Selskapers bruk av maskinlæring og betydningen for revisor : En eksplorativ studie av hvordan revisors vurdering vil bli påvirket av revisjonspliktiges bruk av maskinlæring

Abstract

Næringslivet er i endring ogde siste årene har maskinlæring blitt stadig mer aktuelt. Flere bedrifter ser potensialet i teknologien, og vi kommer til å se mer av maskinlæringssystemer og automatiserte analyser i fremtiden. Formålet med denne masteroppgaven er å undersøke hvordan revisor ville utført en ekstern revisjon av regnskapsinformasjon beregnet av maskinlæring. Temaet er lite utforsket, og oppgavens praktiske betydning blir derfor å supplere med ny kunnskap på et nytt felt. For å avdekke muligheter og utfordringer ved bruk av maskinlæring, er det hensiktsmessig å inkludere en litteraturgjennomgang av teknologien i oppgaven. Teorigrunnlaget for avhandlingen er revisjonsrisikomodellen, som brukes til å vurdere og håndtere risiko identifisert i revisjonsprosessen. På bakgrunn av tidligere forskning redegjør vi for hvordan regnskapsestimater kan bli mer nøyaktige, og hvordan estimatenes iboende svakheter kan elimineres ved å bruke maskinlæringsalgoritmer. Teknologien kan følgelig brukes til å øke påliteligheten til det finansielle regnskapet. Vi belyser oppgavens formål ved et eksplorerende design hvor data er innhentet ved dybdeintervjuer. Studien er basert på informanter fra de største revisjonsselskapenei Norge, Den norske Revisorforeningen (DnR), Datatilsynet, Finanstilsynet og eksperter på kunstig intelligens. Undersøkelsen viser at revisor ville, ved en ekstern revisjon av et regnskapsestimat utarbeidet av maskinlæring, økt kontrollrisikoen under innledende risikovurdering. Videre viser funnat informantene forventer at maskinlæring vil gjøre enhetens interne kontroll mer effektiv på lang sikt. Studien avdekker en uenighet om hvilken revisjonstilnærming som er mest måleffektiv. Revisors valg av revisjonstilnærming påvirkes av maskinlæringssystemets kompleksitet og kompetanse til revisor og den revisjonspliktige. De internasjonale revisjonsstandardene vil ikke legge begrensninger på å bygge revisjonen på et system som styres av maskinlæringen. Det uttrykkes likevel et ønske om mer veiledning og praktiske eksempler blant studiens informanter.