当前，虽然随着技术的快速更迭，大语言模型已在通用任务或特定基准测试中展现出卓越性能，但客观来看，大模型在财务领域中的应用，仍然处于技术成熟的早期阶段，仍然面临幻觉待控、结果难追溯、复杂财务场景难落地等问题。从“可用”到“好用”之间，仍然横亘着漫长的“鸿沟”。

那么，企业该如何跨越这道鸿沟，破解当前大模型财务应用难题呢？基于当前的现实背景，我们有四点建议。

场景选择：优先选择简单、有效的场景，规避风险和收益失衡的场景

当前，大模型并非在所有的财务场景都有落地能力和落地价值，企业需要从当下技术成熟度与自身实际需求之间取得平衡，寻找适配自身业务场景的“动态”最优解。

结合企业自身的业务需求，我们将大模型潜在的应用场景按“可行性”和“价值度”两个维度，分为“简单有效”“技术复杂”“存在风险”“收益不足”四类。具体如图1所示。

图1 大模型在财务场景应用的选择优先级

Ⅰ类场景的核心特征是“流程链条短、技术架构简单、实施成功概率高”。这些都是当前大模型擅长的领域，技术成熟度高，能让企业快速看到效果，因此企业可优先选择。主要有以下典型的场景：

（1）非结构化图片、文档、文本处理。举例而言，具有进出口业务的企业，每月会收到大量来自不同国家的票据——英文的酒店账单、法文的火车票、印尼的高速公路收费单，这些票据版式各异、语言不同，人工识别不仅效率低，且极容易出错。而大模型的多模态理解能力和语言能力等，能帮助财务人员快速提取这些非结构化数据所蕴含的关键信息，大幅提升财务人员的工作效率。

（2）基于自然语言规则的附件审核。主要是利用审单对单据和单据的附件信息进行解读，搭配自然语言审核规则，对业务过程中的相关单据和单据附件进行审核。比如在费用报销审核场景中，针对“报销附件是否符合制度要求”，大模型可以根据自然语言描述的规则，先理解《费用报销管理制度》中的审核规则，再自动识别附件内容，对其存在性和内容合规性进行审核，以此判断是否符合要求。

（3）系统操作答疑和工单处理的智能客服。这类场景往往文档结构清晰，知识相关性少，检索容易，因此成功率也极高。比如面对功能复杂的财务系统，有些企业新员工往往需要反复咨询“如何生成付款单”等这类问题。企业可以通过大模型构建智能客服，将系统操作手册、常见问题整理成知识片段，以供员工随时咨询获取答案。

Ⅱ类场景主要是一些技术复杂度较高的场景。此类场景高度依赖模型、工具能力和工程化方法的综合应用。以智能问答场景为例，它需要先对用户的自然语言提问进行实体识别与句法结构分析，精准处理数据查询意图；再依托数据中台，通过数据表推荐、权限过滤、数据库方言适配等环节生成查询语句；最终还要对查询结果进行审核、文字摘要生成与图表生成等加工，整个过程不仅需要大模型在自然语言理解、复杂业务逻辑推理等方面的能力，也需要小模型（专业AI算法）在数据库指令适配、可视化结果生成等专项任务上的精准执行，同时离不开元数据治理、数据中台等数据基础建设的支撑。此部分业务场景想要取得较好的场景落地效果，往往需要较大的投入，企业可结合企业自身情况选择投入。

第Ⅲ类场景则主要集中在当前大模型技术度能力不足、不擅长的领域，如智能决策、战略规划等场景，此类场景目前仍处于探索性阶段，失败概率较高，落地效果难以保障，企业需谨慎评估。Ⅳ类场景则属目前投入“收益不足”场景，需避免盲目投入。

AI是方向，人类仍是关键齿轮

从当前大模型技术在企业的具体应用场景来看，仍是以人机协同为主——这本质上是技术成熟度与场景需求平衡的结果：当前，大模型的幻觉率尚未完全可控、企业私有知识与系统的适配仍需打磨，因此人机协同成为风险最低、效果最稳定的选择。当前人机协同主要有五种模式——指令协同、流程协同、事件协同、定时协同、异常协同，在不同的财务场景中都有具体应用。

（1）指令协同。财务人员发出指令，大模型响应执行。

（2）流程协同。数字员工作为工作流程上某个环节的处理人，独立完成特定任务，提交给人复核。

（3）事件协同。人类员工设定特定事件，触发数字员工的工作任务，比如设置“当应收账款账期超过90天时，大模型自动生成催款函并发送给客户”。

（4）定时协同。人类员工设置定时任务，由数字员工自动执行。比如设置“每月最后一天，大模型自动汇总各部门费用执行情况，生成费用分析报告”。

（5）异常协同。当数字员工执行任务遇到异常时，主动请求人类员工介入。异常协同是应对大模型能力边界的关键。大模型并非万能，遇到“模糊的手写票据”“复杂的税务政策解读”等情况时，可能无法准确处理。此时，大模型会主动将问题转交给财务人员，待人员处理后，再继续执行后续任务。这种方式既保证了流程效率，又避免了因大模型误判导致的风险。

关注应用治理，让大模型规范运行

大模型应用不是“一劳永逸”，还需要持续地治理与管控。除了控制好场景开发流程外，企业应用治理应重点关注以下内容：

第一，关注智能体交互的输入输出内容，对非结构化数据与结构化数据进行全生命周期管理，确保数据在交互过程中的安全性、完整性，防范数据泄露、篡改等风险，同时严格符合数据隐私保护与财税、审计等行业合规要求。

第二，详细记录智能体执行的规则、算法，推理决策的过程，调用的工具等行为，确保过程留痕可审计，既满足财务审计“可追溯、可验证”的核心要求，也为大模型后续迭代优化提供真实有效的行为数据依据。

第三，关注智能体的功能权限和数据权限控制，明确大模型在财务场景中“能执行什么操作”与“能访问什么数据”。

幻觉控制：无法完全消除，但可有效管控

幻觉是大模型的概率算法先天决定的，无法避免。但如图2所示，企业可以通过事前、事中、事后三个阶段进行控制。

图2  从事前、事中、事后三个阶段控制大模型幻觉

事前控制的核心是“给大模型提供准确的‘养料’”，限定大模型的回答范围，避免其凭空编造。这种“养料”可以为特定的知识库，也可以为不同类型的知识图谱，以结构化的实体－关系网络（如业务中的组织架构、流程关联、数据逻辑等）限定大模型的推理边界与逻辑路径。此外，在提问时，也可以通过提示词指引，设计能引导大模型为事实标注明确出处，并分步展示、记录推理过程的指令，既提升输出的可信度，也为后续校验留存追溯依据。

事中则是“让大模型克服自身的局限性，学会‘求助’工具”。比如，当大模型涉及数学运算、精准数据查询任务时，可自动触发后台计算引擎或API，以工具的确定性精准计算替代模型概率生成的不确定性，保障数值类输出的准确性。或者通过调用预设的规则引擎，执行结构化数据的校验和逻辑性判断，实时检查大模型处理后的数据是否符合格式、逻辑要求，有效避免大模型的主观臆断风险。

事后控制则是最后一道防线，可通过多维度校验确保结果正确。首先，既可以通过单模型自我校验，借助模型自身能力发现潜在问题，也可以通过双模型交叉校验，对同一问题生成结果，通过对比不同模型的输出来挑刺。其次，通过固定规则对结果进行核查，以行业规范、企业制度等明确规则为“标尺”，逐一核验大模型输出是否符合。最后，针对核心业务决策、敏感信息发布等重要场景，安排专业人员100%人工审核大模型的输出结果，以人类专业判断和经验彻底过滤幻觉错误，确保结果高度可靠。

*本文改编自《管理会计研究》杂志2025年第6期（总第45期）数智化经营栏目

*本文由《管理会计研究》杂志授权刊登

......