大模型的“黑箱”特性与审计结论必须可追溯、可验证、可复核的刚性要求之间存在根本张力,已成为制约审计大模型规模化应用的瓶颈。本文借鉴可解释人工智能理论与因果推断方法,构建基于因果链的内部审计大模型可解释性框架:第一阶段由自然语言处理模型抽取凭证实体,并以SHAP值量化各特征对风险评分的贡献;第二阶段以因果图刻画特征间的因果路径、区分直接原因与伪相关,并由大语言模型生成反事实解释;第三阶段在审计报告中呈现风险等级、关键特征置信度与完整因果链。以应收账款审计场景为例的比较表明,该设计能使不透明的评分转变为可追溯、可验证的审计证据链。本文进一步讨论幻觉风险与数据治理成本,并提出人机协同复核与“T型”人才培养等对策。
版权所有 (c) 2026 经济管理前沿研究

本作品采用知识共享署名 4.0 国际许可协议授权。