Generatiivisen tekoälyn hallintamallin kehittäminen sisäiseen tarkastukseen

Abstract

Generatiivinen tekoäly on viime vuosina noussut merkittäväksi asiantuntijatyön muutosvoimaksi, ja sen hyödyntäminen tarjoaa myös sisäiselle tarkastukselle mahdollisuuksia tehostaa mm. analyysia ja riskiperusteista suunnittelua. Samanaikaisesti generatiivisen tekoälyn käyttöön liittyy merkittäviä riskejä, jotka koskevat muun muassa tulosten luotettavuutta, läpinäkyvyyttä, vastuunjako ja sääntelyn noudattamista. Näiden tekijöiden yhteensovittaminen edellyttää sisäiseltä tarkastukselta selkeitä hallintarakenteita ja toimintaperiaatteita.

Tämän diplomityön tavoitteena oli kehittää LähiTapiolan sisäiselle tarkastukselle soveltuva generatiivisen tekoälyn hallintamalli, joka tukee tekoälyn hallittua, läpinäkyvää ja riskiperusteista hyödyntämistä kansainvälisten standardien, eettisten periaatteiden ja Euroopan unionin tekoälysääntelyn vaatimusten mukaisesti. Tutkimus toteutettiin suunnittelutieteellisen tutkimusotteen mukaisesti, jossa teoriasta ja empiirisestä aineistosta johdetut vaatimukset operationalisoitiin konkreettiseksi hallintamalliksi. Tutkimusaineisto koostui dokumenttianalyysistä sekä sisäisen tarkastuksen asiantuntijahaastatteluista.

Tutkimuksen tuloksena kehitettiin generatiivisen tekoälyn hallintamalli, joka jäsentää tekoälyn käyttöä sisäisessä tarkastuksessa riskiperusteisen ohjauksen, selkeiden rooli‑ ja vastuurajausten, vaiheittaisen elinkaarimallin sekä systemaattisen dokumentaation ja seurannan avulla. Hallintamalli ei ole sidottu yksittäisiin teknologioihin tai organisaatiokohtaisiin ratkaisuihin, vaan se toimii yleisenä viitekehyksenä, jota voidaan soveltaa erilaisissa toimintaympäristöissä.

Generative artificial intelligence has emerged as a significant driver of change in knowledge-intensive work, offering new opportunities for internal audit to enhance for example analytical capabilities and risk-based planning. At the same time, the use of generative artificial intelligence involves substantial risks related to the reliability and transparency of outputs, allocation of responsibility, and compliance with regulatory requirements. Reconciling these opportunities and risks requires clear governance structures and operating principles within internal audit.

The objective of this Master’s thesis was to develop a governance model for the use of generative artificial intelligence in LocalTapiola’s internal audit that supports controlled, transparent and risk-based utilisation in line with international standards, ethical principles and European Union artificial intelligence regulation. The study was conducted using a design science research approach, in which requirements derived from theory and empirical material were operationalised into a concrete governance model. The research material consisted of document analysis and expert interviews conducted within the internal auditing context.

As a result of the study, a governance model for generative artificial intelligence was developed that structures the use of artificial intelligence in internal audit through risk-based guidance, clearly defined roles and responsibilities, a lifecycle-oriented process model, and systematic documentation and monitoring practices. The governance model is not tied to specific technologies or organisation-specific solutions but serves as a general framework that can be adapted to different organisational contexts.