TL;DR: A inteligência artificial está sendo progressivamente adotada na auditoria, com foco inicial em ferramentas simples para ganhos de eficiência, enquanto IA mais complexa ainda está em fase experimental. A implementação enfrenta desafios significativos como falta de transparência, qualidade dos dados, viés algorítmico e necessidade de capacitação, mas oferece oportunidades para melhorar a qualidade e focar em análises estratégicas. O equilíbrio entre a tecnologia e o julgamento profissional humano é fundamental para uma adoção bem-sucedida e responsável.

Takeaways:

• A adoção de IA na auditoria varia, com “IA simples” (OCR, extração de dados) sendo mais comum que “IA complexa” (deep learning, IA generativa), ainda em fase de testes.
• Os principais desafios incluem a falta de transparência e explicabilidade dos algoritmos, a qualidade e padronização inconsistente dos dados, o risco de viés e a necessidade de pessoal qualificado.
• A IA oferece oportunidades de aumentar a eficiência automatizando tarefas repetitivas (via RPA, por exemplo), melhorar a precisão na detecção de anomalias e fraudes, e liberar auditores para focarem em julgamento e análise estratégica.
• A confiança dos profissionais e a integração eficaz dependem de equilibrar a automação com a supervisão e o julgamento humano, além de abordar preocupações éticas como privacidade e justiça.

Desafios e Oportunidades da Inteligência Artificial na Auditoria: Evidências do Campo

Introdução

A crescente digitalização dos processos tem impulsionado a integração de tecnologias inovadoras, como a inteligência artificial (IA), em diversas áreas, inclusive na auditoria. Grandes empresas de contabilidade pública vêm investindo em soluções de IA para aprimorar a análise de dados e a detecção de anomalias, o que vem transformando os métodos tradicionais de auditoria. Esse cenário de transformação digital tem gerado debates sobre os benefícios e desafios que acompanham a adoção dessas tecnologias.

A distinção entre “IA simples” e “IA complexa” tem se mostrado central nesse contexto, pois enquanto as ferramentas simples – como extração de dados e reconhecimento óptico de caracteres (OCR) – já são amplamente utilizadas, as soluções mais sofisticadas, que incluem deep learning e IA generativa, ainda estão em fase experimental. Paralelamente, a automação de processos administrativos por meio de RPA (Robotic Process Automation) tem permitido ganhos de eficiência, embora seu uso específico na auditoria ainda seja limitado. Essa dualidade evidencia tanto as potencialidades quanto as restrições atuais no uso da tecnologia aplicada à contabilidade.

Neste artigo, serão abordados de forma didática os principais aspectos da adoção de IA em auditoria, incluindo a implementação em empresas de contabilidade pública, os desafios técnicos e éticos, as oportunidades de melhoria dos processos e as percepções dos profissionais da área. Ao discutir cada um desses pontos, o texto busca oferecer uma visão clara e detalhada do estado atual dessa transformação. A seguir, são apresentados os tópicos que fundamentam as evidências do campo, criando um panorama que une conceitos técnicos e práticos.

Adoção de IA em Empresas de Contabilidade Pública

Grandes empresas de contabilidade pública têm experimentado a integração de ferramentas de IA para aprimorar seus processos internos e a análise de dados. Essa adoção é motivada pela necessidade de agilizar tarefas repetitivas e melhorar a precisão na interpretação das informações financeiras. Assim, a tecnologia passa a ser uma aliada importante no monitoramento contínuo dos processos e na redução de erros operacionais.

As tecnologias classificadas como “IA simples”, que englobam métodos de extração de dados, OCR e processamento básico de linguagem natural, já são amplamente implementadas. Esses sistemas ajudam a coletar e organizar grandes volumes de dados, facilitando o trabalho dos auditores e possibilitando uma análise mais rápida das informações. Dessa forma, eles propiciam uma automação inicial dos processos, contribuindo para a eficiência administrativa.

Por outro lado, as soluções de “IA complexa”, como redes neurais de deep learning e modelos generativos, estão em fase de desenvolvimento e experimentação. Enquanto o RPA, por exemplo, já é utilizado para automatizar processos administrativos repetitivos, a aplicação dessas tecnologias em tarefas próprias da auditoria ainda é vista com cautela. Essa distinção evidencia o estágio evolutivo atual da IA na área, onde inovações mais avançadas ainda aguardam uma implementação em larga escala.

Desafios na Adoção de IA

Entre os principais desafios para a adoção de IA na auditoria, destacam-se a necessidade de garantir transparência e explicabilidade dos algoritmos. Sem uma compreensão clara de como os modelos operam, os auditores podem ter dificuldades em confiar plenamente nos resultados gerados pela tecnologia. Essa falta de clareza pode comprometer a confiabilidade dos processos e dificultar a validação dos achados técnicos.

Além disso, o viés algorítmico e a privacidade dos dados se apresentam como obstáculos significativos. Se os dados utilizados para treinar os modelos não forem completos ou representativos, o risco de resultados enviesados aumenta, impactando a legitimidade das auditorias. Tais preocupações ressaltam a importância de desenvolver mecanismos que assegurem a imparcialidade e a segurança na manipulação das informações.

Outro desafio relevante é o temor de que os auditores se tornem excessivamente dependentes das ferramentas de IA, delegando parte do seu julgamento para os algoritmos. Essa questão, aliada à ausência de diretrizes específicas e de padrões regulatórios, reforça a necessidade de um equilíbrio entre a automação e a intervenção humana. Dessa forma, o uso da IA precisa ser complementado por um acompanhamento rigoroso e por uma atualização contínua dos profissionais.

Oportunidades na Implementação de IA

A implementação de soluções de IA na auditoria representa uma oportunidade para melhorar a qualidade e a eficiência dos processos, reduzindo custos e aumentando a precisão das análises. Ao automatizar tarefas repetitivas, a tecnologia libera os auditores para se concentrarem em aspectos estratégicos e na interpretação dos dados obtidos. Essa melhoria não só potencializa o controle interno, como também fortalece a capacidade de identificar fraudes e anomalias.

Outra oportunidade reside na possibilidade de integrar práticas responsáveis de IA nos processos de auditoria. Empresas que adotam essas tecnologias podem desenvolver mecanismos de governança que assegurem o uso ético e transparente dos algoritmos, além de promoverem uma cultura de inovação alinhada aos interesses dos clientes. Essa abordagem contribui para o estabelecimento de padrões que orientem o uso seguro e eficaz da IA na área contábil.

Por fim, os gerentes e líderes de empresas de contabilidade têm a chance de aprender sobre as novas ferramentas e métodos de auditoria baseados em IA. Esse conhecimento facilita a avaliação dos riscos e das oportunidades decorrentes do uso das tecnologias, permitindo uma adaptação mais rápida às mudanças do mercado. Assim, a oportunidade de implementar a IA de maneira responsável pode ser um diferencial competitivo e um avanço na prestação de serviços de auditoria.

Tecnologias de IA e Suas Aplicações

A inteligência artificial abrange um conjunto diversificado de tecnologias que podem ser aplicadas de maneira complementar para aprimorar a auditoria. O aprendizado de máquina (ML), por exemplo, é utilizado para prever comportamentos futuros e detectar padrões atípicos que indicam potenciais riscos. Essas capacidades permitem uma análise mais abrangente e contínua dos dados, contribuindo significativamente para a identificação de irregularidades.

A automação robótica de processos (RPA) é outra tecnologia essencial, empregada para automatizar tarefas repetitivas e burocráticas que tradicionalmente demandam tempo dos profissionais. Por meio de RPA, atividades como a coleta de dados, a geração de relatórios e a verificação de registros podem ser realizadas de forma mais rápida e com menor probabilidade de erro humano. Essa automação eficiente representa um avanço importante na transformação digital da auditoria.

O processamento de linguagem natural (NLP) também desempenha um papel crucial, ao possibilitar a extração de informações relevantes de documentos extensos e variados. Com essa tecnologia, ferramentas de IA conseguem analisar contratos, demonstrações financeiras e outros relatórios escritos, transformando dados textuais em insights práticos para os auditores. A combinação de ML, RPA e NLP potencializa a capacidade analítica das ferramentas e contribui para um processo de auditoria mais inteligente e integrado.

Níveis de Adoção de IA na Auditoria

Pesquisas recentes demonstram que os níveis de adoção de IA na auditoria variam significativamente entre as empresas de contabilidade pública. Enquanto algumas organizações já utilizam a tecnologia para identificar anomalias e detectar fraudes de forma automatizada, outras ainda enfrentam desafios na integração completa dessas soluções em seus processos. Essa heterogeneidade reflete as diferentes abordagens e investimentos realizados no campo da auditoria.

Em muitos casos, a implementação de IA tem sido priorizada para atividades internas, como a automação de processos administrativos e o uso de técnicas de OCR para revisão de documentos. No entanto, a aplicação direta da IA em auditoria de clientes, especialmente em áreas que demandam uma compreensão contextual complexa, permanece em estágio preliminar. Essa realidade evidencia a necessidade de adaptações que viabilizem o uso completo da tecnologia em todos os níveis da prática de auditoria.

De maneira geral, as inovações, como o emprego de OCR para revisão de contratos e a realização de benchmarking com base em dados públicos, demonstram que o uso de IA pode ser ampliado progressivamente. As variações nos níveis de adoção, influenciadas por questões regulatórias e pela necessidade de salvaguardas adicionais, apontam para um futuro em que essa tecnologia será cada vez mais integrada aos processos de auditoria, proporcionando ganhos tanto em qualidade quanto em eficiência.

Barreiras para a Implementação de IA

Uma das barreiras mais significativas para a implementação de IA na auditoria é a inconsistência nos formatos dos dados fornecidos pelos clientes. Essa falta de padronização dificulta a integração e o processamento automatizado das informações, comprometendo a eficácia das ferramentas de IA. A qualidade dos dados é, portanto, um fator crítico para o sucesso das aplicações tecnológicas na área contábil.

Além disso, dados incompletos ou de baixa qualidade, bem como o potencial viés algorítmico, representam riscos que podem afetar a acurácia das análises realizadas. A ausência de uma infraestrutura de IA escalável que suporte volumes elevados de dados empurra as empresas a buscar soluções alternativas ou a depender de ferramentas prontas para uso, o que pode limitar a customização e a precisão dos resultados. Esses desafios técnicos reforçam a necessidade de investimentos em sistemas mais robustos e na melhoria contínua dos dados disponíveis.

A falta de pessoal treinado e capacitado para operar essas novas tecnologias também constitui uma barreira relevante. Muitos profissionais encontram dificuldades para interpretar e aplicar os resultados gerados pelos sistemas de IA, o que, juntamente com a necessidade de personalização das ferramentas para diferentes setores, torna o processo de implementação ainda mais complexo. Superar essas barreiras dependerá, em grande parte, de investimentos em treinamento e no desenvolvimento de uma cultura organizacional voltada para a inovação tecnológica.

Percepções dos Profissionais de Auditoria

Os profissionais de auditoria têm demonstrado uma preocupação crescente com a integração das ferramentas de IA em seus processos. Para eles, o talento humano qualificado é indispensável para interpretar os resultados produzidos pelos algoritmos e garantir que o julgamento profissional continue sendo o pilar da auditoria. Essa combinação entre tecnologia e expertise humana é vista como a melhor estratégia para alcançar resultados confiáveis e precisos.

Ao mesmo tempo, a confiança nas tecnologias de IA é frequentemente abalada pela falta de transparência em seus processos internos. Muitos auditores apontam que não participar do desenvolvimento dessas ferramentas dificulta a compreensão do funcionamento dos algoritmos, o que gera insegurança quanto à precisão dos resultados. Essa lacuna entre a inovação tecnológica e o conhecimento específico dos profissionais evidencia a necessidade de um maior envolvimento dos auditores na criação e implementação dessas soluções.

Por fim, questões éticas, como a proteção da privacidade dos dados, a justiça na utilização das informações e a autonomia no uso dessas tecnologias, também são pontos de destaque nas percepções dos profissionais. Eles acreditam que, para que a IA seja plenamente adotada na auditoria, é crucial estabelecer diretrizes e práticas que promovam não apenas a eficiência, mas também a responsabilidade e a transparência no uso dessas ferramentas.

Conclusão

Em síntese, a adoção da inteligência artificial na auditoria revela um cenário repleto de potencialidades, mas também de desafios significativos. O uso de tecnologias simples e complexas pode aprimorar a qualidade e a eficiência dos processos, desde a automação de tarefas até a identificação de fraudes. No entanto, para que esses avanços sejam consolidados, é necessário superar barreiras técnicas, regulatórias e éticas.

A análise dos fatores que influenciam a implementação de IA evidencia a importância do equilíbrio entre inovação tecnológica e a manutenção do rigor dos padrões de auditoria. Aspectos como a transparência dos processos, a padronização dos dados e a capacitação dos profissionais são fundamentais para que a tecnologia complemente, e não substitua, o julgamento humano. Esse equilíbrio é crucial para o desenvolvimento de práticas responsáveis e seguras.

Por fim, o futuro da auditoria com o apoio da IA depende do comprometimento das empresas e dos reguladores em investir em treinamento, infraestrutura e diretrizes claras. Somente através de uma abordagem colaborativa e ética será possível aproveitar plenamente as oportunidades oferecidas pela inteligência artificial, garantindo um ambiente de auditoria mais robusto e confiável para todas as partes envolvidas.

Referências

• Issa et al., 2016
• Kokina and Davenport, 2017
• Almufadda and Ahmed Almezeini, 2022
• Boritz and Stratopoulos, 2023
• Fotoh and Lorentzon, 2021
• Munoko et al., 2020
• Samiolo et al., 2023
• Seethamraju and Hecimovic, 2022
• Lehner et al., 2022
• Zhang, Cho, and Vasarhelyi, 2022
• Fedyk et al, 2022
• Davenport and Miller 2022
• Davenport 2018
• Agrawal, Goldfarb, and Gans 2018
• Haq, Abatemarco, and Hoops 2020
• Moffitt, Rozario, and Vasarhelyi 2018
• Cohen, Rozario, and Zhang 2019
• Samson, Ellis, and Black 2023
• Davenport and Mittal 2022
• Fotoh and Lorentzon, 2022
• Cooper, Holderness, Sorensen, and Wood 2019
• Eulerich, Pawlowski, Waddoups, and Wood 2022
• Bakarich and O’Brien, 2021
• Kokina and Blanchette, 2019
• Kokina et al., 2021
• Deloitte 2023a
• ICAEW (2023a)
• Wilkinson 2024
• Perdana, Lee, and Kim (2023)
• https://ars.els-cdn.com/content/image/1-s2.0-S1467089525000107-gr1_lrg.jpg
• https://ars.els-cdn.com/content/image/1-s2.0-S1467089525000107-gr1.jpg
• Dodgson and Trotman 2022
• Eulerich et al., 2024
• Kim et al., 2017
• Doyle, McCabe, Keogh, Brady, and McCann (2020)
• Miles et al., 2014
• Creswell and Creswell, 2018
• Ammanath 2022
• ICAEW 2023b
• KPMG (2023)
• Lindquist, 2022
• Kreuzberger, Kühl, and Hirschl 2023
• Lee, Resnick, and Barton, 2019
• Roselli, Matthews, and Talagala, 2019
• Obermeyer et al. (2019)
• Ahmad et al. (2020)
• Liu et al. (2018)
• Falticeanu, Li, and Maliutin, 2022
• Elondou et al., 2023
• Davenport and Miller 2022
• Samiolo et al (2023)
• Arnold, Collier, Leech, and Rose 2023
• Ammanath 2022
• Saraswat et al 2022
• Pachamanova, Tilson and Dwyer-Matzky (2022)
• CAQ 2024
• https://artificialintelligenceact.eu/
• Financial Times 2023
• Wall Street Journal, 2023
• Hayes and Shah, 2017
• Chakraborti et al., 2019
• Mercado et al., 2016
• Kulesza et al., 2015
• Biran and Cotton, 2017
• Adadi and Berrada, 2018
• Lipton, 2018
• van der Waa et al, 2021
• Ribeiro, Singh and Guestrin, 2016
• Shapley, 1953
• Rozemberczki et al., 2022
• Sundararajan and Najmi, 2020
• Lundberg and Lee, 2017
• Molnar, 2023
• Zhong, 2020
• Zhong et al., 2022
• Canellas et al., 2023
• Lundberg, 2023
• Diao et al., 2021
• Chen et al., 2023
• Deloitte 2023b