大語言模型在會計行業應用的思考和建議

0 引言

我國會計領域數字化始于20世紀90年代的會計電算化，當時工作人員使用計算機替代手工記賬、算賬和報賬，通過財務軟件進行簡單的數據錄入和報表生成操作，提高了財務數據處理效率和準確性[1]。近些年，在萬物互聯（IoE）時代背景下，隨著移動技術、大數據、云計算特別是人工智能等新技術的發展，商業環境變得更加動態化，進一步推動了會計行業向著更加靈活化、精準化的方向發展[2]

2022年底，ChatGPT首次實現了語言智能的智慧涌現，不僅可以跟人互動，還可以完成人類交辦的各類任務，拉開了AIGC（生成式人工智能）時代的序幕[3]。2023年，用友網絡科技股份有限公司、金蝶國際軟件集團有限公司先后發布了基于涵蓋企業財務管理的大模型產品。國內外各類大模型產品百花齊放。據中國互聯網絡信息中心（CNNIC）披露的數據，截至2024年7月，成功通過國家級備案、上線且能為公眾提供服務的人工智能（Artificial Intelligence，AI）大模型達190多個，我國以大模型為代表的人工智能普及率達 。根據咨詢公司Gartner預測，到2026年，擁有3年以上AI投入的財務組織的生產力將比沒有使用AI的組織翻一番。在人工智能和自動化技術的影響下，未來在業績表現最佳企業的財務部門中，50% 的新員工背景將不再是財務或會計。因此，人工智能技術將給會計行業及從業人員帶來極其深遠的影響。

1技術背景

人工智能，即人制造出來的智慧機器或系統，最早于20世紀50年代被提出，受限于當時的計算能力和技術架構，主要局限在算法和邏輯推理方面，應用范圍有限。2022年，OpenAI發布了ChatGPT，拉開了生成式人工智能技術革命的序幕[5]。2023 年，全球陸續發布的大語言模型（LLM）參數非常大，且在大量文本上進行了訓練[。因此，它們可以直接執行大多數NLP（自然語言處理）任務，如文本分類、自動翻譯、問題回答等，以大語言模型為代表的生成式人工智能在會計領域逐步得到應用。

LLM始于N-Gram等簡單的語言模型，N-Gram通過使用詞頻來根據前面的詞預測句子中的下一個詞，預測結果是在訓練文本中緊隨前面的詞出現的頻率最高的詞，但受技術限制，有時會生成不連貫的文本[7]為了提高N-Gram模型的性能，人們引入了包括循環神經網絡（RecurrentNeuralNetwork，RNN）和短期記憶（LongShort-TermMemory，LSTM）網絡等更先進的學習算法，既能夠學習更多的序列，又能夠更好地分析上下文，在自動翻譯等任務中被廣泛使用[8]。Trans-former架構更好地解決了RNN在處理文本序列時容易忘記上下文的問題，具備高效處理和編碼上下文的能力，且具有易于并行化的優勢，被廣泛應用于LLM中。

NLP技術從N-Gram到LLM的演變見圖1。

針對通過大量文本訓練的通用大模型，再使用少量的有標注數據進行微調，可以適應特定的任務。這種預訓練和微調的方法可以減少數據標注的成本和時間，提升模型的泛化能力。

我國大模型應用數量及比例排名前10位的行業見圖2。大模型本身的特性與金融、醫療等行業有著天然的契合性，使其在這些行業中的應用比較廣泛

2大語言模型在會計行業的應用場景

當前大模型在智能會計核算及分析、合規與風險控制、財務知識庫構建、自然語言交互等方面具有廣泛的應用場景，可有效提高財務工作效率，促進財務轉型和知識更新，幫助財務人員做出科學決策。

2.1 智能會計核算及分析

會計核算的本質是記錄并整理經營數據，讓數據清晰地反映經營狀況，以支撐決策，是從憑證到賬簿，再到報表對數據不斷進行分類統計的過程。會計核算對于精度要求較高，財務決策則更需要對歷史數據進行深入分析，以及對未來趨勢進行準確預測。大模型除可以進行常規的財務比率分析、趨勢分析外，還可以依據歷史數據進行建模，挖掘數據背后的隱藏模式，更精準地進行收入、支出預測。另外，大模型可以自動化處理和準確核算，減少人工錯誤，提高核算速度和準確度。大模型的自動摘要功能可大幅增強財務人員提取年報文本中關鍵信息的能力。通過對企業財務數據與市場信息的深度學習與分析，大模型還可以為企業優化資金管理效率提供建議，幫助企業達成財務目標與優化財務績效。

2.2 合規與風險控制

財務工作對合規性和風險控制的要求極高。大模型通過內置合規規則和風險控制模型，能夠幫助企業在遵循相關法律法規的前提下，有效識別和控制財務風險。通過深度學習等技術，大模型能夠挖掘數據中的潛在規律，幫助企業及時識別財務欺詐行為，包括對財務報表、交易記錄進行分析。大模型可以及時發現異常模式與規律，識別出潛在的財務欺詐風險，并提供預警與防范建議，在復雜多變的市場環境中提供智能化的解決方案，幫助企業把握機遇、規避風險。

2.3 財務知識庫構建

大模型不但能對財務指標等結構化數據進行整合梳理分析，還能對票據影像等非結構化數據進行識別和分析，從而生成新的高價值的財務知識內容。例如，大模型在圖像識別和機器學習等方面具有優勢，能快速、準確地識別票據關鍵信息，自動完成審核和入賬流程。通過企業個性化大數據的訓練微調，大模型能夠構建企業內部知識庫，從而在內部數據分析、預算編制、成本控制、風險管控等方面發揮巨大作用，令企業能充分使用以往知識儲備與行業經驗，大幅提升工作效率與決策準確性。此外，大模型能對企業需求、企業業務與數據特征進行深人理解，自動生成一些具有語義化能力的應用程序，提升企業個性化財務應用的服務效率。

2.4 自然語言交互

財務工作涉及大量的文檔處理和信息交流。大模型具備自然語言處理能力，能夠理解并解析財務文檔中的信息，通過與企業財務人員自然流暢的交互解決實際問題。一是當企業財務人員對某些會計準則與會計處理不夠熟悉時，大模型可通過人機交互及時提供相關會計知識與以往企業會計操作案例，有效降低操作出錯概率；二是大模型可以迅速匯聚企業各方面的經營數據，提升企業管理層的經營決策效率。

3會計行業應用大語言模型面臨的問題及挑戰

一是大模型可能出現歧視偏見、價值觀錯位等嚴重問題。由于大模型的預訓練過程是無監督的，所以無法控制其輸入與輸出，這也是大模型的共性問題。另外，很多企業在部署行業大模型應用時，為了節省成本、降低技術復雜度，通常會直接基于國內外開源的大模型，對大模型的內部語言和知識機理沒有進行深入研究，甚至很少涉及大模型的預訓練及人類強化學習等過程，其價值觀導致輸出結果不可控。

二是面向財務系統的專業模型的構建難度較大。一方面，面向財務系統的大模型構建，需要研發機構具備對企業財務業務場景的深入理解，以及對財務數據的積淀與運用能力；另一方面，大模型的核心基礎是數據，只有源源不斷地引人高質量的財務數據與財務行業的知識圖譜，才能滿足企業個性化的財務應用需求。但是，企業基于商業機密與相關規定的要求，未必會提供全量的財務數據進行訓練和微調，如此大模型生成的內容就會受到很多局限，從而影響最終的使用效果。

三是存在更為嚴峻的網絡和數據安全隱患。財會數據的重要性不言而喻，當相關業務部署大模型應用后，會面臨比傳統業務方式更大的安全隱患。一方面，大語言模型本身就面臨傳統的網絡攻擊風險，如對抗攻擊、后門攻擊、數據投毒、模型竊取等；另一方面，大模型應用會對各類財會數據進行匯集，如此多重要數據的大量集中加大了數據安全風險隱患。

四是從業人員技能匹配要求較高。會計大模型應用和發展，要求從業人員一方面要熟悉會計領域的專業知識，另一方面要具備一定的機器學習、編程及人工智能等技術運用能力。滿足這兩方面需求的綜合型人才缺少，也在一定程度上限制了會計大模型的開發和應用。

4 應對建議

4.1構建安全、可靠的財務大模型

一是鼓勵具備條件的企業構建和部署私有財務大模型。私有財務大模型的算力資源由企業自主掌控，能夠確保財務數據始終留存于企業內部，有效避免數據泄露和濫用風險，更好地保障數據安全，規避風險。企業可建立數據安全管理制度，明確數據訪問權限和使用規范，采用數據加密、訪問控制等技術手段，構建全方位的數據安全防護體系。

二是強化數據隱私保護，筑牢安全防線。第一，在數據準備階段，對訓練數據進行嚴格的脫敏處理，去除或替換敏感信息，如身份證號碼、銀行賬號等，避免大模型生成結果中包含敏感信息，從源頭上降低數據泄露風險；第二，對財務數據進行分級分類管理，根據數據敏感程度和安全等級，制定不同的保護策略，確保數據安全、可控。

三是注重模型安全對齊，引導正向價值。在模型訓練階段，采用基于人類反饋的強化學習（Reinforce-mentLearning from Human Feedback，RLHF）等技術，將人類價值觀和道德準則融人模型訓練過程，引導模型生成安全、可靠、符合倫理的輸出結果。建立模型安全評估機制，對模型輸出結果進行持續監控和評估，及時發現和糾正潛在的偏見和風險，確保模型應用的安全性和可控性。

四是規范模型使用流程，防范應用風險。在模型使用階段，對用戶輸入的提示詞進行過濾和審核，避免模型生成有害或不適當的內容；對模型生成的輸出結果進行人工審核和校驗，確保其準確性、可靠性和合規性，避免誤導決策或造成其他負面影響。

4.2 加大對模型的技術投入

企業可加大對大模型的技術投入，通過定制開發、優化調整和深度集成，構建“更懂企業”的專屬大模型，提升模型服務質量和應用價值，賦能財務數字化轉型和智能化升級。

一是定制開發，打造企業專屬大模型。針對企業會計業務的具體場景和需求，進行大模型的定制化開發和優化調整，如財務報表自動生成、財務風險智能預警、稅務籌劃方案推薦等，使大模型更貼合企業實際業務，提升應用效果。同時，利用企業積累的財務數據、業務數據和行業數據，對通用大模型進行微調訓練，注入企業專屬知識，提升大模型對企業特定業務的理解和表達能力，使其輸出結果更精準、更實用。

二是持續優化，提升模型服務能力。建立模型評估指標體系，定期對模型性能、準確性和可靠性進行評估，并根據評估結果進行持續優化和迭代升級，不斷提升模型服務質量。針對企業實際應用場景，對模型推理過程進行優化加速，如模型壓縮、量化、剪枝等技術，提升模型響應速度和使用效率，滿足企業實時性要求。

三是深度集成，構建智能應用生態。開發豐富的插件和API（應用程序編程接口），將大模型能力無縫集成到現有的財務系統、ERP（企業資源計劃）系統、BI（商業智能）系統等應用平臺中，實現數據互通和功能互補，構建智能化的財務應用生態；設計友好的人機交互界面，方便財務人員與模型進行自然語言交互，如語音輸入、多輪對話等，提升模型易用性和用戶體驗。

4.3提升財務人員的復合能力

大模型在會計領域的應用為企業帶來了機遇，同時也對財務人員的能力提出了更高的要求。

一是必須掌握核心專業能力。首先，要具備扎實的會計專業知識。即使面對人工智能，會計準則、財務分析、稅務籌劃等核心知識依然是財務人員的立身之本，需要不斷更新知識體系，緊跟政策變化和行業趨勢。其次，要具有批判性思維和判斷力。大模型輸出結果還需要財務人員運用專業知識和經驗進行判斷和驗證，識別潛在錯誤和偏差，做出最終決策。最后，要具備數據分析和解讀能力。財務人員需要理解和運用數據分析工具，從大模型生成的海量數據中提取有價值的信息，并將其為企業所用。

二是要具備大模型技術應用能力。首先，財務人員只有了解大模型的原理、優勢、局限性和應用場景，才能夠熟練運用大模型工具完成會計核算、財務分析、風險評估等工作。其次，財務人員要增強人機協作能力，明確與大模型的分工協作，善于利用大模型提升工作效率，同時保持獨立思考和判斷能力。最后，財務人員要提高信息技術素養，努力掌握基本的編程語言、數據庫知識和信息安全意識，能夠與技術團隊進行有效溝通，共同推動大模型在會計領域的應用。

三是要努力提升軟技能。首先是溝通和協作能力。財務人員不僅要具備與企業內部上下級、平行部門和外部審計機構進行有效溝通和協調的能力，而且要具備與大模型溝通、應用大模型的能力，用數據驅動決策，共同推動大模型在數據領域的應用。其次是學習能力和適應能力。財務人員要保持對新技術的敏感度和學習熱情，積極擁抱變化，不斷提升自身技能，以適應快速發展的行業環境。最后是職業道德和風險意識。財務人員要發展適當的技能以保護數據，并通過使用有效的控制措施確保信息的機密性、完整性和可用性。

5 結語

人工智能時代已經到來，大語言模型正在重塑財務行業的未來。其在智能會計核算及分析、財務合規與風險控制、財務知識庫構建、自然語言交互等方面的廣泛應用，正逐步重塑傳統財務工作模式，推動財務行業向智能化、自動化方向邁進。隨著應用的愈加廣泛，財務人員了解、掌握、應用基本的AI技術變得越發迫切和必要。本文分析了大模型在會計領域推廣應用中面臨的主要問題和挑戰，并給出了具體建議。

當然，人工智能帶給企業和財務人員的不只是挑戰，更是一次重塑自我的機遇。企業與財務人員唯有積極擁抱這一變革，以開放的心態學習新知識、掌握新技能，才能在這場由人工智能引發的浪潮中實現華麗轉身，創造出更大的價值，共同邁向充滿無限可能的未來。

參考文獻

[1］潘上永．論現代財務的發展和基本特征［J]．財會月刊，2020（13）：22-27.

[2］王愛國．智能會計基本問題研究［J]．財會月刊，2023，44（24）： 62-67.

[3］張偉男，劉挺.ChatGPT技術解析及通用人工智能發展展望[J]．中國科學基金，2023，37（5）：751-757.

[4］中國互聯網絡信息中心．生成式人工智能應用發展報告（2024）[R].2024.

[5]王耀祖，李擎，戴張杰，等．大語言模型研究現狀與趨勢[J]．工程科學學報，2024，46（8）：1411-1425.

[6]車萬翔，竇志成，馮巖松，等．大模型時代的自然語言處理：挑戰、機遇與發展［J]．中國科學：信息科學，2023，53（9）： 1645-1687.

[7］張敬芝，高強，耿樺，等．統計自然語言處理中的線性插值平滑技術［J].計算機科學，2007（6）：223-225，244.

[8］劉丹，葉茂．回復式神經網絡及其應用研究綜述［J]．小型微型計算機系統，2020，41（10）：2024-2029.

收稿日期：2025-01-16

作者簡介：

陳園，女，1990年生，碩士研究生，經濟師，主要研究方向：工商管理、財務管理、互聯網信息。