汇总全年账面收入、预期收入、差异和差异率；差异率超过 ±1% 的电站列入异常清单，并说明集中在哪些月份。
年利用小时 = 年结算电量（kWh）÷（装机容量 MW × 1,000）。标记超过理论上限的电站，以及低于同类型电站平均值 70% 的电站。检查并网日期之前是否已有结算和收入。
一个 Excel：控制回执、电站年度汇总、月度明细复算、异常清单。
如果某座电站账面收入与结算完全一致，但利用小时超过理论上限，你会先怀疑哪一个数据？为什么？
一句话目标：先把服务商名称洗干净，再用六条可见规则对全部推广费做筛查；同时按返利政策复算经销商返利计提。
本组 45 分钟完成，之后 5 分钟汇报。先讨论每条规则怎么写，再交给 DeepSeek Harness 执行。汇报内容：分析思路、关键发现、AI 完成了哪些工作、哪些事项必须由审计师判断。
康瑞医药（虚构）通过学术会议、市场调研、咨询服务和推广服务开展学术推广，并对经销商按年度销售额计提返利。推广费是医药行业审计中舞弊风险和合规风险较集中的领域。项目组希望对 2025 年全部推广费做一次全量筛查，并复核返利计提。
案例C_原始数据_推广费与返利.xlsx
| 工作表 | 内容 |
|---|---|
| 推广费明细 | 凭证号、日期、服务商名称、费用类型、金额、发票号码、摘要、审批人、区域 |
| 服务商主数据 | 标准名称、统一社会信用代码、成立日期、注册地址、联系电话 |
| 经销商主数据 | 名称、注册地址、联系电话 |
| 经销商销售与返利计提 | 10 家经销商 2025 年不含税销售额、公司已计提返利 |
| 返利政策 / 审批权限 / 2025 节假日与调休 | 本案例给定参数 |
把推广费明细中的服务商名称对应到主数据标准名称，输出清洗日志（原名称、标准名称、处理方式）。不能对应的单独列出，不要猜。
| 规则 | 条件 |
|---|---|
| R1 疑似拆分审批 | 同一服务商 3 日内 2 笔及以上、单笔 45,000–50,000 元、合计超过 50,000 元 |
| R2 发票号码重复 | 同一发票号码出现在两条及以上记录 |
| R3 新成立服务商大额 | 首笔付款距服务商成立不足 90 天，且全年累计超过 50 万元 |
| R4 与经销商关联迹象 | 服务商与任一经销商注册地址相同或联系电话相同 |
| R5 非工作日大额 | 周末或法定节假日（调休上班日除外）发生的单笔超过 10 万元的付款 |
| R6 摘要信息不足 | 摘要仅为“推广费”“服务费”“咨询费”“市场费用” |
按返利政策（分段累进）复算 10 家经销商的应计返利，与公司已计提金额比较。
一个 Excel：控制回执、规则筛查清单（规则、服务商、凭证号、说明）、返利复算、清洗后明细。
R1 的阈值设为 45,000–50,000 元，如果服务商把单笔压到 40,000 元，规则就会漏掉。你会怎样调整规则，又怎样控制误报数量？
一句话目标：按统一口径逐个项目复算可变现净值和应计提跌价准备，复核售价假设，做敏感性分析，并生成一份离线 HTML 复核报告。
本组 45 分钟完成，之后 5 分钟汇报。汇报内容：分析思路、关键发现、AI 完成了哪些工作、哪些事项必须由审计师判断。
华庭置业（虚构）有 40 个开发项目分期，业态包括住宅、商业和车位。2025-12-31 需要对开发产品和开发成本做存货跌价测试。财政部等四部门《关于严格执行企业会计准则 切实做好企业2025年年报工作的通知》（财会〔2025〕33号）要求合理确定存货可变现净值的关键参数，并特别关注停工项目、闲置资产的减值。
案例D_原始数据_开发项目存货跌价测试.xlsx
| 工作表 | 内容 |
|---|---|
| 项目存货明细 | 40 个项目：面积、账面余额、已计提跌价准备、至完工成本、管理层售价、近三个月网签均价、费率、税率、去化周期、项目状态 |
| 测算口径与参数 | 可变现净值公式、售价复核规则、缺失值替代值、敏感性情景 |
检查售价单位是否一致、税费率是否缺失、项目状态是否异常。每项修正都要记录。
可变现净值（万元）= 剩余可售面积 × 售价 ÷ 10,000 ×（1 − 销售费用率 − 税金及附加率 − 土地增值税预计率）− 至完工预计成本。应计提 = max(0，账面余额 − 可变现净值)；需补提 = 应计提 − 已计提。管理层售价高于网签均价 10% 以上的，以网签均价重算。
全部项目售价下调 5% 和 10% 两种情景下的需补提合计。
一页：口径说明、关键指标（项目数、需补提项目数、需补提合计、敏感性结果）、重点项目表、人工判断提示。单个 HTML 文件，断网也能打开。
一个 Excel（控制回执、重点项目、全部项目复算）+ 一个 HTML 报告。
售价下调 5% 时需补提金额约是基准情景的两倍。这说明了什么？在审计底稿中应如何记录这一判断？
AI 的计算结果本身不是审计证据的来源，它依赖的数据和规则才是。复核 AI 辅助底稿时，看三件事：输入是否可靠、过程能否复现、判断是否由人作出。
源数据的完整性和准确性仍需测试。AFRC 2025 年 12 月就被审计单位生成的信息（IPE）作为审计证据发布 Checkpoint；2025 年检查中也指出对 IPE 可靠性评价不足的问题。
保存指令、规则文件、脚本和控制回执。中注协要求在底稿中充分、适当地记录 AI 工具的使用过程和结果，以及对结果的分析与采纳过程。
AI 识别的异常要执行进一步程序；证据冲突时保持职业怀疑。风险评估、错报认定和结论由审计师作出。
| # | 复核问题 | 看什么 |
|---|---|---|
| 1 | 输入是否完整、版本是否正确 | 控制回执中的行数、金额合计与源文件一致；源文件版本与日期 |
| 2 | 规则是谁定的、写在哪里 | 指令或 AGENTS.md 中的规则；项目组是否确认 |
| 3 | 过程能否复现 | 保存的脚本或公式；同一指令再次运行结果是否一致 |
| 4 | 输出是否齐全 | 结果文件、异常清单、控制回执三件 |
| 5 | 异常是否逐项跟进 | 每个异常对应的进一步程序和结论 |
| 6 | 哪些结论来自 AI | 分清 AI 计算、AI 建议和审计师判断；判断有人签认 |
| 7 | 留痕是否充分 | 底稿记录使用的工具、指令、结果，以及对结果的分析与采纳过程 |
| 8 | 数据是否安全 | 是否在授权环境中运行；是否涉及客户涉密信息；是否遵守所内政策 |
| 9 | 证据冲突如何处理 | AI 获取的证据与其他来源不一致时，修改或追加了哪些程序 |
两部分分别加密，凭据在课堂上公布。页面源代码中只有密文。
课堂讲解时公布凭据
小组完成后公布凭据
德勤审计合伙人 · CPA · MSF
扫码添加讲师微信，课后交流与答疑
Tom 是德勤审计合伙人，有十六年在加拿大、美国和中国的会计师事务所与企业财务工作经历，长期从事金融机构审计、结账流程和第三层级公允价值复核。
他把这些工作中重复度高、规则清楚的部分整理成 AI 实操案例，让审计团队用智能体完成整理、复算和筛查，把时间留给判断。
课程的立场来自审计：AI 的产出在验证之前只是草稿；每个交付物都带着异常清单；判断不交给机器。