La gestione del rischio di frode nella revisione contabile

L’obiettivo di questo elaborato è analizzare come il rischio di frode venga gestito nelle attività di revisione contabile, mettendo in relazione il quadro teorico e normativo con l’evidenza empirica e con l’esperienza maturata durante lo stage presso la divisione Audit & Assurance di Deloitte Italia. In particolare, la ricerca mira a rispondere alla seguente domanda: in che modo modelli teorici sul rischio di frode, standard internazionali di revisione e nuove tecnologie digitali, in particolare l’intelligenza artificiale, possono essere integrati per rendere più efficace l’identificazione e la valutazione del rischio di frode di bilancio da parte dei revisori? Nella prima parte viene presentata l’organizzazione presso cui è stato svolto lo stage, descrivendone storia, struttura e posizione competitiva nel mercato della revisione, nonché le principali attività operative svolte in team di audit su gruppi aziendali attivi nei settori energia, rinnovabili e siderurgia. Nella seconda parte viene ricostruito il quadro teorico e normativo del rischio di frode di bilancio, facendo riferimento a casi emblematici (Lehman Brothers, Parmalat), alla classificazione ACFE e ai modelli di Kassem, che rielabora concetti come fraud triangle e fraud diamond alla luce dei requisiti posti dagli ISA in tema di identificazione e valutazione dei rischi significativi. L’analisi della letteratura sperimentale sintetizzata da Tümmler e Quick consente di evidenziare come i revisori tendano a concentrarsi sulle opportunità di frode più facilmente osservabili, trascurando spesso motivazioni e integrità del top management, e come strumenti quali brainstorming strutturato, indicatori mirati e analisi di interviste e verbali possano migliorare la qualità del giudizio sul rischio. ​Infine, viene approfondito il contributo della digitalizzazione e dell’intelligenza artificiale, con particolare riferimento al modello di “artificial intelligence co‑piloted auditing” proposto da Gu et al., in cui i large language models supportano il revisore nelle diverse fasi del processo di audit attraverso l’analisi di grandi volumi di dati strutturati e non strutturati e l’individuazione di transazioni anomale secondo criteri ispirati agli ISA. I risultati della tesi suggeriscono che la gestione del rischio di frode in revisione è destinata a evolvere verso un approccio integrato, in cui competenze tecniche, modelli teorici e strumenti di IA devono essere combinati in modo coerente, mantenendo al centro il giudizio professionale del revisore e sviluppando nuove linee guida e percorsi formativi per ridurre i bias e sfruttare in modo responsabile le potenzialità delle tecnologie emergenti.