智能审计必须依赖于海量的审计大数据以及各类数据挖掘、智能分析算法等技术支持。然而，在现有的技术范畴内，一些固有的风险依旧无法消弭。譬如，存储技术风险。当前，智能审计的基本对象为电子数据。电子数据无论是分布式存储，还是基于云技术的集中存储，一旦发生网络故障、系统崩溃，或遭网络攻击，容易造成数据丢失或失效，并影响整个审计工作。再如算法风险。同一组审计数据，不同的人解读，往往会有不同的意义。人工智能的基本思路是运用以往的经验数据预测未来的不确定性，计算结果依赖于不同的算法模型和数据输入。智能审计算法往往基于以往的审计大数据，建立算法模型，利用不同的数据输入，通过机器学习、强化学习不断优化算法产生相应的审计决策。然而，这些数据和算法模型，更多地体现的是算法设计人员的理念和价值取向，且对审计人员不透明。审计人员无法获得算法设计的细节，而算法设计人员也未见得真正准确理解审计工作实际情况。设计者与使用者之间难以取得思维方法的一致性，从而存在潜在的分歧和偏见。