人工智能大模型技术财务应用蓝皮书

51

（4）智能财务数据分析助手

B 公司改变传统财务 BI 报表的数据分析模式，转向由智能数据分析助手提供财务指标查询、解读、分析、制作报告的

全新模式，如图 4-2-10 所示。通过自然语言驱动的数据查询引擎，财务人员可以向给 IT 技术人员提需求一样，灵活的根

据业务场景进行数据获取，从资产负债表、现金流量表、利润表到企业经营状况业务数据。智能助手可以理解数据查询的

意图，翻译成数据库查询 SQL 语言，执行查询指令，并把查询到的结果，自动绘制成美观的可视化图表。

图 4-2-10 对话式数据查询

在日常财务数据分析场景，常会遇到对财务指标进行解读，找到财务指标变化背后的关键驱动因素，对财务指标的结

果进行预测等财务分析场景。B 公司通过 AI 增强的数据分析与挖掘引擎，可以帮助财务人员快速从数据中获取有价值的信

息，并且降低复杂数学建模工具的使用门槛。以财务分析常用的归因分析为例（如图 4-2-11 所示），AI 可以自动读取财务

模型中的多维模型结构，然后通过 Adtriutor 算法自动完成各维度、维度层级、维度成员对汇总值的影响度强弱的计算，找

到影响因素最大的维度组合路径。通过 pearson、spearman 等相关性算法，找到指标与指标之间协同变化及强弱影响关系，

定位到关联指标的变化对目标指标的影响。

数据问答 : 对话式数据查询，增强“人找数”的能力

数据查询意图处理

元数据

图文输出

数据查询引擎

已支持查询、筛选、排名、计算、分组等 16 大类，150+ 常用数据查询意图

语音文字交互

实体识别

数据表推荐

表结构 维度 指标 数据权限定义 同义词业务术语

权限过滤 数据库方言适配 生成查询语句

句法结构分析 查询结构构建 文字摘要生成

图表生成

图表推荐

分析结果

用户行为学习

企业数数据中台 / 数仓

4 人工智能大模型技术赋能财务应用

52 图 4-2-11 归因分析算法

为了提升财务数据分析的业务解释性，降低数据挖掘算法中的噪音，可以构建财务指标、业务指标的逻辑分析图谱（如

图 4-2-12 所示）。在指标上构建不同区间值的业务解释、可能导致异常的业务原因、已经对应异常值的应对措施与方案。

B 公司通过大模型就可以快速对指标的实际值给出辅助分析决策的解释说明，以及自动制作对应财务、业务主题的分析报告。

图 4-2-12 指标解释与自动报告

归因分析 : 解释数据变化的异常原因

可基于数据关系与业务逻辑关系进行自动化归因分析

将预测结果与实际结果进行对比，

找到未达到预算影响最大的变量。

预实归因

最大影响因素

关键影响路径

全过程回溯

分析结果

将不同时期的数据进行对比，从而

了解组成变量在不同时期的贡献度。

时序归因

对于稳定数据，自动找到某维度不

同成员之间差值产生的原因。

对比归因

数据

关系

维度关系 Adtributor 算法

指标图谱 相关性算法

业务

逻辑

知识库

事理图谱

知识推理

企业实现智能自动化带来了可能性

客户管理场景示例

文本

文档

语音

图片

文本 工具使用

图片 接口调用 | 页面跳转

向量化

输入感知

输出行动

A 客户的流失率较高，制作对应的

风险分析报告。

方舟 GPT 背后完成的过程

计算客户流失风险 =》获取用

户拜访记录 =》调用企业知识

库 =》推荐有效解决方案 =》

制作分析报告

好的，已按照您的要求完成。

【报告摘要】

客户 A 已达续费期，迟迟未付款，且

对售后服务满意度较低，综合计算流

失概率：80%。客户 A 过去 3 年采购

量持续增长，且信用记录量化，建议

维护。上次走访调研表示竞争对手提

供了更优惠的报价，也提到产品使用

过程中的问题。建议介绍产品与竞争

对手的比较优势，突出差异化。同时

增强售后服务，针对使用问题安排专

人解决，同时制定优惠政策。

点击【查看】详细报告

控制中枢

信息存储

长短期记忆 LSTM| 知识库 Doc KG

决策制定

复杂推理 CoTI 计划制定 | 计划反馈

人工智能大模型技术财务应用蓝皮书

53

采用智能财务数据分析助手后，财务人员数据获取与分析的效率大幅提升。过去数据的获取依赖于 IT 技术，想要查询

未在财务报表系统内的数据，往往需要经历需求整理，提交 IT 需求，但是 IT 排期较长，数据建模与报表制作最快也需要

3~5 天的时间，现在通过智能助手实时对话获取数据，秒级响应，效率提升 1 万倍。过去财务分析人员需要一周的时间收

集收据，制作财务分析模型，才能输出一个指标的异常变化归因报告，现在智能助手可以秒级返回计算结果。同时随着财

务指标、业务指标的业务逻辑图谱不断建立，可以为企业沉淀海量场景化的分析图谱，进一步提升大模型的知识储备。

4.3 人工智能大模型技术赋能 C 银行财务应用

4.3.1 总体情况

（1）需求背景

C 银行是中国最大的商业银行之一，业务涉及资金管理、收费缴费、营销服务、金融理财、代理销售、电子商务六大类，

拥有千万级公司客户和数亿个人用户，银行覆盖范围广、业务品种丰富，为公司客户和个人用户提供了多元、专业的各项

金融服务。C 银行长期以来以数字化发展为导向，致力于金融科技发展，具有国际先进水平的金融信息技术平台，其完善

的信息化背景和数字化的发展理念为大模型技术的应用和推广奠定了良好的数据基础。C 银行积极投身于金融专业领域大

模型的研发行列，不断探索大模型在金融领域的应用场景，其主要原因体现在三个方面：

第一，实现降本增效。大模型技术的应用场景贯穿银行业全产业链的各个环节，包括市场与销售、渠道与运营、产品

设计开发、客户关系管理、风险合规等多个场景（如图 4-3-1 所示），若能实现大模型技术在 C 银行的规模化应用，有望

带来可观的降本增效收益。一方面，大模型技术可替代人工开展大量重复性高、简单基础的任务，如合规监控、标准文档

生成等；另一方面，大模型技术能够有效放大关键职能岗位的效能，如客户经理能够通过大模型的应用，学习更有针对性

的客户互动技巧，挖掘客户需求并做出精准有效的判断等。

图 4-3-1 银行业大模型应用场景

第二，赋能经营管理。银行业面临着严格的监管要求，包括数据安全、数据隐私保护、风险防控等方面。C 银行需利

用大模型强大的学习能力，提升其经营管理的效率和智能化的水平。C 银行可以运用长期以来积累的信贷数据、客户数据、

行业数据等对大模型进行训练和微调，以此为基础构建更加精准的风险评估模型，提升风险防控能力。此外，大模型强大

的算力基础能够帮助 C 银行实现对业务的深度理解、关键信息的及时抽取、自动化的分析决策等，助力运营工作的全面提效。

客群分析

营销方案生成

营销人员话术培训

……

智能推荐

智能客服

智能尽调

……

产品定价分析

产品策略分析

代码支持

……

客户画像

数字人问答

知识库搜索

……

风险账户识别

风险评估

合规报告生成

……

市场与销售 渠道与运营 产品设计开发 客户关系管理 风险合规

4 人工智能大模型技术赋能财务应用

54 第三，提升服务质量。C 银行坚持以客户为中心的经营理念，依托大模型技术助力银行提升客户满意度。基于大模型

深度理解和信息抽取等能力，能够打造专业化的智能客服产品，不仅具备海量金融知识，还能够进行复杂逻辑的思维推理，

基于情感的多维表达以及即时的自我修正，更好地理解用户的需求和问题，提供更准确、更快速的解决方案，为客户提供

更加及时、个性化的专业化服务。不仅如此，借助大模型对客户的交易记录、消费习惯、社交行为等多维度数据的深度分

析和理解，C 银行构建出更加全面、细致的客户画像，在市场营销、新产品研发等方面满足客户多元化的需求，增强客户

信任度和黏性。

（2）发展现状

C 银行一直处于业界领先地位，其业务规模持续发展扩大，拥有成熟的多元化、综合化的业务体系。在国内外市场上，

C 银行均设有大量的分支机构和服务网点，具备庞大的客户群体和品牌影响力。C 银行积极推进数字化转型战略，扎实贯

彻落实国家关于科技强国和数字经济发展战略部署，全面布局关键数字技术应用，深化数字金融建设，通过引入人工智能、

大数据、云计算等新一代信息技术，升级智慧银行生态系统、加强数据治理和信息安全保障、提升业务处理效率和客户服

务水平。

在科技创新方面，C 银行加大金融科技创新投入，推动金融科技与银行业务的深度融合，已建成自主可控、功能完备

的企业级人工智能技术平台，打造了“看、听、想、说、做”全感知智能服务，初步实现全领域、全场景、规模化智慧赋能。

在数据应用方面，C 银行建立起以数据共享、资源统筹、软件服务化的云理念打造的具备海量数据存储、批量计算、流计

算等能力的企业级大数据平台，推动业务数据化向数据业务化进阶发展。

大模型技术仍处于快速发展阶段，新的能力和新的模型层出不穷，C 银行必须积极拥抱技术变革，紧抓新一代人工智

能技术高速发展机遇，致力于打造领先的企业级技术能力和业务应用能力，为数字化转型、业务创新发展提供有力的基础

支撑。

4.3.2 典型案例

（1）建设思路

关于大模型应用落地，目前业界尚无标准方法论，企业可按照场景通用化、专业化程度，分别使用基础大模型、行业

大模型、企业大模型和任务大模型。四层模型训练数据规模和投入算力逐层递减，专业属性逐层增强。其中，基础大模型

由于投入数据量大、算力成本高、算法难度大，由头部 AI 公司进行建设，虽然通识能力较强，但其缺少金融专业知识，对

金融场景应用有限。对银行业而言，实现大模型的规模化应用主要有以下两条路径：

第一条路径是直接引用成熟领先的基础大模型，在此基础上结合银行自身拥有的海量金融数据和丰富的应用场景，对

模型进行训练和微调，自建专属企业的任务大模型，快速赋能业务。虽然私有化部署的建设周期较长、投入成本较大，但

信息安全得到了有效保障，并能够更高效地赋能银行自身的使用场景，适用于有较强金融科技能力的中大型银行。

第二条路径是按需引入各类大模型的公有云 API 或私有化部署服务，直接满足赋能诉求。公有化部署的大模型金融领

域的专业能力、与企业的适配度不及企业专属的大模型，适用于中小型银行初步探索大模型技术的应用。

人工智能大模型技术财务应用蓝皮书

55

C 银行根据自身业务规模以及对自身的金融科技能力的评估，选择建立 C 银行专属大模型。C 银行认为大模型技术不

是一个独立的算法或者服务，而是一套复杂的体系化工程，包括了大模型算力集群建设、大模型算法沉淀、大模型配套流

水线工具、大模型服务、垂直领域技术平台的能力迭代升级等内容，需要持续优化迭代。大模型落地之初可选择重点应用

场景进行概念验证，构建最小可行性产品，根据结果梳理大模型技术选型、质量和风险管理的标准以及配套组织和资源的

投入需求。银行基于局部应用的效果和经验，形成规模化实施的顶层设计，通过盘点大模型技术应用的潜在场景，并评估

场景落地的优先级，形成大模型落地应用的细化方案。C 银行前期选择和某国家重点实验室联合共创，通过微调研发金融

行业通用模型，快速实现了应用场景的落地。C 银行围绕业务、技术端不断积累应用经验，率先建成全栈自主可控的千亿

级参数规模 AI 大模型技术体系。

（2）建设框架

C 银行打造的全栈自主可控的千亿级 AI 大模型技术体系，由“三大技术支撑”、“五大应用范式”以及“八大业务领

域创新应用”共同组成。

算法高效、算力可靠、数据全面是大模型技术落地应用的三大技术支撑能力，C 银行以此为抓手，将大模型打造为银

行数字化转型的新引擎。算法方面，C 银行率先建成千亿级金融行业大模型，具有出色的金融知识理解和生成能力。算力方面，

C 银行打造同业首个国产千亿级大模型算力底座，支持千亿级大模型二次训练和大规模并发推理需求。数据方面，基于全

流程闭环的大模型数据工程体系，将 TB 级高质量金融行业数据、企业内部专业数据安全快捷地融入大模型，为业务创新

应用提供数据支撑。

C 银行根据自身业务发展需求，立足行业视角，从理论与实践高度体系化总结金融大模型建设思路，提炼知识检索、

智能搜索、文档编写、数据分析、智能中枢五种大模型技术的应用范式和工程化解决方案，形成行业应用白皮书，为大模

型在行业的规模化应用起到示范引领作用。

大模型落地应用方面，C 银行聚焦对公信贷、运营管理、远程银行、金融市场、内控合规、人力资源、智能办公、智

能研发八大业务领域（如图 4-3-2 所示），不断深化大模型技术面向全业务流程的综合化运用，通过将大模型嵌入银行业

务系统的全流程，为员工打造贴身助理，开启金融行业人机交互新时代，切实做到为基层减负、为员工赋能。

4 人工智能大模型技术赋能财务应用

56 图 4-3-2 C 银行大模型建设框架

（3）技术突破

C 银行在大模型技术前沿应用的过程中，其下属的数字金融创新实验室与相关科技企业合作，共同打造出一款基于私

有大模型群组的资管行业智能解决方案——FundGPT。FundGPT 的应用涵盖多个技术场景，包括数字人问答、AI 数据分析师、

AI 编程助手以及知识检索增强等，其目标是为智能投研、智能办公、量化投资、数字员工以及创新研发等领域探索并提供

高质量的 AI 赋能方案。

银行业大模型对输出结果的准确性、专业性要求更高，大模型虽然有较强的泛化能力，但对专业领域的知识还需要不

断训练、及时更新，同时要训练大模型符合银行特定的表达要求、语言风格，契合银行自身的业务需求等。因此 FundGPT

基于 C 银行的大量金融语料开展二次训练和微调精调，实现了以下四个方面大模型在金融领域应用的技术突破，如图 4-3-3

所示。

八大业务领域

三大技术支撑

五大应用范式

对公

信贷

运营

管理

远程

银行

金融

市场

内控

合规

人力

资源

智能

办公

智能

研发

知识

检索

智能

搜索

智能

中枢

文档

编写

数据

分析

高效算法 可靠算力 全面数据

人工智能大模型技术财务应用蓝皮书

57

图 4-3-3 FundGPT 的四项技术突破

第一，数字人问答技术，FundGPT 能够在多场景、多语境、多模态下为用户提供更丰富、立体和个性化的问答体验，

并能在会议助手、流程催办、财务助手、资讯播报等方面提升智能化办公水平；

第二，检索增强大模型，FundGPT 和企业内部搜索平台进行有机结合，能够有效提升独立调研的准确性，还将有效支

持投教辅助、制度问答、舆情洞察、研报分析等业务场景；

第三，数据分析师伴侣，FundGPT 利用私有化大模型，能够为数据分析师团队提供智能化的数据分析和交互技术，为

解决数据过载问题提供了新颖的解决思路；

第四，AI 编程助手，FundGPT 内置了一款由 C 银行子企业自主研发的面向 VSCode/IDEA 等编程工具的 AI 编程辅助插

件，现阶段已落地代码辅助生成、代码理解、代码检查、单元测试代码生成、代码转义、技术问答等各类基本功能，可以

支持多种常见编程语言。

4.3.3 应用场景

（1）风险评估防控

银行核心业务涉及大量的资金流动和信用交易，风险评估与防控是银行运营中不可或缺的一环。商业银行在经营管理

中主要的风险可分以下四类：

合规风险：合规风险源于商业银行未能遵循法律法规、监管准则及行业自律标准，可能面临法律惩处、监管处罚、财

务重创及声誉受损的严重后果。近年来，合规风险已跃升为商业银行最为关键的风险因素之一。

信用风险：信用风险主要涉及债务人或借款人因各种因素无法按时偿还债务，给商业银行带来潜在损失的风险。由于

商业银行与授信对象间的信息不对称，导致商业银行难以全面掌握授信对象的还款能力及道德水平等信息，这使得信用风

数字人问答

会议助手

流程催办

财务助手

资讯播报

……

内容检索聚合 数据智能分析 AI 辅助编程

投教辅助

制度问答

舆情洞察

研报分析

……

数据分析

交互技术

……

代码理解

代码检查

代码转义

技术问答

……

4 人工智能大模型技术赋能财务应用

58 险成为商业银行运营中难以避免且持续存在的风险。

操作风险：操作风险源于商业银行内部控制、流程、系统的缺陷或人员的不当操作。随着信息技术的深入应用，商业

银行管理正日益趋向信息化与数字化。然而，信息化建设不完善、系统工具使用中的操作失误，都可能引发安全风险、客

户权益受损及信息失真等诸多问题。

市场风险：市场风险主要由市场价格波动、利率及汇率变动等因素引发。市场风险呈现出变化迅速、风险水平高、影

响范围广等特点，对商业银行的信贷决策和风险管控能力提出了更高要求。

每种风险都有其特点和对应的评估方法，C 银行通过大模型对运营过程中积累的大量客户数据、交易数据、市场数据

等进行深度学习，提取不同类的风险特征，构建相应的风险评估模型，通过算法模型对风险进行准确量化评估。

以信贷审批场景为例，C 银行能够借助大模型收集和分析借款人的个人信息、财务状况、征信记录、消费行为等数据，

构建多维度的信用评估体系，客观全面地判断借款人的风险状况和还款能力，并且大模型能够自动筛选和识别具有潜在信

用风险的贷款申请，优化贷款审批流程。面对企业客户的借贷业务，C 银行通过大模型技术对企业的信用评级、经营状况、

市场表现、负面舆情等多方面指标进行综合评估，为企业提供个性化的授信额度和还款期限建议，并能根据市场变化和企

业需求进行动态调整和优化，实现对信用风险的评估和防控。

大模型的应用能够帮助 C 银行提升风险评估防控的感知能力和决策能力。一方面通过深度自然语言的交互，大模型能

够处理和分析海量数据，更广泛获取业务相关信息，增强对各类风险的感知能力，如图 4-3-4 所示。另一方面大模型能够

基于数据结构化分析进行数据洞察、信息理解和逻辑推理，理解客户的多层次需求，减少风险评估环节人工的干预，进而

提高风险防控决策的效率和准确性。C 银行借助大模型技术处理和分析海量数据、构建复杂的风险评估模型、进行实时的

风险监控和预警，及时发现风险的变化趋势和潜在风险点，借助算法模型实时观测和关注银行营运各类财务指标和监管指标，

实现更加精准、高效、智能的风险防控策略。

图 4-3-4 风险评估防控

感知强化

深度自然语言交互

广泛信息获取

语义理解、语言生成、语音识别

行业资讯、用户信息、业务凭证

决策强化

数据分析

需求理解

数据洞察、信息理解、逻辑推理

提额、降息、还款

风险评估防控

合规风险

市场风险

信用风险

……

操作风险

人工智能大模型技术财务应用蓝皮书

59

（2）投资组合推荐

投资组合优化既是银行进行资产配置和风险管理的重要手段，也是服务客户的重要方式。投资组合优化根据投资者的

需求选择多种资产创建投资组合，其本质是在风险与收益之间进行选择，以期通过承担最小的风险获得最大的回报。在传

统的投资分析方法中，人们往往只能处理线性关系或者简单的非线性关系，无法准确捕捉金融市场的复杂性，难以从多维

金融数据中提取有效信息。

智能投顾（Robo-Advisor）运用云计算、大数据、人工智能等新一代信息技术对投资组合进行构建、管理及再平衡，

为客户提供自动化的投资组合管理建议、策略和服务。智能投顾通过在线调查问卷等互动方式，了解投资者的投资目标、

风险承受能力以及财务状况，进而运用算法模型为投资者量身定制个性化的资产配置方案，成为金融科技创新的一种重要

形式。

然而，由于监管要求的限制以及服务效果的不尽如人意，包括 C 银行在内的多家银行已相继暂停了智能投顾业务。客

户反馈显示，智能投顾在精准把握客户需求方面仍存在挑战。例如，客户在填写调研问卷时，可能因各种因素无法准确描

述自己的风险厌恶程度，对投资顾问而言，可以根据客户的语言表达、情绪等因素获取更为精确的信息，但智能投顾在这

些方面还存在短板。此外，在金融市场剧烈波动的时期，投资顾问能够给予客户必要的陪伴和情绪支持，而智能投顾则主

要依赖投资策略的回撤调整来维护客户关系，无法为客户提供更加优质、个性化的投资服务。

大模型技术的出现，能够大幅提升智能投顾对用户需求的捕捉和理解能力，通过信息理解、分析预测、数据可视化、

观点洞察等步骤的交互调优，生成专业的交互式回复。C 银行基于财富管理专业知识、海量投资标的信息分析以及大量投

研数据对大模型开展二次训练和微调精调，通过交互式对话充分理解客户的风险偏好、投资目标、资产状况等信息，通过

分析市场数据、客户信息，提供个性化的投资建议和资产配置方案。具体来讲，大模型技术在投资组合优化场景的作用主

要包括以下四个维度，如图 4-3-5 所示：

数据分析处理：大模型基于神经网络算法和机器学习算法能够挖掘海量的市场数据、用户数据中的规律和价值，通过

构建多层神经网络，自动提取数据特征，提高投资组合分析的准确性和效率，为投资决策提供有力支持。

个性化投资建议：大模型借助语义理解、逻辑分析等能力更易捕捉用户的风险偏好、投资目标、资产状况等信息，并

利用模型算法生成个性化的投资组合建议，实现资产的合理配置和增值，满足不同用户的投资需求。

市场动态监控：大模型的训练数据来自于历史数据，但经过适当训练和调整后，能够实现对市场动态的实时跟踪和监控，

通过收集和分析市场数据，及时捕捉市场变化，并对投资组合进行动态调整，以适应市场变化，降低投资风险。

风险评估和管理：大模型能够利用复杂的算法对投资组合进行风险评估，全面考虑各类风险因素，通过量化分析，综

合评估投资组合的风险水平，并定期生成投资组合的风险评估报告，提供风险预警和应对策略，帮助用户实现稳健投资。

4 人工智能大模型技术赋能财务应用

60 图 4-3-5 投资组合优化

（3）欺诈行为检测

商业银行是资金流动的重要枢纽，许多电信网络诈骗活动都涉及银行账户的转账和支付行为。近年来，电信网络诈骗

案件频发，并呈现出专业性、规模性、技术性等诸多特点，其作案方式复杂变化，反侦察能力持续提升。对商业银行而言，

欺诈行为的频发对银行的声誉和客户信任度都构成了严重威胁，间接影响银行的财务绩效，欺诈行为检测的难度和紧迫性

都提升到了新高度。银行业常见的反欺诈方式包括身份验证、设置黑白名单制度、设置规则引擎等，主要通过在反欺诈系

统内预设交易规则，检测交易的异常行为。

然而电信网络诈骗形式层出不穷，银行反欺诈系统基于固定的规则和数据匹配难以应对日益复杂和精细化的欺诈手段，

欺诈行为可通过人工智能技术模拟正常行为，进而绕过基于规则的检测系统。此外，由于系统覆盖范围不足且策略迭代不

灵活，只能针对已知的欺诈模式进行检测，无法有效应对未知的或新型的欺诈行为。

面对愈加复杂、隐蔽的欺诈行为，C 银行积极应用大数据、生物识别、人工智能等新一代信息技术和支付限额管理等工具，

按照“主动防、智能控、全面管”的实施路径，构建线上反欺诈智慧风控体系，将欺诈行为检测从“人控”推向“智管”。

在此基础上，C 银行积极推动大模型技术在欺诈行为检测场景中的应用落地，显著提升线上交易反欺诈质效，如图 4-3-6 所示。

首先，大模型具有强大的文本理解能力，通过分析文本中的词汇、句子结构和逻辑关系，理解文本背后的意图和含义，

进一步识别出可能的欺诈模式或虚假陈述，并进行适当拦截或风险提醒。

其次，大模型技术能够利用神经网络算法和机器学习算法等洞察海量交易数据中的规律与特征，与传统的欺诈检测方

法相比，大模型技术的应用使得反欺诈系统不再依赖于人工设置的规则和特征，能够根据训练数据不断学习和优化，更好

地适应不断变化的欺诈手段，提高欺诈检测的准确性和效率。

最后，大模型具有强大的计算能力，能够实现金融数据的实时监测和分析，帮助 C 银行及时发现并预警潜在的欺诈行为，

并触发预警机制。

通过深度学习和机器学习算

法挖掘海量的市场数据、用

户数据中的规律和价值，为

投资决策提供有力支持

实时跟踪市场动态，对投资

组合进行动态调整，以适应

市场变化，降低投资风险

基于用户的风险偏好、投资

目标、资 产状 况等 信息，生

成个性化的投资组合建议，

满足不同用户的投资需求

利用复杂的算法对投资组合

进行风险评估，提供风险预

警和应对策略，帮助用户实

现稳健投资

数据分析和处理 市场动态监控

个性化投资建议 风险评估和管理

01

02

03

04

人工智能大模型技术财务应用蓝皮书

61

图 4-3-6 欺诈行为检测

参考文献：

[1] 吕仲涛 . AI 时代商业银行数字化转型的创新实践与思考 [J]. 中国银行业 , 2023(11):16-19+6.

[2] 吴晓如 . 认知大模型新技术助力金融创新 [J]. 新金融 ,2023(10):26-31.

[3] 工银瑞信 . 探索大模型前沿应用 工银瑞信携最新科技成果 FundGPT 亮相服贸会 [EB/OL].(2023-09-04)[2024-03-20].

https://www.icbccs.com.cn/gyrx/ tzsd/xwzx/2023-09-04/98282_1.html

[4] 中国工商银行 . 工行率先建成全栈自主可控千亿级 AI 大模型技术体系，荣膺 2023 金融信息化 10 件大事 [EB/OL].

(2024-01-15)[2024-03-20].https:// mp.weixin.qq.com/s/P2o2_tZw7aOfWmuNAleoGA

[5] 陈曦 . 大数据时代商业银行风险管理探究 [J]. 中国中小企业 ,2024(02):162 -164.

[6] 徐晓群 . 构建线上反欺诈智慧风控体系 筑牢数字金融风险防线 [J]. 中国信用卡 ,2023(12):5-7.

4.4 人工智能大模型技术赋能 D 汽车企业财务应用

4.4.1 总体情况

（1）需求背景

汽车行业作为一个庞大的产业，涵盖了汽车制造、销售、服务等多个环节，与国民经济和消费者生活密切相关。近年来，

全球汽车市场经历了一定程度的波动，但总体上仍保持增长态势。特别是在中国，汽车市场持续扩大，成为全球最大的汽

车市场之一。这主要得益于中国经济的快速增长、城镇化进程的推进以及消费者对汽车需求的不断提升。

但汽车行业的竞争也日益激烈，不仅有传统汽车厂商之间的竞争，还有新能源汽车厂商、互联网科技公司等新进入者

的竞争。政府也出台支持新能源汽车发展的政策，推动汽车产业的绿色转型。同时，对于汽车安全、环保等方面的监管也

日益严格，这要求汽车厂商在产品研发和生产过程中更加注重质量和安全。

财务管理作为企业命脉的守护者，需要尽快完成新时期的财务数智化转型，在管理模式和技术手段上实现创新，积极

应对企业内外的管理挑战。随着某大型汽车集团企业规模的扩大和业务的多元化，财务管理难度逐渐增大。D 汽车企业希

欺诈行为检测请求

交易行为 欺诈行为检测结果

数据采集

特征提取 模型检测

文本理解 拦截 预警 通过

4 人工智能大模型技术赋能财务应用

62 望通过财务共享中心的建设，实现财务运营的集约化、标准化和自动化，提高财务处理效率，降低成本。同时，D 汽车企

业面临着日益严格的财务监管要求，需要通过数字化系统工具和智能技术手段高效进行业财风险的识别、监控和预警，降

低业务财务合规风险；并且汽车制造业面临着高成本与低利润的问题，为了降低成本、提高效益，企业需要财务系统能够

提供深度的经营分析和洞察，支持战略规划和业务发展，提高生产效率，以及通过合理的策略来确保利润最大化。

（2）发展现状

D 汽车企业开始着力建设财务共享中心，并基于人工智能大模型，实现从传统财务共享到 AI 和数据驱动的“无人值守、

安全共享”的跃迁。“无人值守”共享不是“无人”共享，“无人值守”财务共享 ABC 包含流程自动 Automated，作业

智能 Brilliant、控制中心 Controllable，能够实现全自动化流程、智能化作业、最大化人机协同以及最安全中央控制。

“安全”共享 3S 包含业务安全 Business Security、数据安全 Data Security、系统安全 System Security，不以提升效

率作为建立财务共享中心的唯一目标，同时应用人工智能和稳定技术确保数据和业务运行安全、风险可控。

D 汽车企业通过建立“无人值守、安全共享”，提高企业的财务数智化水平和企业的核心竞争力，实现高质量发展。

4.4.2 典型案例

D 汽车企业打造的“无人值守、安全共享”，从智能填报、智能作业、智能运营、平台安全四个维度展开，如图 4-4-1

所示。

图 4-4-1 “无人值守、安全共享”智能化全景图

智能填报

智能作业

智能运营

平台安全

无人值守 安全共享

业财税资档全业务一体化共享

共享运营管理平台（卓越运营）

共享智能 作业智能 智能风控

作业平台

（无人值收）

采购

流程管理

应用层安全 ( 认证、授权、审计 ) 系统层安全 ( 操作系统、数据库 ) 基础设施安全 ( 硬件、网络 )

智能审单

（数智员工） 智能审核 智能问询 / 智能质检 智能客服 智能填报 智能监控 智能预警 财会监督

应付

质量管理

销售

绩效管理

应收

知识管理

费控

人员管理

司库

服务管理

税务 社会化

系统管理

……

……

人工智能大模型技术财务应用蓝皮书

63

D 汽车企业的业财税资档全业务一体化共享的智能填报的能力辐射到采购、应付、销售、应收、费控、司库、税务等

各个领域，通过智能采集、填报规则设定等手段，做到快填报、易填报，部分领域甚至免填报。

单据进入共享后，在作业维度通过智能化手段进行提效，包括智能审单、数智员工、智能质检、智能问询、智能客服

等实现智能作业。在提效的同时也关注安全，例如通过智能审核和智能监控，将智能审核要点和控制点覆盖到端到端，实

现事前事中事后的监控；针对有问题的单据、高风险单据，实现实时预警；针对事后的财会监督，做出相应的把控。

共享作业完成后，进行整体运营能力的提升。在流程、质量、绩效、知识、人员、服务、系统管理等方面，通过智能化手段，

实现卓越运营。例如通过智能问答和智能客服，对常见的问题进行解答，减少核心财务团队在客服方面的重复工作。

最后通过应用层、系统层、基础设施层来保障平台的安全。

图 4-4-2 共享牵引，缔造端到端无人值守业务闭环

D 汽车企业通过共享牵引，从智能填报（包含智能采集、智能收单）、智能作业（包含智能审单、智能核算 / 结账）、

智能运营（包含智能分析、智能运营）三个维度，缔造了端到端无人值守业务闭环，如图 4-4-2 所示。

智能填报 智能作业 智能运营

智能采集

APP 采集 全量结构化数据

确定分析主题

可视化

业财集成

规则引擎

智能结账

风险自动管控

审核结果可视

ORC 识别

票据数据

影像 /

附件信息

单据信息

PC 端采集

1. 拍照、图片

2. 卡包导入

3. 邮箱导入

4.......

·标准票据数据

·合同数据

·非标附件数据

...... ·费用分析

·业务分析

·运营分析

·趋势分析

·结构分析

·对比分析

......

·驾驶舱

·仪表盘

·报表

......

·费控系统

·业务系统

......

业务事项与会计事

务拖拽匹配，事项

分录 / 总账明细汇

总灵活定义生成

关账驾驶舱实时

监控、一键结账

·真实合理性

·合法合规性

·内控合规性

·操作规范性

·精准报错话术

·审核结果可视

·结果辅助决策

1. 文件导入

2. 扫描采集

自助交单

自动扫描

自动暂存

自助退单

自动归档

智能审核

智能生成

智能质检

智能问询

智能客服

智能采集

知识图谱

智能审单 智能分析 智能运营

智能收单 智能核算 / 结账

1 3 5 6

2 4

自动

填单

填单

规则

定制分

析模型

4 人工智能大模型技术赋能财务应用

64 4.4.3 应用场景

（1）智能采集

随着 D 汽车企业的业务发展和海外拓展，每天会产生大量的票据，包括各种通用发票和海外票据、合同等非标附件，

单纯依靠财务人工整理和填写票据信息，不仅浪费大量人力，结果的准确性、及时性、合规性也难以保证。

D 汽车企业探索通过 OCR 和 AI 感知智能技术结合，实现对全票种的结构化处理，比人眼更准确、更高效、更经济，

为后续的智能审核、自动审单夯实相关数据基础，实现全数字化 FSSC 环境，如图 4-4-3 所示。

图 4-4-3 OCR+AI 感知智能技术实现智能采集

✓ 全票种智能采集

包含传统行业通用票据，24 类发票 +4 类订单（增值税普通发票、增值税普通发票 ( 卷票 )、增值税专用发票、增值税

电子普通发票、增值税电子专用发票、定额发票、火车票、机票行程单、客运汽车轮船、出租车票、机打发票、......），可

以实现快速的结构化识别和数据采集，如图 4-4-4 所示。

同时，对于企业内部定义自制表单（入库单等）、合同文本文件，通过深度学习技术和 AI 算法迭代模型，可以准确提

取结构化关键信息，如图 4-4-5 所示。

基于深度学习 AI 算法，识别行业通用票据、企业自制表单、合同文本文件

基于识别训练模型算法，提取识别多种关键要素，标注训练输出准确结果

通用票据

电子文件

行业通用票据

海量数据库积累

方向修正

文件样本 定义模版 图像预处理 识别辅助 数据修正 人工训练 ……

自动检测 大数据判断 模糊计算 数据校验

深度学习技术 AI 算法迭代模型

企业自制表单 合同文本文件

电子发票 电子发票 电子图片 商旅订单

可视化定义 AI 辅助定位 修正训练

原始文件扫描

人工定义模板

图像预处理

文件分类处理

AI 识别辅助

人工训练

人工智能大模型技术财务应用蓝皮书

65

图 4-4-4 合同文本文件信息采集流程

图 4-4-5 合同文本文件信息提取结果示例

在支撑国内票据智能采集的同时，D 汽车企业也不断在夯实海外票据 invoice、reciept、非票附件自动提取的能力。例

如下图针对泰国的手写水单，通过 AI 智能化的识别能力，可以做到 100% 精准结构化识别，如图 4-4-6 所示。

收取纸质、传真、异构系

统的纸质合同

通过手机、高拍仪

扫描仪提取合同影像

合同影像储存到

影像系统

上传图片、word 或 PDF 合同

直接调用合同比对、信息抽取接口

将比对抽取结果

录入企业系统中

上传图像到合同比对和

信息抽取系统，智能识别、

自动提取关键信息

合同管理系统

报账系统

业务系统集成

4 人工智能大模型技术赋能财务应用

66 图 4-4-6 海外票据信息提取结果示例

海外票据目前支持 50 多种语言，并且智能采集的范围和能力在不断扩大和提升，如表 4-4-1 所示。

表 4-4-1 海外票据智能采集支持语言清单

序号 语言 备注1 Spanish 西班牙语（西班牙，墨西哥，古巴，阿根廷，智利，哥伦比亚、哥斯达黎加、厄瓜多尔、

巴拿马、巴拉圭、秘鲁、乌拉圭、委内瑞拉）

2 Italian 意大利语（意大利，瑞士，梵蒂冈） 3 English 英语（美式，英式，澳式，加拿大，印度，国际） 4 Portuguese 葡萄牙 , 巴西5 German 德语 ( 德国、奥地利、比利时、卢森堡、瑞士、纳米比亚、阿根廷 ) 6 Japanese 日语7 Polish 波兰语8 Russian 俄语9 Dutch 荷兰

10 Indonesian 印尼语

11 French 法语

12 Turkish 土耳其语

13 Swedish 瑞典语

14 Ukrainian 乌克兰语

15 Malay 马来语

人工智能大模型技术财务应用蓝皮书

67

序号 语言 备注

16 Norwegian 挪威语

17 Finnish 芬兰语

18 Vietnamese 越南语

19 Thai 泰语

20 Slovak 斯洛伐克语

21 Greek 希腊语

22 Czech 捷克语

23 Croatian 波斯尼亚、黑塞哥维那、克罗地亚、塞尔维亚

24 Danish 丹麦语

25 Korean 韩语

26 Romanian 罗马尼亚语

27 Bulgarian 保加利亚语

28 Chinese(simplified) 中文

29 Chinese(traditional) 香港，澳门，台湾

30 Galician 加利西亚语

31 Bosnian 波斯尼亚语

32 Arabic 阿拉伯语

33 Macedonian 马其顿语

34 Hungarian 匈牙利语

35 Hindi 印地语

36 Estonian 爱沙尼亚语

37 Slovenian 斯洛文尼亚语

38 Latvian 拉脱维亚语

39 Azerbaijani 阿塞拜疆语

40 Hebrew 希伯来语

41 Lithuanian 立陶宛语

42 Persian 波斯语

43 Welsh 威尔士语

44 Serbian 塞尔维亚语

45 Kazakh 哈萨克语

46 Icelandic 冰岛语

47 Maori 毛利语

48 Marathi 马拉地语

49 Armenian 亚美尼亚语

50 Belarusian 白俄罗斯语

51 Nepali 尼泊尔语

4 人工智能大模型技术赋能财务应用

68 ✓多入口智能采集

智能采集提供了 PC 端 + 移动端多入口采集方式。无论是纸质票据、或是电子文件，都可以在手机或电脑端，通过拍照、

二维码、上传、扫描等方式，实现对票据的快速采集，并且境内发票的识别率高达 99.9%。

✓发票合规性校验

在对发票完成采集后，系统会根据预置的校验规则（多达 100+ 条），对发票的合规性进行校验，包括发票抬头校验（购

买方名称、纳税人识别号比对）、发票敏感词校验、发票真伪性检验、发票重复性检验、发票连号检验、代开发票备注栏

信息不得为空、电子签章合法性检验等，以确保发票的合规性。

✓智能价税分离

对于增值税普票 / 专票、增值税电子发票、机动车统一销售发票，直接获取发票票面的税额信息；对于客运汽车轮船、

用车订单、火车票、机票行程单等特殊票据，根据税法规定进行税额的抵扣计算。

✓发票池管理

完成采集和识别的发票，需要将结构化信息统一纳入发票池进行管理，包括发票代码、发票号码、消费类型、开票日期、

发生城市、发生日期、销售方信息、购买方信息、币种、价税合计、金额、税额、税率等，为后续的财务税务处理提供数据基础，

如图 4-4-7 所示。

图 4-4-7 智能采集解决方案

✓自动纠偏与纠错

通过“识别引擎”获取正确结构化数据，如图 4-4-8 所示。

纸质票据 电子文件

电子发票 电子发票 电子图片 商旅订单

境内发票识别率达 99.9%

识别解析

手机采集

电脑采集

发票信息

票据明细

税务验伪

验连验重

抬头校验

税目校验

日期校验

……

拍照 OCR

二维码解析

微信卡包

短信导入

本地上传

自动导入

支付宝卡包

文件上传解析

手工录入

邮箱导入

扫描发票

手工录入

·发票代码

·发票号码

·消费类型

·开票日期

·发生城市

……

·出发日期

·出发城市

·出发站

·到达城市

·到达站

……

·发生日期

·销售方信息

·金额

·税额

·税率

……

·车次

·航班次

·船次座次

·座位等级

·姓名

……

交通费用账单

住宿费用账单

餐饮费用账单

商旅订单

……订单

人工智能大模型技术财务应用蓝皮书

69

图 4-4-8 识别引擎自动纠偏与纠错

（2）智能审核

随着财务共享模式的建立，D 汽车企业在享受财务共享服务中心带来管理红利的同时，不得不面临财务审单数量激增、

每日审单量有限、审单效率难以提升的问题。在保持原有人数甚至优化部分审单人员的目标面前，需要引入智能审核，为

财务共享服务中心提效减负。

智能审核通过采集合同类、水单类、其他文本类文件的信息、进行结构化处理后，依托于智谱、YonGPT、文心一言大

模型的能力，进行数据的清洗、处理、转化和调优，可以快速对核心信息进行校验，完成智能审核 , 如图 4-4-9 所示。

基于深度学习方法，具有超强”鲁棒性”

轻松识别模糊、褶皱、变形图像

清晰度低 光线昏暗 票面折损 背景复杂 光线强烈 墨迹模糊

海量数据库积累 深度学习技术 AI 算法迭代模型

方向修正

自动检测

大数据判断

模糊计算

数据校验

……

文字

数字

……

符号

印章

……

4 人工智能大模型技术赋能财务应用

70 图 4-4-9 智能审核：精准提取、交互究因、辅助决策

✓ 300+ 条智能审核规则 + 定制化 /AI 生成审核规则

系统设置了开箱即用的 300+ 的智能审核规则，包括金额类、日期类、票据类等多维度的规则，实现 360 度全方位的

智能稽核，如图 4-4-10 所示。

图 4-4-10 智能审核规则库

请示文件 说明文件 其他文本类文件

数据预处理层

智能中台

数据层

数据输入规则 大模型对接层

数据输出理层

核对处理层

敏感词过滤 数据清洗

异步并发

大 搜

文心一言

……

智普 Std

YonGPT

数据清理

摘要提取

规则指标 知识分类

规则模版 知识抽取

核对场景 知识检索

指标化 水单类

结构化 摘要信息

场景化 文件线索

同义词 合同类

元数据 金额信息

分类 / 环节 单据线索

分治法

数据合并

规则优化

大模型接入

最优解取值

单据合同核对

提示词模板

模板匹配

提示词解析

输出格式化

格式转换 ...

费用 购销 成本 合同类文件 付款 结汇 汇单 水单类文件

采集

接入

规则模版

... ...

知识存储

数据采集

自动计算 查规嵌入

业务发起 业务审批 财务审核 出纳支付 质量检查

申请

控制

核减

数据

......

.行程

控制

发票

完整

电子

票据

......

.

发票

类

礼品

申请

金额

标准

冲销

控制

影像

数据

费用

类型

天数

控制

日期

类

月份

类 金额

比较

附件

张数

必填

类

敏感

字段

智能稽核规则 可以配置在任意节点

5% ～ 10%

合规管控降低

风险减少费用

人工智能大模型技术财务应用蓝皮书

71

同时加持 GPT 能力，系统可以基于财务制度、政策法规、合同，提取相关文本，自动生成业务规则和审核要点，如图

4-4-11 所示。

图 4-4-11 智能审核规则自动提取

✓多种审核规则多时点控制，稽核 / 审核结果清晰可见

智能稽核规则可配置在任何环节，从数据采集、业务发起、业务审批、财务审核到出纳支付、质量检查，全链路都可

以引用智能审核规则库的规则，问题实时提醒，错误原因定位又快又准，零误差，零失误，让业务审批、财务审核更高效、

更精确、更智能。

智能审核通过业务助手的方式进行结果的呈现，7*24 小时无休执行，秒级审核，高效、精准、替人工，从容应对审核增长。

✓经验知识图谱化、仿真化，助力最优路径自主选择

智能审核不仅能基于规则的判断，也可以基于大量的经验 / 知识汇集来进行。

D 汽车企业利用平台的图谱构建与推理能力，基于历史样本的积累和对相关性的参照，将经济业务活动进行分解与解

读，逐步识别出后续的核算路径、结算路径、税务路径、审核路径等，根据图谱化知识，快速的完成规则生成和智能审核 ,

如图 4-4-12 所示。

识别语义

生成规则

基于财务制度里报销时限的规定生成审核规则

规则

单据日期 - 出差结束日期 <

一个月

审核

差旅费报销单

出差开始日期 :

*****

出差结束日期 :

*****

单据日期 :

*****

4 人工智能大模型技术赋能财务应用

72 图 4-4-12 财务费控知识图谱构建与推理

✓非票附件智能审核

除了传统的智能审核，D 汽车企业还引入了非票附件的智能审核。依托 OCR 结构化数据、合同文本信息、自制表单、

报账单信息进行数据分析、校验，校验结果在审核环节可视化展示，辅助审批人员进行审核。

首先对关键信息进行获取，包括报账单、实体票据信息（交通行程、住宿费用、交通 / 伙食补助金额、发票税额、价

税合计金额、发票内容、备注、...）、合同文本信息（供应商信息、供应商账户信息、合同起止时间、...）、企业自制表单

（入库时间、入库数量、入库物料、...）；

然后对数据进行分析比对，包括报账信息与票据信息一致性校验，例如报账行程与票据地点是否一致、交通工具是否

一致、票据信息与单据发票明细信息是否一致等；敏感词校验，例如发票货物或应税劳务、服务名称是否包含个人消费敏

感信息、单据摘要及备注是否包含敏感词等；报账与合同信息校验，例如报账单中收款人信息是否与合同文本中供应商信

息一致；重复报账校验，例如发票重复报账、重复领取补贴等。

最后进行风险信息的可视化呈现，包括在单据提交环节、单据审批审核环节都可以进行提示和预警，来辅助企业的相

关领导和作业人员进行快速审核。

（3）智能月结

建立财务共享中心后，D 汽车企业对期末结账提出了更高的诉求，主要体现在：

财务会计知识

最短路径、最优路径、准确路径

原始票据 经济活动 费用类型归属 科目核算入账

行业财务知识

财务法规知识

财务费控知识图谱构建与推理

地产

· 中华人民共和国会计法

· 企业会计准则

· 企业税收法律法规

· ……

流通

制造

物流

金融

……

知识输入

文本理解

实体推荐

知识推理

问答交互

预警分析

……

票据分类

税务规则

会计核算

经济行为

地产行业

制造行业

政策法规

审核规则

企业规则

会计准则

……

财务知识图谱

抽取挖掘 整合补全 知识推理

人工智能大模型技术财务应用蓝皮书

73

结账监控可视化：D 汽车企业需要可以直观可视化监控结账进度，分组织分模块展示结账进度情况，快速明确当前所

处结账环节以及遇到的阻碍性问题，便于有效推动解决，实现快速结账。

结账执行自动化智能化：D 汽车企业期末结账流程长，且部分步骤之间有很强的依赖关系，必须按照既定顺序执行才

可顺利执行或获取正确结果，希望在执行每个步骤时能够明确地知道此步骤之前的必做步骤是否成功执行完成，当前步骤

是否可以正常开始执行。D 汽车企业需要实现月结一键执行，并在出错时进行清晰提示并指导修正方法。

结账检查自动化智能化：D 汽车企业结账正式执行前存在大量需要人工对账、人工检查的工作环节，耗时长，效率低。

D 汽车企业需要实现针对结账检查，可以灵活设置强制校验或提醒校验，可对检查项进行排序和自定义检查规则，并支持

自动执行，并可以按不同分组设置不同的检查规则。

结账跨组织协作在线化：D 汽车企业期末结账涉及多个部门之间进行协作，共享组织模式下，还需要进行跨单位协作，

实现支持期末结账跨组织在线协同处理。

因此，D 汽车企业在月末结账环节引入完善的智能月结解决方案，助力财务关账检查自动化、过程结果实时监控、可视、

过程可追溯，如图 4-4-13 和图 4-4-14 所示。

图 4-4-13 智能月结应用架构

统一任务调度平台

月结任务管理 月结流程 月结方案

个人月结工作台

线下执行，手工标记

月结问题诊断

自动执行 手工执行

自助任务注册 任务规则定义 月结场景定义 月结任务编排 月结顺序 执行周期

任务执行分类 月结环节 执行方式定义 月结约束规则 月结负责人 月结执行

月结应用 智能月结

应收应付 月末结账 月结执行

固定资产 月末结账

存货核算 月末结账

成本中心 月末结账

产品成本 月末结账

总账 月末结账

现金管理 月末结账

扩展服务 月末结账

监控与分析

月结监控工作台

月结任务分配

月结报告

月结大屏

结账效率分析

4 人工智能大模型技术赋能财务应用

74 图 4-4-14 智能月结业务模型

✓月结流程

D 汽车企业在统一的智能月结平台，灵活编辑定义月结任务项，将期末结账相关事项进行统一管理，对各个结账事项

进行排序处理和设置结账事项依赖关系（跨应用任务编排、跨应用任务依赖），按设置顺序自动或手动执行，实时显示结

账事项进展情况并做标记展示，如图 4-4-15 和图 4-4-16 所示。

图 4-4-15 智能月结业务流程

月结设置 月结处理 月结监控 月结分析

1 2 3 4

月结应用管理 :

月结环节管理 :

月结任务管理 : 梳理结

账事项及执行规则

月结流程管理 : 编排月

结流程

月结方案管理 : 设置整

体执行方案和应用范围

方案执行 : 按照月结周

期自动 / 手动生成月结

清单月结任务执行 : 在

月结工作台，自动 / 手工

按照任务编排顺序执行

月结任务

异常任务处理 : 针对月

结异常项，根据诊断原

因进行对应处理

月结报告 : 月结完成，出

具月结报告

状态监控 : 个人月结工

作台 / 月结监控工作台

实时监控任务执行状态

进度监控 : 工作台 / 监

控大屏实时监控账簿、

应用、人员的完成进度，

按账簿维度监控超期、

临超期情况

自动化分析 : 统计自动

化任务执行占比、人员

投入情况

耗时分析 : 按账簿、按

人员、按人员等维度统

计月结耗时情况

执行情况分析 : 任务失

败次数统计

应收管理

月结流程

应收管理

月结流程

存货核算

月结流程

应收管理

存货核算

关账检查

前置任务

负库存检查

期初建账

期初建账

关账

关账

关账

结账

结账

结账

月末核算处理

月末核算处理

月末核算处理

结账检查

结账检查

任务管理

场景 1: 跨应用任务编排

跨应用任务编排

跨应用任务依赖

场景 2: 跨应用任务依赖

初期建账 异常检查 负库存检查 异常检查 自定义任务

应收管理 应收管理算 库存管理 应付管理 自定义应用

人工智能大模型技术财务应用蓝皮书

75

图 4-4-16 传统月结流程 VS 智能月结服务

✓个人月结工作台

月结人员可通过个人月结工作台集中查看、处理分配给自己的月结任务。D 汽车企业可按账簿维度统计完成情况、超

期情况；选择单个账簿时，可查看流程概览；可以自动 / 手动、单笔 / 批量执行月结任务；可以查看前置任务，支持获取

最新结果；当具有当期任务执行权限，即任务分配执行人为该用户或具有执行角色时，可通过个人月结工作台查看当期任务，

如图 4-4-17 所示。

传统月

结流程

智能月

结流程

客户月结问题处理 / 厂商支持

特殊任务客户手工处理 / 厂商主动服务

关账、结账两个固定环节 各个月结任务代码写死不可调整 全流程手工执行

开始月结

开始月结

对账

对账

关账检查

关账检查

关账

关账

月末处理

月末处理

结账检查

结账检查

结账

结账

自动触发 自动对账 自动检查 自动关账 自动 / 人工 自动检查 自动检查

流程灵活编排 :

月结任务自定义注册任

务、流程自由组合流程、

方案场景化定义

自动化执行任务 全流程监控

问题诊断

月结流程优化

4 人工智能大模型技术赋能财务应用

76 图 4-4-17 个人月结工作台

✓月结监控工作台

月结应用 / 月结方案的负责人通过月结监控工作台查看负责的应用 / 方案下所有任务，监控该应用 / 方案下的任务执

行情况。D 汽车企业可通过监控视图查看负责月结事项月结整体执行情况；可按照账簿和任务的维度查看任务执行情况；

可进行任务的处理，或将负责的月结任务分配给其他用户；当作为当期月结方案 / 月结应用负责用户或具有负责角色时，

可通过月结监控工作台查看当期任务，如图 4-4-18 所示。

图 4-4-18 月结监控工作台

人工智能大模型技术财务应用蓝皮书

77

✓月结监控视图

月结应用 / 月结方案的负责人实时监控所负责事项的进度和完成情况。D 汽车企业可查看结账任务进度、人员任务进度、

账簿进度等关键指标；可按账簿、任务维度查看完成进度详情；可查看任务失败次数排名 TOP5；可查看会计人员账簿完

成进度、会计人员任务完成进度；可查看任务自动完成情况；可查看各应用月结进度等，如图 4-4-19 所示。

图 4-4-19 月结监控视图

✓月结监控大屏

监控大屏可实时监控整体月结情况，D 汽车企业可按会计期间方案、会计期间、账簿、负责人查询数据；可统计月结

总耗时、自动化占比、人员投入、账簿进度等指标；可统计账簿月结完成排名情况；可按应用维度统计月结完成进度和月

结总进度；可统计月结耗时任务排名 TOP10；可统计今日完成月结的账簿，如图 4-4-20 所示。

4 人工智能大模型技术赋能财务应用

78 图 4-4-20 月结监控大屏

D 汽车企业通过采用智能月结，实现了月结流程个性化、月结执行智能化、月结监控可视化和月结协作在线化，提升

了财务共享中心和整体财务运营的水平。

月结流程个性化：智能月结针对各项结账任务，定义检查和执行规则，并通过对任务项的灵活组合和编排，满足不同

场景下的结账要求；

月结执行智能化：智能月结支持定义各步骤的依赖关系，并在执行时明确展示各步骤之前的必做步骤执行情况和执行

结果，以及当前步骤是否可以开始执行，并可一键执行，在出错时进行清晰提示并指导修正方法；

月结监控可视化：智能月结通过智能工作台集中管理月结任务，直观查看监控结账进度，分组织分模块多维度展示；

快速明确当前所处结账环节以及遇到的阻碍性问题，便于有效推动解决，实现快速结账；

月结协作在线化：支持多部门、多任务进行协作月结。D 汽车企业月结任务开始，向相关月结人员发送月结开始通知；

月结处理过程中，可根据实际任务执行情况调整任务分配。

人工智能大模型技术财务应用蓝皮书

79

（4）智能风控

D 汽车企业的“无人值守”共享不以提升效率为唯一目标，同时也关注应用人工智能和稳定技术确保数据和业务运行

安全、风险可控。D 汽车企业通过有效识别、评估和应对各种潜在风险，降低风险事件发生的可能性和影响，保障财务共

享中心的正常运转，提升企业的竞争力和可持续发展能力。

为此，D 汽车企业搭建了涵盖事前、事中、事后全方位管控的风险管控中心，高效利用各种数字技术手段，进行资金

的全流程闭环风险控制，如图 4-4-21 所示。

图 4-4-21 风险全流程闭环管控

D 汽车企业的风险管控从风险监控（风险监控建模、风险监控管理）、流动性风险管理（流动性风险建模、流动性数据管理、

流动性监控分析）、信用风险管理（机构评价建模、机构评价管理、机构评价分析）三大类八小类展开管理，如图 4-4-22 所示。

事后评价整改

整改结

果影响

规范及

风险管

理机制

风险分析 风险报告 风险整改

事中监控警示

1 业务单据录入 2 业务单据审核 3 关键业务拦截 4 确认放行

事前建立体系

风险识别控制 风险评级评分 风险防控预警 风险监控看板 定期抽检

风险整体指标分析、

风险统计等

根据风险情况制定

整改督办策略

依据角色及业务等维度出具报告，

并能够评价以及提出应对策略

风险控制

规范制度

风险分类 风险规则库 抽检规则

资金安全管理规范 权责管理制度 规范业务审核 内控风险规则 审计检查制度 绩效考核制度

风险评分标准 单据合规检查 风险配置中心 风险指标库

司库

各业务

融资

管理

衍生品 票据等

资金

结算

账户

管理

业务

担保

实时风险监控 实时风险监控 实时风险监控 实时风险监控

4 人工智能大模型技术赋能财务应用

80 图 4-4-22 风险管控应用架构

✓ 风险监控建模

D 汽车企业通过风险类别定义风险的分类、风险项定义风险事项及事项对应的分类、风险标签对风险进行归类定义以

及标记被规则引用的业务。

系统风险规则库中预置 33 项风险规则，涵盖账户管理、现金管理、资金结算、商业汇票、融资管理、授信管理、投资管理、

衍生品等模块的业务风险规则。D 汽车企业将风险标签和风险规则组合形成风险监控模型，如图 4-4-23 所示。

数字化建模 企业、组织、基础数据、权限、流程、消息……

异构 / 社会化数据

业务数

财务公司核心系统 应收应付 万德

账户管理

现金管理

资金结算

资金计划

商业汇票

融资管理

投资管理

授信管理

……

……

风险监控流动性管理机构评价管理

风险类别

流动性业务品种

评价指标分类

流动性计算因子

评价指标档案

评价模型等级设置

流动性业务分类

评价模型设置

风险规则库

流动性业务参数设置

评价任务设置

风险监控方案

资金流入流出

机构评价

流动性业务台账

机构评价汇总

大额计划执行确认

主体信用评价

资金情况监控分析

机构评价汇总分析

流动比分析

主体信用评价分析

资金日历

资金池收支统计

机构评价明细分析 ( 指标分类 )

贷款计划表

机构评价明细分析 ( 指标分类 )

自营业务统计

风险项

监控模型

风险监控日志

风险标签

风险定时检查任务

监控模型

风险建模

评价建模

数据管理

评价管理

监控分析

评价分析

监控管理

预警任务

业务控制

预警

评价结果

是否准入

准入标准

正缺口应对方案

负缺口投资方案

流动比调整方案

处置方案

人工智能大模型技术财务应用蓝皮书

81

图 4-4-23 风险监控建模

✓ 风险监控管理

D 汽车企业风险检查方案用于设置风险模型和业务的关联关系，指定风险检查的触发时机，并支持设置识别出风险后

的提示信息；风险监控日志用于记录风险检查的作业信息；风险定时任务检查用于设置风险检查的定时任务。

✓ 流动性风险建模

D 汽车企业流动性分析预测模型如图 4-4-24 所示。流动性业务品种用于定义流动性分析的业务品种，设置计算规则；

流动性计算因子用于设置数据筛选规则，供品种和分类计算引用；流动性业务分类用于对流动性业务品种进行分类，设置

折现系数和计算规则；流动性参数设置用于设置分析币种、最佳现金持有量、流动比阈值、准备金等基础信息。

账户规则库

票证规则库

结算规则库

金融工具规则库

· 开户准入行控制规则

· 直联授权检查

· 银行黑名单检查

· 其他规则及预警

· 黑名单规则

· 回头票检查规则

· 其他规则及预警

· 结算疑似重复规则

· 敏感支付规则

· 高频大额支付规则

· 其他规则及预警

· 债券资质控制

· 衍生品额度控制

· 其他规则及预警

事中监控警示 业务预警

业务 / 单据类型及环节灵活配置

风险监控模型 风险规则库

在业务及单据具体环节上，配置所需风险规则内容、自定义风险级别、具体单据检查规则

风险类别

风险项

风险标签

4 人工智能大模型技术赋能财务应用

82 图 4-4-24 流动性分析预测模型

✓ 流动性数据管理

D 汽车企业资金流入流出用于记录流动性风险分析有关的资金的收支数据，可对流入流出数据进行执行情况确认，是

流动性风险分析的基础数据；流动性业务台账用于记录流动性风险分析有关的存量数据，是流动性风险分析的基础数据；

大额计划执行确认用于手工确认大额计划的执行情况。

✓ 流动性监控分析

D 汽车企业流动性数据管理和风险监控分析如图 4-4-25 所示。资金情况监控表以月份为分析期间，统计每日集团整体

收入、支出、余额的情况，以及各类业务的变化情况；流动比分析以月份为分析期间，以流动比为核心分析指标，对集团

流动资产、流动负债的分布情况进行统计展示，并通过与指定阈值的对比，形成应对流动性风险的建议或者合理配置资产

的建议，帮助企业合理管理流动性；资金日历以日历报表的形式进行汇总统计，展示每日企业整体余额和现金流信息；资

金池收支统计表以月份为分析期间，统计资金池收入支出情况；财务公司贷款计划表以月份为分析期间，统计财务公司对

各成员公司发放贷款和收回贷款情况；自营业务统计表以月份为分析期间，统计企业自营业务收入支出情况。

业务系统数据

经营活动

后续处理 助力一利五率

账期

调整付款节奏

优化支付方式

智能预

测模型

账期

筹资活动

投资活动

采购管理

应收管理

费用支出

税费支出

资金筹措

金融理财

融资还款

内部调度

……

利润总额

资产负债率

净资产收益率

研发经费投入

全员劳动生产率

营业现金比率

贷款到账

发行债券

……

项目投资

资本支出

金融投资

销售管理

应付管理

人力资源

……

还本付息

票据承付

资产处置

股权投资

……

收款池

付款池

期初余额

银行

指标库

人工智能大模型技术财务应用蓝皮书

83

图 4-4-25 流动性风险业务流程

✓ 机构评价建模

D 汽车企业评价指标分类用于对评价所用的指标进行分类归纳；评价指标档案用于维护评价所用的评分规则；评价模

型设置用于将评价对象与指标进行组合，形成评价模型；评价任务设置用于发布评价模型，评价时可参照已发布的评价模

型进行评分；评价模型等级设置用于设定评价模型的等级、等级对应的分数范围和准入标准。

✓ 机构评价管理

D 汽车企业机构评价用于引入评价任务及任务发布的评价模型，对集团外部机构进行评价；机构评价汇总用于对评价

任务发布的同一评价模型进行多人评价，将多人评价的结果进行汇总计算形成最终得分；主体信用评价用于引入评价任务

及任务发布的评价模型，对集团内部单位进行评价。

✓ 机构评价分析

D 汽车企业机构评价明细分析 ( 指标分类 ) 按照评价指标分类对评价结果进行明细展示；机构评价明细分析 ( 机构类型 )

按照评价对象类型对评价结果进行明细展示；机构评价汇总分析按照机构评价结果进行汇总统计；主体信用评价分析按照

主体评价结果进行明细展示。

D 汽车企业机构评价模型、机构评价管理、机构评价分析等信用风险业务流程如图 4-4-26 所示。

流动性指标

结算

流动性比率

外部负债率

流动性缺口

阈值对比

投资率 处置方案及建议

存贷比

压力测试

备付率

流动性

业务品种

流动性

业务分类

流动性

计算因子 资金

流入流出

流动性

业务台帐

大额计划

执行确认

融资 票据 账户 资金计划 财务公司系统

流动性比监控 每日资金情况监控 每日现金流量监控 月度业务流量监控

……

业务分类及标签 分析数据底表

参数设置

业务数据

数据整理

数据计算

分析展示

4 人工智能大模型技术赋能财务应用

84 图 4-4-26 信用风险业务流程

D 汽车企业业务还包括汽车金融领域。在金融行业，风险评估是保障资产安全、维护市场秩序的重要环节。然而，传

统的风险评估方法往往依赖于人工经验和有限的数据分析，难以应对复杂多变的金融市场。为此，D 汽车企业引入大模型

技术，利用其强大的数据处理和模式识别能力，对海量金融数据进行深度挖掘和分析，以更准确地评估风险，提升企业金

融业务的安全性和稳定性。

大模型在金融业务风险评估的应用落地过程主要体现在：

✓ 数据收集与处理：首先，D 汽车企业收集大量的金融市场数据，包括股票价格、交易量、宏观经济指标等；同时收

集金融机构自身的业务数据，如贷款记录、投资组合等。对这些数据进行清洗、整合和标准化处理，以消除数据噪声和提

高数据质量。

✓ 模型训练与调优：根据风险评估的需求，大模型技术利用收集的数据进行模型训练微调，通过调整模型参数和超参数，

不断优化模型的预测性能。同时，采用迁移学习等技术，利用预训练模型提升风险评估的准确性和效率。

✓ RAG 检索增强生成：D 汽车企业为了更准确地评估风险，结合大模型和外挂向量数据库来解决幻觉问题。首先，收

集大量的金融行业风险评估相关的数据，包括历史风险评估报告、市场动态、政策法规等。然后，将这些数据输入到向量

数据库，方便后续的检索和分析。当有新的风险评估任务时，使用 RAG 技术从向量数据库中检索出与当前任务最相关的历

史数据，并结合这些信息生成新的风险评估报告，提高生成结果的准确性和可靠性。

评价模型

评分评价

评分分析

业务控制

关联任务

选择任务

依据得分评价

依据得分评价

多人评价

引入指标形

成指标模型

评价报表分类

评价汇总

机构 / 主体

信用评价

评价指标分类 评价任务设置 评价模型等级设置

评价指标档案

评价模型创建

任务发布 机构准入判定 业务单据

人工智能大模型技术财务应用蓝皮书

85

✓ 特征提取与风险评估：D 汽车企业利用训练好的大模型对金融数据进行特征提取和模式识别，提取出与风险评估相

关的关键信息。D 汽车企业结合传统风险评估方法和模型，对这些关键信息进行综合分析和评估，生成风险评估报告。

✓ 模型部署与应用：D 汽车企业将训练好的大模型部署到风险评估系统中，实现与现有业务系统的无缝对接，并通过

API 接口或数据通道，实时接收新的金融数据，并进行风险评估。同时，大模型提供可视化的风险评估报告和预警功能，

帮助企业及时发现潜在风险并采取相应措施。

✓ 监控与持续优化：D 汽车企业对模型运行过程进行实时监控和性能评估，及时发现并解决模型运行中的问题，并根

据市场变化和业务需求，定期更新模型数据和调整模型参数，确保模型始终保持最佳性能。

大模型在 D 汽车企业金融业务风险评估中的优势，可以提高风险评估的准确性和效率，为企业提供更加全面、及时的

风险信息，更好地应对市场风险、保障资产安全、维护市场秩序，为企业发展提供有力支持。

（5）经营分析

汽车行业快速迭代、市场瞬息万变，管理者如何实时掌控经营情况、有效应对变化？业绩增长乏力、产销数据庞杂，

经营者如何快速洞察问题所在、精准预测企业效益？这些是该汽车企业的高管所面临的困局。

为解决这一难题，D 汽车企业引入基于企业服务大模型打造的 AI 经营助手，运用语义理解能力、报表分析能力、业务

预测能力等，进行预算执行情况经营分析、预测和调整，赋能企业进行盈利分析、经营预测、归因洞察、行业对标的一体

化决策，并且基于自然语言交互即可随时随地进行分析决策。

图 4-4-27 基于企业服务大模型的经营分析应用场景

2023 年一月

2023 年一月

调整前

收入 成本 利润 收入 成本 利润

华北 异常

材料成本

人工成本

直接人工

委外人工

产品侧

材料

成本

利润

东北

2024 年一月

2024 年一月

调整后

第四

季度

第三

季度

第二

季度

第一季度

智友

多维库

控制执行

语音、文本

年度

季度

月份

期间

组织

集团

公司

事业部

1

2

3

4

人工成本过高

有所改善

根据方案调整预算

1 月 2 月 3 月

产品销量下降

问题洞察 1

查看集团利润情况

动因挖掘 2

分析利润下滑

的原因

提出方案 3

调增某车型电动车销

50000 辆

调整预算 4

更新预算

语义解析

AI(GPT)

Engine

语言

关键字

多维查询

接口调用

生成调整脚

本执行

关键字

自然语言

利润

成本

收入

科目

4 人工智能大模型技术赋能财务应用

86 D 汽车企业基于企业服务大模型的经营分析场景如图 4-4-27 所示，具体体现在：

✓ 问题洞察

D 汽车企业的财务管理者唤醒智友，通过自然语言问询企业截至当前的利润情况。智友返回企业收入利润概况，以及

盈利对比分析。管理者进入企业经营系统看板，查看更详细的经营分析数据，包括盈利总额、产量、销量、预算执行情况，

各类产品利润情况等等实时信息。

✓ 动因挖掘

若 D 汽车企业的盈利情况不及年初预期，大模型经过归因分析推理出公司华北区人工成本过高和某车型电动车销量下

滑，导致了公司整体盈利不佳。大模型基于产销计划数据预测下个月的利润，同时自动总结推理出测算后的总体利润同比

增长率以及和年初目标的对比情况，结果显示下个月的利润总额仍比年初有较大差距。

✓ 提出方案

财务管理者输入新的营销策略，调整销量、管理费用、营销费用等多个测算因子。大模型基于新的测算条件，再次进

行分析测算，并生成测算数据，使利润符合预期。

✓ 更新预算

财务管理者将预测结果更新到预算中，大模型将预算后的经营数据同步到最新的预算中，用以指导下个月的产销排程。

✓ 行业对标

在明确集团内部的经营分析预测后，财务管理者可以进一步了解行业对标情况。大模型基于汽车行业数据推理生成行

业相关分析，如行业的利润收入规模等，可以看到集团在行业内的各类指标的具体排名和占比水平，实时掌控经营情况，

快速洞察问题所在，有效预见应对变化，精准预测企业效益。

图 4-4-28 基于企业服务大模型的经营分析应用架构

D 汽车企业基于企业服务大模型的经营分析应用架构如图 4-4-28 所示，具体的经营分析场景如问题洞察、动因挖掘、

模拟测算、预算更新等。

收入利润图表

多维模型查询 API 多维数据查询 API 多维图表查询 API 模拟测算 API

归因分析 利润测算 行业对标 交互层调度层 智能中台智能中台企业绩效 执行层

智 友

语义解析 & 意图匹配 & 技能 API 调用

YonGPT

任务响应：图表 / 文字

自然语义

维度切片及数值 生成式文字分析

企业绩效 YonMDbase

多维数据库

人工智能大模型技术财务应用蓝皮书

87

✓ 问题洞察：大模型查看集团 2023 年利润情况的应用流程如图 4-4-29 所示。

图 4-4-29 问题洞察应用流程

✓ 动因挖掘：大模型分析利润不及预期原因的应用流程如图 4-4-30 所示。

图 4-4-30 动因挖掘应用流程

分析主题模板

分析主题模板

返回图表

智友解析 :

模型信息

维度信息

图表类型

坐标轴信息

没有感知到分

析主题模板

查看集团 2023 年

利润情况

1 问题洞察

分析利润不及预期

下滑的原因

2 动因挖掘

压缩人工成本 30%

3 模拟测算

更新预算

4 预算更新

多轮对话多轮对话

智 友

企业经营分析主题模板

配置调用

EPM 图表接

口的意图

利润年 / 月趋势

利润同比 / 环比

产品间利润对比

区域间对利润比

产品 / 区域占比

……

多维图表自动生成接口

Json 格式的

多维切片数据 微调数据 : 集团以及各个分

公司 5 年收入利润数据

Prompt 提示语

fine-turning 微调

生成动因分析结果

智友解析 :

模型信息

维度信息

上下文信息

查看 5 月份电动汽

车利润

1 问题洞察

分析利润不及预期

原因

2 动因挖掘

压缩人工成本

30%

3 模拟测算

更新预算

4 预算更新

智 友

配置动因 多维查询

分析意图

YonGPT

ChatGLM/LLaMa/Vicuna...

4 人工智能大模型技术赋能财务应用

88 ✓ 模拟测算：大模型基于问题及动因分析，模拟压缩华北地区人工成本 15% 的场景，其应用流程如图 4-4-31 所示。

图 4-4-31 模拟测算应用流程

✓ 预算更新：大模型基于提出的方案更新人工成本预算，其应用流程如图 4-4-32 所示。

图 4-4-32 预算更新应用流程

返回图表

智友解析 :

调整策略

( 调整类型 : 调增、调减 ....)

( 调整规则 : 比例、绝对值 ...)

模型信息

维度信息

查看 5 月份电动汽

车利润

1 问题洞察

分析华北区利润下

滑的原因

2 动因挖掘

压缩华北地区人工

成本 15%

3 模拟测算

调整人工成本预算

4 预算更新

预算调整相关语料

训练数据

智 友 智友语义

分析理解

配置模拟

测算意图

计划预算沙箱

模拟调整接口

调用分析模板或

者自动生成图表

返回调整完毕的话术

大模型解析 :

调整动作

模型信息

维度信息

查看 5 月份电动汽

车利润

1 问题洞察

分析华北区利润下

滑的原因

2 动因挖掘

压缩华北地区人工

成本 30%

3 提出方案

更新人工成本预算

4 预算更新

智 友

配置更新

预算意图

计划预算沙箱

落库接口

预算更新相关语料

训练数据

智友语义

分析理解

多轮对话多轮对话

人工智能大模型技术财务应用蓝皮书

89

基于人工智能大模型的经营分析，充分利用大模型生成式能力，D 汽车企业进行可视化图表、报告式文字生成，提供

更为“灵动”的经营分析，并将大模型的推理能力充分应用于企业经营测算和预测，智能感知企业产销存各领域数据的关

联和归因，进行推理式经营洞察；面向企业的中高层管理人员，自然语言交互，PC 端、移动端跨端联动，随时随地进行分

析决策，助力该汽车企业快速实现经营目标，把握行业制胜关键点。

4.5 人工智能大模型技术赋能 E 大型基础设施综合服务商财务应用

4.5.1 总体情况

（1）需求背景

E 集团是全球领先的大型基础设施综合服务商，由于项目业态多、类型多、管理主体多，项目分布地域广、规模大、

交付周期长等特点，企业财务管理工作日益复杂化、困难化。为谋求公司的长远发展，E 集团围绕其战略目标，结合财务

业务现状和管控要求，从战略协同、创新发展、完善和提升发展体系、提高风险把控能力等方面，提出了建立透明化、合

规化、高效化、智能化的财务管控模式，支撑各板块业务运营，提升集团整体财务管控能力，为战略决策提供支撑，助力

集团高质量发展。

（2）发展现状

为提升集团资源的整体价值，提高集团化运作的效率和效益，作为国内最早一批引入财务共享的企业，E 集团不断在

财务管理模式上积极探索，打造了全球一体化“智慧运营”体系，通过建设集中、统一的业财一体化数智财务平台，显著

提高了共享运营的标准化、精细化水平，以数据为纽带打通业务和财务，提供覆盖“业财资税融”一站式财务数字化服务，

包含事项申请、审批、商旅服务、差旅报销、全面预算、财务共享、资金管理、税务管理、会计核算、财务报表、电子档

案等主要应用，并与商旅、银行、税局、社交等平台实现互联互通，注重财务管控与服务并重，通过内聚外联，为业务、

财务提供高效、一体化的数字协同服务，推动管理会计落地。

4 人工智能大模型技术赋能财务应用

90 图 4-5-1 E 集团业财一体化数智财务平台

经过多年的运营发展，E 集团业财一体化数智财务平台依托数字技术驱动财务转型（如图 4-5-1 所示），建立了全价

值链的数字化、智能化财务管理体系，实现了集中管控、降本增效、流程标准化和跨区域多元化等价值，然而随着人工智

能等新一代信息技术持续迭代升级以及企业需求不断扩展，在智能化建设方面依然具备提升空间，还需在加大人工智能技

术应用程度、建立数据资产平台、构建智能财务等方面进行优化升级。

4.5.2 典型案例

E 集团瞄准财务智能化转型目标，创新提出财务数智化转型框架，全面构建以价值创造为导向的战略适配型财务管理

体系，锚定建立智慧智能、动态高效、深入前瞻的智能化财务，实现财务管控向价值型、数智型转型愿景。

E 集团依托大型企业 ERP，打造涵盖“数据资产、智能技术、超级自动化、大模型”四大子平台的财务智能化平台（如图 4-5-2

所示），通过独立部署或嵌入式方式，以数据驱动管理全面提升财务智能能力，充分发挥智能财务支撑战略、支持决策、

服务业务、创造价值、防范风险五大功能作用，以财务数智化赋能，将财务管理视角和管理内容向不同的广度、深度、厚

度延伸，为建设世界一流企业建设提供强大支撑。

统一门户

ESB( 企业服务总线 )

核心业务系统

财务核算 报表管理

电子档案

共享报账

合同微服务

数据中台

主数据管理

资金管理 税务管理

预算管理

海外业务

上市公司

电子影像

业务前台

统一数据分析平台

财务后台财务中台

物资管理

总账管理

业务报账

收入类合同

数据集市

组织机构 科目体系 往来客商 银行账户 员工信息 项目信息 合同信息

数据清洗 数据计算 报表组装

支出类合同 其他类合同

报表指标池

合同统计及查询

指标取数逻辑 指标运行存储

合同信息完善及变更

业务核算 往来对账 资金结算 资金计划

业务稽核 预算控制 融资管理 票据管理

任务管理 审批流程 资金分析 风险预警

费用报销 现金管理 发票管理

纳税申报

纳税申报

税收筹划

税务分析

税务分析

会计准则转换

信息保密管理

银行账户

管理驾驶舱

人力资源

债权管理

指标预警

项目管理

往来管理 决算报表

绩效监控

商旅平台

债务管理 对账平台

统计报表

审计管理

期末结转 管理报表

生产经营

固定资产 合并抵消

设备管理

核算组织 监管报表

云电商

成本管理 报表指标

人工智能大模型技术财务应用蓝皮书

91

图 4-5-2 E 集团财务智能化平台

数据资产平台：E 集团借助数字标签技术，针对于集团的资产形成资产动态数据库，更好的管理、运用资产数据，实

现海量数据的清晰化、明确化，实用性、易用性更强，为业务管理提供支撑，实现对集团资产总量、运营情况的动态监管，

建立完整的资产分析报告体系。E 集团通过加工基础数据信息为高质量的数据，与具体业务场景融合，使数据资源转化为

数据资产。E 集团根据业务需要，将数字技术广泛应用于报表编制和分析、质量检查、风险监督、运营监控等业务场景，

服务于内部管理并为企业创造价值。

智能技术平台：E 集团融合机器学习、深度学习等人工智能技术，内置认知服务，支撑企业应用实现智能交互、流程

自动化、决策预测等智能化场景。E 集团基于深度学习框架，提供基于业务累计沉淀形成的自定义训练平台，支撑认知服

务所需的日常训练。E 集团自定义训练平台主要面向计算机视觉与自然语言理解方向，提供通用神经网络算法，用户只需

提供标注后的数据即可训练生成个性化的智能服务模型。E 集团基于 DevOps（Development 和 Operations 的组合词，

开发运维一体化工具）理念，训练形成的智能服务自动发布上线，以 Restful API（是一种基于 REST（Representational

State Transfer）原则设计的应用程序编程接口，用于不同系统之间的通信）的形式提供服务，保证服务的实时性与灵活性。

超级自动化平台：E 集团在传统的 RPA 机器人基础上进行了全方位的升级，在执行流程的同时进行智能判断、纠错，

能按照业务规则处理较为复杂的业务，从而提高业务处理的准确性，提升工作效率。E 集团将智能流程自动化技术应用费

用报销、智能审核、资金结算、会计核算、会计期末结转、财务云日常运维等业务场景。

大模型平台：E 集团搭建企业大模型，提供数据管理、模型训练、评估优化、插件扩展等工具集，涵盖多模型接入、

多任务编排、低门槛使用、知识库管理、全场景覆盖、安全可信等核心特性，具备语言理解、逻辑推理、代码生成、内容

创作等大模型能力。

智能

场景

智能技术平台 大模型平台 超级自动化平台

智能差旅 智能审核 智能预测 智慧税务

智慧资产 智能融资决策 智能报告 ……

计算机视觉 语音交互 智能交互 智能预测 RPA 机器人 机器人设计器

自然语言处理 知识图谱 多模态生成 知识管理 管理控制中心 流程智能挖掘

机器学习 …… 模型训练 …… 业务引擎 ……

数据资产平台 数据采集

财务

共享

合同

系统

资金

管理

采购

系统

税务

管理

项目

管理

预算

管理

人力

管理

行业

数据

财务

核算……市场

趋势

报表

管理

数据存储 数据治理 数据挖掘 数据分析 多终端展示

业财一体化

数智财务平台 外部数据

4 人工智能大模型技术赋能财务应用

92 4.5.3 应用场景

（1）智能差旅

E 集团项目遍布全国，员工数量超十万，为提高差旅报销体验，E 集团积极引入基于大模型的智能商旅系统，通过自

动化和智能化的技术，大大简化报销流程，提高处理效率，降低出错率，并借助大模型通过对企业差旅数据的分析和管理，

帮助企业更好地管理和规划差旅支出，提高差旅管理的效率和透明度。

员工可以通过 AI 智能交互发起差旅申请、差旅订票、差旅报销等流程。在差旅订票阶段，AI 助手基于大模型将通过分

析员工的出行习惯和需求，结合企业差旅管控要求，为用户提供更加个性化、精准的出行建议和规划；在差旅报销阶段，

员工下达报销指令，AI 助手会自动从云票夹检索员工差旅发票，根据提示词自动匹配行程信息及住宿发票形成报账单初稿（如

图 4-5-3 所示），AI 助手会以提问形式获取项目及具体分摊信息，进一步完成单据明细，员工自检后即可提交，AI 助手还

可以根据共享中心单据池情况及平均处理效率测算并反馈预计处理时间。

图 4-5-3 差旅报销单智能生成

报销完成后，E 集团可以基于大模型进行差旅综合分析，为企业提供全面、准确的差旅费用分析和优化建议。E 集团

通过对费用构成、出行时间、出行地点、员工部门等多维度的分析，实现了差旅费用预测，帮助企业提前做好预算规划；

并基于历史数据和业务规则，大模型可以为企业提供差旅费用优化建议，如推荐性价比高的酒店和机票、优化出差路线等。

同时 E 集团利用机器学习算法识别差旅数据中的异常值，如过高的住宿费用、频繁的短途出差等，便于发现和识别差旅风险，

最终可以自动生成差旅分析报告，帮助企业管理者和决策者快速了解差旅费用的整体情况和问题所在。

人工智能大模型技术财务应用蓝皮书

93

（2）智能审核

伴随着公司业务规模的扩大，E 集团财务共享中心财务审核的工作量与工作压力与日俱增，传统以人工为主的审核模

式逐渐难以适应公司财务业务高质量发展的需求，为此 E 集团借助财务智能化平台实现了合同、报账单等单据的智能审核。

单据智能审核

E 集团通过审核规则库、智能审核、审核报告和审核风险等功能实现单据智能审核，如图 4-5-4 所示，主要针对费用、

采购、工程等报账类业务，通过梳理审核规则，并借助 RPA 等技术实现将人工审核向自动化审核转移，同时融入大模型，

通过对报销行为中的异常点进行风险预警。

E 集团通过建立审核规则库，内置报销规范性、票据真实性、账实一致性、审批规范性、金额正确性等多种审核规则，

为智能审核提供基础。并且，智能审核平台根据审核规则将审核后的违规单据标记为“审核异常”，通过系统预警的方式

提醒财务审核人员和提单人员，系统根据规则库自动标记显示该单据的审核异常点，作为提单人员修改单据的参考。

E 集团引入 RPA 机器人实现报销审核全流程自动化：在员工发起报账并提交单据时，机器人实时监控并启动下发审核

任务，根据单据类型从财务系统中抽取关键的业务数据，同时利用 OCR 识别报账提交的各种附件如发票等，然后 RPA 机

器人模拟人工操作从业务系统抽取系统源头数据。E 集团解析机器人解析抽取出来的各类数据，如合同正文中的供应商名称、

发票中的发票号码等，并依据预置的审核检查规则比对、校验数据。E 集团按照定制流程，如果数据检查通过，则机器人

操作审核通过，如果出现异常结果，则转为人工审核，最后机器人自动出具审核报告。同时，智能审核机器人自动抓取数

据并遵循规定的规则和流程，从下发审核任务至编制审核报告全过程自动化处理，能够借助机器学习吸收融合业财规则，

不断修正操作以提高审核准确度，推动系统的自动化和智能化演变。

在审核监控风险模块中，E 集团利用大模型通过对历史数据和实时数据的分析，能够识别出审核规则之外可能存在的

财务风险，如业务招待费报销中的欺诈行为、合规问题等，辅助财务共享服务中心管理人员整体把控审核效率与质量。

4 人工智能大模型技术赋能财务应用

94 图 4-5-4 报销单智能审核

合同智能审核

E 集团智能合同审核平台基于支撑层的系列资料库以及业务层的 NLP 技术与合同审核规则库，得以在应用层实现多种

核心功能，如图 4-5-5 所示。

首先，E 集团借助 NLP 技术通过对合同文本进行合同关键信息的提取、标记和注释，并生成结构化数据写入平台，实

现了合同信息采集线上化、自动化、智能化，为后续合同风险控制提供数据准备。

在合同内容比对功能中，对于提取出的合同关键信息，智能合同审核平台会检索相似合同单据，并对两个合同的合同

主体名称、合同标的、合同价款、履行方式等信息，高效识别内容变动、合同缺页、顺序错乱等问题，帮助财务部门安全

防控潜在法律风险。

在智能合同审核过程中，E 集团根据预设的审核规则和风险模型，对提取的合同信息进行智能审核，能够自动检测合

同中的潜在风险点，如不公平条款、模糊表述、法律漏洞等，对于违反审核规则的文本予以警示及标注，并给出相应的风

险预警提示，精准地定位问题并给出修改建议，同时，系统还可以根据历史审核数据和外部法律数据库，提供合同条款的

合规性建议和修改意见。

人工智能大模型技术财务应用蓝皮书

95

图 4-5-5 合同智能审核

（3）智能融资决策

面对多种融资方式和复杂的金融市场环境，传统的融资方法往往受到数据局限性、模型复杂度和计算能力等多种因素

的制约，难以满足集团的高要求，需要借助人工智能技术实现更科学、合理的融资决策。为此 E 集团借助财务智能化平台

实现了智能融资决策场景，为全面、准确的融资决策提供支持。

E 集团通过内外部数据结合，一方面引入企业内部系统的历史财务数据，包括收入、支出、成本、利润等关键指标；

另一方面从外部数据源获取市场趋势、行业政策、客户信用等相关信息，并对收集到的数据进行清洗、整合和预处理，形

成可供模型训练的数据集，并利用深度学习等算法，对预处理后的数据集进行训练，构建了精准的资金预测模型，根据企

业的投资计划和现有资金状况，对未来一段时间内的资金流入、流出与头寸进行精准预测，如图 4-5-6 所示。

4 人工智能大模型技术赋能财务应用

96 图 4-5-6 智能资金预测

若资金出现缺口，E 集团根据业务所需的投资规模、预期收益、资金缺口等因素，确定所需的融资金额和融资期限，

并对各种可能的融资方式进行建模和评估，包括银行贷款、发行债券、股权融资等多种方式。E 集团综合考虑融资成本、

融资风险、资金到位时间等因素，对各种融资方式进行量化比较和排序，给出合理化的建议实现融资方案的对比，选定最

适合企业所需的融资渠道和方式。在确定融资方式后，E 集团通过综合计算企业的资本结构、偿债能力、未来现金流等因素，

大模型可以给出企业在不同融资方式之间的配比和优先级，以实现最佳的融资效果，同时可以对申请授信的主体、项目等

进行快速的风险识别，从而为企业的决策层提供数据支持。

4.6 人工智能大模型技术赋能 F 医药行业财务应用

4.6.1 总体情况

（1）需求背景

我国医药行业面临着空前的机遇与挑战，各医药企业也在积极通过数字化转型，应对机遇与挑战。

挑战——医药行业将迎来大规模的、持续的“穿透式”监管

2023 年 7 月，国家卫健委会同九部门发布《关于开展全国医药领域腐败问题集中整治工作的指导意见》，启动“为期

一年的全国医药领域腐败问题集中整治”。2024 年 1 月 8 日举行的二十届中央纪委三次全会指出，深化整治医药等权力集

中、资金密集、资源富集领域的腐败，清理风险隐患。医药行业将迎来大规模的、持续的“穿透式”监管。

人工智能大模型技术财务应用蓝皮书

97

医药企业纷纷加大资源投入进行反腐自查。财务部作为医药企业风险和合规性控制最后一道防线，开始借助人工智能

大模型技术，进行风险管理和预测、欺诈检测和合规性监控。

机遇——我国正由医药生产大国向医药强国转变

2024 年政府工作报告明确加快发展创新药，标志着我国正由医药生产大国向医药强国转变。医药行业将创新重塑，培

育新质生产力。同时，我国人口老龄化趋势发展明显，也让行业迎来红利期。为了抓住这一机遇，医药行业也开始站在数

字化转型的风口，以加速支撑更高效的生产、更精准的市场定位和更优质的服务。

业务的快速发展，需要医药企业后援部门高效地提供支持，财务部作为后援服务部门，承担着付款支出、收款核算等

业务重要两条线的末级环节，并主导建立了费用控制、财务共享、营销费用控制等面向业务部门的数字化平台，业务部门

在流程出现的中断、卡点，直接影响业务的处理效率，财务基于人工智能大模型技术，建立智能客服平台，7*24h 数字客服，

面向用户提供系统操作智能指导、用户业务自助办理、对话式信息导航等服务。

因此，人工智能大模型在医药行业的加速应用，为行业高质量发展注入了活力。

（2）发展现状

随着医药行业数字化转型的深入，人工智能大模型技术在医药行业的财务方面应用正在逐渐展开。大模型在风险管理

和预测、欺诈检测和合规性监控、智能财务客服等方面的应用逐渐增多。

一些医药企业的率先尝试，也让整个行业更关注人工智能大模型在财务领域的应用。人工智能大模型技术财务应用也

会如同雨后春笋般飞速成长，为推动医药行业的高质量发展起到重要作用。

4.6.2 典型案例

大模型技术类型较多，且各有能力特色，如何能在成本可控范围内，快速了解不同大模型的能力？如何能在企业复杂

的业务流程中，快速探索和落地业务场景？均是 F 医药企业在人工智能大模型应用中需要考虑解决的问题。

F 医药企业经过详细论证和研讨，确定了大模型企业应用的指导思想——“先上车后买票，通过探索使用 AI 过程中，

去了解 AI，认知 AI，从而深化 AI 场景”，从而确定了 AI 推进三步走策略：

第一步：快速接入 AI 能力。F 医药企业通过选择成熟的 AIGC 平台，以较低的成本，快速部署 AI 能力，预置接入多

种大模型，开箱即用，且具备更好的扩展性。

第二步：F 医药企业培养 AI 土壤，快速落地常规 AI 场景，取得 AI 成效。比如智能知识库、智能导师、智能交互助手等。

第三步：F 医药企业持续场景创新，伴随对 AI 能力更深入的了解，不断扩展 AIGC 的应用场景。

F 医药企业的 AIGC 平台总体架构如图 4-6-1 所示。

4 人工智能大模型技术赋能财务应用

98 图 4-6-1 F 医药集团 AIGC 平台总体架构

该平台具备如下能力特点：

（1）预置应用：预置丰富的通用需求应用功能组件，开箱即用。

（2）连接百模：与主流模型均完成连接，并在应用中实现灵活切换。

（3）快速编排：内置 AIGC 应用编排工具，实现零代码 / 低代码应用搭建。

（4）简单管控：内置丰富管理工具，实现企业对 AIGC 的高效管理和约束。

F 医药企业人工智能大模型技术在财务管理中的典型应用主要体现以下三个方面：

（1）风险管理和预测

人工智能大模型帮助企业进行风险管理和预测，通过分析大量的财务数据和公开的市场数据，识别潜在的财务风险和

机会，帮助企业做出更准确、高效的财务决策。

（2）欺诈检测和合规性监控

人工智能大模型帮助企业进行欺诈检测和合规性监控，通过对业务交易数据的实时检测和关联分析，及时发现潜在的

欺诈行为和违规操作。

（3）智能财务客服

人工智能大模型接入智能客服系统，7*24h 面向用户提供自助服务，能够自动回答客户的常见问题，提供实时的帮助

和支持。

AIGC 编排系统

公用大模型 私有模型 向量库

基础应用组件 高级应用组件

公用模型集成 私有模型管理 向量库管理

智能风控

应用管理

企业级 chat prompt 管理 代码助手 AI 知识库 数字人

接口管理 限额中心 监控中心 数据管理 资源管理 模型训练 预测服务 连接管理 集合管理 向量管理

AIGC 节点 API 节点 编排设计器 语言工具 数据展现工具

合规检测 智能决策 智能客服 交互助手 ……

智能交互助手 …… ( 查询 | 预警 | 执行 | 辅助决策 )

Azure OpenAl | 文心一言 | 星火 | 盘古 | MiniMax | 商汤 … … 向量处理 Text2vec | 问答和对话 ChatGLM | 语音识别 whisper … … Milvus … …

人工智能大模型技术财务应用蓝皮书

99

4.6.3 应用场景

（1）合规性监控应用

内控管理是确保企业稳健经营和可持续发展的关键。费用支出的合规性监控是内控管理重点和难点。企业需要确保费

用支出符合法律法规和内部规定，避免出现违规行为和浪费现象。

医药企业在医疗反腐的大背景下，费用支出的合规性监控显得尤为重要。合规性监控涉及到费用支出的申请、审批、

报销等环节，除了建立完善的内部控制制度和流程外，还需要借助信息技术手段的力量，加强对费用支出的审查和监督，

防范各种风险。

针对这一难题，F 医药企业建立了智能合规稽查平台，通过人工智能技术手段，模拟人工审核过程：

✓ 提前熟悉制度：将合规性检查点梳理成规则提前定义在系统内，后期借助机器自动学习、自动添加规则；

✓ 看：对于制式发票采用“成熟的 OCR 识别能力 + 税局底账库发票全票面信息”进行信息采集；对于格式不统一的非

标准附件（包括照片）借助 Prompt 人工智能大模型交互的提示词能力，将其转换成结构化信息；

✓ 审核：通过对业务单据信息、发票信息及附件采集的信息，借助智能比对技术，共同判断费用支出是否违反合规性

要求；

✓ 给出结果：针对 AI 数字员工判断符合合规性要求的单据，予以自动审核通过；对于 AI 数字员工判断违反合规性要

求的单据转人工审核。同时针对违反合规性要求的单据，会逐条列出风险等级，中高风险的单据由风控专员处理，中低风

险的由财务审核处理。同时，借助自然语言处理 NLP 进行自然语义分析及转换，提示出用户易懂的审核意见信息。

F 医药企业借助大模型智能合规稽查平台实现了事中和事后的费用支出合规性稽查，同时结合智能费用标准、预算控

制等能力，完成了费用支出合规性事前、事中和事后的全过程稽查，如图 4-6-2 所示。

图 4-6-2 事中控制 - 大模型智能合规稽查平台报销流程

报销单提交

各级业务审批 支付

自动审核

转人工审核

Al 数字员工审核

大模型智能合规稽查平台

是

否

智能通过

4 人工智能大模型技术赋能财务应用

100 例如员工李四提交了一张发票时间为 3 月 5 日的广州学术会议费报销单，签到表和会议照片中有员工张三的信息，该

单据审核通过并付款。次月，员工张三提交了一张发生时间为 3 月 5 日的交通费报销单，行程为上海家至机场的网约车发

票及行程单，这种情况，在员工张三提交报销单时，AI 数字员工就会发现异常并反馈。

除了在业务执行中进行智能合规稽查外，在业务发生后，AI 数字员工也会对已经发生的历史业务进行巡查，如图 4-6-3

所示。例如代报销的单据中出现了收款人为审批领导；员工在外出的交通费发票时间范围内却有职场的打卡考勤记录；某

些员工近几个月突然出现规律性报销；供应商出现经营或税务风险，且有已结算的单据需要做进项税转出，未结算的单据

要关注履约风险等。

图 4-6-3 事后稽查 - 大模型智能合规稽查平台的日常巡检

F 医药企业的学术推广费是医药行业用于推广新药、医疗器械和医疗技术的费用，通常包括医学会议、学术讲座、学

术论文发表等活动的费用。监管部门对医药行业的学术推广费进行严格监管，以防止腐败行为的发生。

F 医药企业学术推广会的具体费用包括会议场地费、交通费、住宿费、餐饮费、茶歇费、服务费、宣传材料费、会议用品等。

内部管理流程为：会议申请→会议邀请→会议执行→费用支付→会议结报→资料备案。F 医药企业通过建立人工智能大模

型欺诈检测和合规性监控机制，对学术推广费的发生过程进行了实时监测——确保学术会议符合企业标准，并追踪参与者、

确保签到数据及现场照片的真实性。

会议执行中，利用签到码小程序功能、GPS 定位技术，跟踪参会人员的真实到场情况，如图 4-6-4 所示。

图 4-6-4 学术推广会的参会人员真实到场情况

消费时空异常

员工交叉报销审批

供应商风险检查

员工规律性报销

考勤与消费时间比对

……

风控岗人工稽查 企业内部合规风险处理流程

大模型智能合规稽查平台

是

否

智能通过

Al 数字员工审核 自动审核