Epsilon Archive for Student Projects

Abstract

Artificiell intelligens (AI) har under de senaste åren genomgått en snabb och omfattande utveckling och betraktas idag som en central teknologi med omfattande påverkan på en rad olika branscher, inte minst revisionssektorn. Denna studie syftar till att bidra med djupare förståelse om hur AI-teknologier introduceras i revisionsbranschen, med särskilt fokus på att identifiera de drivkrafter och utmaningar som präglar denna utveckling. Studien baseras på semistrukturerade intervjuer med medarbetare från två av Sveriges ledande revisionsbyråer, kompletterade med dokumentanalys.
Som analytiskt och teoretiskt ramverk tillämpas teorier för att analysera vilka faktorer som påverkar beslut att införa ny teknologi. Resultaten från genomförda intervjuer och dokumentanalys visar att AI-införandet till stor del sker genom intern teknikutveckling, där revisionsbyråerna själva bygger verktyg anpassade till sin metodik. Parallellt sker även samarbeten med externa teknikleverantörer, såsom AI-specialiserade företag, för att komplettera intern kompetens och ge tillgång till avancerade plattformar.
Resultatet visar att införandet av AI drivs av en kombination av interna och externa faktorer. Några nyckeldrivkrafter bakom införandet av AI är effektivitet, kvalitet, kostnadsbesparing och ökad konkurrenskraft, men också en strävan att möta förväntningar från såväl kunder som framtida medarbetare. Samtidigt framträder ett antal samverkande utmaningar som försvårar införandet av AI-teknik i revisionsverksamheten. Bland dessa återfinns bristande teknisk kompetens, regulatorisk osäkerhet samt begränsad tillgång till träningsdata, delvis till följd av rådande dataskyddslagstiftning.
Studien drar slutsatsen att ett hållbart och framgångsrikt införande av AI inom revisionsbranschen kräver ett väl avvägt samspel mellan teknisk innovation, organisatorisk kapacitet och en stabil institutionell infrastruktur. För att AI ska kunna bidra till långsiktigt värdeskapande krävs inte enbart teknologiska resurser, utan även ett tydligt och strategiskt ledarskap, kontinuerlig kompetensutveckling samt anpassade och tydliga regelverk.

Artificial Intelligence (AI) has undergone rapid and extensive development in recent years and is now regarded as a key technology with a wide-ranging impact on a number of different industries, not least the audit sector. This study aims to contribute to a deeper understanding of how AI technologies are being introduced in the auditing industry, with a particular focus on identifying the driving forces and challenges that characterize this development. The study is based on semi-structured interviews with employees from two of Sweden’s leading audit firms, complemented by document analysis.
As its analytical and theoretical framework, the study applies theories to analyze what factors influence decisions to introduce new technology. The results from the interviews and document analysis show that the introduction of AI largely takes place through internal technological development, where audit firms build tools tailored to their own methodologies. At the same time, partnerships with external technology providers, such as AI-specialized companies, play an important role in complementing internal capabilities and providing access to advanced platforms.
The findings indicate that AI adoption is driven by a combination of internal and external factors. Key drivers include increased efficiency, improved quality, cost reduction, and enhanced competitiveness, as well as a desire to meet expectations from both clients and prospective employees. At the same time, several interconnected challenges complicate the adoption of AI technologies in audit practices. These include a lack of technical expertise, regulatory uncertainty, and limited access to training data, partly due to existing data protection legislation.
The study concludes that a sustainable and successful implementation of AI in the audit sector requires a carefully balanced interplay between technological innovation, organizational capability, and a stable institutional infrastructure. For AI to contribute to long-term value creation, not only are technological resources needed, but also clear and strategic leadership, continuous competence development, and well-adapted, distinct regulatory frameworks.