“Denetçinin masasına oturan yeni stajyer uyku uyumaz, kahve ısmarlamaz ve hiçbir zaman işten ayrılmayı düşünmez. Ama ne zaman yanılacağını da kendisi söylemez…’’
Stajyerin İlk Günü: Bir Senaryo
Sabah 07.55. Bir PKF üye firmasının ofisinde ekip toplantısı başlamak üzere. Masada üç denetçi, bir müdür ve açık duran iki ekran var. Ekranlardan birinde müşteri şirketin — orta ölçekli bir üretim firması — son üç yılına ait 1,2 milyon satırlık ham işlem kaydı görünüyor. Ekip bu dataları düzenleyip, ilgili kriterleri belirleyerek örneklem seçmesi için plan yapıyor, ancak ekibin kıdemli üyesi yeni stajyerimiz ile çoktan durumu analiz etmiş ve görevlendirmeyi yapmış bile. Yapay zekâ destekli denetim platformunun/çalışma kağıdının yaklaşık 10 dakika da çalışarak ürettiği rapor, yani bizim yeni stajyerimiz. 147 işaretli kriterler takılan hesap kalemi, 4 yüksek riskli hesap kalemi, 12 olası ilişkili taraf işlemi örneklemi. Müdür ekrana bakıyor, sonra takımına: ‘Güzel bir sabah. Peki bu 147’nin hangisini gerçekten sorgulamalıyız?’ diyerek aslında herkesin kafasındaki bu derin konuya dikkatleri çekiyor.
Bu soru, bugün küresel ölçekte binlerce denetim ekibinin rutin sabahlarına yerleşmiş durumda. Yapay zekâ (YZ) araçları, bağımsız denetim süreçlerine o kadar hızlı nüfuz etmiştir ki artık konu ‘YZ kullanmalı mıyız?’ değil; ‘YZ’yı nasıl doğru kullanmalıyız ve standartlar bizi nereye kadar götürüyor?’ şeklinde biçimlenmektedir.
Bu makalenin amacı, o soruyu çeşitli boyutlarıyla ele almaktır: Geleneksel dijital denetim araçlarından YZ’yı ayıran gerçek fark nedir? YZ hangi denetim testlerine somut katkı sunmaktadır? Denetçi verilerini bir YZ platformuna yüklediğinde hangi gizlilik ve bağımsızlık riskleriyle karşı karşıya gelir? Ve en kritik soru: YZ mesleki yargının önüne geçebilir mi? Uluslararası Denetim Standartları (ISA), Türkiye’de KGK tarafından yayımlanan Bağımsız Denetim Standartları (BDS) ve güncel akademik bulgular çerçevesinde yanıtlar aranacaktır.
Bir Nesil Önce: Dijital Araçlar Ne Yapıyordu?
Yapay zekânın gündemin tepesine oturması, denetimin dijitalleşmesinin ilk adımı değildir. IDEA, Analytics ve benzeri platformlar, yüz binlerce işlem satırını önceden tanımlanmış kurallara göre filtreleyerek çok kısa bir süre içinde olmasa da örneklem seçimini yapabiliyordu. BDS 530 — Denetimde Örnekleme’nin öngördüğü istatistiksel örnekleme prosedürleri, bu araçlarla çok daha sistematik ve belgelenebilir hale geldi.
Ama bu araçların temel mantığı, ‘kural tabanlı’ çalışmaktı: denetçi neyin anormal sayılacağını yani ilgili kriterleri tanımlıyor, araç bu tanıma uyanları seçiyordu. Bu şeffaf ve belgelenebilir bir süreçti; BDS 230 — Denetimde Belgeleme açısından iz bırakması da nispeten kolaydı. Ancak aynı mantık, bir sınırı da beraberinde taşıyordu: daha önce hiç tanımlanmamış bir anomaliyi, kurallar listesinde yer almayan bir sapma örüntüsünü bu araçlar göremiyordu.
Müdürün kendi sözleriyle: ‘On yıl önce bu programlar bize hız verdi. Bir haftada yapacağımız taramayı bir günde bitiriyorduk. Ama ne tarayacağımıza biz karar veriyorduk. Bugün YZ bize neye bakacağımız konusunda da öneri sunuyor — ve bu, oyunun kurallarını değiştiriyor.’
Tablo 1: Geleneksel Dijital Araçlar ile YZ Destekli Araçların Karşılaştırması
| Denetim Teknolojisi Karşılaştırma Matrisi | ||
| Kontrol Noktası | Geleneksel Denetim | YZ Destekli Denetim |
| Veri türü | Yalnızca yapılandırılmış | Yapılandırılmış + metin + belge |
| Anomali tespiti | Önceden tanımlı eşikler | Bağlamsal örüntü öğrenmesi |
| Metin analizi | Mevcut değil | Sözleşme, tutanak, e-posta analizi |
| Öğrenme kapasitesi | Statik (güncelleme gerekir) | Dinamik — yeni veriden gelişir |
| Risk önceliklendirme | Tek kural filtresi | Çok değişkenli sıralama |
| Hile tespiti | Bilinen örüntüler | Hem bilinen hem yeni örüntüler |
| Şeffaflık / iz | Yüksek (kural görünür) | Sınırlı (kara kutu riski) |
| Veri güvenliği riski | Düşük (yerel çalışır) | Orta-Yüksek (bulut işleme) |
Kaynak: Yazar derlemesi; Schmitz & Leoni (2019), IAASB Technology Working Group (2023) esas alınarak hazırlanmıştır.
Stajyerin Güçleri: YZ Denetimde Gerçekte Ne Yapıyor?
Örneklemenin Dönüşümü ve BDS 530
BDS 530 — Denetimde Örnekleme, istatistiksel örneklemin tasarımını ve sonuçlarının yorumlanmasını denetçinin sorumluluğuna bırakır. Geleneksel yaklaşımda bu sorumluluk, hangi işlemlerin örnekleme dahil edileceğini belirleme aşamasında insan yargısına dayanıyordu. YZ, bu sürecin ilk katmanını dönüştürmektedir: tüm işlem evrenini makine öğrenmesi ile tarar, örüntüsel anormallikleri saptar ve denetçiye ‘şu alanlara odaklan’ önerisi sunar.
Örneklemenin yerini almıyor; örnekleme tasarımını daha sağlam bir zemine oturtuyor. Denetçi artık yalnızca ‘şunları tara’ demek yerine ‘algoritma şunu vurguladı, bunu neden vurguladığını incele’ diyebiliyor. Bu, BDS 530’un öngördüğü risk odaklı örnekleme anlayışıyla doğrudan uyumlu gözüküyor.
Analitik Prosedürlere Yeni Derinlik: BDS 520
BDS 520 — Analitik Prosedürler, denetçinin finansal bilgiler arasındaki makul ilişkileri değerlendirirken bu yöntemi hem bir risk değerlendirme aracı hem de denetim kanıtı elde etme yolu olarak kullanmasına olanak tanır.
Geleneksel yaklaşımda analitik prosedürler çoğunlukla oran analizi ve sektör kıyaslamalarından ibaretti. YZ, bu prosedürlere yeni bir boyut katmaktadır: yüzlerce değişkeni eş zamanlı modelleyerek ‘beklenen’ finansal davranışı tahmin edebilir ve gerçekleşen ile tahmin edilen arasındaki anlamlı sapmaları hassasiyetle işaretleyebilir ve ilgili araştırmaları yaparak bu değişimlerin sektörü ile ilgili nedenlerini saniyeler içerisinde analiz edip dokümante edebilir. Bir perakende zincirinin stok devir hızını yalnızca sektör ortalamasıyla değil; şube bazlı mevsimsel diziler, tedarikçi teslim süreleri ve makroekonomik göstergelerle ilişkilendiren bir YZ modeli, geleneksel oran analizinin asla gösteremeyeceği bir kırmızı bayrak kaldırabilir.
Doğal Dil İşleme: Sözleşmeler ve Belgeler Konuşuyor
Büyük dil modellerinin denetim sürecine en özgün katkısı, yapılandırılmamış metin analizi alanındadır. Yüzlerce sayfalık kredi sözleşmesi, yönetim kurulu toplantı tutanağı, hukuki yazışma ve iç e-posta, kısa sürede özetlenip risk açısından sınıflandırılabilmektedir.
BDS 315 — Önemli Yanlışlık Risklerinin Belirlenmesi ve Değerlendirilmesi çerçevesinde bu kapasite, özellikle ilişkili taraf işlemlerinin tespiti, koşullu borçlar ile taahhütlerin belirlenmesi ve gelir tanıma politikalarının tutarlılığının sorgulanmasında kritik değer taşımaktadır. ‘On yıl önce stajyerlerimiz sözleşmeleri gece boyu okurdu,’ diyen müdür, YZ’nın bu işi iki veya üç dakikada yaptığını kabul ediyor. Ama hemen ekliyor: ‘Müşterinin neden o sözleşmeyi imzaladığını, karşı tarafla hangi güç dengesini kurduğunu, sözleşme maddesinin fiilen nasıl uygulandığını anlamak için hâlâ biz masaya oturuyoruz.’
Kontrol Testleri ve BDS 330: Sürekli Bir Göz
BDS 330 — Değerlendirilmiş Risklere Denetçinin Yanıtları, kontrol testlerini ve töz testlerini denetçinin risk değerlendirmesiyle uyumlu biçimde tasarlamasını şart koşar. Geleneksel yaklaşımda kontrol etkinliği belirli bir dönem için örneklem üzerinden test edilirdi.
YZ, özellikle kontrol testlerinin süreklilik boyutunda özgün bir katkı sunar: ilgili dönemin tüm işlem evrenini tarayarak bir kontrol mekanizmasının yıl boyunca her noktada işleyip işlemediğini sorgulamayı teknik olarak mümkün kılmaktadır. Aynı zamanda ‘sürekli denetim’ (continuous auditing) modelini de gerçekçi bir seçenek haline getirmektedir. BDS 265 — İç Kontroldeki Eksikliklerin Yönetim ve Üst Yönetime Bildirilmesi kapsamında bu, daha hızlı tespit, daha hızlı bildiri ve daha titiz belgeleme demektir.
Stajyere Neyi Anlatıyoruz? Veri Gizliliği ve Paylaşım Riskleri
Sorunun Anatomisi: Müşteri Verisi Nereye Gidiyor?
Müdür, YZ platformuna ilk müşteri verisi paketini yükleyeceği gün bir an durdu. Aklındaki soru basit ama derin bir içgüdüden kaynaklanıyordu: ‘Bu veriyi kime teslim ediyorum?’ Platform sağlayıcısının veri işleme sözleşmesi sekiz sayfaydı; altı sayfası sorumluluk sınırlamalarıyla doluydu.
Bu sezgi, bağımsız denetimde YZ kullanımının en az tartışılan ama en acil riskini işaret etmektedir. Denetim sürecinde işlenen veriler kamuya açık bilgiler değildir: müşteri şirketin henüz yayımlanmamış finansal sonuçları, stratejik kararları, ilişkili taraf ilişkileri ve personel bilgileri bu kapsama girebilir. Bir YZ platformuna yüklenen bu verinin nerede işlendiği, kimin erişebildiği ve model eğitiminde kullanılıp kullanılmadığı — standartların henüz tam yanıtlamadığı ama mesleki sorumluluğun görmezden gelemeyeceği sorulardır.
IESBA, KVKK ve Mesleki Gizlilik
IESBA Etik Kuralları (Code of Ethics for Professional Accountants), gizliliği temel mesleki değerlerden biri olarak tanımlar: denetçi, mesleki ilişki çerçevesinde edindiği bilgileri yalnızca belirlenen amaçlar doğrultusunda kullanabilir; üçüncü taraflarla ancak yasal izin veya müşteri onayı çerçevesinde paylaşabilir. Bir YZ platform sağlayıcısı, hukuki tanımı itibarıyla ‘üçüncü taraf’tır. Dolayısıyla bu platforma yüklenen veri, IESBA’nın gizlilik ilkesi kapsamında değerlendirilmek zorundadır (IESBA, 2021).
Türkiye boyutunda, 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK), kişisel nitelikli verilerin yurt dışına aktarılması ve üçüncü taraflarla paylaşılmasını belirli şartlara bağlamaktadır. Bir YZ platformunun bulut altyapısının hangi ülkede konumlandığı, dolayısıyla hangi hukuk düzeninin geçerli olduğu, denetim firmasının platform seçim aşamasında sorgulaması gereken kritik bir bilgidir.
Model Eğitimi Riski: Veri İçeride Kalıyor mu?
Büyük dil modellerinin bilinen bir özelliği, sunulan verilerden öğrenerek model ağırlıklarını güncelleyebilmesidir. Bu ‘model eğitimi’ riski, denetim bağlamında özel bir önem taşır: A şirketine ait finansal verilerden öğrenen bir YZ modelinin, B şirketinin denetiminde bu öğrenimden dolaylı yararlanması — teorik düzeyde bile olsa — ciddi bir gizlilik ihlali ve potansiyel rekabet avantajı aktarımı anlamına gelir.
Kurumsal YZ platformlarının çoğu, müşteriye özel verilerin model eğitimine dahil edilmediğini teknik güvencelerle desteklemektedir. Ancak bu güvencelerin doğrulanması, sözleşme incelemesinin ötesinde bağımsız teknik denetim gerektirmektedir. IAASB Teknoloji Çalışma Grubu (2023), denetim firmalarının YZ sağlayıcılarından yazılı veri yalıtım güvencesi talep etmesi gerektiğini vurgulamaktadır.
Pratik kontrol listesi — Platform seçim aşamasında sorgulanması gereken minimum başlıklar: (1) Veriler hangi ülke/bölge sunucularında işleniyor? (2) Müşteri verisi model eğitimine dahil ediliyor mu? (3) Veri ihlali durumunda bildirim süresi ve sorumlu taraf kim? (4) Veri silme/imha prosedürü nasıl işliyor? (5) KVKK ve/veya GDPR uyumu nasıl belgeleniyor? ISQM 1 kapsamında bu kontrol listesinin firmanın kalite yönetim politikasına yansıtılması zorunludur.
Stajyerin Yapamadığı Tek Şey: Yargı
Mesleki Şüphecilik Neden Kodlanamaz?
BDS 200 — Bağımsız Denetçinin Genel Amaçları, mesleki şüpheciliği ‘sorgulayıcı bir zihin durumu’ olarak tanımlar. Bu tanım, teknik bir gerekliliğin çok ötesinde epistemik bir tutumu ifade etmektedir: deneyimli denetçi, bilgiyi almaz — bilgiyi sorgular. Müşteri yönetiminin açıklamasındaki tutarsızlığı sezebilir; finansal tablodaki rakamla işletmenin fiili durumu arasındaki uyumsuzluğu hissedebilir; sorulan soruya verilen yanıtın aslında konuyu kapatmadığını fark edebilir.
Bu ‘zihin durumu’ bir algoritmaya devredilebilir mi? Akademik bulgular olumsuz yönde konuşuyor. Abbott ve diğerleri (2022), büyük dil modellerinin muhasebe yargısı gerektiren sorularda uzman denetçilere kıyasla yüzde otuz ile elli arasında daha düşük performans sergilediğini saptamıştır. Fark, özellikle nüanslı muhakeme, sektöre özgü bağlam ve sosyal bağlam okuma gerektiren durumlarda belirginleşmektedir.
Müdürün o sabah toplantısındaki sorusu — ‘147’nin hangisini gerçekten sorgulamalıyız?’ — işte tam bu sınırı ifade ediyordu. YZ 147 anomali işaretledi; yalnızca 9’u gerçekten mesleki yargıyı gerektiren risk noktasıydı. O 9’u seçmek, on beş yıllık deneyimin işiydi.
Hile Şüpheciliğinin Sınırı: BDS 240
BDS 240 — Hileye İlişkin Sorumluluklar, denetçiyi yalnızca bilinen hile örüntülerine karşı değil; her denetimde taze bir gözle hile olasılığını değerlendirmeye davet eder. YZ, anomali tespiti konusundaki kapasitesiyle bu standardın uygulanmasına güçlü destek sunmaktadır. Ancak standart yalnızca tespiti değil; niyetin değerlendirilmesini de kapsar.
YZ, geçmiş veriden öğrenir. Eğer hileci geçmiş dönemde de aynı yöntemi kullanmışsa — yani hatalı örüntü modelin ‘normal’ tanımına girmişse — YZ onu fark edemez. Akademik yazında ‘algorithmic gaming’ (algoritmik oyunu bozma) olarak adlandırılan bu risk, henüz yeterince araştırılmamış kritik bir alan olmaya devam etmektedir. Daha da önemlisi: kasıt unsurunun tespiti, davranışsal zekâ ve bağlam okuma gerektirmektedir — bu, mesleki şüpheciliğin en insani boyutudur.
BDS 620: Uzmanı Kim Yönetir?
BDS 620 — Uzman Çalışmasının Kullanımı, denetçinin belirli teknik alanlarda uzman desteğinden yararlanabileceğini; ancak uzman çıktısını bağımsız biçimde değerlendirmekle yükümlü olduğunu açıkça hüküm altına alır. Bu standart, YZ araçlarının denetim sürecindeki konumunu çerçevelemek için en doğrudan başvuru noktasıdır.
Schmitz ve Leoni (2019), YZ araçlarının BDS 620 kapsamında ‘denetçinin uzmanı’ sınıfında değerlendirilebileceğini savunmakta; bu durumda denetçinin YZ’nın yeterliliğini, nesnelliğini ve güvenilirliğini ayrıca sorgulamasının zorunlu olduğunu vurgulamaktadır. Bu yükümlülük, veri gizliliği soruları ile kesişmektedir: güvenilirliği sorgulanacak uzmanın müşteri verilerini nasıl işlediği de bu sorgunun bir parçasıdır.
BDS 500 ve Kanıt Kalitesi: YZ Çıktısı Kanıt Sayılır mı?
BDS 500 — Denetim Kanıtı, elde edilen kanıtın yeterli (sufficiency) ve uygun (appropriateness) olmasını şart koşar. Yeterlilik miktar meselesidir; uygunluk ise ilgililik ve güvenilirlik meselesidir. Bir YZ çıktısının denetim kanıtı olarak kabul edilebilmesi için bu iki ölçütü de karşılaması gerekmektedir.
Büyük dil modellerinin ‘hallüsinasyon’ olarak adlandırılan özelliği — gerçekte olmayan veriyi varmış gibi sunabilmesi — bu değerlendirmeyi kritik kılmaktadır. Denetçi, YZ’nın çıktısını almakla değil; onu kaynak verisi, metodoloji ve güvenilirlik açısından ayrıca değerlendirmekle yükümlüdür. BDS 230 — Denetimde Belgeleme ise bu değerlendirme sürecinin çalışma kâğıtlarına şeffaf biçimde yansıtılmasını zorunlu kılmaktadır.
“YZ bana 147 işaret verdi. Ben bunların 9’unun gerçekten önemli olduğuna karar verdim. Geri kalanı muhasebe politikası farklılığıydı, sektörel mevsimsellikti ya da müşterinin açıklamasıyla anlam kazanan bir durumdu. O 9’u seçmek — on beş yıllık deneyimin işiydi. Algoritmanın değil.”
Standartlar Bu Ortaklığı Nasıl Çerçeveliyor?
ISQM 1: Kalite Artık Algoritmayı da İçeriyor
ISQM 1 — Kalite Yönetim Standardı, denetim firmalarının kalite yönetim sistemlerini kurmasını ve sürdürmesini zorunlu kılmaktadır. YZ araçlarının denetim süreçlerine entegrasyonuyla birlikte bu standardın fiili kapsamı genişlemektedir: firmanın YZ platformlarını nasıl seçtiği, test ettiği, veri güvenliğini nasıl sağladığı, çıktıları nasıl denetlediği ve tüm bu süreci nasıl belgelediği artık kalite yönetim sisteminin ayrılmaz bir parçasıdır.
KGK’nın 2024 Kalite Güvence Raporu bu beklentiyi açıkça yansıtmaktadır: denetim firmalarından teknoloji kullanımına ilişkin yazılı iç politika ve prosedür beklenmekte; kalite güvence sürecinde bu belgelerin sunulması talep edilmektedir (KGK, 2024). Bu durum, firmalar için yalnızca bir teknik uyum meselesi değil; YZ araçlarının denetim süreçlerine entegrasyonuna ilişkin kurumsal bir tutum geliştirme zorunluluğu anlamına gelmektedir.
BDS 315 Revizyonu: Teknoloji Artık Riskin Kendisi
ISA 315 — Önemli Yanlışlık Risklerinin Belirlenmesi ve Değerlendirilmesi’nin 2021 revizyonu, bilgi sistemleri ve teknoloji ortamını risk değerlendirmesinin ayrılmaz bir bileşeni olarak açıkça tanımlamaktadır. Bu revizyon, hem denetlenen şirketin teknoloji altyapısının hem de denetim firmasının kullandığı teknoloji araçlarının risk değerlendirmesine dahil edilmesini zorunlu kılmaktadır.
Pratik yansıması şudur: Artık ‘Müşteri ERP’si ne kadar güvenilir?’ sorusunun yanı sıra ‘Bizim YZ platformumuz ne kadar güvenilir ve bu güvenilirliği nasıl belgeliyoruz?’ sorusu da denetim planlamasının gündemine girmek zorundadır.
Mesleğin Geleceği: Stajyer Büyümez, Ama Denetçi Büyür
Yapay zekânın denetim mesleğini ortadan kaldıracağı endişesi, verilerle desteklenmiyor. World Economic Forum (2023), denetim ve muhasebe alanındaki görevlerin yaklaşık yüzde kırk üçünün otomasyona açık olduğunu tahmin etmektedir. Aynı rapor, her görev kaybının yanı sıra yeni roller ve görevler de doğduğunu; net istihdam etkisinin belirsizliğini koruduğunu vurgulamaktadır.
Ortaya çıkan tablo şudur: YZ rutin veri işlemeyi üstlenirken, denetçi daha yüksek değer katan, yargı ve bağlam gerektiren rollere kayıyor. Risk değerlendirme toplantılarına daha hazırlıklı gidiliyor, müşteri yönetimiyle daha derinlikli sorular konuşuluyor, mesleki yargı kararları daha geniş bir veri zeminine dayanıyor. Bu kayış mesleği küçültmüyor — olgunlaştırıyor.
Öne çıkan yetkinlik seti: veri analitiği okuryazarlığı, algoritma değerlendirme kapasitesi, siber güvenlik ve KVKK uyum bilgisi, YZ çıktısını BDS 500 kapsamında kanıt değerlendirmesine tabi tutabilme becerisi ve BDS 620 kapsamında YZ’yı ‘uzman’ olarak yönetebilme yetkinliği. Bu beceriler geleneksel denetim eğitimine ek katmanlar değil; mesleğin yeni omurgasıdır.
Kapanış: İmza Hâlâ İnsanın
O sabah toplantısı sona erdiğinde müdür, ekrana bir kez daha baktı. 147 anomalinin 9’u mesleki yargı gerektiriyordu; 9’undan 2’si gerçek bir risk barındırıyordu. YZ bu iki riski de işaretlemişti — ama aradaki 145 gürültünün içinde. Gürültüyü süzmek, bağlamı okumak, müşteriyle masaya oturup ‘bunu bize açıklar mısınız?’ demek ve yanıtın yeterliliğini tartmak — bunların tamamı insanın işiydi. Bugün de, yarın da.
Geleneksel dijital araçlar denetime hız kazandırdı. Yapay zekâ derinlik katıyor. Geleneksel araçlar tanımlananı buluyordu; YZ tanımlanmayanı da görebiliyor. Geleneksel araçlar şeffaf çalışıyordu; YZ zaman zaman kara kutu kalıyor. Geleneksel araçlar veriyi yerel tutuyordu; YZ veriyi buluta taşıyor. Bu farkların her biri denetçi için hem bir fırsat hem de yeni bir sorumluluk alanıdır.
BDS 200 makul güvenceyi mesleki yargıyla özdeşleştirmektedir. BDS 240 hile şüpheciliğini bir zihinsel tutum olarak tanımlamaktadır. BDS 500 kanıtın denetçi tarafından değerlendirilmesini şart koşmaktadır. BDS 530 örneklem tasarımını insana bırakmaktadır. BDS 620 uzman çıktısını değerlendirme yetkisini denetçide tutmaktadır. ISQM 1 kalite sorumluluğunu firmaya yüklemektedir. IESBA gizliliği mesleğin temel değeri olarak konumlandırmaktadır.
Bu standartların hiçbirinin algoritma adresi yoktur. Zira adres, her zaman imza atan insanda kalmıştır.
Denetim raporunun altındaki imza, bugün de yarın da insanın imzasıdır. Bu imza; bir algoritmanın çıktısını değil, o çıktıyı sorgulayan, müşteri verisini koruyan, bağımsızlığını gözeten ve mesleki sorumluluğuyla onaylayan bir zihnin ürününü temsil eder. Yapay zekâ bu zihnin yükünü hafifletebilir, veriyi zenginleştirebilir, hızını artırabilir — ama yargıyı taşıyamaz. Standartlar bunu biliyor. Meslek bunu biliyor. Şimdi sıra, bütün dijitalleşme tartışmalarının da bunu bilmesinde.
Kaynakça
Abbott, L. J., Daugherty, B. E., Parker, S. ve Peters, G. F. (2022). Internal Audit Quality and Financial Reporting Quality: The Joint Importance of Independence and Competence. Journal of Accounting Research, 60(1), 199–237. https://doi.org/10.1111/1475-679X.12393
Caras, A., Lungu, C. I. ve Dascălu, C. (2021). Continuous Auditing in the Era of Artificial Intelligence. Accounting and Management Information Systems, 20(1), 38–62.
Deloitte. (2022). Argus: Cognitive audit analytics platform. Deloitte Touche Tohmatsu Limited. https://www.deloitte.com
IAASB — International Auditing and Assurance Standards Board. (2021). International Standard on Auditing 315 (Revised 2019): Identifying and Assessing the Risks of Material Misstatement. IFAC.
IAASB — International Auditing and Assurance Standards Board. (2023). Technology Working Group Progress Report. IAASB Publications.
IESBA — International Ethics Standards Board for Accountants. (2021). International Code of Ethics for Professional Accountants (including International Independence Standards). IFAC.
KGK — Kamu Gözetimi, Muhasebe ve Denetim Standartları Kurumu. (2023). Bağımsız Denetim Standartları (BDS): BDS 200, 230, 240, 265, 315, 330, 500, 520, 530, 620. https://www.kgk.gov.tr
KGK — Kamu Gözetimi, Muhasebe ve Denetim Standartları Kurumu. (2024). Kalite Güvence Raporu. KGK Yayınları.
KGK — Kamu Gözetimi, Muhasebe ve Denetim Standartları Kurumu. (2022). ISQM 1 — Kalite Yönetim Standardı (Denetim Firmaları için). KGK Yayınları.
KPMG. (2023). KPMG Clara: Smart audit platform. KPMG International. https://home.kpmg/xx/en/home/services/audit/kpmg-clara.html
PKF Global. (2024). Digital Transformation in Audit: A Member Firm Perspective. PKF International Publications.
Schmitz, J. ve Leoni, G. (2019). Accounting and Auditing at the Time of Blockchain Technology: A Research Agenda. Australian Accounting Review, 29(2), 331–342. https://doi.org/10.1111/auar.12286
T.C. Cumhurbaşkanlığı. (2016). 6698 Sayılı Kişisel Verilerin Korunması Kanunu. Resmî Gazete, Sayı: 29677.
World Economic Forum. (2023). Future of Jobs Report 2023. WEF Publications.
