Από τη δεκαετία του 1950, η χρήση συστημάτων επιχειρησιακού σχεδιασμού πόρων (ERP, Enterprise Resource Planning), λογιστικών φύλλων και λογισμικών στατιστικής δειγματοληψίας αποτέλεσαν τα πρώτα στάδια αυτοματοποίησης επιμέρους ελεγκτικών εργασιών (Zhang and Zhou, 2026, p. 153). Ωστόσο, η σημερινή συγκυρία είναι ουσιωδώς διαφορετική. Η Τεχνητή Νοημοσύνη (ΤΝ) εισέρχεται στον πυρήνα της ελεγκτικής διαδικασίας υποσχόμενη ριζικές αλλαγές στην επεξεργασία μεγάλων όγκων δεδομένων, στον εντοπισμό ανωμαλιών, στην ανάγνωση και ερμηνεία εγγράφων, στην αξιολόγηση κινδύνων καθώς και στην υποστήριξη επαγγελματικής κρίσης (Zhang and Zhou, 2026, p. 153; Kokina et al., 2025, pp. 1–3). Ήδη από το 2016 είχε επισημανθεί ότι η πρόοδος στην τεχνική βαθιάς μάθησης (deep learning), η αυξημένη υπολογιστική ισχύς και η διαθεσιμότητα πολύ μεγαλύτερων πληθυσμών δεδομένων θα δημιουργούσαν τις προϋποθέσεις για ουσιαστική εφαρμογή της ΤΝ στην Ελεγκτική (Issa, Sun and Vasarhelyi, 2016, pp. 1–3).
Σήμερα, αυτή η προοπτική έχει μετατραπεί σε πραγματική επαγγελματική πρόκληση. Οι ελεγκτικές εταιρείες χρησιμοποιούν ήδη απλούστερες μορφές ΤΝ, όπως εξαγωγή δεδομένων από έγγραφα, απλή μηχανική μάθηση και εργαλεία επεξεργασίας φυσικής γλώσσας, ενώ πιο σύνθετες τεχνολογίες, όπως τεχνικές βαθιάς μάθησης και δημιουργικής ΤΝ (deep learning και generative AI), αναπτύσσονται, δοκιμάζονται ή ενσωματώνονται σταδιακά στις ελεγκτικές διαδικασίες (Kokina et al., 2025, pp. 1–3).
Οι εξελίξεις όμως επιταχύνθηκαν με γεωμετρική πρόοδο από το Νοέμβριο του 2022 καθώς μεγάλα γλωσσικά μοντέλα[1] (Large Language Models, LLMs) έγιναν διαθέσιμα και προσβάσιμα στο ευρύ κοινό. Η δυνατότητά αυτή, σε συνδυασμό, με τις δυνητικές εφαρμογές στη χρηματοοικονομική πληροφόρηση, στον έλεγχο, στη διασφάλιση και στη διερεύνηση χρηματοοικονομικής απάτης (Zhang and Zhou, 2026, pp. 153–154) έχει δημιουργήσει μια νέα πραγματικότητα για το ελεγκτικό επάγγελμα. Ο ελεγκτής, μπορεί πλέον να χρησιμοποιεί την ΤΝ άμεσα, γρήγορα και με ελάχιστο κόστος χωρίς απαραιτήτως η χρήση της να εντάσσεται σε προκαθορισμένες επαγγελματικές διαδικασίες, εγκεκριμένα εργαλεία, σαφείς κανόνες τεκμηρίωσης ή μηχανισμούς ποιοτικού ελέγχου.
Η εξέλιξη αυτή είναι κατανοητή και αναμενόμενη καθώς σε ένα επάγγελμα με υψηλές απαιτήσεις επεξεργασίας μεγάλου όγκου πληροφοριών, τεκμηρίωσης, περιορισμένο χρόνο και αυστηρά χρονοδιαγράμματα η ΤΝ υπόσχεται παραδοτέα ταχύτερα, με λιγότερη προσπάθεια και φυσικά μικρότερο κόστος. Ωστόσο, η χρήση μεγάλων γλωσσικών μοντέλων μπορεί να οδηγήσει στην παραγωγή περισσότερου υλικού το οποίο εμπεριέχει ψευδαισθήσεις (hallucinations) και να οδηγήσει σε πεποιθήσεις ότι τα συμπεράσματα είναι περισσότερο γενικεύσιμα απ’ όσο πράγματι είναι (illusion of generalizability) (Crockett and Messeri, 2026, p. 286). Η ευρεία χρήση της ΤΝ δημιουργεί ένα νέο κίνδυνο: την αποδοχή αποτελεσμάτων τα οποία δεν έχουν επαληθευτεί και ενδεχομένως να περιλαμβάνουν ουσιώδη σφάλματα. Ο όρος «αναξιόπιστο προϊόν Τεχνητής Νοημοσύνης» χρησιμοποιείται σε αυτό το άρθρο για να αποδώσει τον αγγλικό όρο «AI slop» ο οποίος αναφέρεται σε παραγόμενα αποτελέσματα τεχνητής νοημοσύνης τα οποία παρουσιάζουν επιφανειακή επάρκεια, φαίνονται καλά διατυπωμένα και τεχνικώς πειστικά, αλλά στερούνται ουσιαστικού βάθους, αξιοπιστίας και εν τέλει εμπεριέχουν σφάλματα.
Η παραγωγή αναξιόπιστων προϊόντων ΤΝ οφείλεται κατά κύριο λόγο στην άκριτη χρήση της ΤΝ λόγω τριών κυρίων βασικών χαρακτηριστικών της συγκεκριμένης τεχνολογίας (Kommers et al., 2026). Το πρώτο είναι η επιφανειακή επάρκεια: το παραγόμενο περιεχόμενο είναι γλωσσικά άρτιο και φαίνεται πειστικό αλλά πίσω από αυτή την εικόνα λείπει η ουσιαστική κατανόηση, η τεκμηρίωση και η πραγματική επαγγελματική συμβολή. Το δεύτερο είναι η ασύμμετρη προσπάθεια παραγωγής: το περιεχόμενο μπορεί να παραχθεί με ελάχιστη προσπάθεια από τον χρήστη, συχνά με μια απλή εντολή (prompt). Το τρίτο είναι η δυνατότητα μαζικής αναπαραγωγής: επειδή το κόστος παραγωγής είναι εξαιρετικά χαμηλό, το προϊόν μπορεί να παραχθεί μαζικά και να διαχυθεί σε μεγάλη κλίμακα, αυξάνοντας τον κίνδυνο να υπάρχουν μέσα σε οργανισμούς και επαγγελματικές διαδικασίες παραδοτέα τα οποία δεν έχουν το βάθος και την αξιοπιστία που απαιτούνται (Kommers et al., 2026).
Στην ελεγκτική διαδικασία, ο κίνδυνος αυτός είναι ιδιαίτερα σοβαρός διότι η άκριτη χρήση της ΤΝ δεν παράγει απλώς χαμηλής ποιότητας έργο αλλά μπορεί να οδηγήσει σε ανεπαρκώς ελεγμένα ελεγκτικά συμπεράσματα, ελλιπή τεκμηρίωση και άρα υποβάθμιση του επαγγελματικού σκεπτικισμού. Ο κίνδυνος υπερβολικής εξάρτησης του ελεγκτή από εργαλεία ΤΝ τονίζεται στην βιβλιογραφία καθώς η επιτακτική ανάγκη άσκησης κριτικής σκέψης και σκεπτικισμού κατά την αξιολόγηση των αποτελεσμάτων της (Kokina et al., 2025, pp. 13–16). Επισημαίνεται επίσης ότι η αδιαφανής, “black-box” φύση των μεγάλων γλωσσικών μοντέλων δυσχεραίνει την κατανόηση του τρόπου με τον οποίο παράγονται τα αποτελέσματά τους και της υποκείμενης συλλογιστικής τους. Για τον λόγο αυτό, όταν εργαλεία ΤΝ χρησιμοποιούνται στο πλαίσιο του ελέγχου, οι ελεγκτές οφείλουν να εφαρμόζουν κατάλληλες δικλείδες, να διασφαλίζουν επαρκή τεκμηρίωση, να αξιολογούν με επαγγελματική κρίση την αξιοπιστία του παραγόμενου προϊόντος και, όπου απαιτείται, να αναζητούν πρόσθετες ενέργειες ή ελεγκτικά τεκμήρια για την υποστήριξη της ελεγκτικής γνώμης (Zhang and Zhou, 2026, pp. 157–158).
Η πρώτη και ίσως σημαντικότερη διαπίστωση της πρόσφατης επαγγελματικής αρθρογραφίας είναι ότι η χρήση της ΤΝ δεν μεταφράζεται αυτομάτως σε αύξηση παραγωγικότητας καθώς η μη ελεγμένη χρήση ΤΝ δημιουργεί πρόσθετη εργασία στους επόμενους στην εργασιακή αλυσίδα, οι οποίοι πρέπει να εντοπίσουν και να διορθώσουν τα σφάλματα (The Conversation, 2025). Υπό αυτή την έννοια, η ΤΝ μπορεί να δημιουργεί την εικόνα ατομικής αποδοτικότητας για εκείνον που τη χρησιμοποιεί, αλλά στην ουσία ο χρόνος που εξοικονομείται στην όλη διαδικασία μετατρέπεται σε χρόνο ελέγχου, διόρθωσης και αποκατάστασης για τους αποδέκτες του παραγόμενου αποτελέσματος (Niederhoffer et al., 2025; The Conversation, 2025).
Η δεύτερη κρίσιμη διάσταση είναι ότι οι αποδέκτες τέτοιου υλικού όταν εντοπίζεται αξιολογούν αρνητικά τον αποστολέα ως λιγότερο αξιόπιστο και δημιουργικό (Niederhoffer et al., 2025; The Conversation, 2025). Για την Ελεγκτική, η παρατήρηση αυτή έχει άμεση σημασία. Ένα σημείωμα ελεγκτικής εργασίας προϊόν TN, μια σύνοψη σύμβασης, μια προκαταρκτική ανάλυση κινδύνου ή αρχική σύνταξη φύλλου εργασίας που φαίνονται ικανοποιητικά αλλά δεν έχουν ελεγχθεί ουσιαστικά δεν είναι απλώς ατελή, ενδέχεται να αυξήσουν τον κίνδυνο μη εντοπισμού σφαλμάτων, ελλείψεων ή να οδηγήσουν σε ατεκμηρίωτες κρίσεις στο πλαίσιο της ελεγκτικής εργασίας με απρόβλεπτες συνέπειες. Το πρόβλημα, επομένως, δεν είναι μόνο η ύπαρξη χαμηλής ποιότητας περιεχομένου, αλλά η χρήση του σε διαδικασίες όπου η αξιοπιστία, η τεκμηρίωση και η αναγκαιότητα επαλήθευσης είναι θεμελιώδεις.
Η τρίτη διάσταση αφορά την αδιαφανή χρήση των αποτελεσμάτων της ΤΝ. Σημαντικό ποσοστό εργαζομένων έχει βασιστεί σε αποτελέσματα ΤΝ χωρίς να τα αξιολογήσει, ενώ παράλληλα εμφανίζονται σημαντικά ποσοστά πρακτικών απόκρυψης ή μη δήλωσης της χρήσης ΤΝ (The Conversation, 2025; CPA Practice Advisor, 2026). Η διάσταση αυτή είναι ιδιαίτερα κρίσιμη για την Ελεγκτική, διότι η ποιότητα του ελεγκτικού έργου δεν εξαρτάται μόνο από το τελικό συμπέρασμα, αλλά και από τη διαδρομή που οδήγησε σε αυτό. Αν ένα τμήμα της ανάλυσης έχει παραχθεί από ΤΝ χωρίς να δηλώνεται, ο εταίρος ανάθεσης ή το αρμόδιο για την επισκόπηση μέλος της ομάδας ανάθεσης δεν μπορεί να αξιολογήσει επαρκώς την αξιοπιστία της πληροφορίας. Έτσι, το πρόβλημα γίνεται βαθύτερο καθώς η τελική επαγγελματική κρίση στηρίζεται σε διαδικασίες και δεδομένα που ενδεχομένως είναι αναξιόπιστα (The Conversation, 2025; CPA Practice Advisor, 2026; Samuels, 2026).
Ο κίνδυνος από τη διολίσθηση προς την άκριτη χρήση της ΤΝ είναι πραγματικός για τον ελεγκτή και αγγίζει τον πυρήνα της επαγγελματικής του δραστηριοποίησης. Η Ελεγκτική δεν είναι απλώς μια τεχνική διαδικασία επεξεργασίας δεδομένων, είναι ένας θεσμός ο οποίος στηρίζεται στην αξιοπιστία, αντικειμενικότητα, τεκμηρίωση, ανεξαρτησία κρίσης και στον επαγγελματικό σκεπτικισμό. Όταν παραγόμενο από ΤΝ υλικό, φαινομενικά πλήρες αλλά ουσιαστικά ανεπαρκές, εισέρχεται στην ελεγκτική διαδικασία ο κίνδυνος δεν περιορίζεται σε ένα μεμονωμένο σφάλμα. Επηρεάζει την ίδια τη διαδικασία διαμόρφωσης της ελεγκτικής κρίσης. Σε ένα επάγγελμα που λειτουργεί ως δικλείδα ασφαλείας για την εμπιστοσύνη στην οικονομία, η συστηματική αποδοχή τέτοιου υλικού μπορεί να πλήξει όχι μόνο την ποιότητα του συγκεκριμένου ελέγχου αλλά και τη φήμη του επαγγέλματος. Το κρίσιμο ζήτημα, επομένως, δεν είναι αν οι ελεγκτές θα χρησιμοποιούν ΤΝ, αλλά αν θα τη χρησιμοποιούν με σύνεση, με σαφή επίγνωση των περιορισμών της και εφαρμογή αυστηρών διαδικασιών επαλήθευσης σε κάθε στάδιο.
Μπερτζελέτος Βασίλειος, MSc, FCCA,
Ορκωτός Ελεγκτής Λογιστής, Επιθεωρητής Διασφάλισης Ποιότητας, Ποιοτικός Έλεγχος Σ.Ο.Ε.Λ.
Rubén Comas Forgas
Professor in Scientific Documentation and Communication, University of the Balearic Islands
Δεδούλης Εμμανουήλ
Καθηγητής στη Λογιστική, Οικονομικό Πανεπιστήμιο Αθηνών
Πρόεδρος & Υπεύθυνος Συντονισμού Επιτροπής Ποιοτικού Ελέγχου Σ.Ο.Ε.Λ.
Βιβλιογραφία
Accountancy Age (2026) ‘AI “slop” in the books: The rising cost of fixing chatbot errors’, Accountancy Age. URL: https://accountancyage.com/2026/01/08/ai-slop-in-the-books-the-rising-cost-of-fixing-chatbot-errors (retrieved on 03/06/2026)
CPA Practice Advisor (2026) ‘AI Slop Survey: A Third of Workers Rarely Check AI Output Before Using It’, CPA Practice Advisor.
URL:https://www.cpapracticeadvisor.com/2026/04/08/ai-slop-survey-a-third-of-workers-rarely-check-ai-output-before-using-it/181191 (retrieved on 03/06/2026)
Crockett, M.J. and Messeri, L. (2026) ‘Producing more while understanding less with large language models’, Trends in Cognitive Sciences, 30(4), pp. 286–287. https://doi.org/10.1016/j.tics.2026.01.006
Gibney, E. (2026) ‘How AI slop is causing a crisis in computer science’, Nature. URL: https://www.nature.com/articles/d41586-025-03967-9 (retrieved on 03/06/2026)
Issa, H., Sun, T. and Vasarhelyi, M.A. (2016) ‘Research Ideas for Artificial Intelligence in Auditing: The Formalization of Audit and Workforce Supplementation’, Journal of Emerging Technologies in Accounting, 13(2), pp. 1–20. https://doi.org/10.2308/jeta-10511
Kokina, J. and Davenport, T.H. (2017) ‘The Emergence of Artificial Intelligence: How Automation is Changing Auditing’, Journal of Emerging Technologies in Accounting, 14(1), pp. 115–122. https://doi.org/10.2308/jeta-51730
Kokina, J., Blanchette, S., Davenport, T.H. and Pachamanova, D. (2025) ‘Challenges and opportunities for artificial intelligence in auditing: Evidence from the field’, International Journal of Accounting Information Systems, 56, 100734. DOI: 10.1016/j.accinf.2025.100734
Kommers, C., Duede, E., Gordon, J., Holtzman, A., McNulty, T., Stewart, S., Thomas, L., So, R.J. and Long, H. (2026) ‘Why Slop Matters’, ACM AI Letters, 1(1), Article 3. https://doi.org/10.1145/3786777
Nelson, M.W. (2009) ‘A Model and Literature Review of Professional Skepticism in Auditing’, Auditing: A Journal of Practice & Theory, 28(2), pp. 1–34. https://doi.org/10.2308/aud.2009.28.2.1
Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K. and Hancock, J.T. (2025) ‘AI-Generated “Workslop” Is Destroying Productivity’, Harvard Business Review. URL: https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity, (retrieved on 03/06/2026)
Samuels, M. (2026) ‘51% of professionals say AI workslop lowers their productivity’, ZDNET. URL: https://www.zdnet.com/article/workslop-can-kill-your-productivity-heres-how-to-turn-ai-into-a-competitive-advantage/ (retrieved on 03/06/2026)
The Conversation (2025) ‘AI “workslop” is creating unnecessary extra work. Here’s how we can stop it’, The Conversation. URL: https://theconversation.com/ai-workslop-is-creating-unnecessary-extra-work-heres-how-we-can-stop-it-267110 (retrieved on 03/06/2026)
Zhang, D. and Zhou, J. (2026) ‘Implications of generative AI technology on auditing practice and research – a commentary’, Managerial Auditing Journal, 41(1), pp. 153–162. https://doi.org/10.1108/MAJ-03-2025-4730
[1] Τα μεγάλα γλωσσικά μοντέλα αποτελούν ειδική κατηγορία συστημάτων τεχνητής νοημοσύνης, βασισμένη σε τεχνικές βαθιάς μάθησης. Εκπαιδεύονται σε ογκώδη σύνολα κειμένων ώστε να εντοπίζουν σύνθετα γλωσσικά πρότυπα, να επεξεργάζονται αιτήματα διατυπωμένα σε φυσική γλώσσα και να παράγουν συνεκτικές απαντήσεις ή κείμενα βάσει των εισροών που λαμβάνουν. SAP (2024) ‘Τι είναι ένα μεγάλο γλωσσικό μοντέλο;’, SAP, 2 July. URL: https://www.sap.com/greece/resources/what-is-large-language-model (retrieved: 03/06 /2026).