Verfügbarkeit von KI-Tools und ihre Auswirkungen auf den Prüfungsprozess

In diesem Papier modellieren wir die Interaktion zwischen einem Wirtschaftsprüfer und einem Kundenunternehmen. Der Manager des Kundenunternehmens kann entweder wahrheitsgemäß berichten oder Betrug begehen. Der Prüfer muss eine zweistufige Prüfung planen, die es ermöglicht, Betrug aufzudecken. In der ersten Stufe wird ein KI-Tool eingesetzt, das ein Signal über die Qualität des internen Kontrollsystems (IKS) des Kunden liefert. Durch die Einstufung des IKS als schwach oder stark ändert das Signal die Erwartungen des Prüfers hinsichtlich der Betrugswahrscheinlichkeit des Kunden. In der zweiten Phase entscheidet der Prüfer über seinen Prüfungsaufwand in Abhängigkeit von den durch die AI bereitgestellten Informationen. Vergleicht man die KI-Situation mit einer Benchmark-Situation ohne KI-Einsatz, so stellt man fest, dass der Einsatz des KI-Tools die Anreize des Managers, Betrug zu begehen, verringert. Gleichzeitig wird der Gleichgewichtsaufwand des Prüfers reduziert. Infolgedessen bleibt die Wahrscheinlichkeit, dass tatsächlicher Betrug aufgedeckt wird, unverändert. Wir erweitern unser Modell und lassen zu, dass das KI-Tool so angepasst werden kann, dass es sich entweder auf die Aufdeckung des schwachen IKS, des starken IKS oder auf beide gleichermaßen konzentrieren kann. Wir stellen fest, dass die KI-Spezifikation, die die Ex-ante-Wahrscheinlichkeit für Betrug minimiert, nicht unbedingt mit der Spezifikation übereinstimmt, die die Prüfungskosten minimiert. Daraus folgt, dass vom Prüfer, der für die Anpassung der KI zuständig ist, nicht unbedingt erwartet werden kann, dass er dies in einer Weise tut, die Betrug minimiert.
Dieser Text wurde mit DeepL übersetzt am 26.02.2026

Availability of AI tools and their effect on the auditing process

In this paper we model the interaction between an auditor and a client firm. The client firm’s manager can either report truthfully or commit fraud. The auditor needs to plan a two stage audit that allows to detect fraud. In the first stage an AI tool is employed that provides a signal about the quality of the client’s internal control system (ICS). Classifying the ICS as weak or strong, the signal alters the auditor’s expectations regarding the client’s fraud probability. In the second stage, the auditor decides about her audit effort conditional on the information provided by the AI. Comparing the AI setting to a benchmark setting without AI use, we find that employing the AI tool reduces the manager’s incentives to commit fraud. At the same time it reduces the equilibrium effort provided by the auditor. As a consequence, the probability that actual fraud is detected remains unchanged. We extend our model and allow the AI tool to be customized such that it can either focus on detection of the weak ICS, the strong ICS, or on both equally. We find that the AI specification that minimizes ex ante probability for fraud not necessarily coincides with the specification that minimizes auditing costs. It follows that the auditor in charge of customizing the AI cannot necessarily be expected to do so in a fraud minimizing way.