Open Access

Felix Friedrich Anton Krieger

• Artificial intelligence, most prominently in the form of machine learning, is shaping up to be one of the most transformational technologies of the 21st century. Auditors are among the professions forecasted to be the most affected by artificial intelligence, as the profession encompasses many highly structured and repetitive tasks. Automating such tasks would naturally increase the efficiency of financial statement audits. By allowing auditors to focus on higher value-added tasks, and the capability to analyze large volumes of data at a fracture of the time a human would need, artificial intelligence would also benefit the effectiveness of auditing. Despite these benefits, to this day, the actual adoption of artificial intelligence in the audit domain remains rather limited. The audit profession is highly regulated and has to consider requirements regarding, e.g. the application of professional standards, codes of conduct, and data protection obligations. Hence, the question arises of how audit firms can be supported in their efforts to adopt artificial intelligence and how machine learning systems can be designed to comply with the specific demands of the audit domain. The goal of this dissertation is to better understand the adoption of artificial intelligence in the audit domain and to actively support the adoption of artificial intelligence in auditing based on this understanding. To this end, we employ a mixture of research methods. On the one hand, the research presented here adopts a qualitative approach, examining the adoption of artificial intelligence and other advanced analytical technologies of the audit domain through taxonomy development and grounded theory. The findings of these studies inspire the second stream of work within this dissertation, which adopts a quantitative and design-oriented approach: It focuses on using machine learning to extract information from invoices for tests of details. Tests of details are essential substantive audit procedures used in nearly every audit. This dissertation proposes a new machine learning model architecture for information extraction from invoices, compares different machine learning models, and proposes design principles for machine learning pipelines for an audit application addressing the test of details through action design research.
• Künstliche Intelligenz, insbesondere in Form von maschinellem Lernen, entwickelt sich zu einer der wegweisendsten Technologien des 21. Jahrhunderts. Wirtschaftsprüfer gehören zu den Berufsgruppen, die laut Prognosen am stärksten von künstlicher Intelligenz betroffen sein werden, da dieser Beruf viele hoch strukturierte und repetitive Aufgaben umfasst. Die Automatisierung solcher Aufgaben würde naturgemäß die Effizienz von Abschlussprüfungen steigern. Durch die Möglichkeit für Wirtschaftsprüfer, sich auf wertschöpfendere Aufgaben zu konzentrieren, und die Fähigkeit, große Datenmengen in einem Bruchteil der Zeit zu analysieren, die ein Mensch benötigen würde, würde künstliche Intelligenz auch die Effektivität der Prüfung verbessern. Trotz der Vorteile bleibt die tatsächliche Anwendung von künstlicher Intelligenz im Bereich der Wirtschaftsprüfung bisher eher begrenzt. Die Wirtschaftsprüfung ist stark reguliert und muss Anforderungen hinsichtlich der Anwendung von Berufsstandards, Verhaltenskodizes und Datenschutzverpflichtungen berücksichtigen. Daher stellt sich die Frage, wie Wirtschaftsprüfungsgesellschaften in ihren Bemühungen zur Einführung künstlicher Intelligenz unterstützt werden können und wie maschinelle Lernsysteme so gestaltet werden können, dass sie den spezifischen Anforderungen der Domäne entsprechen. Das Ziel dieser Dissertation ist es, die Einführung von künstlicher Intelligenz im Bereich der Wirtschaftsprüfung besser zu verstehen und diese Einführung aktiv auf der Grundlage dieses Verständnisses zu unterstützen. Hierzu werden verschiedene Forschungsmethoden kombiniert. Einerseits verfolgt die hier vorgestellte Forschung einen qualitativen Ansatz, der die Einführung von künstlicher Intelligenz und anderen fortschrittlichen analytischen Technologien im Bereich der Wirtschaftsprüfung durch die Entwicklung einer Taxonomie und der Grounded Theory untersucht. Die Ergebnisse dieser Studien informieren den zweiten Forschungsschwerpunkt dieser Dissertation, der einen quantitativen und designorientierten Ansatz verfolgt: Es geht darum, maschinelles Lernen zur Extraktion von Informationen aus Rechnungen für Einzelfallprüfungen ("Tests of Details") zu verwenden. Einzelfallprüfungen sind wesentliche aussagebezogene Prüfungshandlungen, die in nahezu jeder Prüfung verwendet werden. Diese Dissertation schlägt eine neue Architektur für maschinelles Lernen zur Informationsextraktion aus Rechnungen vor, vergleicht verschiedene maschinelle Lernmodelle und schlägt Designprinzipien für maschinelle Lernpipelines für eine prüfungsrelevante Anwendung zur Detailprüfung durch Action Design Research vor.