在人工智能加速推动商业转型的背景下，该技术已从辅助工具演变为影响企业治理、数据分析与决策的核心力量。在会计、审计与金融领域，人工智能海量数据、发现异常模式及自动化部分任务，为专业人士开辟了新路径。
黎巴嫩审计专家辛蒂亚·马拉赫（Sintia Merehj）专注于将AI应用于会计与审计实践，结合其专业经验与对现代技术的理解，致力于帮助机构以务实方式部署AI，强调治理、数据安全与风险管控。她创立的AIKIT LB平台旨在连接技术与真实职业需求，避免盲目追求前沿工具。
马拉赫指出，人工智能在内部审计中的核心价值体现在三方面：一是风险评估从依赖年度问卷转向基于数据信号的实时判断，使审计资源精准聚焦高风险环节；二是实现持续审计（continuous auditing），通过指标实时捕捉异常，使审计由事后审查转为过程伴随；三是显著节省人工时间，语言模型可高效完成文档阅读、摘要撰写与工作底稿整理，让审计师回归专业判断。
她强调：“工具仅提供线索，最终决定权仍属审计师。”AI提升了问题质量与可见范围，但报告签署责任不可转移。真正受益的企业是那些理解这一平衡关系的机构。
关于人工智能治理（AI Governance），马拉赫定义其为对四个关键问题的书面回应：谁拥有使用权限？在何种边界内？谁负责监督结果？谁在出错时担责？她建议企业建立AI使用记录清单，因为多数机构在盘点时才发现已在未授权场景中使用AI。
她指出，AI进入企业常通过“影子AI”（shadow AI）形式——员工私自使用通用工具处理客户数据、财务信息或合同草案，而机构对此毫无知觉。生成式模型可能给出看似确信却错误的答案，根源往往在于提问不完整。治理必须确保人类在关键节点进行有效审查。
监管层面，ISO/IEC 42001、NIST AI风险管理框架及欧盟AI法案等已建立统一标准。即便在黎巴嫩尚无专门立法，现有电子交易与个人数据保护法也适用于AI处理的数据。国际合作伙伴或资助方迟早会要求合规证明，提前构建治理框架远比被动应对更可持续。
马拉赫特别强调内部审计的双重角色：既要自身应用AI，也要向董事会独立验证组织的AI治理机制是否健全，这将成为未来审计职能的关键区分点。
在AI时代，内部审计与IT审计的界限已模糊。当模型承担交易分类、客户风险评估或会计分录建议时，财务与技术问题合二为一：能否信任该输出？为何可信？审计需覆盖三个层面：通用IT控制（如访问管理、变更管理）、数据治理以及模型本身治理。其中，模型变更不仅包括代码更新，还涉及提示词（prompt）、参数设置与训练数据调整。
她列出六大关键数字风险：数据泄露（输入内容存储位置与用途不明）、盲目依赖输出、模型偏见（长期累积性偏差）、模型漂移（现实数据与训练数据脱节）、针对性攻击（如提示注入）、单一供应商依赖。她提醒：若无法追溯某项决策的AI路径，则构成严重审计缺陷。
在咨询领域，马拉赫认为价值重心已从“懂技术”转向“懂业务”。她创办的AIKIT LB并非单纯技术销售，而是基于真实审计案例的经验传递。她主张咨询应聚焦三方面：识别真正耗时且可被AI优化的重复性流程；同步建立治理框架而非事后补救；赋能团队自主决策能力。
她直言：“审慎采纳初期较慢，但长期更快。急于全面自动化者，往往半年后不得不返工修复。”
面对市场众多AI工具，她提出五项选择标准：第一，数据主权优先——明确数据存储地、是否用于模型训练、能否删除，并确认服务协议与数据处理协议清晰；第二，匹配实际需求而非幻想场景，必须用真实业务任务测试工具表现；第三，透明度与可审计性——工具须保留操作日志，支持全过程追溯；第四，企业级控制机制——包括权限管理、身份系统集成与使用限制配置；第五，总拥有成本考量——涵盖培训、集成、人工复核及未来迁移成本。
最后，她强调：衡量价值的关键是设定单一量化指标（如节省工时、发现错误数、处理周期缩短），并在使用前后同一时间段对比。若三个月后指标未改善，则需审视工具本身或使用方式。
最终，最合适的AI工具并非最强或最流行，而是团队能理解其边界、在边界内建立信任并愿意承担其产出责任的那一个。