一、引言 习近平总书记指出：“中国高度重视人工智能发展，积极推动互联网、大数据、人工智能和实体经济深度融合，培育壮大智能产业，加快发展新质生产力，为高质量发展提供新动能”。当前，全球人工智能技术进入高速发展阶段，尤其是2023年以来，以生成式人工智能(Generative Artificial Intelligence，GenAI)为代表的新一代人工智能技术快速渗透到各类认知密集型行业，并引发知识劳动方式的深刻变革。审计作为典型的认知密集与专业判断高度依赖的领域，正面临前所未有的技术重构与能力适配挑战(Eulerich等，2023；王帆和任瑞雪，2023)。特别是在信息密度持续攀升、审计对象愈发复杂及判断任务高度多样化的现实情景下，传统以人类经验为主导的审计判断质量受到信息复杂性、情景不确定性、时间压力与认知偏差等多重因素的制约，使审计人员面临“高负荷、低效能”的困境(Yue等，2023；龙志能等，2024)。面对审计工作复杂性与认知负荷的持续上升，传统依赖人类经验的判断模式已难以满足高质量审计的现实需求(崔永梅等，2025)。如何在数智化浪潮中充分发挥生成式人工智能的潜能，以有效提升审计判断质量，已成为亟须回应的重大理论课题与实践命题。 认知心理学研究表明，人的信息加工能力是有限的，个体在执行复杂任务时常常会因信息过载而影响判断准确性(Sweller，1988)。认知负荷理论(Cognitive Load Theory，CLT)为解释这一现象提供了重要视角。该理论将认知负荷划分为内在负荷、外在负荷与相关负荷三类。内在负荷由任务本身的复杂性决定，外在负荷受信息呈现方式与环境干扰的影响，而相关负荷则体现个体在任务中对知识建构与思维优化的投入(Chen等，2023)。审计判断是审计人员在执行审计任务过程中，基于专业知识、经验积累与审计准则要求，对审计事项进行识别、分析与取舍的一种专业判断行为(张继勋和付宏琳，2008)，其质量不仅取决于审计人员的知识结构和经验积累，还受到任务复杂度、信息呈现方式、信息环境干扰及认知资源分配等多重因素的系统性影响(张龙平和吕敏康，2014)。尤其在数据体量激增、信息类型多样和任务目标复杂的环境下，审计人员往往面临认知负荷过重、认知资源匮乏与判断路径紊乱等风险，直接影响审计判断的准确性与稳健性(黄露葵等，2023)。可见，认知负荷理论不仅从认知心理学视角揭示了审计判断质量受限的深层机理，也为探讨生成式人工智能在审计判断领域的应用提供了分析框架。如何通过生成式人工智能实现审计人员的认知调节逻辑，从而推动审计判断质量的整体提升，是本文拟重点探讨的研究主题。 生成式人工智能凭借自然语言处理、语义建模与模式识别，实现对多源异构信息的深度理解与整合，并在此基础上生成具有逻辑一致性和解释力的分析结论(郑世林等，2023；黄旭和洪美玲，2024)，能够为审计人员提供动态化、情景化的认知支持。这不仅有助于缓解审计人员的内在与外在认知负荷，还能够在复杂任务中强化相关负荷的作用，为提升审计判断质量提供强大的应用潜能。当前，人工智能已广泛应用于数据预处理、异常识别、估计检验等环节，成为推动智能技术由“技术嵌入”向“认知辅助”层面延展的重要基础(刘树，2025)。同时，学界对人工智能在审计领域的应用已逐渐展开关注，研究对象涵盖国家审计、金融审计及算法审计等多个板块(曹志炜等，2024；刘国城和杨丽丽，2024；崔永梅等，2025；朱琢，2025)。然而，从整体来看，现有成果对人工智能嵌入审计判断机制及其认知作用逻辑的深入剖析不够，这为从认知心理视角探讨生成式人工智能影响审计判断质量的研究提供了重要空间。 本文的研究贡献有：第一，在理论层面，将认知负荷理论引入智能审计研究范式，构建“技术嵌入—认知调节—判断优化”分析框架，揭示生成式人工智能通过调节审计人员认知机制提升审计判断质量的内在逻辑，突破以往仅从技术功能或制度嵌入层面探讨智能审计的研究局限，拓展智能技术与审计认知行为交叉研究的理论边界。第二，在机制层面，基于实验研究方法验证生成式人工智能通过任务重构、信息整合与推理支持等途径缓释认知负荷、优化认知结构与提升判断绩效的作用机制，提出审计判断质量提升“认知调节”链条，深化对人机协同条件下审计判断内在机理的理解，为智能审计从“经验驱动”向“认知驱动”转型提供系统化解释。第三，在实践层面，提出以任务智能重构、环境智能融合、思维智能引导和安全伦理防护为核心的推进路径，回应生成式人工智能赋能审计判断质量的治理需求，为智能审计体系建设、行业监管完善及审计人员能力跃迁提供路径方案与制度启示。 二、文献综述 (一)生成式人工智能技术驱动审计认知环境变革 生成式人工智能作为人工智能发展的前沿形态，正在深刻重塑认知密集型行业的运行逻辑。该技术以深度学习、自然语言处理、生成对抗网络及多模态理解为核心，通过对大规模语料与知识图谱的训练，具备“语义理解—知识生成—逻辑推理”等多重能力(Baabdullah，2024；杨国荣，2024)。相较于传统依赖规则匹配和统计推断的智能工具，生成式人工智能不仅能识别信息，更能在理解语境后生成结构化输出，实现从“信息识别”到“知识重构”的跃升(张凌寒和于琳，2023)。这种创新能力使其在审计等认知负荷高度集中的领域展现出独特优势，为重塑审计人员的信息加工方式与判断模式提供技术支持。
