HigLabo
Latest posts
Deloitte Omniaのagentic intelligenceは監査部門をどう変えるのか──『AIで効率化』より先にレビュー責任の分解が必要になる理由
Deloitte Omniaのagentic intelligenceが変えるのは作業時間よりレビュー責任の置き方
米国で発表されたDeloitte Omniaのagentic intelligenceの方向性を見ると、監査部門の変化は単なる時短では終わりません。提供範囲や導入時期は地域・法人で異なる可能性がありますが、AIが下書きや抽出、比較、論点整理まで担うような方向性が進むほど、人間のレビュー責任や証跡確認の役割分担をどこで切り分けるかが難しくなる点です。
この記事では、米国で発表されたDeloitteのOmniaが示す方向性を手がかりに、監査で何が変わるのか、なぜ「AIで効率化」だけでは不十分なのか、そして監査計画、証憑確認、例外抽出、最終レビューの各工程で、AI介入可否と責任者をどう整理すべきかを検討します。
Omniaのagentic intelligenceで監査支援ツールはどう変わるのか
Omniaにagentic intelligenceが入る意味は、監査支援ツールが「指示待ちの分析ソフト」から、「一定の目的に沿って作業を進める実務アシスタント」に近づく方向性が示されたことです。公開資料からは監査支援の高度化という方向性は読み取れますが、複数の工程をまたいで論点候補まで出す具体的な提供機能や導入状況は、地域・法人や時期によって異なる可能性があります。
仮に、仕訳データを読んで異常パターンを抽出し、関連する勘定や前期比較、補助証憑の確認候補まで並べるような使い方が実現されれば便利ですが、同時に「どこからがAIの補助で、どこからが監査人の判断なのか」を曖昧にします。
ここで大事なのは、AIが出した候補が正しいかどうかだけではありません。その候補を見落とした場合も、逆に過剰に信じた場合も、誰がどの段階で責任を持つのかが問われます。
単純な自動化なら「処理結果の確認」で済む場面も、agentic intelligenceの方向性では「判断プロセスの監督」がより重要になっていきます。
「AIで効率化」だけでは監査業務の本質を説明しきれない
財務諸表監査のような外部監査では、作業量の多い業務である一方、本質は証拠を集めて終わることではありません。集めた証拠の信頼性を評価し、複数の事実をつなぎ、最終的に監査意見へつなげる判断の積み重ねです。
だからこそ、効率化という言葉だけで導入効果を語ると、重要な論点を見落としやすくなります。
たとえば、AIが売上計上の例外取引を抽出したとしても、その例外が本当にリスクなのか、業務特性によるものなのかは文脈の理解が必要です。監査基準の考え方を押さえるには、基準側の視点も欠かせません。
IAASB
さらに、監査ではレビュー行為そのものが品質管理の中核です。担当者が作成し、上位者が見直し、必要に応じて差し戻すことで、誤りや思い込みを抑えています。
AIが途中工程に深く入るほど、このレビューは「人が人を確認する」構造から、「人がAIの生成過程と人の判断を合わせて確認する」構造へ変わります。
つまり、効率化の前に必要なのは、監査の価値がどこで生まれているかを言語化することです。その整理がないまま導入すると、作業は速くなっても、責任の所在だけが不明確になるおそれがあります。
監査計画、証憑確認、例外抽出、最終レビューで責任分解が先に必要になる
レビュー責任の分解が先に必要になる場面は、実務上かなりはっきりしています。特に影響が大きいのは、監査計画、証憑確認、例外抽出、最終レビューです。内部監査責任者、監査法人DX担当者、品質管理責任者、リスク管理担当者が検討する際も、この4工程で区切ると整理しやすくなります。
- 監査計画 AIが過年度調書やリスク情報を横断して重点領域の候補を示せるようになると、計画の起点は速くなります。ただし、重要性の判断や手続の選定理由までAIに寄せると、計画責任者の説明責任が曖昧になります。
- 証憑確認 AIが請求書、契約書、補助資料の照合候補や不整合箇所を示すほど、証跡確認は効率化します。一方で、証憑の真正性や例外の意味づけは人の判断が必要であり、誰が最終的に証拠として採用するかを明確にしないと後から説明しにくくなります。
- 例外抽出 AIは大量データから外れ値を見つけるのが得意ですが、外れ値が監査上重要かどうかは別問題です。季節要因、取引先変更、制度改定の影響など、業務背景を踏まえないと誤検知にもなります。
- 最終レビュー AIが論点を整理し、リスク評価や追加手続の候補まで出してくれると、承認者は短時間で全体像を把握できます。ただし、その便利さは裏返すと、途中で落ちた少数論点を見逃す危険も持ちます。
KPMG
この4工程に共通するのは、責任を「作成」「補助」「確認」「承認」で分けて記録しないと、後から説明できなくなる点です。
レビュー責任の分解とは、AIの性能評価ではなく、監査品質の防波堤をどこに置くかの設計そのものです。
人とAIの役割分担は工程単位で設計する
実務では、まずAIに任せる行為を細かく分けるのが有効です。たとえば「抽出する」「要約する」「比較する」「仮説を出す」「結論を示唆する」では、求められる統制の強さが違います。
結論に近い行為ほど、人間のレビュー密度を高くすべきです。
次に、人の役割も再定義する必要があります。担当者はAIの出力を受け取る人ではなく、前提条件を設定し、結果の妥当性を検証する人になります。
レビュアーは完成物の見た目ではなく、判断の飛躍や根拠不足を見抜く役割に比重が移ります。承認者は、統制設計が機能しているかを含めて監督する立場になります。
この設計では、RACIのような責任分担表を使うと整理しやすくなります。Responsible、Accountable、Consulted、Informedの切り分けをAI工程にも当てはめる考え方です。
重要なのは、「AIは補助だから人が最後に見ればよい」としないことです。その考え方だと、確認の負荷が最後の承認者に集中します。
むしろ各工程で、何を人が確かめ、何をAIの参考出力として扱うかを前倒しで決めるほうが、結果として安全で速い運用になります。
実務対応としては、監査計画、証憑確認、例外抽出、最終レビューの各工程ごとに、AI介入可否と責任者を整理した分界表を作成すると、検討段階でも論点がぶれにくくなります。
監査部門が先に整えるべき運用ルールと記録
導入前に整えたいのは、まずログです。どのデータを使い、どんな指示を与え、AIが何を返し、その後に人が何を修正したのか。この履歴が残らないと、後から検証できません。
次に必要なのは、判断根拠の記録です。特に、AI提案を採用した場合と棄却した場合の両方で、簡潔な理由を残す運用が重要です。
これにより、監査調書が単なる結果の保管ではなく、判断履歴の説明資料になります。
さらに、例外処理とエスカレーションも欠かせません。AI出力が不安定だった場合、根拠が示されない場合、重要論点で担当者の直感と食い違う場合に、誰へ、どの条件で相談するのかを決めておく必要があります。
運用ルールは細かすぎても形骸化しますが、少なくとも高リスク領域では明文化が必要です。
最後に、教育もルールの一部です。使い方の研修だけでなく、「AIがもっともらしい誤りを返す」前提を共有し、疑うべきポイントを訓練することが求められます。
技術導入ではなく、レビュー文化の更新として捉える視点が重要です。
Omnia導入を業務改善で終わらせないための見方
Omniaのagentic intelligenceを監査部門が活かせるかどうかは、AIの精度だけでは決まりません。むしろ、レビュー責任をどこまで細かく分け、どの工程で人の判断を残すかを設計できるかが分岐点になります。
ここを曖昧にすると、効率化の成果は見えても、品質管理や説明責任で後から負債が出ます。
ビジネス面では、監査の生産性向上が期待される一方、評価軸は稼働削減だけでは足りません。再作業率、レビュー差し戻し率、重要論点の検出精度、承認者の確認負荷など、新しい管理指標が必要になります。
一般ユーザーに近い立場の経理・内部監査部門にとっても、この変化は無関係ではなく、将来的には証跡の作り方そのものに影響します。
今後は、監査人が自分で全部を処理するモデルから、AIが候補を広く出し、人が重要判断を引き受けるモデルへと移っていくはずです。ただし、その移行を成功させる条件は明確です。
先に必要なのは「どこまで自動化できるか」ではなく、「どこで誰が責任を持つか」を分解することです。
要するに、Deloitte Omniaのagentic intelligenceが監査部門にもたらす本当の変化は、作業の高速化ではなく、内部レビュー工程の役割分担の見直しです。もっとも、最終的な監査責任や監査意見への責任は、監査基準上、人間側に残ります。ここを先に押さえられる組織ほど、AIを安全に、そして実務価値の高い形で使いこなせるでしょう。
検討段階では、監査計画、証憑確認、例外抽出、最終レビューの各工程について、AIができることと人が責任を持つ判断を分けた分界表を先に作ることが、導入議論を実務に落とす最短ルートです。
個人的には、AI導入の議論が「便利かどうか」から「責任をどう配るか」へ移ったとき、監査の次の段階が始まると感じます。