第33课 · 制作审计关联方识别 Skill
本节要点
- 承接第 32 课：上节做完了工商信息查询的「底座」，能批量下载几十个维度的工商数据；这一节把这个底座用起来——做一个真正解决审计高风险痛点的关联方识别 Skill
- 真实痛点：隐形关联方是审计的高压线——客户通过未披露的关联方虚增收入、转移资金，事务所因为「没识别出来」被处罚的案例年年都有；手工核查几十上百家客户供应商，根本查不过来
- 核心方法（本课灵魂）：不抄别人现成的核查维度，而是让 AI 去联网查监管处罚案例，用监管机构的眼睛反推「关联方是怎么被发现的」——监管认定的，工具必须能发现
- 八个核查维度：工商指纹重合、关键人员重合、客商异常画像、已知关联方差集、股权穿透、历史痕迹、担保资金链、无形资产共用
- 关键认知：造假常发生在子公司层面——必须先对被审计单位做股权穿透，把子公司纳入核查范围，否则只查母公司等于漏掉一大半
- 真实案例循环验证：用卓朗、爱康、蓝山、合纵、天沃五个真实处罚案例做测试，监管认定的关联方基本全覆盖；发现漏检就优化规则（如「电话号段相邻」）
- Skill 是「活的」：不断积累案例和维度，不是给你一个死的 Excel——你的新经验、新案例随时能加进去
- 进阶路径：规则打磨成熟后，可以做成纯脚本的效率工具，不消耗 AI token，执行更快
1. 承接：从「工商查询」到「关联方识别」
第 32 课我们做了一个工商信息查询的 Skill——它能批量下载一家公司几十个维度的数据：注册地址、电话、邮箱、法人、股东、对外投资、社保人数……
当时我就说过一句话：这个 Skill 不只是单独用的，它是一个底座，后面很多审计自动化都建立在它之上。
关联方识别，就是这个底座的第一个「上层应用」。
为什么先做关联方？因为它是审计里最吃数据、最费人工、又最高风险的环节之一。
2. 痛点：隐形关联方为什么是审计高压线
先说说为什么关联方核查这么重要，又这么难。
什么是隐形关联方
按规定，关联方要在财报里披露。但现实中，有些客户会故意不披露某些关联方——因为这些隐藏的关联方，往往是造假的通道：
- 虚增收入：把货「卖」给自己的关联方（其实是左手倒右手）
- 转移资金：通过关联方把上市公司资金掏走
- 虚增资产：和关联方做不公允的交易，粉饰报表
这些关联方在账上看不出来——名字不沾亲带故，股东结构也查不到直接关系，藏得很深。
监管有多重视
你去查会计师事务所的处罚案例，很大一部分都和「隐形关联方没识别出来」有关。
视频里我让 AI 联网一搜，搜出来十几个真实案例：蓝山科技、天沃科技、卓朗科技、爱康科技、合纵科技……每一家背后都有事务所因为「没发现这些其实是关联方」而被处罚。
为什么手工查不动
关联方核查的标准动作是：拿着客户的客户清单、供应商清单，一家一家去查工商信息，看有没有和被审计单位「沾亲带故」的。
问题是：
- 一个往来科目，几十上百家供应商客户
- 要查的维度又多：地址、电话、邮箱、法人、股东、投资关系……
- 还要做股权穿透，一层层往上、往下查
- 几百家公司 × 几十个维度 × 几层穿透——纯人工，根本查不过来
而这，正是让 AI 做个 Skill 来解决的事：把工商数据喂进去，让程序按规则自动跑，几秒钟出一份报告。
3. 核心方法：不抄维度，让 AI 学监管的处罚案例
这一节最关键的一个认知，不是「做了什么工具」，而是**「怎么做这个工具」的方法**。
起因：看了别人的文章
视频开头我提到，我之前看过一个公众号文章（审计犟驴写的），他做了一个关联方识别工具，用了 12 个维度。
我的第一反应是：模仿他做一个。
但我没有直接抄他的 12 个维度。
关键转折：让 AI 去学监管的处罚案例
我换了个思路——与其抄别人总结的维度，不如让 AI 直接去看「监管机构是怎么发现这些隐形关联方的」。
视频里我是这么跟 AI 说的：
我想做一个关联方核查的 Skill。你先联网搜索近几年会计师事务所的审计处罚案例，重点找监管机构因为被审计单位的隐性关联方没被识别出来而处罚事务所的案例，多找一些。然后根据这些案例，反推可以从哪些维度去核查关联方。当然，用到的数据，可以用我已经做好的工商信息查询 Skill，它能下载被审计单位以及客户供应商的多维度工商信息。
这个思路的逻辑是：
- 监管机构是最懂怎么查关联方的（他们查出了那么多造假）
- 他们认定的关联方，背后一定有可复制的工商特征（地址相同、电话相同、人员重合……）
- 让 AI 从这些案例里提炼出监管的「核查维度」，比我拍脑袋想维度靠谱得多
为什么不直接抄别人的维度
别人的维度是他经验的总结，可能适合他的场景，不一定适合你。而监管处罚案例是「客观标准」——监管认定的关联方，就是法律意义上的关联方。从这些案例反推维度，你的工具天然就对齐了监管的判断标准。这就是为什么后面验证时，我反复强调一句话：「监管发现的，工具必须能发现」。
4. 方案讨论：把需求说清楚
AI 搜完案例、提炼出初步的核查框架后，我没有直接让它动手写代码，而是先把需求讨论清楚。
这一步很多人会跳过——觉得「让 AI 直接做不就行了」。但需求不清，做出来的东西一定跑偏。
几个必须先定的问题
我和 AI 确认了这几个方向：
① 数据范围：这个 Skill 吃什么数据？
- 被审计单位本身
- 客户清单、供应商清单
② 关联方的认定标准：什么算关联方？
- 控制、共同控制、重大影响（会计准则的标准）
- 输出分两档：🔴 硬关联（高度疑似）、🟡 可疑红旗（需要进一步核实）
③ 输出形态：结果长什么样？
- Excel 报告
- 每个核查维度单独一个 sheet（地址重合放一个、电话重合放一个……）
- 再加一个汇总 sheet，直接告诉你「这几家大概率是关联方」
④ 穿透深度：股权关系查多深？
- 最多五层（足够覆盖绝大多数股权结构）
⑤ 要「活」不要「死」
我特别跟 AI 强调了一点（这也是视频里的一句金句）：
我不要你给我一个死的 Excel 模板。这个 Skill 要是活的——我以后用的时候，不断有新案例、新维度的想法，都能随时加进去。
5. 汇总：八个核查维度
经过调研和讨论，最终定了八个核查维度。这是整个 Skill 的核心，我详细讲一下。
这八个维度分三层：P0 是必须做的（最高频的造假特征），P1 是应该做的（需要股权穿透才能发现），P2 是增强项（锦上添花）。
第一层（P0：必须做，最高频）
| 维度 | 查什么 | 为什么 |
|---|---|---|
| ① 工商指纹重合 | 注册地址相同/相似、电话相同、邮箱相同、网址相同 | 同一拨人用同一套资料注册多家公司，是关联方最典型的特征 |
| ② 关键人员重合 | 法定代表人、董监高、实际控制人、最终受益人 | 关联方往往「一套人马几块牌子」 |
| ③ 客商异常画像 | 成立没几天、注册资本很低、社保 0 人、注册在居民楼、既是客户又是供应商 | 空壳公司、专门走账的「马甲」公司典型画像 |
| ④ 已知关联方差集 | 客户/供应商表里自带的关联方标注，和实际核查结果做差集 | 很多公司自己其实已经披露了一部分关联方，把没披露的「抠」出来 |
第二层（P1：应该做，需要股权穿透）
| 维度 | 查什么 | 为什么 |
|---|---|---|
| ⑤ 股权控制穿透 | 共同股东、投资关系、层层控股 | 关联关系藏在股权结构里，不穿透根本看不到 |
| ⑥ 历史关联痕迹 | 曾用名、历史法人、历史地址 | 改了名、换了法人，但底子还是那家公司 |
第三层（P2：增强，锦上添花）
| 维度 | 查什么 | 为什么 |
|---|---|---|
| ⑦ 担保资金链 | 互相担保、股权质押、动产抵押 | 资金上的捆绑是关联方的强信号 |
| ⑧ 无形资产共用 | 商标、软件著作权、专利、微信公众号 | 共用一个商标、一个公众号，基本是一家人 |
这八个维度不是拍脑袋想的，是 AI 从监管处罚案例里反推出来的——每个维度背后都有真实的处罚案例支撑。
6. 测试：用真实处罚案例，不用无关公司
Skill 写出来后，怎么验证它靠不靠谱？
我的做法是：不用随便找几家无关公司测试，而是直接用监管处罚案例里的公司来测。
逻辑很简单：监管机构已经认定这几家是关联方了，如果你的工具查不出来，那就是工具有问题。
视频里我这里还纠了 AI 一个小错——AI 想用茅台、宁德时代这些公司做「冒烟测试」（先确认程序能跑通）。我说：跑通不跑通是次要的，关键是能不能查出监管认定的关联方。直接上真实案例。
不过冒烟测试也有用：确认了用 5 家完全无关的公司跑，0 误报——证明规则不会乱报。
第一个案例：卓朗科技
卓朗科技是典型的造假案。监管认定它通过一批隐形关联方虚增收入。
我让 AI 去下载卓朗科技的工商数据，跑核查。
结果：发现问题了。
7. 关键认知：造假在子公司，必须先穿透
这是整个视频里最重要的一个认知，我专门拿出来讲。
问题出在哪
AI 下载卓朗科技的工商信息，跑完核查，发现：卓朗科技和那批造假公司，直接关系很弱。
为什么会这样？因为卓朗科技的造假，不是挂在卓朗科技母公司名下，而是挂在它的子公司（卓朗发展）名下。
AI 只查了母公司，没查子公司，自然查不出母公司和造假公司的关系。
视频里的原话
我当场就跟 AI 点明了这个问题：
我们对被审计单位要进行五层股权穿透。你在查工商信息的时候，应该先做穿透，把它的子公司也纳入关联方核查的范围，这样才准确。不然它只查被审计单位本身，但造假可能在它下面的子公司跟这些公司发生的。
修复后的工作流
AI 听懂了，把工作流改成了：
- 先对被审计单位做股权穿透（五层）
- 把发现的子公司全部纳入核查名单
- 合并：被审计单位 + 子公司 + 客户供应商
- 下载这些公司的完整工商信息
- 按八个维度核查
改完之后，重新跑卓朗科技——这次发现了 6 个硬关联，和监管认定的完全对得上。
为什么「造假在子公司」是铁律
你回头看那些造假案，几乎所有大案，造假都发生在子公司层面。原因很简单：子公司的财务数据要并表，但子公司离母公司「远一层」，审计时关注度低，更好藏。卓朗、康得新、康美……都是这个套路。所以做关联方核查，不穿透只查母公司，等于漏掉一大半战场。这是用工具必须知道的前提。
8. 循环验证：四个案例 + 一次优化
卓朗案跑通后，我继续用其他几个真实案例测，一个一个对照监管认定。
爱康科技：完美命中
监管认定爱康科技有 4 家隐形关联方（慧昊系、慧荣系）。
我把这 4 家 + 爱康的工商数据喂进去，跑全图两两比对——5 家公司，两两组合 10 对，10 对全部命中硬关联。
命中的维度：
- 法人是同一个人（维度②关键人员重合）
- 邮箱域名相同（维度①工商指纹）
完美。
蓝山科技：发现漏检，优化规则
蓝山案监管认定的关联方，依据是「电话号段相邻、地址相近、人员重合」。
结果一跑——有漏检。
问题出在「电话号段相邻」：我的引擎原来只比对完全相同的电话，而蓝山和它的关联方电话是「相邻」的（比如一家是 82284751，另一家是 82284750，只差一个尾号）。
监管认定「号段相邻 = 同一个办公室」，但我工具没这个规则。
怎么办？加规则。
我让 AI 增加了一条「座机号段相邻」规则：座机号去掉最后一位，前面的号段一样，就判定为可疑。
逻辑很简单：连续的电话号码，几乎就是同一个办公室的几部分机。
加了这条规则，蓝山案全部命中。
合纵科技、天沃科技：通过
- 合纵科技：监管认定的 3 家关联方（茂联、盈联、盛联），全部识别，还多发现几个可疑点
- 天沃科技：通过（靠的是「已知关联方差集」——客户表里其实已经标注了部分关联方，做差集直接抠出来）
这就是「Skill 是活的」
你看蓝山案这个优化——发现一个监管维度（号段相邻）我的工具没覆盖，就加一条规则。下次再遇到类似的，就能查出来。这个 Skill 用得越多、遇到的案例越多，它就越强。这就是我说的「活的」——不是给你一个固定模板，而是一个能持续进化的工具。
9. 心法：把脑子里的经验告诉 AI
测试到这，几个案例都过了。但视频里我强调了一个更重要的点：
AI 能查到的，受限于它调研到的案例。但审计真正的经验，很多在人脑子里。
视频原话：
你让 AI 做调研，它可能也就局限于调研到的这些案例。但实际上，很多经验是在人的脑子里。你需要把你自己脑子里的经验说出来告诉它——有哪些维度是比较容易发现的，哪些需要给个提示让人进一步核查。
意思是：工具做出来不是一劳永逸的。你在实际项目里用，会碰到新的情况、新的「躲关联方」的手法——把这些经验记下来，反馈给 Skill，让它持续变强。
这也是为什么我反对「给你一个 Excel 模板直接用」——模板是死的，不适用于你的具体项目。而 Skill 是活的，能根据你的经验不断进化。
10. 进阶：从 Skill 到效率工具
视频最后，我点了一个进阶方向。
关联方识别这种规则性很强的工作，当你把规则打磨得很成熟之后，可以把它从「Skill」升级成「纯脚本的效率工具」。
区别在哪：
| Skill（调 AI） | 效率工具（纯脚本） | |
|---|---|---|
| 执行方式 | AI 读规则、推理、调用 | 脚本直接跑 |
| 消耗 | 花费 AI token | 不花 token |
| 速度 | 慢（AI 思考 + 调用） | 快 |
| 适合 | 规则在迭代、需要灵活 | 规则稳定、量大 |
视频原话：
这种规则性的东西，你把它做成效率工具，就不用消耗 AI token。另一个好处是执行效率更高。调 Skill 多多少少还是慢，量大感觉不出来，量小你会感觉慢很多。
这个认知很重要：Skill 是「研发阶段」，帮你把规则想清楚、跑通、验证；效率工具是「量产阶段」，规则成熟了固化成脚本，又快又省钱。两者的关系，不是二选一，而是先 Skill 后工具。
11. 常见问题与避坑
11.1 为什么强调「先穿透再核查」？
因为造假几乎都在子公司层面。你只查母公司，等于只看了冰山一角。第一步永远是股权穿透，把子公司、孙公司都纳入核查范围。
11.2 工具查出来的，一定就是关联方吗？
不是。工具是初筛，给你一个「高度疑似」的清单。最终认定还要审计师结合会计准则判断，必要时做实质性程序（函证、走访、查流水）。工具帮你把几百家的范围，缩小到十几家「重点怀疑对象」，这是它的价值。
11.3 为什么有的监管认定的关联方，工具查不出来？
工商数据只能反映当前状态——改了名、换了地址、换了法人之后，工商档案上看不出历史关联。这种情况监管是靠走访、查银行流水发现的，工商数据天然查不到。工具会诚实标注「这些维度无法覆盖」，不硬装能查出来。
11.4 冒烟测试为什么要用无关公司？
用茅台、宁德时代、腾讯这些肯定不是关联方的公司跑一遍，确认0 误报——证明你的规则不会「见谁都说是关联方」。这是保证工具可信的基础测试。
11.5 我没有这些处罚案例的公司名，怎么验证？
课程网盘会提供测试数据。你也可以自己去证监会、财政部网站搜「行政处罚」，找关联方相关的处罚决定书，里面的公司名都能用来测。
11.6 这个 Skill 和第 32 课的工商查询 Skill 是什么关系？
第 32 课的工商查询是底座（负责拿数据），这一课的关联方识别是上层应用（负责用数据做判断）。关联方 Skill 会调用工商查询 Skill 去下载公司数据，自己只专注「核查规则」。这种分层设计，让两个 Skill 各司其职，都能独立复用。
关键收获
TIP
这一节我们做了一个关联方识别 Skill——能用工商数据自动识别隐形关联方，八个维度全覆盖。
三条最重要的认知（也是这节课的灵魂）：
不抄别人的维度，让 AI 学监管的处罚案例——监管认定的关联方，就是客观标准。从案例反推维度，你的工具天然对齐监管判断。记住那句话：「监管发现的，工具必须能发现」。
造假在子公司，必须先穿透——几乎所有造假大案，造假都挂在子公司名下。不穿透只查母公司，等于漏掉一大半。这是用工具的前提认知。
Skill 是活的，不是死的 Excel——遇到新案例、新手法，把经验反馈进去，让它持续变强。规则成熟后，还能升级成纯脚本的效率工具，又快又省钱。
一个方法论：从 0 到 1 做一个 Skill，AI 给思路，人给经验，用真实案例当试金石——这套方法不只能做关联方识别，你审计工作中的任何「规则性核查」都能套。