Snowflake内部审计总监Amrita Kapoor：AI让审计从历史抽样转向全量持续监控
Snowflake内部审计总监Amrita Kapoor详细记录了团队如何利用CoCo和Cortex AI将现场工作时间减少50%、从抽样转向100%全量覆盖，并阐明这一转变的前提是数据已集中在同一平台、治理模式是AI准备而审计师做最终判断。
内部审计长期被视为回顾性职能——通过历史抽样确认控制是否曾经有效。Snowflake内部审计总监Amrita Kapoor认为AI改变了这一点：审计可以从时点检查转向持续、自动化的全量监控。她的团队给出了具体的机制和可量化的结果。
Kapoor强调，这一切的前提是数据基础。Snowflake的计费、收入、人力资源、访问日志和审计日志数据已经集中在Snowflake平台上，因此审计团队可以直接对全量数据执行测试，而不需要拼接多个系统。她写道，如果数据散落在互不相连的系统中，这一切都不可能实现。这意味着AI在这里不是替代数据治理，而是建立在数据治理完成之后。
具体做法是通过Snowflake CoCo（AI编码代理）构建可复用的技能和应用程序。收入流范围界定技能在近乎实时的条件下扫描收入关键维度并按需发送快照，每年节省500小时以上。订单到收款测试使用Cortex AI Functions中的AI_EXTRACT从订单文档中提取收入确认条款、起止日期和计费条款，再由CoCo构建的应用程序与计费系统交叉验证，从而测试每一笔订单而非抽样。关键报告测试则构建了Report-as-a-Service架构，接入审计日志实现持续监控，达到450小时以上的年度测试节省。
Kapoor明确表示，AI是加速器，人类监督是锚点。团队运行在人在回路模式下：AI处理数据、识别模式、完成初步对账；审计师做出每一项最终评估和风险判断，并负责与业务领导的所有对话。当AI起草测试文档或标记异常时，审计师必须审核后才能被任何人依赖。第三方工具如Petual.ai以Snowflake原生应用形式运行，处理过程留在Snowflake账户内部，保持隔离。
据Kapoor报告，截至2026年9月，证据收集和报告编制的现场工作时间减少了50%，从数月缩短到数周。审计团队全年节省超过3500小时，其中风险范围界定1000小时以上、测试和文档2500小时以上；业务控制所有者另外节省超过1500小时。测试从随机统计抽样转向了特定用例的100%全量覆盖，并获得了近乎实时的异常可见性。
Kapoor给其他审计领导者的建议是：从一个高影响控制开始，将跨系统数据集中到一个受治理的平台，用AI编码代理构建可复用的监控技能，并始终保持审计师对结论的最终责任。这个路径的适用条件相当明确——它依赖于数据已经集中在同一平台上的前提。对于数据仍然分散在多个系统中的企业，第一步不是引入AI，而是完成数据整合。