Sikker bruk av AI i revisjon — GDPR, hallusinasjoner og dokumenterbar praksis

Store språkmodeller er attraktive i revisjon — sammendrag, utkast, kontroll av vilkår — men introduserer tre risikoer samtidig: dataavgang til tredjepart, hallusinasjoner i rettslige tekster og manglende etterprøvbarhet. Vi gjennomgår krav fra GDPR og retningslinjer fra Finanstilsynet og Datatilsynet, og foreslår en arbeidsflyt der KI støtter — men ikke erstatter — revisor.

Sammendrag

Revisjonsselskaper har tatt i bruk store språkmodeller raskere enn de fleste andre bransjer, drevet av en klar driftsmessig gevinst — sammendrag av lange dokumenter, utkast til kommentarer, kryssjekk av vilkår mot standarder. Samtidig introduserer teknologien tre nye risikoer som ikke fantes i den klassiske revisjonsprosessen: dataavgang til tredjepart, hallusinasjoner i rettslige og regnskapsmessige henvisninger, og manglende etterprøvbarhet av hvordan et AI-forslag ble til. Denne artikkelen gjennomgår de tre risikoene mot bakgrunn av GDPR, Finanstilsynets forventninger til teknologirisiko og Datatilsynets føringer for KI, og foreslår en arbeidsflyt der KI støtter revisoren uten å erstatte faglig vurdering og uten å skape etterlevelsesproblemer. Målgruppen er partnere, teknologiansvarlige og kvalitetssjefer i revisjonsselskaper som står foran valget mellom hurtig innføring og dokumenterbar praksis.

Nøkkelord: AI i revisjon, GDPR, hallusinasjoner, Finanstilsynet, Datatilsynet, revisorloven, dedikert infrastruktur, revisjonsspor.

1. Hvorfor dette temaet nå

Mellom 2023 og 2026 har revisjonsbransjen beveget seg fra forsiktig eksperimentering med språkmodeller til bred operativ bruk. De fire store internasjonale revisjonsselskapene har alle rullet ut AI-verktøy for sine medarbeidere; mellomstore og mindre norske selskaper følger etter, enten gjennom kommersielle Microsoft/OpenAI-abonnementer eller gjennom bransjespesifikke løsninger.

Driveren er klar: en revisor bruker typisk 30–50 % av sin tid på dokumentgjennomgang og tekstproduksjon, aktiviteter der et språkmodell kan redusere tidsforbruket betydelig. Når én medarbeider i et team på fem sparer én time om dagen, akkumuleres det til nesten en hel ekstra stilling per år per team.

Problemet er at innføringen har gått raskere enn den dokumenterbare praksisen. Finanstilsynet har gjennom sine Rundskriv om bruk av IKT i revisjon og Prioriteringer for tilsyn varslet økt oppmerksomhet mot teknologirisiko i revisjonsbransjen. Datatilsynet har publisert generelle veiledninger om KI og personopplysninger som gjelder også for revisjon. Revisorforeningen har tatt opp temaet i flere fagartikler, men bransjen venter fortsatt på en konsolidert praksisveileder.

Denne artikkelen bidrar til denne diskusjonen fra et operativt perspektiv: hva kan et revisjonsselskap gjøre nå, uten å vente på en formell veileder, for å ta i bruk KI på en måte som holder for en etterfølgende tilsynskontroll.

2. De tre risikoene

2.1 Dataavgang til tredjepart

Den første og vanligste risikoen er den enkleste å beskrive og den vanskeligste å stoppe. En revisor kopierer et klientdokument — en rapport, en kontrakt, en regnskapsnote — inn i prompten til en kommersiell AI-tjeneste for å få et sammendrag. Med dokumentet går klientens personopplysninger, kommersielt sensitiv informasjon og metadata ut til en leverandør som ofte sitter utenfor EØS.

Selv om leverandøren avtalemessig forplikter seg til ikke å trene på dataene, er overføringen i seg selv en behandlerendring etter GDPR artikkel 28, og en overføring til tredjeland etter artikkel 44 ff. Standard kontraktsklausuler er ikke tilstrekkelige i alle tilfeller, særlig ikke etter Schrems II-dommen fra EU-domstolen.

Konsekvensen for revisjonsselskapet: brudd på databehandleravtalen med klienten, brudd på taushetsplikten etter revisorloven § 9-6, og potensielle sanksjoner fra Datatilsynet.

2.2 Hallusinasjoner i rettslige og regnskapsmessige henvisninger

Språkmodeller produserer med jevn pålitelighet oppdiktede henvisninger når de blir bedt om juridiske eller tekniske detaljer de ikke egentlig vet. I en revisjonskontekst manifesterer dette seg som:

• Oppdiktede paragrafer i regnskapsloven, bokføringsloven eller skatteloven,
• Feilaktige IFRS- eller GRS-referanser, med riktig format men feil innhold,
• Ikke-eksisterende uttalelser fra Norsk RegnskapsStiftelse eller Finanstilsynet,
• Oppdiktede saker fra Høyesterett eller lagmannsrettene.

Formatet på disse feilsvarene er plausibelt — korrekt paragrafnummerering, troverdig språk, logisk sammenheng — og den stressede revisor på vei mot en frist leser ikke alltid alle henvisninger i detalj. Konsekvensen er en revisjonsberetning eller et notat som støtter en konklusjon på et oppdiktet rettsgrunnlag. Oppdagelsen av dette i etterkant — av klient, av klientens motpart i en rettssak, av tilsynsmyndigheten — er særlig skadelig, fordi det gir inntrykk av faglig uforsvarlighet.

2.3 Manglende etterprøvbarhet

En klassisk revisjonshandling er dokumenterbar: vi vet hvem gjorde hva, når, med hvilket grunnlag. Når en AI-tjeneste bidrar til et notat eller et utkast, forsvinner mye av denne sporbarheten dersom bruken ikke er registrert. Uten revisjonsspor:

• kan tilsynsmyndigheten ikke rekonstruere hvordan en konklusjon ble til,
• kan selskapet ikke dokumentere overfor klienten hvilke data som har gått ut av huset,
• kan en etterfølgende kvalitetskontroll ikke skille mellom AI-generert og revisor-vurdert innhold.

Dette er ikke bare et etterlevelsesspørsmål — det er et faglig problem. Et revisjonsarbeid uten etterprøvbarhet er per definisjon ufullstendig.

3. Rettslig ramme

3.1 GDPR

Som utgangspunkt gjelder GDPR for all behandling av personopplysninger som skjer i tilknytning til revisjonsoppdrag. Relevante bestemmelser:

• Behandlingsgrunnlag (art. 6): for revisjonens kjernevirksomhet typisk art. 6 (1) f (berettiget interesse) eller art. 6 (1) c (rettslig forpliktelse etter revisorloven).
• Dataminimering (art. 5 (1) c): bare opplysninger som er nødvendige for formålet skal overføres til AI-tjenesten.
• Databehandleravtale (art. 28): AI-leverandøren er databehandler; avtalen må være på plass og dekke faktisk bruk.
• Overføring til tredjeland (art. 44 ff.): dersom leverandøren eller dennes underleverandør sitter utenfor EØS, må overføringen ha gyldig rettslig grunnlag.
• Konsekvensutredning (DPIA, art. 35): systematisk AI-bruk i saksbehandling krever regelmessig DPIA.

3.2 Revisorloven og god revisjonsskikk

Revisorloven stiller krav som ikke endres av at teknologien gjør bestemte handlinger raskere:

• Taushetsplikt (§ 9-6): klientinformasjon kan ikke deles med tredjepart uten rettslig grunnlag eller klientsamtykke. En AI-leverandør utenfor huset er en tredjepart.
• Uavhengighet (kap. 8): revisor må være uavhengig av klienten; teknologiens bidrag endrer ikke dette, men dokumentasjonen må vise at AI-generert innhold er faglig vurdert av revisor.
• Kvalitetssikring (kap. 15): rutiner for kvalitetssikring må dekke også AI-støttet produksjon.

3.3 Datatilsynets føringer

Datatilsynet har de siste årene publisert flere veiledninger om KI og personopplysninger. De sentrale punktene for revisjonsbransjen:

• Vurder behandlingsgrunnlaget før promptene sendes, ikke i etterkant.
• Dokumenter risikoanalysen — hvilke data går ut, til hvem, med hvilken rettslig forankring.
• Transparent informasjon til berørte om at KI brukes i behandlingen av deres opplysninger.
• Rett til menneskelig vurdering ved automatiserte beslutninger (art. 22 GDPR).

3.4 Finanstilsynets forventninger til teknologirisiko

Finanstilsynet forventer at revisjonsselskaper har en operativ robusthet som inkluderer teknologirisiko. For KI-tjenester betyr det:

• Utkontrakteringsavtaler som dekker også AI-leverandører.
• Konsentrasjonsrisiko vurderes — hva skjer dersom hovedleverandøren faller ut.
• Beredskap for driftsforstyrrelser — kan revisjonen fullføres uten AI-tjenesten.
• Rapportering av alvorlige IKT-hendelser til Finanstilsynet innen fristene.

Dette knytter seg til det bredere rammeverket for teknologirisiko i finansbransjen (DORA for finansforetak, parallelle krav for revisjon).

4. Arbeidsflyt for sikker bruk

En arbeidsflyt som dekker de tre risikoene og de fire rettslige rammene bygger på fire pilarer.

4.1 Dedikert infrastruktur i EU

Istedenfor å bruke kommersielle skytjenester direkte, drifter revisjonsselskapet — alene eller gjennom en bransjeløsning — en dedikert inferensinfrastruktur innenfor EØS, med åpne (open-weight) modeller. Promptene forlater ikke EØS-rettsområdet; leverandøren får ingen bruksdata; overføring til tredjeland bortfaller.

For mindre selskaper er dette økonomisk realiserbart gjennom bransjefellesskap (f.eks. Revisorforeningens teknologiplattform) eller gjennom norske skyleverandører som tilbyr dedikert inferens.

4.2 Revisjonsspor for hver forespørsel

Hver AI-forespørsel protokollføres: hvem spurte, med hvilket formål, hvilke data gikk inn i prompten, hvilken modell svarte, hvilket svar kom tilbake, hvem overtok svaret inn i arbeidsdokumentasjonen. Loggen føres manipuleringssikkert (append-only, kryptografisk kjedet) og oppfyller derved dokumentasjonskravene fra GDPR art. 5 (2), AI Act art. 12 og god revisjonsskikk.

4.3 To-personers kontroll ved rettslige utkast

Hvert AI-generert utkast med rettsvirkning — vurderinger som går inn i revisjonsberetningen, kommentarer til regnskapsnoter som berører skatt eller eierrettigheter, uttalelser om vesentlige kontrollfunn — gjennomgås av minst én annen revisor før det blir en del av dokumentasjonen. Dette er allerede god revisjonsskikk for de fleste vesentlige handlinger; når AI er involvert blir det obligatorisk, ikke valgfritt.

4.4 Fallback uten KI

Prosessen må kunne gjennomføres uten AI-tjenesten. Dersom tjenesten faller ut — teknisk, kommersielt, regulatorisk — fortsetter revisjonen med klassiske metoder. Dette er en NIS2/DORA-forventning og en revisorlovens forventning samtidig.

5. Praktisk sjekkliste

For revisjonsselskap som vurderer eller allerede bruker språkmodeller, bør følgende punkter være dokumentert:

• Modellens opprinnelse og lisens er dokumentert, inkludert modellversjon og treningsdatagrunnlag
• Driftsmodell er valgt (egen infrastruktur, bransjeløsning, godkjent EU-leverandør)
• Databehandleravtale eller egen drift er på plass
• DPIA gjennomført for systematisk AI-bruk i saksbehandling
• Prompt-herding mot kjente injeksjonsvektorer
• Overvåking av dataavgang innført; varsler ved prompter med personopplysningsmarkører
• Rotrete roller og tilgangsstyring med regelmessig resertifisering
• Opplæring av medarbeidere, inkludert bevisstgjøring om hallusinasjoner
• Register over AI-støttede handlinger i hvert oppdrag
• Fallback-rutine uten KI, dokumentert og øvd

6. Hva skiller god praksis fra dårlig

Fra våre observasjoner skiller god AI-praksis seg fra dårlig på fire punkter:

1. God praksis har en eksplisitt grense mellom hva AI kan foreslå og hva revisor må vurdere. Dårlig praksis bruker AI-forslag direkte som arbeidsdokumentasjon.
2. God praksis har et revisjonsspor over hver forespørsel. Dårlig praksis har bare resultatet, ikke prosessen.
3. God praksis har en EU-basert infrastruktur eller en avtale som dekker tredjeland-overføring. Dårlig praksis bruker amerikanske kommersielle API-er uten vurdering av Schrems-regimet.
4. God praksis bygger ned avhengigheten til én leverandør. Dårlig praksis bygger prosessen rundt én bestemt plattform.

7. Oppsummering

AI-støttet revisjon er ikke en motetrend — det er en varig endring i hvordan revisjonsarbeid utføres. Spørsmålet er ikke om revisjonsselskapet skal bruke teknologien, men hvordan. En arbeidsflyt bygget rundt dedikert EU-infrastruktur, fullstendig revisjonsspor, to-personers kontroll ved rettslige utkast og en fungerende fallback uten KI dekker både de tre operative risikoene og de fire rettslige rammene som bransjen må forholde seg til.

Alternativet — rask innføring uten dokumenterbar praksis — gir kortsiktig produktivitetsgevinst men bygger opp en etterlevelsesgjeld som vil forfalle ved første alvorlige tilsynshandling eller første sak der en klient reiser spørsmål om hvordan deres opplysninger er behandlet. Erfaringen fra andre bransjer tyder på at denne gjelden vokser raskere enn gevinsten.

IOAS støtter revisjonsselskaper med utforming av AI-arbeidsflyt, dokumentasjon mot Finanstilsynet og Datatilsynet, samt teknisk arkitektur for dedikert EU-basert inferens. Henvendelser: director@ioas.pro.

Litteratur

[1] Forordning (EU) 2016/679 (personvernforordningen, GDPR). Den europeiske unions tidende L 119/1.

[2] Lov om revisjon og revisorer (revisorloven), LOV-2020-11-20-128.

[3] Datatilsynet (2023): Kunstig intelligens og personvern — veileder. Oslo.

[4] Finanstilsynet (2024): Risiko- og sårbarhetsanalyse (ROS) 2024. Oslo.

[5] EU-domstolen (2020): Dom av 16. juli 2020, sak C-311/18 (Schrems II).

[6] Forordning (EU) 2024/1689 (KI-forordningen). Den europeiske unions tidende L 2024/1689.

[7] Forordning (EU) 2022/2554 (DORA). Den europeiske unions tidende L 333/1.

[8] Revisorforeningen (2024): Teknologi i revisjon — hvor går grensen for AI-støtte. Revisjon og Regnskap, nr. 6/2024.

[9] IFAC (2023): Technology Developments and Guidance for Auditors. International Federation of Accountants.

[10] NIST (2023): AI Risk Management Framework (AI RMF 1.0). NIST AI 100-1. DOI: 10.6028/NIST.AI.100-1.