公認会計士試験合格おめでとうございます！
試験で養われた幅広い知識と自己管理や時間配分、試験戦略など工夫した経験は今後様々なところで役に立ちます。自信を持ってください。そして、これまでは試験科目という限定された分野でかつ試験対策のための勉強を迫る試験日のプレッシャーの中行う日々だったと思いますが、今後は知的好奇心の赴くままに好きなことを自由に勉強できます。
このリレーメッセージでは様々な執筆者が寄稿していますが、そこからもわかるように、会計士試験合格者のキャリアは多様です。私は、現在は事業会社で研究開発やマーケティングのデータ分析をしています（一般的な試験合格者のキャリアパスから大きく外れています）。
私が皆様にお伝えできることはほとんどないのですが、一つだけ伝えるとすれば、公認会計士試験合格はキャリアを縛るものではないということです。もちろん、公認会計士試験合格を活かすほうが断然お得ですが、それに縛られず自由に挑戦していって自分の思い描く"プロ"になってください。
このブログはてりたま先生企画＜【祝・合格🎊】X会計士界隈から論文式試験合格者の皆さんへのリレーメッセージ＞の#24 の記事として寄稿させていただきました。 明日は、楢木 毅/公認会計士/CFO 先生)です。お楽しみに！ ちなみに、楢木先生がCFOをされているTruffle BAKERYの白トリュフの塩パンが私の嗜好にストライクで、お店を伺ってきました。美味しかったです！
...
はい！、今ここに残っている方は、タイトルの内容が全然書かれていないぞと気になった職業的懐疑心の持ち主か、AIやデータサイエンスに興味を持っている方でしょう。
それでは、監査法人におけるAIやデータ分析に関連した業務について、監査法人に勤めていた時を思い出しつつ、最近のAI分野の状況も踏まえてお話しします。監査法人でAIやデータ分析に関わりたい方の参考になれば幸いです。（1つくらいこういうニッチなメッセージがあってもいいですよね！）
監査におけるAIやデータサイエンスとは?
監査でAIやデータサイエンスがどのようなところで使われているかをざっくり調べるために、KAM（監査上の主要な検討事項）のデータをEDINETから取得し、自然言語処理と生成AIで要約しました（手法は[注1]）。（長いのでプルダウンを展開してください）
ある程度の例は取ってこれたと思います。 一方で、「工事進捗度予測ツール」など筆者が認識しているものが漏れてしまっているため網羅性はありません。また、監査サンプリングは統計学を応用しているものの表立ってAIやデータサイエンスが使われていません。 ちなみに、EYさんの事例が多めですが、KAMへ積極的に記載しているようなので、必ずしも導入の多さを意味するわけではありません。[注2]
また、このリレーメッセージを企画されたてりたま先生のブログも非常に参考になります。
note.com
結論: 監査法人でAIやデータサイエンスの業務をするには?
公の場では監査法人はどこも「AIやデータサイエンスの活用が進んでいる！」のようなアピールをしています。しかし、実際にこれらが監査するアサーション（監査要点）に適合し、意見形成や指摘事項（指導）の発見に貢献できているかというとそのようなケースはあまり多くはないのではないかと思います。
ここで結論を書いてしまいますが、監査へのAIやデータサイエンスの応用は、以下3つの要因に大きく左右されます。
1. 分析ツールや分析環境の有無
2. クライアントの事業との相性やデータ品質
3. 現行基準との相性と周囲の理解
一言でまとめると、配属される監査チーム（とクライアント）に強く依存します。
来年度入社でこの方向でキャリアを検討されている方は、人事の方に相談してみることを推奨します。
以下では、これら3つの要因について詳しく説明していきます。
要因 1. 分析ツールや分析環境
ここに記載している事項は筆者の想像を多く含んでいます。
1.1. 監査法人で開発した共通分析ツールを監査チームが利用
監査法人としてAIやデータ分析の共通分析ツールを開発しています。監査法人が自身のホームページ等で紹介しているような監査へのAI活用の取り組みの多くはこのケースに該当すると思います。
共通分析ツールはBIと似ています。BIは、データを読み込ませると、自動で集計、可視化、UIが作成できるツールです。 監査チームのメンバーは共通分析ツールから提供された集計や可視化から、異常がないか等を見て監査に利用します。 集計や可視化では、着目する変数を指定したりすることで、監査人独自のデータを見る切り口で分析することができます。もちろん、データを見る切り口は業界である程度共通ですが、クライアントの事業形態によって柔軟に変えると良いでしょう。 このようなツールの導入は、私が監査法人に入所した6年前頃でも各法人ですでに盛んに行われているようでしたので、現在では導入できるところには導入されていることでしょう。 監査チームメンバーとして共通分析ツールを用いる作業を担当することで、使うことができます。
最近の状況は詳しくわかりませんが生成AIツールも共通分析ツールの一つとして提供されているようです。[注3]
一方で、このような共通分析ツールでは、予めツールに実装されていない分析はできませんので、次の1.2や1.3のような環境で独自に開発する必要があります。
1.2. 監査チーム内で自分で開発する場合
自分で分析する場合、pythonやR等のプログラム言語が利用できる環境が必須です[注4]。 作業用のPCはセキュリティのために、自由にツールを入れることは基本的にできないと思いますので、依頼して自身のPCにインストールするか、ツールがインストールされた別のコンピュータ環境（別のパソコンか仮想環境）を作成してもらいます。 環境を用意してもらう場合には監査チームの主任や所属部署のパートナー、環境管理部署の承諾を得る必要があるでしょう。
1.3. 監査チームがAIやデータ分析を内部専門家に依頼または共同開発する場合:
監査における内部専門家の利用として分析者と共同で進める場合で、事業会社の分析業務でよくある形になります。
基本的に分析者に手を動かしてもらいます。監査チームでは提供された分析結果を評価して監査証拠として利用します。
手を動かすのが分析者であるだけで、分析内容や結果の評価は監査チーム担当者が行うため、AIやデータ分析の知識を使用します。
監査チーム側の担当者として関わることができますが、監査やクライアント、分析に関する知識がある程度ないと、任せきりになってしまいがちです。
分析環境を申請したりAIやデータ分析関連の監査要点を担当するには、周りの協力が必要ですので、配属される監査チーム次第というところがあります。
要因 2. クライアントの業態との相性やデータ品質
2.1. クライアントの業態との相性
監査におけるAIやデータ分析の活用しやすさは、クライアントの業態によって影響されます。
AI・機械学習では、データのばらつきを活かした分析を行います。つまり、分析対象が多くの項目から構成されている必要があります。 例えば、KAMの例に挙がっていたガス販売量や検針データの分析が有効なのは、これらが多数の販売先に関するデータだからです。 逆に、売上が数件の大口取引で構成される場合、それらをしっかり検証すればよく、AI・機械学習のメリットを活かせません。
加えて、AI・機械学習では、分析対象の観点を特徴量として、特徴量同士の関係や予測対象と特徴量の関係の考えられる仮説の中から有力な仮説を学習します。
KAMの例では、得意先別、営業所別、構成区分別の売上高のように売上高データに（得意先、営業所、構成区分）といった観点が与えられていたり、与信先に財務情報、業種、支店、地域などの観点が付けられています。 このように、観点の数が多いほど、さまざまな組み合わせの仮説が考えられ、機械学習を活かすことができます。
一般的には以下のようなクライアントではAI・機械学習を活かしやすいでしょう。
- 顧客の数が多い（例えば消費者向けのサービス）
- 同じ事業を長期間行っている
- 会社の事業が多様（勘定科目の種類が豊富）
- 事業拠点（子会社、SPC、店舗）がたくさんある
2.2. クライアントのデータ品質
2.1で説明したような事業であっても、これらの事業のデータが保管されていなければ監査で活用することはできません。
そして、クライアントのデータを分析して監査で利用するためには、データが信頼できる必要があります。
監査では検討対象の偏りや完全性に気を配ります。内部統制の検証であれば収集したデータが目的のデータの母集団に対して異なる選択バイアスを持っていたり、財務諸表監査であれば収集したデータが検討対象の会計金額（実在性の場合）や候補集合（網羅性の場合）の全体になっていなかったりすると、監査に利用しづらいです。
一方で、クライアントのデータ品質は、そのクライアントのデータへの投資状況に大きく依存します。例えば、データ活用に積極的な企業であれば、一元化されたデータベースを作って管理しています。そうでない企業では、データは各部署あるいは担当者が個別に管理されており（いわゆるサイロ化状態）、データを収集するのが大変になってしまいます。近年は生成AIにより自然言語処理が発展し、稟議書や契約書などの案件に関する自然言語データの活用が期待されるものの、自然言語データがデータベース等でしっかり管理できている会社はまだまだ少ない印象です。
クライアント自身がこれらのデータを利用するのに膨大なリソースを割かないといけない状況では監査への応用は難しいと思います。
要因 3. 現行基準との相性と周囲の理解
個人的にはこれが一番重要で悩ましい問題と思っています。
現行の会計や監査の基準において、AIやデータ分析を要求されるケースはほとんどありません。また、基準はAIやデータサイエンスの実施を前提としていません。
現行の基準の枠組みで運用できない場合も出てきてしまいます。
例えば、日本基準を前提に、異常検知で分析した結果いくつかのデータが「通例でない取引」に該当すると解釈できる場合には、「不正による重要な虚偽表示の兆候」としてしっかりと対処する必要があります。異常検知の精度が十分に高くないと、誤検出を多く出してしまい監査人のリソースを浪費してしまうため、現行の監査の基準の要求に耐えられません。
世間一般ではAIは効率化のツールとして利用されることが多いですが、監査の文脈ではあまり効率化として用いられることはありません。
効率化の代償として少しでも品質が落ちてしまうことを恐れているからでしょう。あくまで補完の位置付けで、要求水準の手続に追加する形で分析が行われることがほとんどの印象です。
例えば、AIで取引データに対して虚偽表示確率を予測している場合に、それを補助変数とすることで無作為に選ぶ場合よりも母集団の虚偽表示額を精度高く見積もることができます。これは、言い換えると、補助変数を用いるサンプリングであればより小さいサンプルサイズで目標とする信頼度を達成できるわけですが、このロジックでサンプルサイズを小さくしている例は聞いたことがありません。[注5]
監査サンプリングは外部検査の指摘事項として取り上げられることが多いため、監査基準に準拠した方法を採用するのが無難という判断になるのでしょう。
その結果、AIやデータサイエンスの分析結果から抽出されるサンプルは特定項目抽出の対象として整理して、残余集団について統計的サンプリングを適用し、結果的に、合計のサンプルサイズは大きくなってしまいます。
このように現行の基準との相性がいまいちである一方で、監査の現場は人手に余裕がありません。なぜAIやデータサイエンスの分析が必要なのか理解が得られないと、時間を割くことが難しいでしょう。クライアントに対しても、分析に割いた時間も監査にかかった時間としてクライアントが負担することになるため説明が必要です。
その上、監査チームの主任、パートナー、審査担当者、クライアントで、AIやデータ分析に精通した人材は少なく、関係者の理解を得ることは容易ではありません。
一方で、クライアントの内部監査部や監査役は世間のAIへの期待を反映して、これらの取り組みを高く評価する場合があります。すると、クライアントへの価値提供を重視する監査法人や監査チームでの理解も得られやすく、断然取り組みやすくなります。
このように、 現行基準との相性や周囲の理解も監査チームへの分析導入を左右する大きな要因となっています。
（おまけ）経験談
以上、監査法人でAIやデータサイエンスの業務をする際のポイントについてお話ししましたが、最後に私のケースを簡単にご紹介します。
学生の時の研究でデータ分析経験があったこともありますが、アサイン希望にとても柔軟に対応していただきました（大変ありがたかったです）。
金融系クライアントの多い部署で主に上場企業2社を担当しました。うち1社は、私がアサインされる前から監査へのデータ分析の活用が進んでおり、クライアントからも監査法人からも分析への期待があり、非常にやりやすいチームでした。
消費者向けビジネスなので取引が多く、またそれに関連する会計上の見積もりが必要な科目が複数ありました。会計上の見積もりではAIが使用されており、そのAI及びAIの予測の監査ではベイズ統計モデリング、説明可能AI、感度分析といった当時では最先端の応用ができました。
そこでは1.1の共通ツールに加え、1.2のような独自の分析環境が用意していました。さらに、1.3に書いたように専門家の利用として分析担当者もアサインしていましたが、私も一緒に分析作業もさせてもらいました。データの品質も高かったです。その結果、分析も監査要点に対応していて、意見形成への貢献度が高い取り組みができていました。
もう1社はというと、事業者向けビジネスで契約や事業拠点が多くあったため、クラスタリングや異常検知の分析を行いました。そこでも1.1. のような分析の共通ツールの導入はでき、私自身にも1.2.のような環境を用意してもらい独自の分析を行っていました。しかしながら、リソース、データ品質、周囲からの関心の低さゆえに、深い導入まではできていませんでした。
あとは会計監査ではないのですが、AIやデータサイエンス関連のコンサルティング業務にも一部関わらせていただきました。
まとめ
監査へのAIやデータサイエンスの活用はチャレンジングな領域です。どこまで活用できるかは周りの環境に大きく左右されてしまいます。
一方で、AIやデータ分析で何の監査要点を解いているのか考えることで、監査と技術の双方への理解が深まります。興味がある方は、ぜひ挑戦してみてください。
読んでいただきありがとうございました。
注
[注1] KAM分析手順
①報告されている会計期間の期末が2023/4/1〜2024/3/31の有価証券報告書提出会社（第3号様式）3,841社の連結の監査報告書（4,656個のKAM）について、EDINETのAPIから取得し、Arelleでパースし、以下タクソノミで監査上の対応テキストを抽出します（一部はタクソノミが誤っていて抽出できないため手作業で抽出しています泣）。
aud_res_taxonomy_list = [
'AuditorsResponseKAMConsolidatedTextBlock',
'AuditorsResponseKAMNonConsolidatedTextBlock'
'AuditorsResponseContinuedKAMConsolidatedTextBlock',
'AuditorsResponseContinuedKAMNonConsolidatedTextBlock',
'AuditorsResponseContinued2KAMConsolidatedTextBlock',
'AuditorsResponseContinued2KAMNonConsolidatedTextBlock',
]
Arelleを用いたXBRLデータのパースまでの流れを知りたい方は以下が参考になると思います。一緒にPyはじを執筆させていただいたかばにゃす先生が著者の一人です。 techbookfest.org
②監査上の対応テキストをSudachiでトークン化し、LDA (Latent Dirichlet Allocation)で400個のトピックに分解します。 構成単語に分析関連ワードが含まれているトピックを抽出し、監査上の対応テキストのうち、それらのトピックのスコアが0.1以上のものを抽出します（179件）。
keyword_list = ["機械学習","データ分析","AI","ツール"]
③GPT-4o-miniを用いて、これらの監査上の対応テキストから、監査人がAIやデータサイエンスを利用している手続を以下プロンプトで抽出します。OpenAIのBatch APIで1.5円くらいです笑（安く済むなら②で絞らずにもう少し網羅してもよかったです）。
提供された文章に記載された事項から、監査人が行う監査手続にAI・機械学習、統計学、データサイエンスの手法を用いられているケースを抽出してください。 #### 注意事項 * できるだけ文章中の記載をそのまま引用してください。 * ない場合は{"ケース":"なし"}と回答してください。 #### 回答形式 フォーマットは個別のjson形式で回答してください。 {"ケース":"(ケース1)"} {"ケース":"(ケース2)"} #### 文章 ${ここに監査上の対応テキストを挿入} #### 回答
④ Claude 3.5 Opsで要約
提供された手続一覧のうちAIやデータサイエンスの手法を用いている手続をいくつかのトピックに整理してください。 重複しているものを除き、できるだけ元の文章を残してください。 改行は<br>で表記してください。 引用する際は、引用部分を「」で囲み、以下のフォーマットで引用元を明示してください。 #### 引用フォーマット 「引用部分」((出典: XX監査法人(20XX) 独立監査人の監査報告書及び内部統制監査報告書 XX会社)) #### 手続一覧 ${③の出力に出典情報をつなげたものを改行区切りで結合してここに挿入}
[注2]
例えば、こちらではKAMへの記載を導入実績としており、KAMに分析関連の内容を積極的に記載するインセンティブが働いている可能性があります。
[注3]
以下に参加してそんな話を聞いてきました（資料が非公開なので具体的な内容はここに書きません）。ちなみに、2025年の2月の開催も検討しているようです。 www.carf.e.u-tokyo.ac.jp
[注4]
監査法人で使うExcelでpythonが利用できるようになれば、環境を作らなくてもある程度の分析ができるようになると思います。しかしながら、一時的にMicrosoftのクラウド環境にデータを転送して実行するようなので、そのままでは利用できない可能性もあります。
[注5]
補助変数を用いた監査サンプルサイズの削減については、以下の4.7.3で具体例が説明されています。 koenderks.github.io
以下はKAMの出典です
*1:出典: 有限責任監査法人トーマツ(2023) 独立当監査法人の監査報告書及び内部統制監査報告書 ヤマシタヘルスケアホールディングス株式会社
*2:出典: EY新日本有限責任監査法人(2023) 独立当監査法人の監査報告書及び内部統制監査報告書 ユーピーアール株式会社
*3:出典: 東邦監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 京葉瓦斯株式会社
*4:出典: EY新日本有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 日本マクドナルドホールディングス株式会社
*5:出典: EY新日本有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 ダイワボウホールディングス株式会社
*6:出典: 有限責任監査法人トーマツ(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 静岡ガス株式会社
*7:出典: PwC Japan有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 株式会社エプコ
*8:出典: EY新日本有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 株式会社安川電機
*9:出典: EY新日本有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 株式会社琉球銀行
*10:出典: 太陽有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 株式会社松屋
*11:出典: 有限責任監査法人トーマツ(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 ＮＩＳＳＨＡ株式会社
*12:出典: 有限責任 あずさ監査法人(2023) 独立当監査法人の監査報告書及び内部統制監査報告書 サンネクスタグループ株式会社
*13:出典: 有限責任監査法人 トーマツ(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 京極運輸商事株式会社
*14:出典: 仰 星 監 査 法 人(2023) 独立当監査法人の監査報告書及び内部統制監査報告書 株式会社ジェイテックコーポレーション
*15:出典: PwC Japan有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 株式会社Ｊストリーム
*16:出典: EY新日本有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 株式会社南日本銀行
*17:出典: EY新日本有限責任監査法人(2024) 独立当監査法人の監査報告書及び内部統制監査報告書 尾家産業株式会社
