近日，南京审计大学党委常委、副校长任志成带队，计算机学院副院长朱翼及学院负责人、教师骨干一行，莅临集团参观考察。集团董事长张海军以及薛广厦、薛海浩、徐忠、傅波海等高层陪同接待。

按照惯例，这类交流通常是：介绍公司，参观展厅，合影三部曲。但这一次聊得有点不一样，大半时间都花在了几个很具体的技术问题上。

我们把其中值得公开的部分整理出来，分享给同样关心AI审计落地的伙伴们。

第一个问题：数据到底该怎么存？

交流中，双方花了不少时间讨论湖仓一体（Lakehouse）。

湖仓一体的价值有两层：

l 减少数据重复存储，同一份数据服务多种用途；

l 保留完整的血缘关系，从最终报表可以一路倒查到原始凭证。

对审计而言，第二点几乎是刚需。审计结论的可信度，取决于它能被回溯到什么程度。一个说不清来源的数字，在审计意见里是没有分量的。

这也是我们在做数据体系标准化时，把架构选型放在功能开发之前的原因。

第二个问题：AI 在系统里应该以什么形态存在

另一个讨论得比较深的话题是智能体与数字员工。

现在很多系统做AI，做法是加一个对话框：你问它答。这种形态在审计场景里价值有限，因为审计工作不是问答，是流程。

我们更倾向的方向是：把AI按岗位而不是按功能来部署。

也就是说，不是给系统加一个AI助手，而是让AI承担一个具体岗位的具体职责，比如资料初审岗、台账核对岗、异常筛查岗。它有明确的输入、产出和交接对象，像一个真实的员工那样嵌进流程。

但这个方向立刻会撞上一个问题，交流中双方都提到了：权限和数据安全。

真人员工有权限边界，数字员工也必须有。哪些数据它能看，哪些结论它能出，哪些动作必须转人工，如果这些边界不先划清楚，那数字员工就是个安全隐患，不是效率工具。

在审计这个对数据敏感度极高的场景里，权限设计的优先级不低于能力本身。

第三个问题：大模型很好，但审计的数据不能出门

这是全场讨论时间最长的一个问题。

审计接触的是一个单位最敏感的资料，不论是账套、合同、凭证还是未公开的项目信息。这些文件在绝大多数单位，是不能上传到外部服务器的。

而现在主流的大模型能力，基本都以云端 API 的形式提供。对普通企业来说这或许可以接受，但对审计单位来说，数据一旦出内网，责任就说不清了。

更麻烦的是，这是一个很难察觉的风险。一个审计员为了方便，把合同贴进某个在线工具里让它总结，这个动作可能已经构成了泄密，但不会有任何系统警告他。

AI在审计场景真正的风险，不是它判断得不准，是它把东西带出去了。

交流中，双方比较认同的方向是：把模型搬进来，而不是把数据送出去。

比如轻量级的本地化部署。但本地能跑的模型，参数量和能力上限都是不可能和云端千亿级模型相比的。所以取舍就变成了：

l 哪些任务必须交给大模型？

l 哪些任务用轻量方案就够了？

也正因为如此，"用尽可能小的模型，做尽可能准的审计判断"，成了双方都认为最值得投入的研究方向。

通过本次交流，了解到南审计算机学院在人工智能、数据统计、架构设计、数据库等方向已有积累，自主开发了多个技术平台，并在持续研究大模型应用、AI盒子开发。学院近期还引进了一批深耕语音、图像、文本方向的教师。

老师们提出：希望把各自的研究方向与智能审计紧密结合，依托真实业务场景实现落地转化。

这正是校企之间最健康的合作逻辑。

同时，学院也希望企业在课程建设、实习实训、学生培养基地方面提供支持；双方还就软件评估、网络安全测试、人员培训、技能竞赛等方向探讨了合作可能。

交流中双方也谈到一个共同的观察：行政事业单位这类小型内审单位，长期处在需求真实存在、但工具供给不足的状态。单个项目预算有限，人手也少，往往一个人要覆盖财务、工程、经济责任等多个方向。

这类单位不需要复杂的大平台，需要的是能直接减轻具体某个环节负担的工具。这也是我们判断本地化、轻量化路线更合适的原因之一。