Veel toepassingen van data-analyse in de audit zijn erop gericht onzekerheid te reduceren. Een bekend voorbeeld is ‘full population testing’, waarbij auditors volledige datasets analyseren in plaats van steekproeven. Intuïtief lijkt dit te leiden tot betere oordelen: meer data zou immers gelijkstaan aan beter inzicht. Empirisch onderzoek schetst echter een genuanceerder beeld.

Li et al. (2025) laten zien dat accountants die werken met volledige datasets minder geneigd zijn om professioneel-sceptisch te reageren wanneer later op basis van aanvullende, meer geschikte externe informatie een frauderisico kan worden gesignaleerd. Dit suggereert dat auditors de toegenomen hoeveelheid bewijs verwarren met de geschiktheid van het bewijs (Li et al. 2025). Het gevoel ‘alles te hebben gezien’ kan zo de kritische evaluatie van bewijs ondermijnen.

Een verwant mechanisme treedt op bij het gebruik van audit data analytics (ADA) die door anderen zijn ontwikkeld. Li et al. (2026) tonen aan dat accountants minder sceptisch handelen wanneer zij een analyse ‘erven’ van een collega dan wanneer zij zelf betrokken zijn bij de ontwikkeling ervan. Dit effect wordt verklaard door een lager gevoel van psychologisch eigenaarschap. Transparantie over aannames, datakeuzes, en ontwerpbeslissingen mitigeert dit effect.

Opmerkelijk genoeg kan ook het tegenovergestelde optreden: accountants kunnen juist te weinig vertrouwen op AI. Commerford et al. (2022) zien dat accountants minder geneigd zijn om aanpassingen aan de klant voor te stellen wanneer tegenbewijs afkomstig is van een AI-systeem dan wanneer exact hetzelfde advies door een menselijke specialist wordt gegeven. Deze zogenoemde algorithm aversion wijst op een systematische onderwaardering van algoritmisch advies.

Gezamenlijk laten deze bevindingen zien dat AI geen eenduidig effect heeft op professioneel oordeel. Hetzelfde systeem kan leiden tot zowel overmatig als ondermaats vertrouwen. Het centrale probleem is daarmee niet technologische betrouwbaarheid, maar menselijke kalibratie: het vermogen om te bepalen wanneer algoritmische output richtinggevend is en wanneer deze kritisch moet worden bevraagd.

Professioneel oordeel in de audit is geen louter individueel cognitief proces. Het ontstaat in interactie: binnen controleteams, in reviewcycli en in communicatie met cliënten. AI beïnvloedt ook deze sociale dimensie van het controleproces.

Een hardnekkig probleem in de auditpraktijk is dat accountants – vooral op juniorniveau – relevante observaties niet altijd delen met hun team of leidinggevende. Dit hangt samen met onzekerheid over de interpretatie en relevantie van bevindingen. Shefchik Bhaskar et al. (2024) onderzoeken of generatieve AI deze dynamiek kan beïnvloeden.

In hun experiment krijgen auditors toegang tot een AI-systeem dat helpt om implicaties van observaties te verkennen. De AI geeft geen normatief oordeel, maar biedt context door mogelijke interpretaties en vervolgstappen te schetsen. Accountants met AI-ondersteuning blijken beter te kunnen bepalen wanneer observaties gedeeld moeten worden, en wanneer niet. AI fungeert hier niet als vervanger van professioneel oordeel, maar als cognitieve ondersteuning die het redeneringsproces verdiept.

De invloed van AI reikt verder dan de auditorganisatie en manifesteert zich in de interactie tussen auditor en cliënt. Estep et al. (2024) laten zien dat het gebruik van een auditor‑AI alleen effect heeft op verslaggevingsbeslissingen van managers wanneer de gecontroleerde organisatie zelf ook AI gebruikt. In dat geval accepteren managers grotere audit adjustments; zonder eigen AI‑gebruik maakt auditor‑AI geen verschil. Dit suggereert dat AI de overtuigingskracht van de auditor niet automatisch vergroot, maar pas werkt binnen een gedeeld technologisch referentiekader waarin expertise en legitimiteit wederzijds worden erkend.

Deze bevindingen onderstrepen dat professioneel oordeel een relationeel en contextafhankelijk fenomeen is. AI beïnvloedt niet alleen individuele beslissingen, maar ook de interacties waarin oordelen worden gedeeld, uitgedaagd en gelegitimeerd.

De meest verstrekkende implicaties van AI liggen op het niveau van de professie als geheel. AI is geen neutraal hulpmiddel dat eenvoudig aan bestaande praktijken kan worden toegevoegd, maar een technologie die bijdraagt aan een herontwerp van het beroep.

Een eerste implicatie betreft leren. Traditioneel ontwikkelen accountants hun expertise door middel van learning on the job (Westermann et al. 2015), waarbij routinematige taken en standaardprocedures een belangrijke rol spelen. Juist deze activiteiten worden in toenemende mate geautomatiseerd. Dit roept de vraag op hoe professionals nog oordeelsvermogen ontwikkelen wanneer de uitvoerende basis wegvalt (zie ook Samiolo et al. 2024).

Jarrahi et al. (2022) beschrijven de opkomst van hybrid intelligence, waarin menselijke en artificiële intelligentie complementair samenwerken. In zulke omgevingen verschuift het werk van het produceren van analyses naar het interpreteren, evalueren en contextualiseren van analytische output. Dit vraagt van accountants dat zij al eerder in hun loopbaan vaardigheden ontwikkelen die gericht zijn op het begrijpen en bevragen van systemen, in plaats van het uitvoeren van routinetaken. Wanneer deze overgang niet expliciet wordt ontworpen, dreigt verlies van cruciale leerervaringen.

Deze verschuiving raakt ook de wijze waarop prestaties worden beoordeeld. Veel beoordelingssystemen zijn nog steeds sterk gericht op technische uitvoering en productiviteit, met name op juniorniveaus. Daardoor ontstaat een paradox: professionals worden afgerekend op taken die AI steeds beter kan uitvoeren, terwijl vaardigheden zoals kritisch denken en het challengen van algoritmische output onvoldoende worden ontwikkeld en beloond.

Tot slot roept AI fundamentele vragen op over accountability. Shrestha et al. (2019) laten zien dat organisaties expliciet moeten ontwerpen hoe besluitvorming in mens-AI-systemen wordt ingericht. Zij onderscheiden verschillende besluitstructuren, variërend van volledige delegatie aan AI tot hybride vormen waarin mens en machine gezamenlijk beslissingen nemen. Onduidelijkheid over rolverdeling en verantwoordelijkheid kan leiden tot nieuwe risico’s, bijvoorbeeld doordat niemand zich volledig eigenaar voelt van de uitkomst. In een auditcontext, waar vertrouwen en verantwoordelijkheid centraal staan, is expliciete toedeling van verantwoordelijkheid daarom essentieel.

AI biedt aanzienlijke mogelijkheden om audits effic­iënter en consistenter te maken. Tegelijkertijd verandert de inzet van AI fundamenteel hoe professioneel oordeel tot stand komt. De centrale uitdaging ligt niet in technologische adoptie, maar in professioneel ontwerp: het doelbewust vormgeven van mens‑AI‑interactie, leerprocessen en accountabilitystructuren. Alleen wanneer het beroep daarin expliciete keuzes maakt, kan professioneel oordeel ook in een data‑gedreven context zijn richtinggevende rol behouden.