The Influence of Audit Firm Culture on the Adoption of Artificial Intelligence in Audit Firms
Notice bibliographique
Résumé
Today, automation, digitization, and integration of AI are becoming increasingly pervasive in the work environment, and as AI applications become integral to the rapid evolution of digital workplaces, a critical audit concern revolves around how professionals respond to this new milieu; in this realm, the adoption of AI in professional practice may require a cultural shift given that auditors tend to be cautious individuals (Davidson & Dalby, 1993). As a cutting-edge information technology, AI can offer several advantages in auditing, including the ability to process large amounts of data, such as bank statements and legal contracts, much faster than human auditors, leading to more efficient reconciliation of accounts and improved audit quality. AI also minimizes over testing, allowing auditors to perform more efficient and targeted audit procedures (Dennis, 2024). However, there are significant challenges to analyzing such data and producing up-to-date audit documentation, such as AI's inability to perform actions or controls independently and its lack of ability to make moral or ethical judgments (CPA Canada & AICPA, 2020). The challenges posed by AI, coupled with the inherently risk-averse nature of auditors, particularly audit partners facing potential litigation risks, highlight the significant influence of tone at the top in shaping audit firm culture. This risk aversion may contribute to auditors' reluctance to adopt a new and relatively unproven technology such as AI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».