人工智能大模型在会计、审计领域的应用：文献梳理与思考

【摘 "要】数字化时代，人工智能大模型引发研究热潮，研究表明财务/审计工作受大模型影响最大。基于此，论文梳理了近年国内外学者关于大模型在会计、审计领域应用的理论探索及其应用中面临的挑战，并整理相关实践案例。研究发现，大模型在会计、审计领域应用前景广阔，却鲜少实现应用落地，这是因为多数学者的教育背景使得理论与实践“脱节”且金融企业需求大、行业数据标准化程度高。最后，论文提出相应实践建议。

【关键词】人工智能大模型；会计；审计；应用

【中图分类号】F239.1；TP18 " " " " " " " " " " " " " " " " " " " " " " 【文献标志码】A " " " " " " " " " " " " " " " " " " " " " " " " 【文章编号】1673-1069（2024）09-0131-04

1 引言

数字化时代，大数据、人工智能技术正引领一场科技革命，深刻改变着各行各业的运行模式。其中，人工智能大模型凭借其强大的学习、分析与生成能力，成为研究焦点。同时，北京大学国家发展研究院与智联招聘联合发布的《ChatGPT如何影响我们的工作？——AI大模型对我国劳动力市场潜在影响研究》显示，财务/审计/税务岗位受到该技术变革影响程度最为显著。

因此，本文将梳理人工智能大模型在会计、审计领域的应用，审视伴随而来的挑战，并提出相应的建议，驱动会计、审计领域迈向智能化升级。

2 人工智能大模型概述

人工智能大模型，也被称为预训练模型或基础模型（以下简称“大模型”）。大模型通常在大规模未标注数据上进行预训练，学习一般性知识，然后针对特定任务进行微调，以适应不同的应用场景。

2.1 发展历程

2017年，Google提出Transformer模型，这是一种完全基于注意力机制的网络架构，摒弃了依赖于循环神经网络和卷积神经网络的方法[1]。“从模型发展来看，人工智能经历了机器学习模型、深度学习模型、预训练模型和大规模预训练模型4个阶段”[2]，还引入了近端策略优化[3]、人类反馈的强化学习[4]等技术，大模型在未来将不断发展。现阶段，大模型多以自然语言处理模型、图像模型、多模态模型为主。

2.2 典型大模型

2.2.1 国外典型大模型

①GPT系列大模型：2022年11月30日，OpenAI发布自然语言处理模型ChatGPT。2023年3月14日，OpenAI推出GPT-4，随后同年11月7日发布GPT-4 Turbo，再到2024年5月14日发布GPT-4o。

②PaLM大模型：2020年Google推出预训练大型语言模型PaLM，于2023年5月推出PaLM 2。PaLM-E是其多模态版本，能够处理包括文本、代码、音频、图像和视频在内的不同类型的信息。

③LLaMA大模型：2023年2月Meta AI推出LLaMA-1大模型，而后Meta AI不断优化，时隔5个月发布LLaMA-2大模型。2024年4月19日发布LLaMA-3大模型。

除上述大模型外，还有Gemini、Claude、Bard等大模型。

2.2.2 国内典型大模型

①文心大模型：2019年3月百度发布文心大模型1.0，后续不断优化，于2023年10月发布文心大模型4.0。该期间百度陆续推出文心CV大模型、文心跨模态大模型、语言大模型文心一言等。2024年6月28日百度正式发布文心大模型4.0 Turbo。

②星火大模型：2023年5月科大讯飞发布星火认知大模型，而后，星火大模型不断迭代，2024年6月27日，星火大模型V4.0发布。

③通义大模型：通义大模型由阿里云推出，该模型具备全副AI能力。2023年4月、6月阿里推出通义千问、通义听悟模型。2024年5月9日，阿里云发布通义千问2.5。

除上述大模型外，国内的还有kimi、盘古、混元、智谱等大模型。

3 人工智能大模型在会计、审计领域的应用

3.1 会计领域的应用

3.1.1 管理会计层面

程光等[5]提出，ChatGPT可以应用于管理会计的多个场景中，包括智能聊天机器人、成本分析与控制、经营绩效评估、预算编制与执行、投资分析、风险管理以及内部报告生成等。

针对全面预算管理，程平等[6]引入ChatGPT，从基础设施层、数据层、服务层、应用层和展现层5个层次出发，构建基于ChatGPT的全面预算管理框架模型，实现ChatGPT贯穿全面预算管理全流程。针对成本管理，程平等[7]通过分析ChatGPT与成本管理的契合性，认为ChatGPT能够提高成本核算的有效性、拓宽成本分析的深度和广度、提升成本控制水平和效果、提高成本预测的准确性，构建基于ChatGPT的成本管理框架模型。针对内部控制，谷丰等[8]认为ChatGPT与企业内部控制有效结合，能够有效推进内部控制建设，对COSO模型下内部控制5要素进行优化提升，从而提高企业内部控制水平。

3.1.2 财务会计层面

李瑞雪等[9]探讨ChatGPT及其核心技术模型在智能会计领域方面的应用场景，尤其是在智能会计核算、智能财务共享、智能财务决策、智能财务分析可视化等方面的具体应用方法与方式。

针对财务共享，邱航等[10]和张杰[11]发现ChatGPT在企业财务共享中心的应用涉及自动化客户服务、人机交互、自动化原始凭证处理、数据分析预测与可视化、财务培训与教育等方面。但其技术实现和操作复杂性也不容忽视。针对财务分析，金源等[12]认为ChatGPT为财务分析体系的优化带来了新的契机，包括对财务数据进行分析并形成初步结论的能力。针对财务报表，张志国等[13]指出，生成式财务大模型的出现提高了财务报告的准确性和一致性，提高了财务管理与分析效率并提供更好的风险管理和预测能力。Khan et al.[14]发现ChatGPT可以理解金融市场动态、生成财务摘要、报告和预测财务结果等。针对财务决策，陆岷峰等[15]发现大语言模型既可以提供更精准的预测，又可以帮助投资者更好地理解市场动态并作出理性决策。

3.2 审计领域的应用

易冰心等[16]认为AIGC在审计领域的运用包括自动化审计流程、专业咨询服务建立、内部专业知识库和员工培训。在内部审计方面，程平等[17]认为ChatGPT可作用于内部审计信息收集、数据分析、报告生成机理，并在此基础上构建基于ChatGPT的内部审计框架模型。在注册会计师审计方面，程平等[18]认为ChatGPT在风险识别、信息搜集、证据取得、差错整理能力方面有着辅助作用。

在审计过程中，胡耘通等[19]发现ChatGPT可以自动从互联网上搜集与被审计单位相关的新闻报道、社交媒体信息等非结构化数据，为审计提供额外的视角和证据。吕君杰等[20]发现ChatGPT能够发掘数据背后的潜在模式和规律，并提高审计数据分析的速度与准确性，从而提高审计人员工作效率和质量。在审计工作完成后，程平等发现通过自然语言生成技术，ChatGPT可以根据收集到的数据和分析结果自动生成审计报告草稿，节省时间。

3.3 人工智能大模型在应用中存在的挑战

随着人工智能技术的迅猛发展，大模型在会计、审计领域的应用展现出巨大的潜力和价值。然而，这一变革性的进步并非一帆风顺，大模型在实际应用中面临多重挑战。

首先，在数据隐私和安全方面，随着大模型在相关领域的应用增加，数据隐私和安全问题成为主要的担忧。大型语言模型（LLMs）如ChatGPT可能会导致恶意文本和代码生成、私人数据泄露、欺诈服务等问题。这些问题不仅威胁到企业的信息安全，还可能损害客户信任。

其次，尽管大模型具有强大的自然语言处理、数据整理和数据分析能力，但其准确性及时效性仍是一个挑战。有研究发现，AI系统存在“Dark Force”，表现在其不透明性和复杂性[21]。由于缺乏透明度、问责制以及存在算法差异，可能会影响决策过程的不公平性。此外，若数据源库中若存在虚假信息与数据的偏见，可能导致不准确的结果。

再次，大模型的应用还涉及一系列法律风险和伦理问题。例如，生成不道德内容或违反行业规定的行为可能会给企业带来法律责任。此外，如何确保大模型的使用符合相关法律法规，避免触犯法律红线，也是企业需要面对的重要问题。

最后，存在技术复杂性和员工替代性问题。企业引入大模型后，需要投入相应的资源解决可能出现的技术问题[22]。此外，企业员工面临工作岗位被替代的风险。

4 人工智能大模型的应用案例

通过信息收集发现，大模型在会计领域中的应用落地的典型案例主要集中在数据处理与分析、决策以及风控层面。

4.1 基于非结构化数据的评估与决策

该案例来自《北京市人工智能行业大模型创新应用白皮书（2023年）》，聚焦企业优化服务，提升决策质量，具体内容如下：

朴道征信有限公司是一家提供专业征信服务的公司。然而，因缺乏适用于不同信贷业务、全方位评估个人资质的评分，导致朴道征信在客户分层经营、同业比较等方面存在不便，其中个人资质评分维度还存在大量非结构化征信数据。为解决上述问题，朴道征信与北京旷视科技有限公司展开深度合作。旷视科技凭借其在大模型技术领域的深厚积累，开发一套基于LLaMA-2模型的个人征信技术创新方案。该方案通过对非结构化数据的结构化处理和有效评估变量的筛选，结合Transformer架构的自监督预训练，实现对个人信用的精准评分，并能预测用户的贷款意愿。这一合作成果提升了朴道征信的客户转化率，增幅达到20%，还为朴道征信在新产品和新业务模式的探索上提供有力支持。

4.2 基于传统风控的全过程风险识别

该案例来自《2023大模型落地应用案例集》，聚焦金融企业实现全过程风险识别，具体内容如下：

随着新型网络犯罪，尤其是电信网络诈骗案件的激增，社会安全面临严重威胁。《中华人民共和国反电信网络诈骗法》的出台，要求银行业金融机构在维护客户权益和金融市场稳定方面发挥关键作用。然而，银行业金融机构的传统风控措施在面对不断迭代的诈骗手段时显得力不从心。针对上述痛点，氪信科技推出防范新型金融风险大模型。该大模型集成先进的机器学习与深度学习技术，同时融合欺诈专家团队的实战经验。它不仅采用改良的时序检测算法来捕捉事前风险信号，还通过自研的算法框架实现从个体到群体的风险扩散分析，能够多维度、精细化地评估潜在风险。更重要的是，该大模型产品还利用统一的超参数优化策略，整合多种模型预测结果，最终形成高效的事前风险预警系统，极大地提升了风险识别的准确性和时效性。截至目前，氪信的这一防范新型金融风险大模型已在全国25个省的银行省分行投产使用并取得显著成效。

5 思考与建议

5.1 思考

大模型在会计、审计领域应用广泛，但目前大模型的应用多集中于金融企业。这一现象可能由以下原因造成：首先，学者的学术背景多集中于教育领域，他们拥有深厚的理论基础，擅长理论构建，但在企业业务管理实践，尤其是将前沿技术转化为具体业务解决方案方面，可能缺乏直接经验。这种理论与实践之间的“脱节”限制了研究成果向会计、审计领域的转化。其次，金融业是创新驱动型和数据、技术密集型行业，必然成为大模型落地的“试验田”和“前沿阵地”。并且当前金融企业需求较大，亟需大模型这样的新质生产力来降本增效，破解增长焦虑。最后，大模型在金融企业的成功应用得益于行业数据的丰富性和标准化程度较高，便于大模型训练与验证。相比之下，会计、审计领域往往涉及更多非结构化的信息处理需求，数据的标准化程度低，难以进行数据整合。

5.2 实践建议

5.2.1 研究层面：深化产学研合作

共同建立合作平台。鼓励学者与企业建立紧密的合作关系，不仅可以开展短期联合研究项目，还可以搭建长期合作平台，使学者能够深入了解企业业务管理上的实际需求，推进大模型与企业业务整合，实现落地应用。

加强案例研究与分享。鼓励学者和企业共同开展案例研究，将成功应用大模型的实践经验整理成案例集，通过线上线下渠道广泛分享，为更多企业和学者提供参考和借鉴。

5.2.2 企业层面：积极治理与适应

加强企业的数据治理。鼓励企业通过内部培训和激励措施，提高员工数据素养，提升企业数据质量以及数据标准化水平。

对大模型持有开放态度。鼓励企业积极拥抱新技术，对大模型的应用持有开放和包容的态度。鼓励内部团队探索大模型在企业业务流程中的创新应用，给予试错和学习的空间。

注重风险与伦理。在保持开放态度的同时，企业还需要重视大模型可能会带来的隐私泄露、数据偏见等风险，建立完善的数据安全管理体系，严格遵守相关法律法规。

5.2.3 技术层面：持续优化与创新

提高模型适应性。鼓励大模型开发者针对不同企业业务场景改进和优化大模型，灵活调整模型结构与参数，提高大模型的场景适用性。

融合多源异构数据。探索有效整合来自不同系统、格式和来源的数据的方法，利用自然语言处理、图像识别等技术提取有价值信息，为大模型提供更加全面、准确的数据支持。

5.2.4 教育层面：培养未来人才

注重培养跨学科人才。高等教育机构应注重培养复合型人才，特别是在数据分析、人工智能与商业管理的交叉领域，以满足市场对这类专业人才的需求。

【参考文献】

【1】Vaswani A，Shazeer N，Parmar N，et al.Attention is all you need[J].Advances in neural information processing systems，2017（30）.

【2】孙柏林.初识大模型[J].自动化博览，2023，40（10）：8-11.

【3】Wang Y，He H，Tan X.Truly proximal policy optimization[C]//Uncertainty in Artificial Intelligence，PMLR，2020：113-122.

【4】Ouyang L，Wu J，Jiang X，et al.Training language models to follow instructions with human feedback[J].Advances in neural information processing systems，2022（35）：27730-27744.

【5】程光，程翠柳.基于ChatGPT的管理会计应用场景研究[J].会计之友，2024（06）：15-20.

【6】程平，陈锐.基于ChatGPT的全面预算管理研究[J].财会月刊，2023，44（18）：60-64.

【7】程平，廖音洁，李怡，等.基于ChatGPT的成本管理应用研究[J].商业会计，2023（08）：29-33.

【8】谷丰，张珉康，张岩，等.ChatGPT在企业内部控制领域的应用探析[J].商业会计，2024（03）：17-21.

【9】李瑞雪，王爱国，任博宇，等.ChatGPT及其核心技术在智能会计中的应用[J].会计之友，2023（12）：32-36.

【10】邱航，王海燕.ChatGPT等智能对话AI引入企业财务共享中心建设：功能、风险及防控[J].当代经济，2023，40（06）：97-101.

【11】张杰.ChatGPT在企业财务共享中心的应用方向及问题探讨[J].企业改革与管理，2023（22）：126-128.

【12】金源，庄璐怡，魏振，等.基于ChatGPT的财务分析：框架、应用与效果评估[J].财会月刊，2023，44（19）：24-30.

【13】张志国，张真，张树辉，等.生成式财务大模型在财务报告体系中的应用探索[J].财政监督，2024（06）：99-104.

【14】Khan M S，Umer H.ChatGPT in finance：Applications，challenges，and solutions[J].Heliyon，2024，10（2）.

【15】陆岷峰，高伦.大语言模型发展现状及其在金融领域的应用研究[J].金融科技时代，2023，31（08）：32-38.

【16】易冰心，刘思琦，王志勇.AIGC在审计领域的运用[J].中国注册会计师，2023（11）：69-73.

【17】程平，喻畅，龚悦.基于ChatGPT的智能内部审计研究[J].会计之友，2023（20）：7-12.

【18】程平，廖锡嘉，伍诗雨.基于Chat GPT的注册会计师审计研究[J].会计之友，2023（15）：148-154.

【19】胡耘通，张津铭.Chat GPT对审计工作的影响及应用对策[J].商业会计，2023（16）：14-18.

【20】吕君杰，郑石桥.ChatGPT在审计中的可能应用路径[J].商业会计，2023（09）：47-49.

【21】Keegan B J，Iredale S，Naudé P.Examining the dark force consequences of AI as a new actor in B2B relationships[J].Industrial Marketing Management，2023（115）：228-239.

【22】Liang S.Opportunities and Problems Presented by ChatGPT to the Financial Industry[J].Highlights in Business，Economics and Management，2024（24）：1284-1289.