AI and the Auditor: Transforming Earnings Management Detection

Abstract

Hovedformålet med studien er å undersøke hvordan revisorer forventer at kunstig intelligens vil påvirke revisjonsprosessen med hensyn til å avdekke resultatstyring. Den setter også søkelys på hvordan implementeringen av ny teknologi vil påvirke revisorenes rolle. Dette innebærer å identifisere hvilken stadie KI-teknologien er i norske revisjonsselskaper i dag. Utover dette undersøkes også hvilke nødvendige ferdigheter revisorer er nødt til å ha for å kunne effektivisere og fullt utnytte fordelene ved KI-baserte programmer i henhold til å avdekke resultatstyring.

Ved bruk av et kvalitativt forskningsdesign gjennomførte vi semistrukturerte intervjuer med 12 revisorer basert i Norge. Hovedformålet er å se på deres oppfatninger og erfaringer rundt bruken av KI i revisjonsprosessen. Oppgaven tar utgangspunkt i følgende problemstilling: “Hva er revisorers forventinger rundt påvirkningen KI har i revisjonsprosessen, inkludert ferdighetene som kreves av revisorer for å på en effektiv måte administrere økonomiske data og avdekke resultatstyring?".

Vår studie viser at norske revisorer har en positiv holdning til KI teknologi. De anerkjenner fordelene KI har å tilby revisjonsprosessen, spesielt når det gjelder å avdekke potensielle risikoer for resultatmanipulering, og i verste fall svindel. Noen av fordelene inkluderer muligheten til å behandle større mengder data på en tidseffektiv måte, forbedret identifisering av avvik, og i sin helhet forbedret risikovurderinger. Videre viser våre funn at implementeringen av KI i revisjonsyrket vil føre til et skifte fra rollen som "databehandler" til “kritisk tenker”, noe som vil resultere i at ferdighetene man trenger for å være en god revisor endres i fremtiden. I forbindelse med å avdekke resultatstyring, vil dette bidra til grundigere risikovurderinger og forbedret identifisering av resultatstyring.

Avslutningsvis bidrar studien vår med et nytt perspektiv på å avdekke resultatstyring ved å adressere gapet i litteraturen knyttet til resultatstyring. Gjennom å utvikle en modell som består av tre deler; tradisjonelle modeller for å avdekke resultatstyring, nye ferdigheter og egenskaper utviklet av revisorer, samt KI som et hjelpende hjelpeverktøy, foreslår vi at den nevnte kombinasjonen vil føre til forbedret identifisering av resultatstyring.

This study’s objective is to examine how the implementation of artificial intelligence (AI) will impact audit procedures related to earnings management (EM) tackling, and what will be the effect of the new technology on the auditor’s role. This involves identifying the state of affairs the AI technology finds itself in today in the audit firms in Norway, as well as examining the necessary skills auditors will need to possess to effectively utilize AI-based tools in relation to earnings management detection.

By employing a qualitative research design, we conducted semi-structured interviews with 12 auditors based in Norway in order to explore their perceptions and experiences related to the use of AI in the auditing process, addressing the problem statement of this thesis: “How do auditors anticipate AI will impact the auditing process, including the skills required for auditors to effectively manage financial data and detect earnings management?”.

Our findings indicate that Norwegian auditors have a positive attitude toward AI technology, acknowledging the benefits AI provides in the auditing process, particularly in detecting potential risks of earnings manipulation. These include processing large amounts of data in a time-efficient manner, better abnormalities identification and fuller risk assessment capabilities. Furthermore, we discover that the implementation of AI in the auditing profession will result in the shift of the auditor’s role, repositioning from "data processor" to "strategic thinker", affecting the set of skills the auditors will need to possess in the new reality. Consequently, in the context of earnings management tackling, this will result in more thorough risk assessments and a better earnings management detection.

We conclude our study with a fresh perspective on earnings management tackling in the auditing context by addressing the gap in the EM literature. Developing a model consisting of three main layers, i.e. traditional models for EM detection, auditor possessing the new set of skills and characteristics, as well as the AI as an assisting tool, we suggest that the aforementioned combination results in an improved EM detection.