حسابرس هوش مصنوعی
AI Auditor
«ممیز سیستم‌های هوش مصنوعی» (AI System Auditor) عنوان شغلی رایجی نیست: در جستجوی آگهی‌ها در اکتبر ۲۰۲۶ آگهی بازی با این عنوان پیدا نکردیم. خودِ کار اما واقعی است و کارفرماها آن را با عنوان‌هایی مثل Senior Tech, Data & AI Auditor (در SCOR)، AI Audit Manager (در Warden AI)، Audit Manager, Model, Data and AI Audit (در Scotiabank)، Senior Manager, AI Assurance & Audit (در BMO)، Director, Internal Audit AI Technology (در Charles Schwab) و AI Assurance یا Technology Assurance - AI (در Deloitte، PwC و KPMG) آگهی می‌کنند. حسابرس هوش مصنوعی مستقل از سازندگان و مدیران ریسک بررسی می‌کند که حاکمیت، کنترل‌ها و آزمون‌های سیستم‌های AI واقعاً کار می‌کنند یا نه: از فهرست و رده‌بندی ریسک کاربردهای AI تا سوگیری، توضیح‌پذیری، drift، امنیت و نظارت انسانی بر LLMها و ایجنت‌ها. بیشتر این آگهی‌ها در واحد حسابرسی داخلی بانک‌ها و بیمه‌ها («خط سوم دفاع») و در تیم‌های AI Assurance مؤسسه‌های حسابرسی است.
مقدمه و تعریف شغل
حسابرس هوش مصنوعی (AI Auditor) به هیئت‌مدیره، مدیران و گاهی ناظران و مشتری‌ها اطمینان مستقل می‌دهد که سیستم‌های AI یک سازمان با کنترل کافی ساخته، استفاده و پایش می‌شوند. Standard Chartered در آگهی خود حسابرسی داخلی را «خط سوم دفاع» می‌نامد که دربارهٔ کنترل‌های کسب‌وکار (خط اول) و کنترل‌های ریسک و انطباق (خط دوم) اطمینان مستقل می‌دهد. در عمل، حسابرس AI بررسی می‌کند کاربردهای AI ثبت و رده‌بندی شده‌اند یا نه، آزمون و اعتبارسنجی مدل‌ها کافی بوده یا نه، و ریسک‌هایی مثل سوگیری، hallucination، نشت داده و نبود نظارت انسانی کنترل می‌شوند یا نه. خروجی کار گزارش حسابرسی است: یافته، رتبهٔ آن و برنامهٔ اقدامی که مدیریت باید اجرا کند. این کار در دو جا انجام می‌شود: واحد حسابرسی داخلی بانک‌ها، بیمه‌ها و شرکت‌های بزرگ، و تیم‌های AI Assurance مؤسسه‌های حسابرسی و چند شرکت تخصصی.
در مارس ۲۰۲۶ Steve Soter از شرکت Workiva به Fortune گفت «ظهور AI Auditor» را می‌بینیم، چون حسابرسی داخلی مسئولیت حاکمیت مدل‌های AI را بر عهده می‌گیرد تا اخلاقی، بدون سوگیری و دقیق باشند. به نقل همان گزارش، طبق نظرسنجی Executive Benchmark ۲۰۲۶ شرکت Workiva، ۷۶٪ تیم‌های حسابرسی داخلی همین حالا مدل‌های AI سازمانشان را آزمون می‌کنند. در بررسی آگهی‌های اکتبر ۲۰۲۶ بیش از ۲۰ آگهی باز از این نوع دیدیم، بیشتر در بانک‌ها (BMO، Scotiabank، CIBC، JPMorganChase، Standard Chartered، OCBC، Macquarie) و مؤسسه‌های حسابرسی (Deloitte، PwC، EY، KPMG). در سمت بازار خدمات، گزارش DSIT بریتانیا (نوامبر ۲۰۲۴) حدود ۵۲۴ شرکت ارائه‌دهندهٔ AI assurance را در بریتانیا شمرده که حدود ۱۲٬۵۷۲ نفر را به کار گرفته‌اند. بیشتر آگهی‌ها سطح مدیر و بالاتر را می‌خواهند و چند آگهی، مثل OCBC، iShare و KPMG هلند، سابقهٔ حسابرسی IT یا ریسک فناوری را مسیر ورود می‌دانند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک حسابرس هوش مصنوعی
برنامه و روش استاندارد حسابرسی AI
Scotiabank از مدیر حسابرسی می‌خواهد در تهیهٔ رویه‌های استاندارد و جزئی حسابرسی مدل، داده و AI کمک کند و OCBC برنامه‌های پایهٔ آزمون کیفیت داده و AI را می‌خواهد که تیم‌های حسابرسی دیگر هم بتوانند در حسابرسی‌های خود به کار ببرند.
آزمون کنترل‌های چرخهٔ عمر AI
در آگهی Charles Schwab، پوشش حسابرسی روی راه‌حل‌های مبتنی بر LLM و ایجنت است و شامل آزمون کنترل‌های ثبت و فهرست کاربردهای AI، رده‌بندی ریسک، حاکمیت داده، ارزیابی، پایش و نظارت می‌شود.
بازاجرای مستقل آزمون مدل
Macquarie از مدیر ارشد حسابرسی ریسک AI می‌خواهد آزمون‌های مدل مثل benchmarking و red-teaming را ارزیابی و دوباره اجرا کند و دقت، recall، سوگیری و drift را با معیار بسنجد.
حسابرسی سوگیری سیستم‌های استخدام
Warden AI سیستم‌های AI استخدام، از غربالگر رزومه تا مصاحبه‌گر AI، را از نظر سوگیری حسابرسی می‌کند. در نیویورک، قانون محلی ۱۴۴ استفاده از ابزار خودکار تصمیم‌گیری استخدامی را بدون حسابرسی سوگیری در یک سال گذشته و انتشار خلاصهٔ نتیجه ممنوع کرده است.
گزارش حسابرسی برای هیئت‌مدیره
در Macquarie گزارش‌های حسابرسی ریسک AI به مدیران ارشد و کمیتهٔ حسابرسی هیئت‌مدیره می‌رود؛ در Schwab مدیر حسابرسی پیش‌نویس یافته‌ها، رتبه‌ها و مناسب بودن برنامهٔ اقدام مدیریت را پیش از نهایی شدن گزارش بازبینی و به چالش می‌کشد.
اطمینان مستقل دربارهٔ انطباق با مقررات
تیم Algorithm and AI Assurance در Deloitte بریتانیا دربارهٔ انطباق پلتفرم‌های بزرگ فناوری با قانون بازارهای دیجیتال (DMA)، قانون خدمات دیجیتال (DSA) و قانون AI اتحادیهٔ اروپا اطمینان می‌دهد.
تخصص‌های مختلف حسابرس هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
حسابرسی داخلی مدل، داده و AI
Internal Audit — Model, Data & AI
رایج‌ترین شکل این شغل در بانک‌ها و بیمه‌ها؛ تیم‌هایی با همین نام در Scotiabank و Macquarie، و نقش‌های مشابه در CIBC، OCBC، Standard Chartered و SCOR. مدل‌های اعتباری و بازار را کنار مدل‌های ML، GenAI و ایجنت‌ها پوشش می‌دهد.
اطمینان‌بخشی AI در مؤسسه‌های حسابرسی
External AI Assurance
کار برای مشتری در Deloitte، PwC، EY و KPMG: ارزیابی کنترل‌ها، آمادگی برای مقررات و ارزیابی فنی مدل. KPMG هلند برای Senior Consultant در این حوزه حقوق ناخالص ماهانهٔ ۳٬۹۶۵ تا ۴٬۵۰۰ یورو اعلام کرده است.
حسابرسی سوگیری الگوریتم
Algorithmic Bias Audit
سنجیدن رفتار سیستم با گروه‌های مختلف، به‌خصوص در استخدام؛ مثل کار Warden AI و حسابرسی سوگیری‌ای که قانون محلی ۱۴۴ نیویورک برای ابزارهای خودکار استخدام لازم کرده است.
حسابرسی فنی سیستم‌های AI
Technical AI Audit
نزدیک‌ترین شکل به مهندسی: تحلیل کد، معماری، پرامپت و رفتار ایجنت‌ها (Schwarz) یا بازاجرای آزمون مدل و red-teaming (Macquarie). Schwarz دست‌کم ۳ سال تجربهٔ توسعهٔ نرم‌افزار، مهندسی داده یا حسابرسی فنی IT می‌خواهد.
اطمینان‌بخشی انتشار AI مولد
GenAI Release Assurance
کارکردی مستقل در شرکت‌های فناوری که پیش از انتشار قابلیت‌های AI مولد دربارهٔ آن‌ها نظر می‌دهد؛ مثل تیم JV AI & Systems Integrity در TikTok USDS که دروازه‌های تأیید، برنامه‌های آزمون و مسیر شاهد برای حسابرسی را اداره می‌کند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
اعتبارسنج در خط دوم، مستقل از سازنده، خودِ مدل را می‌آزماید. حسابرس در خط سوم بررسی می‌کند که کل فرایند مدیریت ریسک مدل، از جمله خود اعتبارسنجی، درست کار می‌کند یا نه: آگهی Scotiabank از اطمینان مستقل دربارهٔ کنترل‌های مدل، داده و AI «در خط اول و دوم دفاع» حرف می‌زند و RBC از مدیر حسابرسی می‌خواهد دربارهٔ اثربخشی توسعه و اعتبارسنجی مدل نظر بدهد. مهارت‌ها نزدیک‌اند و این یکی از مسیرهای اصلی ورود است: RBC سابقهٔ اعتبارسنجی یا توسعهٔ مدل را شرط گذاشته و Macquarie از کسانی با سابقهٔ توسعه یا اعتبارسنجی مدل دعوت کرده است.
تحلیلگر ریسک AI در خط دوم فهرست کاربردهای AI را نگه می‌دارد، آن‌ها را رده‌بندی می‌کند و فرایند تأیید را اداره می‌کند. حسابرس همین فرایند را از بیرون می‌سنجد: Schwab از مدیر حسابرسی AI می‌خواهد کنترل‌های «ثبت و فهرست کاربردهای AI و رده‌بندی ریسک» را آزمون کند. تحلیلگر ریسک تصمیم می‌گیرد کدام ریسک پذیرفتنی است؛ حسابرس نظر می‌دهد که آن تصمیم‌گیری و کنترل‌هایش قابل اتکاست یا نه، و یافته‌هایش به کمیتهٔ حسابرسی می‌رود.
متخصص انطباق تعهد قانونی را به کنترل و شاهد تبدیل می‌کند و خودش بخشی از سیستم کنترل است. حسابرس مستقل از او بررسی می‌کند که این کنترل‌ها واقعاً کار می‌کنند: bunq از حسابرس AI می‌خواهد هم‌راستایی با قانون AI اتحادیهٔ اروپا و NIS2 را در برنامهٔ حسابرسی بسنجد و Deloitte بریتانیا انطباق پلتفرم‌های بزرگ با DSA، DMA و قانون AI را با آزمون کنترل‌ها ارزیابی می‌کند. حسابرس داخلی برای حفظ استقلال، خودش طراح یا اجراکنندهٔ کنترل انطباق نمی‌شود.
مهندس Responsible AI ابزار، guardrail و pipeline ارزیابی را در تیم سازنده می‌سازد. حسابرس سیستم را می‌سنجد اما مالکش نیست: Deloitte استرالیا تصریح می‌کند AI assurance را نه آزمون معمولی کنترل‌های IT می‌داند و نه پیاده‌سازی AI. ابزارها گاهی یکی است؛ تیم حسابرسی AI در Schwarz کد، معماری، راهبرد پرامپت و رفتار ایجنت‌ها را تحلیل می‌کند. فرق در جایگاه و خروجی است: مهندس محصول را بهتر می‌کند، حسابرس گزارش مستقل می‌نویسد و مدیریت را به رفع ایراد متعهد می‌کند.
تأثیر در صنایع مختلف
حسابرس هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
بانکداری
Scotiabank، CIBC، JPMorganChase، BMO، OCBC و Standard Chartered تیم یا نقش جداگانه برای حسابرسی داده و AI آگهی کرده‌اند؛ پوشش از حاکمیت داده تا سوگیری، توضیح‌پذیری، drift و ریسک AI طرف سوم است
کارگزاری و مدیریت ثروت
Charles Schwab حسابرسی راه‌حل‌های مبتنی بر LLM و ایجنت را که در داخل شرکت یا برای مشتری به کار می‌روند، در تیم حسابرسی فناوری خود گذاشته است
بانکداری سرمایه‌گذاری و مدیریت دارایی
Macquarie تیم جهانی حسابرسی مدل، داده و AI دارد که مدل‌های ریسک اعتباری، بازار و خزانه را کنار ML، AI مولد و ایجنت‌ها حسابرسی می‌کند
بیمه و بیمهٔ اتکایی
حسابرسی داخلی SCOR سیستم‌های AI، مدل‌های یادگیری ماشین و ایجنت‌ها را از نظر حاکمیت، پاسخ‌گویی، توضیح‌پذیری، انصاف و انطباق بررسی می‌کند
بانک دیجیتال و فین‌تک
bunq نخستین برنامهٔ حسابرسی AI خود را می‌سازد و آن را با حسابرسی امنیت داده در یک نقش جمع کرده است
صنعت و خرده‌فروشی
Siemens ریسک‌های AI را هم در فرایندهای داخلی و هم در محصولاتش حسابرسی می‌کند و تیم حسابرسی AI گروه Schwarz راه‌حل‌های AI مولد و سیستم‌های چندایجنتی شرکت‌های گروه را
منابع انسانی و استخدام
Warden AI سیستم‌های AI استخدام را برای فروشندگان نرم‌افزار و کارفرماها از نظر سوگیری حسابرسی می‌کند
خدمات حسابرسی و مشاوره
Deloitte، PwC، EY و KPMG در بریتانیا، استرالیا، آلمان، هلند و اسپانیا برای تیم‌های AI Assurance یا حسابرسی AI نیرو می‌گیرند؛ PwC آلمان اثر استفاده از AI بر صورت‌های مالی را هم بررسی می‌کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
فقط حسابدارها و حسابرسان مالی وارد این شغل می‌شوند
چند آگهی صریحاً خلاف این را گفته‌اند: Macquarie نوشته تجربهٔ حسابرسی داخلی «مفید است اما ضروری نیست» و از کسانی با سابقهٔ توسعه یا اعتبارسنجی مدل، مهندسی AI، علم داده و حاکمیت AI دعوت کرده است؛ SCOR و Standard Chartered هم تجربهٔ حسابرسی داخلی را شرط نگذاشته‌اند. Schwab مدرک ترجیحی را علوم کامپیوتر، یادگیری ماشین، ریاضی یا فیزیک نوشته است.
حسابرسی AI یعنی پر کردن چک‌لیست
Deloitte استرالیا می‌نویسد AI assurance را «نه آزمون معمولی کنترل‌های IT» می‌داند و از تحلیلگر ارشد می‌خواهد مدل، داده، پرامپت، بازیابی و ایجنت را آزمون کند و قابلیت اتکای شاهد را بسنجد. bunq هم ارائهٔ یافته‌ها «با اثر، نه فقط چک‌لیست» را خواسته است.
حسابرس ایراد سیستم را خودش رفع می‌کند
حسابرس باید مستقل بماند؛ BMO حفظ استقلال حسابرسی را جزو وظایف آورده و JPMorganChase همکاری با ذی‌نفعان «با حفظ استقلال» را. حسابرس یافته و توصیه می‌نویسد، مدیریت برنامهٔ اقدام می‌دهد و حسابرس بعداً بررسی می‌کند که اقدام ریسک را رفع کرده یا نه (CIBC و Schwab).
حسابرسی AI فقط دربارهٔ سوگیری و اخلاق است
سوگیری یکی از موضوع‌هاست. Standard Chartered فهرست حوزه‌ها را حاکمیت AI، مدیریت ریسک مدل، یکپارچگی داده، سوگیری و انصاف، توضیح‌پذیری، drift، امنیت AI، ریسک AI طرف سوم و انطباق با مقررات نوشته و Macquarie کنترل‌های داده، حریم خصوصی، امنیت سایبری، طرف سوم و ریسک مدل را.
این شغلی سطح ورودی است که با یک دوره می‌شود واردش شد
بیشتر آگهی‌ها سابقه می‌خواهند: BMO و JPMorganChase ۷ سال یا بیشتر، Schwab ۱۲ سال و Standard Chartered ۱۵ سال. نقطه‌های ورود هم هست، اما با تجربه: CIBC دو تا سه سال حسابرسی، Scotiabank دو سال یا بیشتر و EY یک تا سه سال تجربه در AI یا حسابرسی مدل. PwC آلمان فارغ‌التحصیلانی را می‌پذیرد که از راه کارآموزی با کنترل داخلی و AI آشنا شده باشند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
تازه‌کار (۰–۳ سال)
بخش‌هایی از یک حسابرسی را زیر نظر مدیر اجرا می‌کنید: شاهد جمع می‌کنید، کنترل‌ها را آزمون می‌کنید و کاغذ کار می‌نویسید. بخشی از وقت صرف یاد گرفتن سیستم‌ها و زبان تیم‌های AI و داده می‌شود.
- ◆درخواست شاهد از تیم سازنده، مثلاً گزارش اعتبارسنجی یا سوابق تأیید یک مدل
- ◆انتخاب نمونه از فهرست کاربردهای AI و بررسی اینکه رده‌بندی ریسک با معیار نوشته‌شده می‌خواند
- ◆اجرای یک آزمون ساده با Python یا SQL روی داده‌های ورودی مدل
- ◆نوشتن پیش‌نویس یافته برای بازبینی مدیر
میانی (۳–۷ سال)
مسئول یک حسابرسی از برنامه‌ریزی تا گزارش هستید: دامنه را تعیین می‌کنید، ریسک‌ها را می‌سنجید، کار تیم را بازبینی می‌کنید و یافته‌ها را با مدیران کسب‌وکار در میان می‌گذارید.
- ◆جلسهٔ شروع حسابرسی با مالک یک سیستم مبتنی بر LLM برای فهم معماری و کنترل‌ها
- ◆طراحی روش آزمون برای کنترل‌های نظارت انسانی و پایش
- ◆بحث دربارهٔ یافته‌ها و رتبه‌شان با مدیریت و توافق بر برنامهٔ اقدام
- ◆بررسی شواهد رفع یک یافتهٔ قدیمی پیش از بستن آن
ارشد (۷+ سال)
برنامهٔ سالانهٔ حسابرسی AI را بر پایهٔ ریسک تنظیم می‌کنید، با مدیران ارشد و ناظران در تماس هستید و گزارش‌ها را برای کمیتهٔ حسابرسی آماده می‌کنید.
- ◆به‌روز کردن ارزیابی ریسک و برنامهٔ حسابرسی با کاربردهای تازهٔ AI در سازمان
- ◆ارائهٔ نتایج حسابرسی به کمیتهٔ حسابرسی هیئت‌مدیره
- ◆پاسخ به پرسش‌های ناظر دربارهٔ پوشش حسابرسی ریسک AI
- ◆تصمیم دربارهٔ اینکه کدام حسابرسی متخصص فنی بیرونی یا داخلی لازم دارد
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈برنامه‌ریزی و اجرای حسابرسی‌های مبتنی بر ریسک روی مدل‌ها، داده و سیستم‌های AI، از LLM و RAG تا ایجنت‌ها
- ◈آزمودن طراحی و اثربخشی عملیاتی کنترل‌های چرخهٔ عمر AI: ثبت و فهرست کاربردها، رده‌بندی ریسک، ارزیابی، پایش و نظارت انسانی
- ◈بازاجرای مستقل آزمون‌های مدل، مثل benchmarking، red-teaming و سنجش سوگیری و drift
- ◈ارزیابی کنترل‌های حاکمیت داده: کیفیت، lineage، دسترسی و حریم خصوصی داده‌هایی که مدل‌ها از آن استفاده می‌کنند
- ◈سنجیدن انطباق کاربردهای AI با مقررات و استانداردها، مثل قانون AI اتحادیهٔ اروپا، NIST AI RMF و ISO/IEC 42001
- ◈گزارش نتایج به مدیران ارشد و کمیتهٔ حسابرسی هیئت‌مدیره به زبانی که غیرمتخصص بفهمد
- ◈حفظ استقلال: همکاری نزدیک با تیم‌های AI، ریسک و انطباق بدون اینکه مالک یا سازندهٔ راه‌حل شوید
- ◈نوشتن یافته‌ها با ریشه، اثر و رتبه، و بررسی اینکه برنامهٔ اقدام مدیریت واقعاً ریسک را رفع می‌کند
- ◈دنبال کردن ریسک‌ها و مقررات تازهٔ AI و به‌روز کردن برنامه و روش‌های حسابرسی
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک حسابرس هوش مصنوعی موفق به آن‌ها نیاز دارد
دانش حسابرسی و کنترل
برنامه‌ریزی، تعیین دامنه و اولویت‌بندی بر اساس ریسک؛ Scotiabank «رویکرد حسابرسی مبتنی بر ریسک» را از وظایف اصلی آورده است
سنجیدن اینکه کنترل درست طراحی شده و در عمل هم اجرا می‌شود؛ Deloitte بریتانیا هر دو نوع آزمون را خواسته است
کاغذ کار، شاهد و یافته با ریشه، اثر و رتبه؛ CIBC نوشتن گزارش روشن برای مدیران ارشد را شرط گذاشته است
فهم نقش کسب‌وکار، ریسک و انطباق، و حسابرسی داخلی و اینکه حسابرس کجا باید مستقل بماند
CIA، CISA، CPA یا CRISC در آگهی‌های BMO، Schwab، JPMorganChase و Scotiabank
دانش فنی AI و داده
از ثبت کاربرد و آموزش مدل تا استقرار، پایش و بازنشستگی؛ Schwab و Standard Chartered هر دو آشنایی با آن را خواسته‌اند
BMO درک قوی این موضوع‌ها را می‌خواهد و iShare ارزیابی مجوز ایجنت‌ها، دسترسی به ابزار و سازوکار تأیید انسانی را
accuracy، recall، سوگیری و drift، و توانایی بازاجرای آزمون‌ها (Macquarie)
lineage، کیفیت و کنترل‌های حریم خصوصی داده (Macquarie و OCBC)
prompt injection، نشت داده و اقدام‌های غیرمجاز؛ iShare آشنایی با OWASP Top 10 for LLM را می‌خواهد
برای تحلیل داده و آزمون خودکار؛ SCOR، Schwarz و Deloitte بریتانیا از کدنویسی نام برده‌اند
Databricks، Azure AI، Snowflake و مشابه آن‌ها (SCOR) و امنیت زیرساخت ابری (bunq)
چارچوب‌ها و مهارت‌های نرم
NIST AI RMF، ISO/IEC 42001، قانون AI اتحادیهٔ اروپا و راهنمای ریسک مدل مثل SS1/23؛ در آگهی‌های Deloitte، Macquarie، iShare و EY
JPMorganChase «professional skepticism» را صریحاً خواسته است: ادعا را تا وقتی شاهد کافی نیامده نپذیرید
SCOR توانایی تبدیل مفاهیم فنی به ریسک کسب‌وکار و نتیجهٔ حسابرسی را خواسته و Macquarie توضیح مسائل پیچیده برای هیئت‌مدیره را
کار با مدیران کسب‌وکار، ریسک، فناوری و ناظران بدون از دست دادن استقلال (Schwab و JPMorganChase)
Warden AI می‌خواهد وقتی نتیجه‌ای را مشتری انتظار نداشته، شما کسی باشید که آن را توضیح می‌دهد
Standard Chartered یادگیری مستمر AI مولد، LLM و مقررات AI را جزو انتظارات آورده است
AAIA (ISACA) و AIGP (IAPP) در آگهی‌های BMO، CIBC، OCBC و Siemens امتیاز شمرده شده‌اند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به حسابرس هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌های حسابرسی و کنترل داخلی
حسابرس AI پیش از هر چیز حسابرس است: باید بدانید برنامهٔ حسابرسی مبتنی بر ریسک چطور نوشته می‌شود، طراحی و اثربخشی عملیاتی یک کنترل چطور آزموده می‌شود و یافته چطور با شاهد مستند می‌شود. آگهی‌ها مدرک‌هایی مثل CIA، CISA، CPA یا CRISC را می‌خواهند (BMO، Schwab، JPMorganChase) و آگهی CIBC دو تا سه سال تجربهٔ حسابرسی را برای سطح مدیر حسابرسی کافی می‌داند.
سواد فنی هوش مصنوعی و یادگیری ماشین
لازم نیست مدل بسازید، اما باید بفهمید مدل چطور ساخته، سنجیده و پایش می‌شود تا بتوانید دربارهٔ آن پرسش درست بپرسید. آگهی Macquarie توانایی «بازاجرای» آزمون مدل با معیارهایی مثل accuracy، recall، سوگیری و drift را می‌خواهد و آگهی BMO درک Generative AI، LLM، ایجنت و RAG را. Python و SQL را هم در همین مرحله یاد بگیرید؛ SCOR و Schwarz هر دو تحلیل داده با Python را خواسته‌اند.
چارچوب‌ها، استانداردها و مقررات AI
حسابرس معیار می‌خواهد تا کار را با آن بسنجد. آگهی‌ها مدام همین چند مرجع را نام می‌برند: NIST AI RMF و ISO/IEC 42001 (iShare، Deloitte، EY)، قانون AI اتحادیهٔ اروپا (Macquarie، Deloitte، bunq) و در بانک‌ها راهنمای ریسک مدل مثل SS1/23 در بریتانیا. چارچوب حسابرسی AI انجمن حسابرسان داخلی (IIA) هم رایگان در دسترس است.
آزمون عملی سیستم‌های AI
در این مرحله یاد می‌گیرید خودتان شاهد تولید کنید: سوگیری را بین گروه‌ها بسنجید، drift داده را پیدا کنید و یک برنامهٔ LLM را در برابر prompt injection و پاسخ نادرست بیازمایید. آگهی iShare ارزیابی hallucination، نشت داده، prompt injection و دسترسی ایجنت به ابزارها را می‌خواهد و Deloitte استرالیا آزمون مدل، داده، پرامپت، بازیابی و ایجنت را.
مدرک تخصصی، نمونه‌کار و ورود به بازار
مدرک‌های AI در آگهی‌ها «مزیت» شمرده می‌شوند، نه شرط: BMO مدرک AAIA انجمن ISACA و AIGP انجمن IAPP را به‌شدت ترجیح می‌دهد، CIBC و OCBC هم AAIA را نام برده‌اند. AAIA فقط برای کسی است که CISA یا یکی از مدرک‌های حسابرسی و حسابداری فهرست‌شده را با تمرکز بر حسابرسی یا مشاورهٔ IT دارد. کنار آن، یکی دو گزارش حسابرسی نمونه روی یک سیستم AI واقعی یا متن‌باز بنویسید.
منابع پیشنهادی
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
استانداردها و چارچوب‌های حسابرسی AI
استانداردهای حرفه‌ای حسابرسی داخلی انجمن IIA؛ آگهی Scotiabank رعایت آیین‌نامهٔ اخلاق IIA را جزو وظایف آورده است
راهنمای عملی و رایگان IIA برای حسابرسی حاکمیت، مدیریت و کنترل‌های AI، با چک‌لیست ارزیابی اولیه
چارچوب داوطلبانهٔ مدیریت ریسک AI که ژانویهٔ ۲۰۲۳ منتشر شد؛ در آگهی‌های bunq، iShare، Deloitte و EY آمده و CIBC مدرک «NIST AI Risk Management Foundations» را امتیاز می‌داند
آزمون و سنجش مدل
توضیح سهم هر ویژگی در خروجی مدل؛ برای سنجیدن ادعای توضیح‌پذیری که آگهی‌های BMO و Standard Chartered از آن نام برده‌اند
تحلیل داده و آزمون خودکار در حسابرسی
تحلیل داده و نوشتن آزمون خودکار؛ SCOR تحلیل داده با Python، SQL و Spark و Schwarz تسلط به Python را خواسته‌اند
پلتفرم‌هایی که حسابرسی می‌شوند
پلتفرم داده و AI؛ SCOR تجربهٔ عملی با پلتفرم‌هایی مثل Databricks، Palantir Foundry و Snowflake را خواسته است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
حسابرس / تحلیلگر ارشد (Staff، Senior Analyst، Consultant)
۰ تا ۳ سال
اجرای بخش‌هایی از حسابرسی زیر نظر مدیر: جمع‌آوری شاهد، آزمون کنترل‌ها و نوشتن کاغذ کار. EY برای این سطح ۱ تا ۳ سال تجربه می‌خواهد و PwC آلمان فارغ‌التحصیلانی را که از راه کارآموزی با کنترل داخلی و AI آشنا شده‌اند
مدیر حسابرسی (Audit Manager)
۲ تا ۶ سال
برنامه‌ریزی، اجرا و گزارش حسابرسی‌ها و گاهی سرپرستی حسابرسی‌های با پیچیدگی کم تا متوسط (آگهی Scotiabank)؛ Scotiabank دو سال یا بیشتر و CIBC دو تا سه سال تجربهٔ حسابرسی می‌خواهند
مدیر ارشد / معاون (Senior Manager، VP)
۷+ سال
~$160K
میانگین سالانه (آمریکا)
رهبری حسابرسی‌های AI از ابتدا تا انتها، تدوین برنامهٔ سالانه و گزارش به هیئت‌مدیره؛ BMO و JPMorganChase برای این سطح ۷ سال یا بیشتر تجربه می‌خواهند
مدیر حسابرسی AI (Director، Audit Director)
۱۲+ سال
~$196K
میانگین سالانه (آمریکا)
مسئولیت کل پرتفوی حسابرسی ریسک AI، تخصیص نیرو و تعامل با ناظران؛ Schwab ۱۲ سال و Standard Chartered ۱۵ سال سابقه می‌خواهند
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
اعتبار فنی در برابر متخصصان AI
عمومیحسابرس باید بتواند کار دانشمندان داده و مهندسان را به چالش بکشد. به همین دلیل Macquarie توانایی بازاجرای آزمون مدل را می‌خواهد و Schwarz تحلیل کد و رفتار ایجنت‌ها را. کسی که فقط زبان حسابرسی را بلد است، در این گفت‌وگوها دست خالی است.
معیارهایی که هنوز در حال شکل‌گیری‌اند
عمومیDeloitte بریتانیا ارجاع به «استانداردهای نوظهور AI» را در شرح وظایف آورده و می‌نویسد بخش‌هایی از فعالیت AI Assurance این شرکت هنوز در مرحلهٔ اولیه است. حسابرس گاهی باید پیش از قطعی شدن معیار، روش ارزیابی را خودش طراحی و توجیه کند.
شاهد از سیستم‌هایی که هر بار جواب متفاوت می‌دهند
عمومیخروجی LLM و ایجنت قطعی نیست، پس یک آزمون نمونه همیشه کافی نیست. Deloitte استرالیا سنجیدن قابلیت اتکا و محدودیت‌های شاهد را جزو کار آورده است و Schwarz آزمون AI غیرقطعی را در شرایط آگهی گذاشته است.
مقررات متعدد در کشورهای مختلف
شرکت بزرگیک بانک چندملیتی با چند مقررات هم‌زمان سروکار دارد: OCBC از راهنماهای MAS، BCBS 239 و مقررات بانک مرکزی مالزی نام می‌برد و BMO تجربه با مقررات دو کشور کانادا و آمریکا را ترجیح می‌دهد. قانون AI اتحادیهٔ اروپا هم مرحله‌به‌مرحله اجرا می‌شود.
بازاری سنگین در سطح ارشد
عمومیدر آمریکا هر سه آگهی حسابرسی AI که حقوق اعلام کرده بودند (BMO، JPMorganChase و Schwab) سطح مدیر ارشد و بالاتر بودند و آگهی سطح ورودی کم است. مسیر واقع‌بینانه معمولاً از حسابرسی IT، اعتبارسنجی مدل یا علم داده می‌گذرد و بعد به این تخصص می‌رسد.
ساختن روش و ابزار در تیم‌های تازه
استارتاپدر شرکت‌های کوچک‌تر کار از صفر شروع می‌شود: bunq نخستین برنامهٔ حسابرسی AI خود را می‌سازد و Warden AI از نخستین عضو تیم عملیات حسابرسی می‌خواهد runbook و فرایندها را بسازد. این آزادی عمل همراه با بار ساختن چیزهایی است که در شرکت‌های بزرگ آماده است.
حقوق و بازار کار جهانی
حقوق جهانی حسابرس هوش مصنوعی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- BMO posting, Senior Manager, AI Assurance & Audit (Chicago, 7+ years), seen Oct 2026: Chicago salary range; median = midpoint
- JPMorganChase posting, Tech Audit Manager VP, Data Management & AI (Plano TX, 7+ years), posted Oct 3, 2026: base pay range; median = midpoint
- Charles Schwab posting, Director, Internal Audit AI Technology (Lone Tree CO, 12+ years), posted Oct 15, 2026: base pay range; median = midpoint
- Robert Half 2027 Salary Guide, US national, proxy: 'IT Auditor': low–high range; median = mid tier
- Warden AI posting, AI Audit Manager / Analyst (London; years not stated), posted Oct 5, 2026: base salary range; median = midpoint
- ITJobsWatch, 6 months to 23 Oct 2026, proxy: UK permanent ads titled 'IT Auditor': 25th–75th pct, median (47 salaries)
- ITJobsWatch, 6 months to 23 Oct 2026, proxy: UK permanent ads titled 'IT Audit Manager': 25th–75th pct, median (15 salaries)
- Glassdoor Canada, proxy: 'IT Audit Manager' base pay, estimate updated Oct 22, 2026 (40 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: سواد پایهٔ AI
مفاهیم یادگیری ماشین، معیارهای ارزیابی و ایدهٔ اصلی LLM و RAG را یاد بگیرید.
ماه ۲: چارچوب‌های AI
NIST AI RMF و چارچوب حسابرسی AI انجمن IIA را بخوانید و ریسک‌های یک کاربرد AI در سازمان خودتان را با آن‌ها فهرست کنید.
ماه ۳: Python و داده
در حدی Python و pandas یاد بگیرید که یک مجموعه‌داده را بخوانید، گروه‌بندی کنید و نتیجه را بسنجید.
ماه ۵: ریسک‌های LLM
OWASP Top 10 for LLM را بخوانید و برای یک چت‌بات ماتریس ریسک و کنترل بنویسید.
ماه ۶: مدرک و درخواست
اگر CISA دارید، برای AAIA آماده شوید و از تیم حسابرسی خودتان بخواهید در اولین حسابرسی مرتبط با AI حضور داشته باشید.
پروژه‌های پیشنهادی برای رزومه
برنامهٔ حسابرسی برای یک چت‌بات پشتیبانی
مبتدیبرای یک چت‌بات فرضی یا متن‌باز مبتنی بر RAG، ماتریس ریسک و کنترل بنویسید: ریسک‌ها (hallucination، نشت داده، prompt injection، نبود نظارت انسانی)، کنترل مورد انتظار، روش آزمون و شاهد لازم. ریسک‌ها را به NIST AI RMF و OWASP Top 10 for LLM نگاشت کنید.
حسابرسی سوگیری یک مدل غربالگری رزومه
متوسطروی یک مجموعه‌دادهٔ عمومی، یک مدل ساده بسازید یا از مدل آماده استفاده کنید و نرخ انتخاب و خطا را بین گروه‌ها با Fairlearn بسنجید. نتیجه را مثل یک گزارش حسابرسی بنویسید: معیار، روش، یافته، محدودیت شاهد و توصیه.
بازاجرای پایش یک مدل اعتباری
متوسطفرض کنید تیم سازنده گزارش پایش ماهانه داده است. با Evidently همان آزمون‌ها را مستقل اجرا کنید، drift داده و افت کارایی را بسنجید و نتیجه را با ادعای گزارش مقایسه کنید. این همان «بازاجرای آزمون مدل» است که آگهی Macquarie می‌خواهد.
آزمون نمونه‌ای فهرست کاربردهای AI
مبتدییک فهرست ساختگی از ۳۰ کاربرد AI با رده‌بندی ریسک بسازید. نمونه‌ای انتخاب کنید و بسنجید که رده‌بندی با معیار نوشته‌شده می‌خواند، تأییدها ثبت شده‌اند و کاربردهای ثبت‌نشده کجا ممکن است پنهان مانده باشند. یافته‌ها را با رتبه و اقدام اصلاحی پیشنهادی بنویسید.
red-team و گزارش حسابرسی برای یک برنامهٔ LLM
پیشرفتهیک برنامهٔ RAG متن‌باز را راه بیندازید و با promptfoo مجموعه‌ای از آزمون‌های prompt injection، پاسخ نادرست و نشت دادهٔ شخصی را اجرا کنید. گزارش نهایی را برای مخاطب غیرفنی (مثلاً کمیتهٔ حسابرسی) در دو صفحه بنویسید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، در ۱۹۹۹ از Harvard دکترای ریاضی گرفت و در دانشکده‌های ریاضی MIT و Barnard College کار کرد. در ۲۰۰۷ دانشگاه را ترک کرد و چهار سال در صنعت مالی، از جمله به‌عنوان تحلیلگر در D. E. Shaw، کار کرد.
کتاب Weapons of Math Destruction او در ۲۰۱۶ منتشر شد و به فهرست پرفروش‌های New York Times رسید. او بنیان‌گذار ORCAA (O'Neil Risk Consulting & Algorithmic Auditing) است، شرکتی که حسابرسی الگوریتم انجام می‌دهد.
مسیر او از ریاضیات به مالی و بعد به حسابرسی الگوریتم نشان می‌دهد تجربه در صنعتی که خودش با مدل تصمیم می‌گیرد، برای فهم اینکه مدل کجا آسیب می‌زند سرمایهٔ ارزشمندی است.
طبق ویکی‌پدیا، دانشمند کامپیوتر نیجریه‌ای-کانادایی است که در ۲۰۱۹ از رشتهٔ Engineering Science دانشگاه Toronto فارغ‌التحصیل شد. همراه Joy Buolamwini در MIT Media Lab و Algorithmic Justice League فناوری‌های تشخیص چهرهٔ Microsoft، Amazon، IBM، Face++ و Kairos را حسابرسی کرد و نشان دادند دقت آن‌ها برای زنان با پوست تیره‌تر به‌مراتب کمتر است.
در Google در توسعهٔ رویه‌های حسابرسی داخلی هم‌رهبری داشت؛ مقالهٔ «Closing the AI Accountability Gap» (۲۰۲۰) که او نویسندهٔ اول آن است، چارچوبی برای حسابرسی داخلی الگوریتم در سراسر چرخهٔ توسعه پیشنهاد می‌کند. طبق ویکی‌پدیا، اکنون در بنیاد Mozilla روی حسابرسی و ارزیابی الگوریتم پژوهش می‌کند.
کار او نشان می‌دهد حسابرسی AI هم از بیرون (حسابرسی محصول‌های تجاری) و هم از درون سازمان (پیش از استقرار) ممکن است، و هر دو به مستندسازی منظم نیاز دارند.
طبق ویکی‌پدیا، پژوهشگر سیاست‌گذاری AI است. در ۲۰۱۸ به OpenAI پیوست، رئیس پژوهش سیاست‌گذاری و بعد مشاور ارشد آمادگی برای AGI شد و در ۲۰۲۴ از آنجا رفت.
در ژانویهٔ ۲۰۲۶ راه‌اندازی AVERI (AI Verification and Evaluation Research Institute) را اعلام کرد؛ نهادی غیرانتفاعی که حسابرسی بیرونی مدل‌های پیشرو AI را ترویج می‌کند و روی استانداردهای حسابرسی AI کار می‌کند. AVERI در سایت خود می‌نویسد ادعاهای ایمنی و امنیت سیستم‌های AI بیشتر خوداظهاری شرکت‌هاست.
حرکت او از داخل یک آزمایشگاه AI به ساختن نهاد حسابرسی بیرونی نشان می‌دهد حسابرسی AI فقط کار بانک‌ها نیست و برای پیشرفته‌ترین مدل‌ها هم معیار و حسابرس لازم است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Manager - AI Risk Internal Audit
تحلیل نیازمندی‌ها
Proven leadership capability to support the model, data and AI risk audit team, including exercising sound technical judgement, helping resolve blockers, and providing effective review and challenge of audit work.
این سطح مدیر ارشد است: باید کار حسابرسان دیگر را بازبینی و به چالش بکشید و وقتی کار گیر می‌کند راه باز کنید. «قضاوت فنی» یعنی بتوانید تشخیص دهید آزمون یک همکار دربارهٔ مدل واقعاً چیزی را ثابت می‌کند یا نه.
ضروریStrong understanding of modern AI architectures, platforms, and governance controls across the end-to-end AI development and operation lifecycle, and the relevant risks associated with AI use.
باید کل مسیر یک سیستم AI را بشناسید، از داده و توسعه تا استقرار و پایش، و بدانید در هر مرحله چه کنترلی انتظار می‌رود. بدون این دانش نمی‌شود دامنهٔ حسابرسی را درست تعیین کرد.
ضروریExperience as an AI model developer or practitioner, including testing and monitoring of AI model inputs, methodologies, and outputs, with the ability to assess and re-perform model testing such as benchmarking, red-teaming, evaluation with the use of metrics to measure accuracy, recall, bias, and drift.
مهم‌ترین شرط فنی آگهی: کارفرما کسی را می‌خواهد که خودش مدل ساخته یا آزموده و می‌تواند آزمون‌های تیم سازنده را مستقل تکرار کند. برای دانشمند داده یا اعتبارسنج مدل، این همان سابقه‌ای است که دارد.
ضروریStrong communication skills, with demonstrated ability to build relationships, influence senior stakeholders, and clearly articulate complex issues to Board-level audiences.
مخاطب نهایی کمیتهٔ حسابرسی هیئت‌مدیره است، نه تیم فنی. باید بتوانید یک ریسک فنی را در چند جمله و با اثرش بر کسب‌وکار توضیح دهید.
ضروریPrior internal audit experience is beneficial but not essential. We welcome candidates from model development, model validation, AI engineering, data science, AI governance and risk management backgrounds.
این جمله در را برای کسانی باز می‌کند که حسابرس نبوده‌اند. روش حسابرسی را می‌شود در کار یاد گرفت، اما تجربهٔ ساخت و آزمون مدل را نه؛ پس اگر از این زمینه‌ها می‌آیید، همین تجربه را برجسته کنید.
مفیدتحلیل مسئولیت‌ها
As a Senior Manager within the Model, Data and AI Risk audit team, you will lead end-to-end audit engagements spanning Machine Learning models, Gen AI use cases, AI Agents, and broader AI platforms.
دامنه از مدل‌های کلاسیک ML تا AI مولد و ایجنت‌ها و پلتفرم‌هایی است که این‌ها روی آن اجرا می‌شوند. «از ابتدا تا انتها» یعنی از برنامه‌ریزی و تعیین دامنه تا گزارش نهایی مسئولیت با شماست.
You will play a key role in uplifting the AI risk internal audit strategy and capability.
تیم هنوز در حال ساخته شدن است؛ بخشی از کار طراحی روش، آموزش همکاران و تعیین اینکه حسابرسی AI در این سازمان چطور انجام شود است.
This includes shaping how we deliver dedicated AI risk audits to assess the effectiveness of risk management controls relevant for AI solutions including data, privacy, cyber security, third party and model risk.
حسابرسی AI چند نوع ریسک را با هم می‌بیند: داده، حریم خصوصی، امنیت سایبری، فروشندهٔ طرف سوم و ریسک مدل. برای هر کدام باید بدانید کنترل خوب چه شکلی دارد.
You will also shape our approach and deliver upon how AI use cases are evaluated as part of integrated business audits.
AI فقط در حسابرسی‌های جداگانه بررسی نمی‌شود؛ وقتی همکارانتان یک بخش کسب‌وکار را حسابرسی می‌کنند، باید روشی داشته باشند که کاربردهای AI همان بخش را هم پوشش دهد، و این روش را شما می‌سازید.
You will be responsible for leading day-to-day delivery within the AI risk portfolio, monitoring business developments, and for leading relevant Subject Matter Experts in end-to-end audits to test AI risk controls.
باید تغییرات کسب‌وکار، مثلاً کاربرد تازهٔ AI، را دنبال کنید تا برنامهٔ حسابرسی عقب نماند، و متخصصان فنی را در طول حسابرسی هدایت کنید.
This includes identifying control weaknesses, sharing insights and recommendations for improvement, and supporting the team in preparing high-quality audit reports for Senior Management and the Board Audit Committee.
خروجی نهایی کار گزارشی است که ضعف کنترل‌ها و توصیه‌ها را برای مدیران ارشد و کمیتهٔ حسابرسی هیئت‌مدیره روشن می‌کند. کیفیت نوشتن به اندازهٔ کیفیت آزمون مهم است.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از حسابرس AI در یک گروه مالی بزرگ می‌دهد: کسی که هم سیستم‌های AI را از داده تا ایجنت می‌شناسد و می‌تواند آزمون مدل را دوباره اجرا کند، و هم نتیجه را برای هیئت‌مدیره قابل فهم می‌نویسد. نکتهٔ مهم برای تغییر مسیر این است که Macquarie تجربهٔ حسابرسی داخلی را شرط نگذاشته و از کسانی با سابقهٔ توسعه یا اعتبارسنجی مدل، مهندسی AI و علم داده دعوت کرده است. بازهٔ حقوق در آگهی اعلام نشده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
طبق گزارش «Assuring a responsible future for AI» وزارت علم، نوآوری و فناوری بریتانیا (DSIT، نوامبر ۲۰۲۴)، حدود ۵۲۴ شرکت در بریتانیا کالا و خدمات AI assurance عرضه می‌کنند که ۸۴ تای آن‌ها تخصصی‌اند؛ این شرکت‌ها حدود ۱٫۰۱ میلیارد پوند ارزش افزوده ایجاد می‌کنند و حدود ۱۲٬۵۷۲ نفر را به کار گرفته‌اند. گزارش برآورد می‌کند این بازار، اگر فرصت‌های رشد محقق شوند، تا ۲۰۳۵ می‌تواند از ۶٫۵۳ میلیارد پوند بگذرد. این بازار در تعریف DSIT هم خدمات مشاوره و فرایندی را در بر می‌گیرد و هم ابزارهای فنی ارزیابی سیستم‌های AI را، پس از حسابرسی وسیع‌تر است.
منبع: DSIT, Assuring a responsible future for AI (UK, Nov 2024)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
طبق جدول زمانی قانون AI اتحادیهٔ اروپا در سایت artificialintelligenceact.eu (به‌روزشده در اوت ۲۰۲۶)، الزامات سیستم‌های پرخطر فهرست Annex III از ۲ دسامبر ۲۰۲۷ و الزامات Annex I از ۲ اوت ۲۰۲۸ اعمال می‌شود.
Steve Soter از شرکت Workiva در گفت‌وگو با Fortune (مارس ۲۰۲۶) پیش‌بینی کرد که AI در سه تا پنج سال آینده معنای حسابرس بودن را از اساس تغییر می‌دهد.
DSIT بریتانیا برآورد کرده بازار AI assurance این کشور، اگر فرصت‌های رشد محقق شوند، تا ۲۰۳۵ می‌تواند از ۶٫۵۳ میلیارد پوند بگذرد.
بیشتر آگهی‌ها سطح مدیر و بالاتر را می‌خواهند، پس ورود مستقیم بدون سابقه در حسابرسی، ریسک یا مدل‌سازی دشوار است. بخش بزرگی از تقاضا هم در بانک‌ها و مؤسسه‌های حسابرسی متمرکز است و به مقررات آن‌ها وابسته است. از طرف دیگر، خود حسابرسی هم با AI تغییر می‌کند: SCOR و Macquarie استفاده از ابزارهای مبتنی بر AI برای بهبود کار حسابرسی را جزو انتظارات آورده‌اند، پس حسابرس باید هم AI را حسابرسی کند و هم با آن کار کند.
منابع
اطلاعات این صفحه در تاریخ ۱ آبان ۱۴۰۵ از این ۴۶ منبع بررسی شده است.
- Senior Manager - AI Risk Internal Audit — Macquarie Group, Sydney (job posting)
- Internal Audit Manager Model, Data and AI Risk — Macquarie Group, London (job posting)
- Senior Analyst - Model, Data and AI Risk Internal Audit — Macquarie Group (job posting)
- Associate Director - Model and AI Risk Audit — Macquarie Group (job posting)
- Senior Manager, AI Assurance & Audit — BMO (job posting)
- Director, Internal Audit AI Technology — Charles Schwab (job posting)
- Audit Manager, Model, Data and AI Audit — Scotiabank (job posting)
- Audit Manager, Internal Audit, Data, AI, Third Party and Project Risk — CIBC (job posting)
- Tech Audit Manager, VP — Data Management and AI — JPMorganChase (job posting)
- Audit Director - Artificial Intelligence — Standard Chartered (job posting)
- AVP, Audit Manager, Data, AI and Transformation Governance Audit — OCBC (job posting)
- Senior Tech, Data & AI Auditor — SCOR (job posting)
- Associate Director, Algorithm and AI Assurance — Deloitte UK (job posting)
- Senior Analyst | AI Assurance — Deloitte Australia (job posting)
- Consultant AI Assurance — PwC Deutschland (job posting)
- Senior Consultant - Technology Assurance - AI — KPMG Nederland (job posting)
- Technology Risk - Artificial Intelligence Auditor - Staff — EY GDS Spain (job posting)
- AI Audit Manager / Analyst — Warden AI (job posting)
- Internal Auditor - Data Security & AI — bunq (job posting)
- Experienced Associate Audit - AI Focus — Siemens (job posting)
- Audit Specialist - Artificial Intelligence — Schwarz Corporate Solutions (job posting)
- AI Governance & Audit Specialist — iShare (job posting)
- AI Model Assurance Analyst — TikTok USDS Joint Venture (job posting)
- Sr. Audit Manager - Model Risk CoE — RBC (job posting)
- Robert Half — IT Auditor salary, United States (2027 guide)
- ITJobsWatch — IT Auditor (UK)
- ITJobsWatch — IT Audit Manager (UK)
- Glassdoor — IT Audit Manager salaries in Canada
- DSIT — Assuring a responsible future for AI (Nov 2024)
- Fortune — Something big is changing in auditing (Mar 2026)
- EU AI Act — Implementation timeline (artificialintelligenceact.eu)
- The IIA — Three Lines Model (2020)
- The IIA — Global Internal Audit Standards
- The IIA — Artificial Intelligence Auditing Framework
- ISACA — Advanced in AI Audit (AAIA)
- NIST — AI Risk Management Framework
- NYC DCWP — Automated Employment Decision Tools (Local Law 144)
- Federal Reserve — SR 26-2, Revised Guidance on Model Risk Management
- Bank of England PRA — SS1/23 Model risk management principles for banks
- Raji et al. — Closing the AI Accountability Gap (arXiv, 2020)
- ForHumanity — Independent Audit of AI Systems
- Cathy O'Neil — Wikipedia
- ORCAA — O'Neil Risk Consulting & Algorithmic Auditing
- Deborah Raji — Wikipedia
- Miles Brundage — Wikipedia
- AVERI — AI Verification and Evaluation Research Institute