人工智能大模型技术财务应用蓝皮书

101

会议执行中的照片记录，通过人工智能大模型进行照片的智能识别人数、姓名及照片是否为翻拍的校验，将图片识别

的姓名与签到人姓名比对，以确保学术推广的每一个细节都合规。

图 4-6-5 学术推广会的会议过程异常检测

基于照片的识别结果在会议结报流程中进行异常检测，如发现照片人数与实际签到人数差异较大，或姓名匹配差异较大，

则会智能化提示用终端用户及业务审批者，起到合规性预警的作用，如图 4-6-5 所示。

大模型智能合规稽查平台的管理收益：F 医药企业融入了人工智能大模型技术的智能合规稽查，大大提高了内部稽查

的时效，避免存在合规风险的业务发生及蔓延。

大模型能力应用在非标附件识别效果非常出色，以住宿费中的酒店水单附件为例，其有电子版也有纸质版，不同酒店

开出来的均存在差异，其样式纷繁复杂，利用大模型技术提取其关键信息并在后续进行时间、金额、入住人及违规消费的检查，

节省财务人员在差旅费审核上的人力。

在 2023 年全年，F 医药企业 AI 数字员工 7*24 的事中智能审核，缩减了财务共享中心 30% 的审核人力；同时由于 AI

数字员工前置于单据提交环节进行实时检查，退单率也从过去的 20.9% 退至 5% 以下，报销周期缩短 30%。AI 数字员工的

事后智能稽查发现超过 200 笔业务的中高风险异常，避免了潜在的损失和风险。

（2）智能财务客服的应用

企业财务信息化建设高速发展，财务系统越建越复杂，加之企业制度政策每年都有调整、员工流动频繁，导致员工对

流程不熟、对流程卡顿原因不理解，使得财务部承担着大量的问题咨询解答的工作量，不仅占用财务精力和同时，也影响

到了业务流程的效率。因此，越来越多的企业开始重视智能财务客服平台的建设和应用，以满足用户需求，提升企业竞争力。

F 医药企业财务共享中心员工共 55 人，服务近 5000 名员工，其中 20% 的工作精力在于解答用户制度咨询、系统流程

操作。同时，因员工流程不熟悉导致的财务退单率高达 25%，用户抱怨声很大。

因此，F 医药企业建立了一套智能客服体系，基于 LLM 大语言模型搭建的更高效的知识生产、更优质的回复内容及对

4 人工智能大模型技术赋能财务应用

102 话能力（如图 4-6-6 所示），相较通过 QA 标准答案库建立的智能客服“问题自动回复率”更高，且拟人化体验更强。智能

客服对接企业内部文档，能够快速学习企业知识，同时为其注入公共行业知识，扩大知识边界，即可在企业私域 + 公域知

识背景下为用户解答问题。

图 4-6-6 大模型智能客服平台的工作原理

员工需要了解企业的各项财务制度、流程及系统操作，均可与智能客服对话。智能财务客服可以提供详细的制度说明、

流程指导，帮助员工顺利解决流程中遇到的问题，如图 4-6-7 所示。

图 4-6-7 大模型智能助理实例

大模型智能客服平台的管理收益：F 医药企业建立智能客服后，企业财务投入到解答用户的精力下降 80%，同时还能

够自动统计智能客服的提问分类，为后续精准培训、优化流程及制度提供的数据支撑。

用户提问

智能客服回复

向量检索

无检索 结果

返回检索结果

企业多格式文档

导入

LLM 语言模型 会话专家

提示词工程

服务 API

LLM

上下文理解

LLM

对话生成

LLM

问题理解 +

对话生成

知识快 向量库

DOC PDF TXT

……

AA AA AA

人工智能大模型技术财务应用蓝皮书

103

4.7 人工智能大模型技术赋能 G 大学财务应用

4.7.1 总体情况

（1）需求背景

以大模型为典型代表的人工智能技术以其专业化、体系化、工程化的特征应用于高等院校的财务信息系统建设之中，

已经成为推动高等院校财务服务品质提升、财务管理数智化转型升级的关键力量。

当前，高等院校在财务服务、管理方面，普遍存在以下不足和困难：

✓ 报账服务体验差、效率低：由于监管要求以及信息化的局限，报账工作需要教职员工花费大量的时间，而且极易出

现错漏，报账流程耗时长，直接影响了相关人员教学与科研工作的开展。

✓ 对财务的要求越来越高：国家对高校监管力度不断提升，对高校财务管理也提出了新的要求，从政府会计、预算绩

效管理到高校成本核算等需要投入大量的高端财务人才，但财务人员的时间和精力普遍被报账、核算等基础工作消耗，导

致难有足够的人员投入。

✓ 传统信息化手段难以支撑现在高校财务运行管理的要求：传统信息化财务软件系统，对于财务原始信息与数据缺乏

有效的数字化采集、处理手段，数据的丰富性、颗粒度、覆盖度均不能满足当前精细化、可分析的管理需求，难以支撑当

前的财务管理要求。

高等院校普遍存在的实际需求，其本质是财务作业模式对于当前需求及业务发展的支持能力有限。因此，如何向以大

模型为代表新质生产力要效率，是高等院校财务数智化转型的核心命题。

（2）发展现状

G 大学是国家 211、双一流工程建设单位，年预算经费超 30 亿元人民币，年报账笔数超过 5 万笔，学校财务处在支出

报账与核算方面长期投入的工作人员超过 10 人，但仍然难以满足广大师生在报账环节的服务支持需求；另一方面，G 大学

传统报账系统在面对审计、巡视等合规、监察工作方面支持有限，大量的稽核、核算工作仍然有赖于有经验人员的实际工作。

总体而言，报账受理难、审核慢，报账填单要求多、规范不明确，审核复杂性大、不合规问题频出等是长期难以解决的问题。

G 大学在 2021 年采购了智能网报平台，以期解决上述问题。但经过 2 年多的建设和试运行，智能网报平台仍然基于传统

信息化设计思维，仅在部分有限的领域引入了一些人工智能的技术手段，存在诸如：智能化能力孱弱（虽然引入了 OCR 识

别技术，但受限于技术能力，仅能识别发票等标准化、常见票证）、智能化覆盖不足（缺少对缓解师生报账难中最重要的

减少报账单填写信息的支持，财务稽核和核算等工作仍然依赖于有经验的财务人员）等缺陷和不足。难以满足 G 大学对于

财务系统智能化发展的诉求，未能对 G 大学财务数智化转型升级和数字校园建设起到助力，未达到预期的效果。

经过多方调研、评估，G 大学决定启动财务智能化提升建设，在保留原有财务核算系统的基础上，引进大模型、专业

领域小模型、知识图谱等一系列人工智能技术，通过完善的 AI 算法模型及相应的工程化应用体系，以报账为切入点，建设

智能财务平台，通过智能财务助理、智能科研预算助理、智能审核数字会计、智能核算数字会计的全链条智能化，以彻底

4 人工智能大模型技术赋能财务应用

104 解决广大师生积怨已久的报账难，缓解财务处审核和核算费力繁琐、易出错的工作压力，提升财务部门的工作效能。

4.7.2 典型案例

G 大学构建了体系化、完善的智能财务平台建设方案，同时考虑到智能财务应用实践的持续建设和未来发展，平台对

业务支撑的广泛性、可扩展性和可复用性至关重要。

以大模型为代表的人工智能技术有着显著的先进性，但其在财务领域的应用，往往存在特定技术应用领域单一、可支

撑的业务范围小、缺乏有效人机闭环等突出的问题，导致当下智能财务系统仅是对传统软件片段式的改良。传统软件提倡

“+ 人工智能”路线，属于有限的改良模式，在部分领域、业务环节上片段性使用人工智能技术，而非政策所引导开展的“人

工智能 +”的创新模式，并且也缺少既懂财务业务、也懂人工智能技术应用的复合型人才，从而难以建立有效的、体系化的、

完整的工程化落地应用体系。

因此，为确保人工智能大模型技术在 G 大学财务报账领域的落地及未来的持续建设，一套完善的智能财务工程化支撑

与应用体系作为基础至关重要，如图 4-7-1 所示。

图 4-7-1 智能财务工程化应用体系框架图

智能财务工程化应用体系是一个典型的知识 + 技术融合体。从用户、场景与应用到提供最底层支撑的模型训练环节，

提供了多层次、可复用、可扩展的完善工程化支撑，为智能财务的建设和应用提供了基础保障。

用户、场景与应用 模型训练与知识积累

语言对话终端

财务相关信息系统

RPA/ 低代码等应用

……

财务智能体

费用报账智能助理

采购付款智能助理

科研预算智能助理

费用稽核数字会计

对公采购稽核会计

财务核算数字会计

管理核算数字会计

经营分析数字助理

更多数字会计 / 助理 ...

财务智能体

数字会计 / 数字助理

Accounting AI Agents

智能体应用融合运行平台

智能财务能力组件及服务单据填报类

AACs

AACs

AACs

AACs

AACs

……

合规审核类

AACs

AACs

AACs

AACs

AACs

……

会计核算类

AACs

AACs

AACs

AACs

AACs

……

数据分析类

AACs

AACs

AACs

AACs

AACs

……

更多财务智能组件 ... ……

模型与知识服务

财务大模型

财务知识图谱

财务领域专用

小模型集合

业务场景分类微调模型

文档抽取微调模型

更多主题任务微调模型 ...

行业知识图谱

领域知识图谱

更多主题知识图谱 ...

数据资产定价模型

票据文档理解模型

更多领域专用模型 ...

大模型训练与微调

领域专用模型训练

财务知识图谱构建

人工智能大模型技术财务应用蓝皮书

105

（1）模型与知识服务

模型与知识服务层是整个智能财务最基础的能力支撑，涵盖了基础大模型、财务专业大模型、特定任务微调模型、特

定领域专用小模型、特定领域 / 行业知识图谱等一系列算法模型与知识。

• 基础大模型

通用大模型通常用于提供语言交互、基于常识（源于大模型的海量参数）理解等不同的任务，因通用大模型在训练时

所采用的语料基础并未针对财务领域进行强化，其理解能力通常限于常识和通识领域，除基础对话外，一般难以直接用于

处理专业性的财务作业任务。

表 4-7-1 通用大模型语料数据集

数据集 样本比例 Epochs 磁盘大小

CommonCrawl 67.0% 1.10 3.3TB

C4 15.0% 1.06 783GB

Github 4.5% 0.64 328GB

Wikipedia 4.5% 2.45 83GB

Books 4.5% 2.23 85GB

ArXiv 2.5% 1.06 92GB

StackExchange 2.0% 1.03 78GB

如表 4-7-1 数据所示，通用大模型的语料样本并不针对某个具体的领域或行业，其训练数据集更偏向均衡、广泛、普

遍性的社会数据。

• 财务专业大模型

财务专业大模型是在通用大模型基础上，通过海量财务专业语料对基础大模型在财务领域知识上进行增强训练，在保

持通用性的基础上，强化财务专业领域的知识、逻辑和推理能力，从而获得在财务专业领域及通用领域下各类任务处理能

力上综合最优的大模型。

• 特定任务微调模型

特定任务微调模型是在通用大模型或财务专业大模型的基础上，通过 LoRA（Long Range 是一种基于扩频技术的无线

通信技术）等技术，结合针对特定任务的训练数据集，在原有模型参数基础上建立参数权重的旁路，从而获得针对特定任

务的最优支持。

4 人工智能大模型技术赋能财务应用

106 表 4-7-2 通用大模型数据训练

字段分类 字段标识

字段个数

（正确值

有值）

GPT4 XX-6B XX-13B XX-14B

训练前 训练前 训练后 训练前 训练后 训练前 训练后

基本

信息类

会议名称 213 79.81% 32.86% 69.01% 86.38% 88.26% 87.79% 85.92%

举办时间 200 76.50% 29.00% 74.50% 76.00% 95.00% 91.00% 92.50%

举办方 191 77.49% 25.13% 61.78% 75.92% 85.34% 83.25% 87.96%

承办方 74 79.73% 14.86% 62.16% 64.86% 85.14% 77.03% 82.43%

会议地点 173 74.57% 28.32% 72.83% 61.27% 89.60% 89.02% 88.44%

小计 851 77.44% 27.73% 68.86% 74.62% 89.19% 86.84% 88.13%

性能提升 41.13% 14.57% 1.29%

如表 4-7-2 的数据所示，以高校等行政事业单位在报账业务中常见的《会议通知书》的要素信息抽取任务进行初步训

练后的数据为例，不同的基础模型针对同样的任务具有不同的性能；同一基础大模型在针对性微调训练后，相较于基础大

模型均产生了较大幅度的性能提升。因此一系列针对不同任务的微调训练模型是大模型技术落地智能财务不同应用场景的

一个关键环节。

• 特定领域专用小模型

当前，大模型更多优先考虑任务处理的泛化能力，往往在一些具体任务的处理上精度不如专业领域的小模型，尤其是

当前多模态大模型的性能还处于较为初级的阶段，典型的如票据识别，基于多模态大模型进行票据识别所获得的性能仍然

远不如专业的票据识别小模型（虽然可能都是基于 Transformer 算法架构，但仅处理票据识别任务的小模型在模型体量、

计算资源耗费和模型精准度等方面仍然领先于大模型）。此外，一些风险预测、资产定价等领域的算法，并非当前大语言

大模型或多模态模型架构适用的范围。因此在有了大模型之后，智能财务要在应用环节落地，仍然需要建立一系列的专业

领域小模型。

• 财务知识图谱

财务是一个典型的对精确性、可解释性要求极高的领域，而算法模型则是以统计为基础的预测（本质上无法做到精准），

且机器学习（深度学习、大模型等都是神经网络、机器学习的领域）经由网络参数和连接获得的“智能”（实际上是隐含

于参数的知识）不具备可解释性。因此为保证智能财务的落地可用，必须通过知识图谱等显性的、明确的、可解释的知识

体系与模型算法进行融合应用。因此针对不同的财务应用领域构建不同的事理图谱是智能财务极为重要的基础工作。

（2）智能财务能力组件

财务是一个典型的“知识密集型”业务，且专业知识的应用往往贯穿在不同的应用场景之中。以常见的教职员工报账为例，

报账人在业务发生前，可能需要了解到所在单位的具体财务制度、政策，以便在业务开展过程中遵循。会计人员在对报账

业务进行审核的过程中，也需要遵循同样的财务制度、政策。针对这两个场景，可能分别有智能制度问答应用和智能审核

应用进行支撑，但往往因为两者应用环境、场景的不同，其所用的实现方式也截然不同，最典型的做法通常是：为了解决

问答应用的需求建立了一个“知识库”；另一方面，为解决审核应用的需求建立了一套“规则库”。两者虽然源自相同的知识，

人工智能大模型技术财务应用蓝皮书

107

但两者之间的知识表达形式完全不同、对知识本身的覆盖程度也有差异，这两者之间到底“谁”完整、清晰的体现了知识

的本原，无法界定（到底知识库是对的，还是规则库是对的？），因此两者在应用时也往往给出不一致的结果。类似这种

各自建设、各自解读，各自应用，从而导致业务实际执行和财务要求出现偏差的情况并不少见。

因此，一个系统性规划的智能财务工程体系，在面对此类问题时须建立更科学的层次结构，即将应用与知识 / 能力进

行分离。场景应用可以多样，但最终调用的 AI 能力保持一致，从而实现业务处理的一致性。

借 鉴 OpenAI 的 GTPs 体 系， 智 能 财 务 工 程 化 应 用 体 系 设 计 面 向 财 务 的 智 能 组 件 体 系 AACs（Accounting AI

Components 会计智能组件），通过一系列会计智能组件将 AI 能力面向应用场景进行抽象封装。不同业务场景存在本源一

致的处理环节时，通过引用预先封装的会计智能组件，实现知识适用、处理能力的一致性。

（3）财务智能体（AI Agents/ 数字会计 / 智能助理）

财务智能体是针对不同的业务场景、应用环境创造的，基于不同会计智能组件的编排和调用，实现对具体业务场景下

的智能处理。

不同于 AACs 更偏向于某一个业务片段或通用基础环节的处理，财务智能体更偏重于针对某一个特定业务的完整处

理 能 力。 参 考 图 灵 奖 得 主 Yoshua Bengio 在 NeulPS 2019 发 表 的《From System 1 Deep Learning To System 2 Deep

Learning》（中文名《从快思考到慢思考》）报告的观点，与人类认知模式相似，人工智能也存在所谓的 System1“快思考”

和 System2“慢思考”，“快思考”通常基于直觉、感知、简单语言给出反馈（比如与财务智能相关的票据识别、通过报

账附言判断业务场景等），这一层次的思考往往简单、直接、通用，是一个无状态的思考过程，不具有场景复杂性。但“慢

思考”则更类似人类在完成一个较为复杂任务时进行的一系列步骤化、逻辑性的推理、判断和处理的过程，将一个复杂的

问题拆分为若干较为简单的问题，其中每一个步骤可能是一个“快思考”，也可能是一个较原有问题简单的子问题。基于

此理论设计的智能财务工程支撑体系中，AACs 对应于快思考，而 AI Agents 更偏向于“慢思考”能力的建设。

因此，基于丰富的 AACs （智能财务能力组件），通过流程编排、逻辑推理融合调用的方式（如图 4-7-2 所示），可以

构建一系列面对不同财务业务、财务场景应用的 AI 智能体，这些 AI 智能体具备了与人类会计相似的基于专业知识和经验

的问题求解、处理能力，得以替代人类会计接管（或者辅助）相应的财务处理过程。

4 人工智能大模型技术赋能财务应用

108 图 4-7-2 基于对话的助理类财务智能体创作开发

（4）用户场景与应用衔接

虽然 AI 原生（AI Native） 应用不断涌现，但聚焦于财务业务领域，大量的基础财务软件（如：总账、核算、预算、支

付等）仍然起着不可或缺的作用，且不可能随时任意进行替换。因此，如何将智能化的处理能力与传统的软件系统进行衔接、

融合，充分发挥 AI 与财务软件（会计工具）各自的优势，也是智能化应用落地的重要环节。

G 大学智能财务建设项目中所构建的智能财务助理、智能预算助理、智能审核会计、智能核算会计等一系列 AI

Agents，通过非侵入式的智能体应用融合运行平台与原有的财务软件（核算系统、预算系统、财政一体化平台等）进行衔接、

融合，为原有非智能化的财务软件，装上了智能财务大脑。

（5）案例应用效果与前景

以智能财务工程化应用体系为基础，G 大学通过智能财务平台的建设，实现了对各类原始凭证（包括业务佐证材料）

等进行精准的结构化处理，将财务导入全数字化环境，提升了财务数据的准确性和可用性。同时，基于财务大模型、财务

专业知识图谱等认知智能技术的应用，通过算法帮助报账人智能填写报账单，实现了极简的报账体验。另一方面，通过算

法仿真专业财务人员的推理判断能力，帮助财务人员智能完成费用支出的审核和核算工作，将财务人员从繁琐的审核、核

算等基础工作中解放出来，使之能够专注于更高价值的成本分析、预算绩效管理等工作，从而提升整个财务部门的价值贡

献和工作效率。

从应用效果的量化指标上来看，原先报账的周期在 10 个工作日左右，经过智能化建设后，报账通常在一个工作日内即

可就能完成（最快只需要 5 分钟）；报账师生填写报账单从原先的最少 15-30 分钟转变为与 AI 对话式沟通的模式，最多只

人工智能大模型技术财务应用蓝皮书

109

需要 1-2 分钟，复杂度大大降低，师生满意度大幅提高。财务处长年投入报账相关工作的人员，从 10 人减少到不到 2 人（仅

需对部分重点、重大业务进行复核，周期性抽审部分业务），人员压力大幅度降低，效率大幅提升。

另一方面，经由智能报账所获得的多维数据对于 G 大学在费用支出方面的精细化管控起到了显著的基础性作用，例如：

日常办公相关的采购支出，以往在核算环节上仅能依靠人员自行选择的方式归集到数据的第 2-3 级（如：办公用品），要

么数据的颗粒度太粗无法有效进行针对性的管控，要么要耗费财务人员的经验人为进行判断，消耗大量的人力投入。智能

报账平台上线后，可以清晰的做到办公 - 纸制品 - 笔记本、办公 - 纸制品 - 复印纸 -80 克等数据颗粒度，甚至不同品牌、不

同规格、不同供应商供应的产品名类等更精细的粒度，对于费用、采购、科研支出的目的、用途建立了更精细的管控能力。

4.7.3 应用场景

（1）智能财务助理

对一般教职员工（业务人员）而言，财务是一个复杂的专业领域，如何帮助教职员工以最便捷的方式开展与财务相关

的工作，以通晓财务专业知识的财务大模型和财务知识图谱为基础，通过自然语言对话模式，很好的实现了财务政策、制

度的清晰解答和财务相关业务的快速办理，为业务人员开展财务相关工作提供了极大的便利，实现了财务管控的前置化和

隐形化，如图 4-7-3 所示。

图 4-7-3 基于对话的智能财务助理（示例）

4 人工智能大模型技术赋能财务应用

110 智能财务助理的主要能力：

• 政策、制度的解答

智能财务助理通过“学习”学校的相关政策、制度，针对用户提出的问题给出“最贴切”、“有援引”、“有温度”

的答复和指引。大量减少了业务人员与财务人员之间因为知识领域的区别差异而产生的大量低效率、低质量沟通，释放了

财务人员的工作产能，如图 4-7-4 所示。

图 4-7-4 智能财务助理解答财务制度与要求

• 事前申请代办

智能财务助理通过自然的对话方式，帮助用户建立差旅行程计划，提交事前申请和其他相关操作，简化了用户操作软

件提报申请的繁琐，如图 4-7-5 所示。

图 4-7-5 智能财务助理处理差旅事前申请

人工智能大模型技术财务应用蓝皮书

111

智能财务助理围绕财务管理的前期工作（业务发生前），通过财务大模型自然语言理解、生成能力和专业的财务知识（包

括模型参数知识、图谱知识、客户自有知识），担当业务用户的财务助理。

大模型应用于智能财务助理的关键技术：

• 意图识别

一个较为复杂的智能助理通常具备多项不同的能力（如：政策的问答、任务的办理等），如何识别用户文字中的意图

并将其与多种潜在任务的执行处理相关联，是智能助理的关键能力。

为实现该能力，基于智能助理潜在可能面对的各类提问、对话句式、内容、常用语，微调训练了一个对话意图识别的

微调模型，基于该模型的能力对对话中的任务处理意图进行识别，控制对话和任务处理的流程。

• RAG 检索增强生成

RAG（Retrieval-Augmented Generation，检索增强生成）本质上是将模型之外获得的特定领域专业知识，通过检索（向

量检索、图谱检索等）、筛选（权重排序）后，将相关的内容注入大模型推理过程中，从而在特定领域提升大模型生成输出内容、

推理判断的准确率。

在财务领域，在适用的法律、法规、制度、准则之外，各单位还有自己内部的会计政策、制度要求等，这部分内容一

方面个性化显著，另一方面通常存在一定的私有保密要求，并不合适通过参数训练的方式让大模型容易学习，因此，在大

模型的通用知识基础上，通过 RAG 技术，将用户私有的知识与模型通识进行融合，可以让大模型产生的输出更加符合用户

的实际（避免因大模型产生的低质量、错误内容）。

（2）智能填报

填报是财务业务的发起点，填报的质量与数据详尽程度，直接影响整个业务的处理。

传统模式下，填报质量的高低取决于业务发起人对财务知识掌握的程度，以及个人的认真、细致程度，是一个典型的耗时、

费力、价值感知度低的工作。G 大学长期以来的报账难，填报占据了其中大部分时间。该环节的低效、低质，也同样牵扯

了大量财务人员的精力，成为业财间矛盾的焦点。

基于 G 大学智能财务平台的工程化应用体系，以大模型驱动的 NUI（自然用户交互）模式为核心，融合 GUI（图形用户交互）

模式内容展示清晰的优点，创作开发了智能填报助理。

如图 4-7-6 所示，智能填报助理根据用户通过自然语言输入的信息对用户所需报账的业务场景进行理解，判断用户所

要提交的报账业务属于何种场景。

4 人工智能大模型技术赋能财务应用

112 图 4-7-6 智能填报助理接受任务

在明确用户的业务场景后，如图 4-7-7 所示，智能填报助理对招待费用的政策进行解读，将必须要提供的原始凭证信

息提示给用户，引导用户进行相应的操作。如图 4-7-8 所示例，用户依照引导从智能票夹中选择相应的票据。

图 4-7-7 智能填报助理按步骤引导用户进行操作

人工智能大模型技术财务应用蓝皮书

113

图 4-7-8 用户根据引导从智能票夹中选择票据、单据

接收到用户选择的单据后，智能填报助理对单据的完整性进行检查，判断用户少提交了关键的佐证材料，助理提示用

户对该材料进行补全，用户补全后，助理进一步进行业务要素的完备性检查，如图 4-7-9 所示。

图 4-7-9 智能填报助理提示用户补全必要的佐证材料（示例）

智能填报助理经过推理，判断用户所提供的信息（语言、票据、单据）中，缺少必要的关键要素，于是通过对话弹框

提示用户补全关键信息，如图 4-7-10 所示。

4 人工智能大模型技术赋能财务应用

114 图 4-7-10 智能填报助理提示用户补全必要的信息

用户补全关键信息后，智能填报助理对业务进行预审，发现业务信息不正确，导致超出了费用标准，提示用户对信息

进行更正，如图 4-7-11 所示。

图 4-7-11 智能填报助理提示业务存在疑问

用户更正相关信息后，智能助理判断业务符合填报要求，调用算法构建报销单数据实体，并代用户提交到报账系统中，

如图 4-7-12 所示。

人工智能大模型技术财务应用蓝皮书

115

图 4-7-12 智能填报助理提交报账单

报账系统接收到智能填报助理提交的报账单，可以看到报账单内相关信息完整、细致，业务单据中的相关数据已经按

照财务规范口径进行了整理和统计，极大的减少了报账人在填报端的消耗，同时也为后续的财务处理进行了充分、细致的

前置工作，如图 4-7-13 所示。

图 4-7-13 报账单（示例）

4 人工智能大模型技术赋能财务应用

116 大模型应用于智能填报助理的关键技术

• 业务场景识别

智能填报助理需要面对的业务场景众多，不同场景下对应的操作要求、数据要素、业务标准、制度规范可能存在很大

的不同。因此，如何识别用户文字中所指向的业务场景，并将其与多种潜在任务的执行处理相关联，是智能填报助理的首

要关键能力。

为实现该能力，基于智能填报助理潜在可能面对的各类业务场景表述、对话句式、内容、常用语等微调训练了一个业

务场景识别模型，基于该模型的能力对场景进行甄别。

• 场景要素补全

在与用户交互的多轮对话中，要素信息不断得到补全，通过大模型对对话内容中的潜在要素信息进行抽取和结构化，

并在任务过程中形成长期记忆。基于智能财务工程化应用体系框架所提供的智能体开发平台和财务大模型，要素信息在对

话中不断被探查搜集、结构化、标准化并记忆下来，为智能填报助理的快速上线提供了底层框架支持。

（3）智能稽核

财务人员对费用支出进行稽核、核算是投入精力大但价值感不高的基础性工作。对于财务处室部门而言，大量的财务

专业人员的时间、精力被消耗在此类基础工作中，又进一步限制了更高价值工作的开展。因此，通过大模型进行智能稽核工作，

从而把有经验的财务专业人员从基础工作中置换出来，是当前技术条件下破解财务工作压力的最优解。

智能稽核的核心能力是对财务专业知识、制度规范的理解能力，在面对不同业务时能自主的调用相关知识、规则、算

法对业务中的要素数据、信息、潜在问题进行推理和判断。

如图 4-7-14 到 4-7-16 展示的部分业务审核示例，智能稽核在绝大多数业务领域具备了类似人类会计的处理能力，其

精准性、细致性和高效性已经超越了人类会计。同时，基于人机协同的工作模式，对于需要会计人员进行自由裁量、灵活

处理的业务片段，复核会计人员可以随时介入并接手智能稽核处理的业务，从而将机器智能与人类的智能有机的衔接起来，

实现了业务处理的高效率、高质量。

人工智能大模型技术财务应用蓝皮书

117

图 4-7-14 智能稽核审核差旅费用支出

图 4-7-15 智能稽核审核业务接待费用支出

4 人工智能大模型技术赋能财务应用

118 图 4-7-16 智能稽核审核科研项目费用支出

大模型应用于智能稽核的关键技术

智能稽核是一个复杂的处理过程，综合性的应用了 RAG（检索增强生成）、文本要素抽取、业务场景识别、知识图谱

检索增强等一系列技术、算法和模型，其核心是确保大模型在推理判断（处理过程）中的指令遵循能力。因此，平台基于

针对业务明确定义的知识图谱，通过知识图谱检索增强（Graph-RAG）技术，将明确的处理逻辑注入大模型推理过程中，

确保各环节的处理（调用）得以执行。

4.8 人工智能大模型技术赋能 H 投资集团财务应用

4.8.1 总体情况

（1）需求背景

H 集团为中央直接管理的国有重要骨干企业，系中国最早设立的综合性国有资本投资公司之一。H 集团拥有全资及控

股子公司 18 家，全资及控股投资企业近 500 家，其中包括多家控股上市公司，涉及能源产业、数字科技、民生健康、产

业金融等多个业务板块。

H 集团作为国有资本的专业投资平台，引领产业变革、提升资本回报、规避资本风险是其区别于其他企业集团的管控

特征。多元管控模式为财务管理带来了更复杂的挑战。伴随着集团的快速发展，传统的财务管理体制已无法支撑集团控股

投资与基金投资“双轮联动”的发展要求，各企业之间财务人员业务能力和综合素质不均衡的结构性矛盾日益突出，对于

产业多元化发展，也给集团带来管理成本增加、管控边界冲突、会计信息相关性降低等管理难题。相关管理挑战在影响财

务管理的同时，也给集团管理决策与投资单位运营创新带来管理桎梏，为了应对挑战，把管理集约化、信息平台化、服务

智能化、经营数字化定位为集团数智化转型的基本原则。

人工智能大模型技术财务应用蓝皮书

119

（2）发展现状

集团公司在 2016 年总部职能重塑优化改革方案中，提出适时设立母子财务共享中心的思路，通过建立财务三分管理

架构，结合集团实际情况，分层、分步建立集团财务共享中心，优化战略财务、共享财务、业务财务能力。基于数智化转

型原则，H 集团率先通过建设财务共享中心方式实现财务管理的集约化与财务管理工具的平台化。同时，结合国务院国资

委对于司库管理建设的要求，在稳步推进财务共享中心建设过程中，同步推动“1+3”的司库体系建设，实现总部、财务公司、

财务共享中心与海外资金业务的整体统筹规划与分步建设。

H 集团通过管理体系优化与信息化体系的建设，初步实现了财务制度标准化、业务流程合规化、会计凭证自动化、财

务基础工作集约化。财务共享中心大幅提升财务工作效率和财务服务质量，以不到百人的财务团队服务集团五百余家企业

上千家核算单位，先后覆盖集团 19 个板块 60% 以上的企业，在将财务人员从基础财务工作中释放出来，向高附加值工作

转型的同时，也为业财融合创新探索了新的边界。

在“十四五”期间，H 集团提出“3341”的财务战略目标，把财务共享定位于落实“三化理念”、构建“三个体系”

的有效抓手。H 集团通过共享和司库体系建设，基本达成了管理集约化的目标，实现了信息平台化整合，为服务智能化、

经营数字化奠定了管理制度、组织保障和管理平台的前提保障。

对此，H 集团财务部门在进一步扩大财务共享全板块、全业务覆盖外，希望借助智能化的技术手段，进一步提升交易

处理工作效率、提升集团风险和合规管控力度、以价值视角整合业务财务数据，实现财务管理数字化转型与价值创造，在

建设世界一流财务管理体系过程中发挥作用。

4.8.2 典型案例

根据内外部建设背景与数智化转型路径规划，H 集团结合政策导向，基于自身数智化现状，围绕财务数智化转型探索

通用人工智能的系统化应用。

在政策环境层面，大模型在全球范围内受到广泛关注和研究，被视为新一代人工智能应用的基础设施。2023 年以来，

国资委不断加快推动央企发展人工智能应用，充分发挥应用场景及数据优势，加快推动人工智能在工业场景应用，推动工

业企业数字化、智能化转型升级，携手上下游企业共同打造产业生态。2024 年 2 月 19 日，国资委专门召开“AI 赋能产业

焕新”中央企业人工智能专题推进会。会议要求，中央企业要把发展人工智能放在全局工作中统筹谋划，要加快布局和发

展智能产业，加快建设一批智能算力中心，并开展 AI+ 专项行动，强化需求牵引，加快重点行业赋能，构建一批产业多模

态优质数据集，打造从基础设施、算法工具、智能平台到解决方案的大模型赋能产业生态。国资委加快推动人工智能发展，

是央国企发挥功能使命，抢抓战略机遇，培育新质生产力，推进高质量发展的必然要求。

在企业数智化发展层面，H 集团财务十四五规划中明确提出财务数字化与智能化转型要求，强调结合实际应用场景深

度探索人工智能技术应用，做到实用、管用，推动实现提质增效。在财务信息系统建设中，H 集团已积极尝试智能识别、

智能报账、智能审核等应用场景，但受限于缺乏统一规划和集中管理，存在资源和技术重复投入现象。同时，现有智能应

用多数还停留在初级阶段，缺乏模型算法、机器学习、大模型等高阶的人工智能技术应用。

在外部政策指导、人工智能技术迅猛发展和自身智能化转型的共同推动下，H 集团正逐步借助人工智能、大数据等先

进能力，结合财务应用场景，构建基于大模型的智能化应用框架，旨在推动集团财务信息化工作迈向智能化、精细化，为

4 人工智能大模型技术赋能财务应用

120 集团的持续健康发展提供有力支撑。

基于内外部因素，H 集团针对人工智能应用探索进行了整体的智能化框架规划，在集团业务中台和数据中台建设的基

础上，以通用大模型和结合财务领域知识形成垂直大模型为依托，以应用场景为切入点，深度集成机器学习、深度学习、

自然语言处理、语音图像识别等技术，与知识库、业务系统、数据分析系统等集成，形成面向业务场景的智能助手。智能

化应用框架具备坚实的底座和良好的扩展能力，可以根据业务场景驱动，不断丰富和拓宽 H 集团智能化场景。H 集团财务

智能化整体方案思路如图 4-8-1 所示。

图 4-8-1 集团财务智能化整体方案思路

在明确人工智能应用架构之后，将相关人工智能技术结合 H 集团 IT 现状进行智能应用融合。整体技术架构分为基础设

施层、模型层、AI 平台层和展现层四个层次，如图 4-8-2 所示。

H 集团财务智能化应用框架

( 场景、数据、技术多重驱动 )

国资委监管

引领集团

十四五规划

业务运营

数据运营

安全合规

智能

助手

智能

中台

业务

中台

数字化基础设施

数据

中台

· 共享服务问答助手

· 管理报告与分析助手

· 虚假贸易助手

· 财务

· 人力

· 资产

· 数据建模

· 数据加工

· 数据标签

· 数据集市

· 数据展现

· 数据资产

· 销售

· 采购

· 工程

· 通用大模型

· 垂直大模型

· 模型训练

· 决算填报与分析助手

· 工程风险评价助手

· ……

· 模型推理

· 模型评估

· 机器学习

· 深度学习

· 自然语言理

· 语音图像别

· 智能问答

· 角色扮演

· 内容生成

· 分析决策

人工智能大模型技术财务应用蓝皮书

121

图 4-8-2 集团财务智能化技术框架

基础设施层：底层的基础设施层通过算力、数据和算法三个方面的有机结合，为大语言模型层提供了稳定且高效的技

术支撑，确保模型能够在大规模数据上进行强化训练和精确推理。

模型层：可根据实际应用场景选择通用大模型或私有大模型。H 集团采用了公私双轮迭代的形式，保持技术先进性的

同时，确保安全性、隐私性。

AI 平台层：模型预训练是 AIGC 技术应用于实践不可或缺的关键基础。通过预训练，模型能够在大规模数据集上学习

并积累丰富的知识和经验，为后续的任务提供强有力的支撑。与此同时，各种先进的算法框架和组件的融入与完善，使得

AIGC 技术得以真正落地到实际应用中。其中关键功能概述：

✓ 模型训练，通过深度学习对标注数据进行训练，模型训练完成后，可以评估模型的性能并进行调整。数据标注和模

型训练是一个迭代的过程，通过不断优化数据标注和调整训练参数，可以获得更好的模型性能和更高的准确性。

✓ 算法框架， 通过 RAG 检索增强生成技术，可以引导模型生成更准确、更具信息量的内容。同时，结合提示词工程与

微调技术，大模型能够在不同任务上展现出更加精准、更加相关的输出结果。此外，多模态 Agents 的协同合作能够高效地

完成复杂任务的分解与执行。

✓ 组件服务，对具体应用场景提供的一系列组件抽象封装，包括 OCR 识别、规则引擎、分析引擎等组件。

✓ 通用智能能力，AI 平台层提供了角色扮演、智能问答、智能执行、逻辑推理、内容生成、分析决策等通用的智能能力，

可以供应用层调用和封装，形成场景级的智能助手。

通用智能能力

模型训练 算法框架 组件服务

标注 CRF

Bi-LSTM

文本挖掘

机器学习

深度学习

NLP

| 角色扮演 | 智能问答 | 智能执行 | 逻辑推理 | 内容生成 | 分析决策 |

展现层

基础设施层

模型层

AI 平台层

Web

算力基础

通用大模型 私有大模型

检索增强

RAG

规则

引擎

分析

引擎

报告

组件

流程

编排

OCR

识别

注册

调度

提示词工

程

微调

Fin-tuning

多模态

Agents

APP

数据基础

API

算法基础

安全合规框架 监控日志框架

公私双轮迭代

4 人工智能大模型技术赋能财务应用

122 展现层：是直接面向最终用户的交互操作层，涵盖了 Web 端、移动端 App 等各种形态的产品和服务入口。展现层面

充分利用 AI 平台所提供的强大功能和人工智能技术，按照不同业务场景的具体需求，设计和构建出各具特色的智能助手以

及智能应用程序。除提供更加便捷、高效和个性化的自助式服务体验外，还能为用户提供富有洞察力的决策支持和预测性

建议，显著提升用户体验和满意度。

4.8.3 应用场景

（1）共享服务与智能问答

伴随集团财务信息化建设逐渐成熟，信息系统数量也同步增加，如财务共享系统、司库系统、核算系统等。同时由于

财务共享造成的财务服务异地化响应，给非财部门的服务体验带来一定影响。而对于财务人员而言，日常工作中会面临在

不同系统中处理不同业务的情况，当财务人员对于系统操作不熟悉或接触新业务时，会造成较大的学习成本，也会降低工

作效率。此外对于近年颁布的财会政策与属地制度要求，也给集约化管理带来较大挑战。

H 集团借助人工智能大模型建设了智能问答机器人，通过一问一答的形式，识别用户意图，给出相应的答案，帮助用

户快速解决问题。区别于传统基于 NLP、知识图谱等技术构建的智能问答机器人来说，利用人工智能大模型能够处理复杂

的语言能力，不仅可以提高问答的准确性和效率，还能够面向不同用户生成个性化的回答，更加符合用户日常语言习惯，

帮助财务人员提高工作效率、降低学习成本、改善用户体验。对于满意度较低的问答结果，集团进行专题治理，按场景提

升服务效能。

在智能问答机器人建设初期，为了保证答案的准确性，系统可以预先将基础知识、常见回答等信息内置到系统中，形

成知识库，问答机器人优先从知识库中搜索相关内容并进行回答。等到问答机器人运行稳定后，即可扩展全域信息进行检索。

如图 4-8-3 所示，当用户提出《中国人民共和国环境保护税法》等近年新的财税制度问题时候，智能问答机器人就能根据

对相关财税政策的统一学习自动给出相关答案，为用户带来更快速、更便捷的信息查询和问题解决服务。

图 4-8-3 通用人工智能在智能客服中的应用

人工智能大模型技术财务应用蓝皮书

123

（2）管理报告与智能分析

在共享流程驱动的支撑下，H 集团沉淀了更为丰富多元的业财数据要素。结合近年国务院国资委对于发挥财务部门数

据中心的要求，以及相关部门对经营支撑的分析需求，数据驱动与数据服务愈发成为财务部门服务的核心能力之一。在常

规模式下，需要实现通过需求提炼、业务建模、实施配置等线下线上协作，才能获取到分析结果，便利性、时效性、准确

性等方面的体验都不够友好，无法满足集团实时经营分析的要求。

对此，H 集团通过大模型的应用，智能分析机器人可以结合语音识别和自然语言处理，更加准确地理解用户的查询意图，

从而提供个性化的查询结果。用户只需输入或说出想要查询和分析的内容，如“我想看看本年以来各单位销售收入和销售

利润的对比情况”，系统立即自动进行语音识别、自动理解文本语义、自动检索合适的数据、自动匹配合适的分析模型，

最后自动生成图、文、表格并茂的数字仪表盘分析主题展示给用户。大模型具备跨领域、跨话题的知识获取和推理能力，

可以对复杂的数据集进行深度挖掘和智能分析，从而为用户提供全面且深入的洞察，优化用户体验并提升决策效率，如图

4-8-4 所示。

图 4-8-4 通用人工智能在管理报告中的应用

对话交互 分析模型推荐和解释 查询执行

语音输入 文本输入

用户

查询结果

查询分析智能体 (Agent)

提示工程

通用

模型

私有

模型

垂直

模型

模型服务

调用编排 分析模型库

知识库服务 元数据库

元数据

知识库

分析模型

知识库

专业

知识

记忆与注意力机制 ……

统一数据访问

数据服务

4 人工智能大模型技术赋能财务应用

124 （3）司库管理与虚假贸易识别

司库体系建设在近年财务管理当中备受重视，在司库体系建设逐渐成熟的过程中，不断加强新的监管要求，2023 年围

绕虚假贸易融资提出具体监管要求。虚假贸易表现形式多样，具有一定的隐蔽性，实现贸易风险监测除了采集 ERP 等前端

业务系统的贸易品类、客商信息、购销合同信息、收付款单、发货单与物流协议信息构建融资性贸易业务数据池和基于监

测场景规则库进行规则检测外，还可以基于大模型的能力，对签订的合同等非结构化数据进行智能审查评估。H 集团通过

历史合同训练虚假贸易合同的特征，自动提取合同中的条款和关键要素，并结合客户信用数据、物流信息、出入库单、交

货单等，识别出借贷敏感词、关键条款缺失、非贸易条款等各种异常风险，进一步提升对贸易风险的防控能力，通过贸易

业务合规促进企业健康稳定发展，如图 4-8-5 所示。

图 4-8-5 通用人工智能在虚假贸易融资中的应用

大语言模型能够基于法律、合同等相关数据进行微调训练，从海量的合同文本中学习到各类合同（销售、采购等）的

合同关键条款。使用 OCR 技术将合同各类附件从纸质文件转化成可以进行处理的电子化文本，根据不同种类合同进行关键

要素提取，比如提取合同其中的标的物、金额、重要条款等，对于各类型合同可以通过规则提取或利用 NLP 的一些算法训

练抽取模型。在合同审阅过程中通过智能化技术辅助人工进行审核。

在合同审阅的过程中，H 集团借助大语言模型技术帮助系统检测合同是否符合法律、法规要求等方面的规定；通过对

合同关键要素和主要条款的提取，自动识别出合同中存在的任何违规行为和潜在的合规问题；判断合同内容是否完整、是

否存在缺漏条款、是否存在借贷条款约定等方面问题，并给出相应的建议和解决方案，从而完成合同智能审查和风险预警

提示，为精准定位虚假贸易链条提供了高效的支撑手段。

（4）决算分析与填报助手

加强决算复盘能力是一流财务体系建设的重中之重，H 集团为进一步方便单位做好年度部门决算工作，切实提高工作

智能应用

基础算法层

LLM 底座

数据层

合同解析

OCR

要素提取

文档分类

通用大模型

合同数据 合规数据 法律数据 企业工商数据 外部数据

合同大模型

条款提取

预训练模型

要素审查

规则抽取

条款审查

模型抽取

风险预警

NLP

人工智能大模型技术财务应用蓝皮书

125

效率和提升决算质量，节约审核时间，在整个决算填报审核周期利用大模型技术能力的赋能，为企业提供智能化决算会审

服务，从系统交互、填报审核、财务报告等方面提供全新的智能体验。通用人工智能在财务决算中的应用如图 4-8-6 所示。

图 4-8-6 通用人工智能在财务决算中的应用

决算填报智能助手应用：通用人工智能作为决算专家的角色，对基础的财务概念、决算流程及填报规则等知识进行解答，

帮助填报人员快速完成填报工作。随着决算填报知识库的不断完善，还能针对具体问题给出专业的填报建议，更智能快捷

地辅助员工完成填报工作。

从全过程填报协助到相关数据应用分析，智能决算分析管理可以通过跟助手的对话交互，更方便快捷的完成对决算任

务的一键审核。H 集团通过大模型的逻辑推理能力，还能为管理者提供经营状态的实时诊断，并能按照需要生成数字文本、

图表等内容丰富的分析报告，包括企业财务状况、经营成果和现金流量等各方面的业务分析及生成专业的诊断建议，全面

提升企业数字财务管理水平和管理效能。

（5）工程风险评价与合规管理

近年来围绕工程项目的风险管理一直为各级国资委和央国企所关注。H 集团作为投资行业龙头，下属企业工程项目类

型多样，各类项目差异巨大，且地点分散，难以进行统一的项目管理和评价，而工程全周期核算既是工程项目管理的难点，

也是审计工作的重点。为了有效反映工程建设规模，提升工程管理水平，H 集团结合大模型的能力，建设了账外工程风险模型，

以提升公司工程管理水平，降低账外工程管理风险。

应用层

大模型

服务层

智能填报助手

LLM

AI

智能决算分析

模型管理

引擎服务

知识问答

通用大模型

模型推理

Agent 服务

智能审核

模型训练

审核引擎

规则配置

风险建议

垂直大模型

知识库

任务编排

智能分析

Agent 服务

分析引擎

流程配置

4 人工智能大模型技术赋能财务应用

126 图 4-8-7 通用人工智能在工程核算中的应用

基于集团大模型底座，H 集团通过打通相关部门数据，借助智能化手段实现文本分析、自动化标注、归纳推理等内容，

结合工程评价指标体系，打通多个工程相关业务系统，训练形成了包含单项工程风险评价、地区工程风险评价和单类型工

程风险评价等内容的账外工程风险模型，并通过反馈强化学习、可信度评估、权重打分等对模型进行优化，如图 4-8-7 所示。

该模型体系从投资管理、工程进度、物资管理、采购管理、项目审计、竣工管理等领域，对大量工程项目进行精确识别，

通过综合打分、风险级别评价等，将疑似风险范围缩小到几十个项目范围内，为账外工程风险预警提供精准靶向目标。

工程风险评估

工程风险评价模型

基础大模型 GPT 大模型

模型训练、模型推理、模型评估

工程进度 工程物资 采购管理 …… 项目审计 投资管控

模型打分 风险评估 预 警 风险分析

文本分析

归纳推理

自动化标注

反馈强化学习

可信度评估

权重打分

工程评价样本

工程评价指标体系

工程管理制度

单项工程风险评估模型

单类型工程风险评估模型

地区工程风险评估模型

人工智能大模型技术财务应用蓝皮书

127

以 GPT 为代表的人工智能大模型技术的快速发展为财务数智化转型带来了无限生机，但是企业在建设落地和应用实践

过程中依然需要谨慎对待人工智能大模型技术与财务应用场景的融合，尤其是需要思考人工智能大模型技术在财务领域应

用的局限性和可能面临的问题。

5.1 人工智能大模型技术财务应用局限性

• 复杂计算的准确性

人工智能大模型技术需要进行复杂大规模的计算，其准确性是一个重要的并且难以保证的事项。以 GPT 模型为例，它

是一种基于 Transformer 模型的生成式预训练模型，其原理是在大规模语料库上进行预训练，然后在特定任务上进行微调，

以生成自然语言文本。虽然 GPT 有很强的预测和生成能力，但并不能直接解决数学计算问题，其优势在于处理文本数据并

学习其背后的模式，包括某些数学规则，但对于某些复杂的数学问题，依然需要依赖于专门的数学软件或程序库来解决。

• 结果的不确定性

人工智能大模型技术能够解决诸多问题，但其结果也存在着不确定性的可能，主要来自两个方面：随机性和泛化性。

随机性是人工智能大模型的生成结果具有一定的随机性，相同的输入可能会得到不同的输出。这是由于大模型中存在随机

性的 dropout（随机失活：对具有深度结构的人工神经网络进行优化的方法）和随机采样等操作。泛化性是人工智能大模

型在面对未知数据时的表现能力。虽然人工智能大模型经过了大规模的预训练，但是在实际应用中，可能会遇到与预训练

数据不同的数据分布，从而导致其表现下降，甚至出现所谓的大模型“幻觉”。

5.2 人工智能大模型技术财务应用关注问题

• 大小模型的协同应用

人工智能大模型的优势在于对自然语言的识别和意图理解，但是在财务领域，还有很多需要更加精准的场景，需要构

建细分场景的精细化小模型，并与大模型配合应用提供解决方案。企业财务应用场景主要体现在复杂文本分析处理和财务

决策与预测等方面，例如合同条款抽取和风险识别场景，我们可以通过整合知识图谱、命名实体识别（NER）、要素抽取、

风险分类等小模型与大语言模型协同，实现对复杂条款的准确理解和抽取，并辅助业务精准识别风险条款。在财务决策与

预测场景，例如预测分析、财务规划等，可以采用包括 M-Score、Z-Score、回归分析、信用评分、时间序列预测等财务分

析小模型与大模型的结合。这种多模型融合策略，可以优化模型的精确度，为企业提供更为稳健的决策支持。

• 使用成本

人工智能大模型技术应用在财务领域通常有两种方式：一是选择大模型厂商提供服务，一般大模型厂商按流量计费；

二是训练微调参数较少的垂直领域大模型，并私有化部署和应用。选择大模型厂商提供服务可以快速上手并享受专业支持，

但可能需要持续产生流量费用。而训练和部署垂直领域大模型可以实现高度定制化和数据掌控权，但需要支付一定的训练

和推理的算力成本，也同时面临更多技术挑战。具体选择哪种方式取决于项目需求、团队实力和预算等因素。

5. 人工智能大模型财务应用局限性和关注问题

• 隐私及安全

由于用户可以自由的与大模型进行对话，因此需要格外关注不同用户在对话过程中是否可能涉及到公司信息安全的数

据及信息。同时企业也要采取一定的措施，从“模型”本身和“连接平台”两个层面采取专门措施，避免用户有意或无意

在对话过程中触及敏感话题。

5 人工智能大模型财务应用局限性和关注问题

128

请关注

智能财务研究院公众号

扫码下载

蓝皮书电子版

人工智能大模型技术财务应用蓝皮书

129