AI e continuous auditing per il contrasto alle frodi contabili: una rassegna della letteratura

Abstract

La presente tesi consiste in una rassegna della letteratura sull'applicazione dell'intelligenza artificiale e del continuous auditing alla rilevazione delle frodi contabili, valutando le potenzialità di tali strumenti rispetto ai limiti del modello tradizionale di revisione e analizzandone le implicazioni sul ruolo del revisore e sul quadro normativo. Adottando l'approccio della narrative review, la ricerca seleziona 42 articoli tramite estrazione su Scopus, integrati da fonti normative. Il corpus comprende prevalentemente studi empirico-quantitativi (64,3%), con una concentrazione geografica su contesti nordamericani e asiatici che evidenzia un significativo gap nella letteratura riferita al contesto europeo e italiano. I risultati mostrano che il machine learning applicato ai dati contabili grezzi supera i metodi statistici tradizionali nelle false comunicazioni sociali, anticipando la frode fino a due anni prima della sua emersione. Il natural language processing aggiunge un contributo informativo autonomo analizzando il tono linguistico nelle relazioni sulla gestione, migliorando l'accuratezza predittiva del 12-15% rispetto ai soli dati quantitativi. Il continuous auditing, trasformando la logica della revisione da ex-post a tempo reale, si rivela efficace nel rilevare appropriazioni indebite e schemi corruttivi. L'adozione di questi strumenti introduce tuttavia rischi rilevanti, in primo luogo l'automation bias, documentato da una contrazione del 35% dello scetticismo professionale tra i revisori che utilizzano l'IA in modo intensivo. Il quadro normativo internazionale, pur in evoluzione, presenta ancora un ritardo rispetto alla velocità di diffusione tecnologica, delineando la necessità di evolvere verso un modello di revisione ibrido nel quale resta centrale il giudizio professionale del revisore.

This thesis consists of a literature review on the application of artificial intelligence and continuous auditing to financial statement fraud detection, assessing the potential of these tools relative to traditional audit models and analysing their implications for the auditor's role and the regulatory framework. Adopting a narrative review approach, the research selects 42 articles through a systematic Scopus extraction supplemented by regulatory sources. The analysed corpus consists predominantly of empirical-quantitative studies (64.3%), with a geographic concentration in North American and Asian contexts that reveals a significant gap in European and Italian literature. The findings show that machine learning applied to raw accounting data outperforms traditional statistical methods in detecting financial statement fraud, with models capable of anticipating fraud up to two years before public disclosure. Natural language processing adds independent informational value through the analysis of linguistic tone in management reports, improving predictive accuracy by 12-15% compared to quantitative data alone. Continuous auditing, by shifting audit logic from ex-post to real-time monitoring, proves highly effective in detecting asset misappropriation and corruption schemes. However, the adoption of these tools introduces significant risks, most notably automation bias, documented by a 35% reduction in professional scepticism among auditors who utilize algorithmic systems intensively. The regulatory framework, while evolving, still lags behind the pace of technological diffusion, outlining the necessary transition toward a hybrid auditing model in which the auditor's professional judgment remains central.