Opdagelse af Besvigelser med Digitale Værktøjer (CAAT & AI)

Detection of Fraud with Digital Tools (CAAT & AI)

Ahsan, Subhan

4. semester

Revision (cand.merc.aud.), Kandidat

2024

2024-06-03

94

Specialet undersøger, hvordan digitale værktøjer – særligt Computer Assisted Audit Tools (CAAT) og kunstig intelligens (AI) – kan anvendes i revisionen til at opdage besvigelser med fokus på regnskabsmanipulation. Baggrunden er en stigning i økonomisk kriminalitet og forskning, der viser, at regnskabsmanipulation skaber større tab end andre besvigelsesformer. Med udgangspunkt i revisionsfagets grundbegreber, internationale standarder, principal-agent-teorien og besvigelsestrekanten kombinerer studiet kvalitative interviews med revisorer og kvantitativ analyse af litteratur og brancherapporter. Specialet kortlægger, hvor i revisionsprocessen CAAT-teknikker som testdata, integreret testfacilitet, parallel simulering, indbyggede revisionsmoduler og generel revisionssoftware kan anvendes, samt hvordan AI-metoder som maskinlæring, dyb læring og generativ AI kan supplere disse. Et hypotetisk eksempel på omsætningsmanipulation illustrerer, hvordan værktøjerne kan afsløre uregelmæssigheder og ledelsens overstyring af interne kontroller. Analysen peger på, at CAAT muliggør fuld-populationsanalyser og effektiv afvigelsesidentifikation, mens AI kan finde komplekse mønstre, støtte løbende overvågning og forbedre kvaliteten af revisionsbevis. Samlet viser specialet, at integrationen af CAAT og AI kan øge nøjagtighed og effektivitet i besvigelsesopdagelse og vurderes som central for fremtidens revision, dog med den begrænsning at resultaterne bygger på litteratur, interviews og et hypotetisk scenarie.

This thesis examines how digital tools—specifically Computer Assisted Audit Tools (CAAT) and Artificial Intelligence (AI)—can be used in auditing to detect fraud, with a focus on financial statement manipulation. The study is motivated by rising economic crime and evidence that financial reporting fraud causes higher losses than other fraud types. Grounded in core auditing concepts, international standards, principal–agent theory, and the Fraud Triangle, the research combines qualitative interviews with auditors and quantitative analysis of literature and industry reports. It maps where in the audit process CAAT techniques—such as test data, integrated test facility, parallel simulation, embedded audit modules, and generalized audit software—can be applied, and how AI methods—machine learning, deep learning, and generative AI—can complement them. A hypothetical revenue manipulation scenario demonstrates how these tools can reveal irregularities and management override of internal controls. The analysis indicates that CAAT enables full-population testing and efficient anomaly detection, while AI can uncover complex patterns, support near real-time monitoring, and strengthen audit evidence. Overall, the thesis finds that integrating CAAT and AI can improve the accuracy and efficiency of fraud detection and is likely to be essential for the future of auditing, noting the limitation that findings draw on literature, interviews, and a hypothetical case.

[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]

Fraud ; AI ; CAAT ; Digital Tools ; Auditing ; Accounting ; Financial statement fraud

Download
Vis denne rapport i AAU Studenterprojekter