2. 审计基础

在模型与AI审计项目中，团队最容易犯的错误是“直接看模型指标，跳过审计语言”。模型准确率、召回率、AUC只是技术证据，而审计要回答的是：控制目标是否达成、风险是否被识别、证据是否充分、结论是否可复现。因此，本章先建立审计基础，再讨论AI审计的差异，为后续端到端项目实战提供共同语言。

一、核心原理：审计是什么，不是什么

审计是由独立、胜任的审计人员，依据既定标准，对审计对象的相关信息、控制活动或行为进行系统化检查与评价，并出具结论的过程。它有三个不可拆分的要素：标准（应该怎样）、证据（实际怎样）、判断（差异是否重大、是否可接受）。

审计不是“找茬”，也不是“替业务做决策”。审计的核心价值在于提供合理保证：通过有限样本和程序，将结论的不确定性控制在可接受水平。这一点在AI审计中尤其重要，因为模型行为具有概率性，审计师不可能验证所有输入输出，只能设计抽样、监控和再执行程序来获得合理保证。

二、方法流程：风险导向审计的六步闭环

风险导向审计不是“先查细节再汇总风险”，而是“先定风险再决定查什么”。其流程可归纳为六步闭环：

1. 了解业务与对象：明确模型用途、用户、数据来源、决策影响和监管环境。
2. 识别与评估风险：从固有风险、控制风险、检查风险三个维度打分，确定重大风险领域。
3. 设计审计程序：针对高风险领域选择检查、观察、询问、函证、重新执行、分析程序等。
4. 获取与评价证据：关注证据的充分性（数量）和适当性（相关、可靠）。
5. 形成审计发现：区分“偏差事实”“控制缺陷”“风险暴露”和“改进建议”。
6. 出具结论与跟踪：给出审计意见，并跟踪整改闭环。

在AI场景中，第二步的风险评估需要额外加入模型风险：数据漂移、偏见、对抗攻击、可解释性不足、第三方组件漏洞等。这些风险往往不在传统财务审计的风险清单里，却会直接改变审计程序的设计。

三、合规要求与AI审计的差异

传统审计的合规基线通常来自会计准则、内部控制框架和行业监管规定。AI审计则面对多层合规要求：数据保护法规（如个人信息保护法）、算法治理规定、行业AI应用规范，以及组织内部的模型风险管理政策。差异不仅在于“依据变多”，更在于审计对象的动态性和不透明性。

四、案例与场景：一次模型上线前的审计复盘

某金融团队准备上线一个信贷评分模型。传统审计同事先检查了审批流程和权限矩阵，认为“控制齐全”。但AI审计师追加了三项程序：

• 数据溯源：抽取训练集样本，核对授权链和标注一致性，发现部分历史数据来自已停止合作的渠道。
• 模型再执行：用固定随机种子和相同环境重跑评估，发现线上AUC比报告低0.04，原因是特征工程版本不一致。
• 边缘案例测试：构造低收入但高资产、短信用历史等样本，发现模型对特定群体拒贷率显著偏高。

最终审计结论不是“模型不能用”，而是“在完成数据清理、版本锁定和公平性监控前，限制上线范围”。这正是风险导向审计的价值：把技术问题翻译成风险语言，再给出可执行的整改路径。