大模型赋能财务：应用困境、影响因素与破局路径

一、引言

ChatGPT、DeepSeek等以大语言模型（LLMs，以下简称“大模型”）为核心的生成式AI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，并加速大模型在财务领域的应用。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具有复杂性：它不仅需要处理标准化任务，而且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把握“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很难实现在不同系统间的顺畅配合，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，实现大模型在财务领域最大化的价值转化？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，大模型在企业中的应用效果，除了取决于大模型自身的能力外，还和当前企业自身的数据治理基础和技术架构有着重要关系。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，会直接影响大模型的应用效果。而技术架构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要联动ERP、财务共享系统、资金管理系统等多平台，若技术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的处理，无法赋能实际业务。

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的实现方式，并基于当前大模型在企业财务领域应用的现实困境，给出相关建议。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。

二、文献回顾与评述

（一）文献回顾

在数字化技术的推动下，以ChatGPT为代表的生成式AI通过学习大量数据和模式，能够自动生成具有创造性的内容，并模拟人类的行为和思维。它不仅能够处理和分析大量数据，而且能够生成语言、图像、音频等各种形式的内容（王文博 等，2023）。同时，人工智能构建各种场景的智能算法能协助人类分析、处理和解决复杂问题，在管理者受到知识、记忆、精力等限制时，可以基于智能预测和提供多种决策方案，帮助管理者做出最优而科学的决策（Duan et al.,2019）。米加宁 等（2025）指出，通过海量语料的自组织学习与语义建构机制，大模型实现了知识的多源整合与动态生成，可推动知识生产由人类主导转向人机协同，由静态聚合转向复杂涌现，从而为构建更具适应性的决策机制提供了技术支撑。

相比于其他场景，大模型在财务和会计场景的应用也极具潜力。杨寅 等（2024）指出，人工智能将为会计工作者、会计决策、会计学科属性、会计伦理、会计主体、会计内容等提供积极的变革动力。在人机协同和人机共生的技术模式下，会计人员和财务机器人会体现不同的职能和工作价值。王文博 等（2023）认为，大模型的应用具有重要的价值，能显著提高财务工作决策的精确性和效率。大模型在财务决策领域的应用，涵盖风险评估、投资决策、财务分析等多个方面。借助大模型处理海量数据，决策者能够发现隐藏的规律和趋势，提供准确的预测和建议。

然而，从技术应用角度来看，大模型在企业场景中的应用，系统层面需要应对技术伦理冲突与组织适应性滞后等挑战（杨寅 等，2024），社会层面面临职业替代风险与复合型人才短缺的双重压力，（李雄 等，2024；刘勤，2025）。高锦萍 等（2022）认为，如果会计数据的收集和信息的处理脱离会计人员的掌控，冗杂的源数据和人工智能技术黑箱可能使会计反映的信息最终脱离实际，会计提供的财务状况真实性会受到一定程度损害。

以上这些缺陷，决定了当前大模型在企业中的应用的作用仍离不开人类（许晖 等，2025）。而实现人机协同决策效果的关键在于，如何有效整合人与大模型在决策方面的差异化优势，以实现精准决策。以人类为例，管理者依靠大量决策经验形成认知，在面对模糊及不确定性问题方面具有更全面的潜在优势。而大模型通过抽象和非模态符号形成认知模型，能实现远超人类的信息存储和计算能力。因此，当人与大模型以不同方式、规模和速度进行认知和信息处理时，这两类智能体如何协作并准确、快速地输出决策结果，成为人机协作决策的核心问题。

（二）文献评述

纵观当前研究，学界与业界已围绕大模型的本质内涵、技术特性及应用价值展开多维度探讨，但在其向财务场景渗透的关键议题上，尚未形成系统性理论框架与实践指引，研究缺口集中于三方面。第一，核心影响要素研究碎片化，未将大模型技术能力、企业集成架构、数据基础视为有机整体，也未构建三者协同机制。第二，技术栈融合与业务逻辑对齐的研究缺乏财务场景专属方案：在技术栈融合层面，现有研究多聚焦通用IT架构，未充分考虑财务场景高数据敏感性、强系统关联性的专属特性；在业务逻辑对齐层面，现有研究未针对财务领域的专业逻辑进行定制化设计。第三，现有研究对大模型应用于财务场景的探讨多停留在方向性建议上，应用路径的研究缺乏场景化与可操作性。基于上述研究缺口，本文从理论与实践层面做出针对性贡献：在理论层面，本文首次构建了大模型赋能财务场景时的“技术能力－集成架构－数据基础”的三维协同逻辑，明确三者相互支撑、制约的互动机制，填补现有研究分析碎片化的空白，推动大模型应用研究从通用领域向财务场景深化，丰富智能财务理论内涵；在实践层面，本文以元年方舟GPT平台为例，拆解“基础层－数据层－能力层－应用层”架构搭建步骤，同时提供幻觉控制事前、事中和事后全流程方案，为企业大模型应用于财务场景提供实操指引，助力大模型从技术概念转化为财务领域的生产力工具。

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

......