大模型赋能财务：热潮下的冷思考

伴随着ChatGPT、DeepSeek等大语言模型（LLMS，以下简称“大模型”）的快速发展，正在推动新一轮科技革命与产业数字化转型的加速演进，重塑企业数字化运营的核心逻辑，并加速生成式AI在财务领域的应用。上海国家会计学院《2025年影响中国会计行业的十大信息技术评选报告》显示，人工智能通用大模型以54.19%的综合得票率位列第一，62%的企业计划在三年内部署大模型深化财务应用。

但相比于其他易于标准化的领域，大模型在财务领域的应用有其复杂性：它不仅需要标准化任务的处理，更涉及复杂交易的实质穿透、财务与业务的联动溯源、长期决策的风险量化、合规底线的刚性坚守等一系列复杂场景……而这些恰恰是当前AI的短板所在：一方面，AI没办法像人类那样精准拿捏“超出明确规则的模糊情况”——比如面对没有完全匹配制度条款的特殊交易，人类能结合业务本质判断合理性，AI却难以把握这种“非黑即白”之外的尺度；另一方面，在环环相扣的复杂业务流程里，AI也很难实现不同系统的顺畅配合，更没法像人类一样在流程断点、风险隐患出现时及时补位、控制风险。

面对当前的现实背景，企业该如何破局，实现大模型最大化的价值转化？这正是本文所要尝试回答的问题。

从大模型在财务场景中的实践逻辑来看，其在企业中的应用效果，除了取决于大模型的自身能力外，还和当前企业选择的技术架构以及企业自身的数据治理基础有着重要关系，这是因为：财务领域的数据具有高敏感性、强关联性特征，若企业数据治理基础薄弱——存在数据标准不统一、数据质量不达标（如冗余、错误数据）、数据血缘不清晰等问题，即便大模型具备强大的语义理解与推理能力，也难以获取精准、完整的输入素材，直接影响大模型的应用效果；而技术架构则决定了大模型能否嵌入财务业务链路——财务领域的业务流程往往需联动ERP、财务共享系统、资金管理系统等多平台，若架构无法实现大模型与现有系统的无缝对接、数据的顺畅流转，大模型便难以深度参与复杂业务处理，无法转化为实际业务价值。

正是基于以上底层逻辑，本文将从大模型在财务场景中应用的能力局限、企业集成架构的构建和企业数据治理/知识体系构建三个方面依次展开详细阐述，探索大模型在企业中的有效应用路径与财务价值最大化实现方式。本文的贡献在于，在理论层面系统阐述了大模型在财务领域应用时“技术能力－集成架构－数据基础”的协同逻辑，明确三大关键因素的作用机制，填补当前该领域缺乏系统性底层理论支撑的空白；在实践层面为企业提供可操作的集成架构搭建框架、数据治理的关键要点及知识体系建设方案，帮助企业实现大模型技术与当下财务业务需求的精准适配。

本文摘自《管理会计研究》2025年第6期，购买纸质刊请点击本链接至微店购买

......