大模型介入企业财务管理：建设难度不亚于通用大模型 “懂企业”挑战不小

21世纪经济报道记者 陈植 上海报道

随着GPT技术兴起，大模型与企业财务管理场景的融合日益紧密。

过去一个月，用友、金蝶先后发布基于涵盖企业财务管理的大模型产品。

(相关资料图)

用友网络董事长兼CEO王文京向本报记者介绍，与单一领域的企业服务大模型不同，用友企业服务大模型产品YonGPT覆盖财务、人力资源、营销、研发、采购、制造、供应链、资产营运等多个场景，是具备多领域综合智慧的企业服务大模型，满足企业数智化转型征途所需的业业融合（如产销协同）、业财融合（如智能定价）、业管融合（如即时绩效）等需求。

在王文京看来，随着数智化转型的推进，企业不仅需要数据服务，还重视智能化业务运营，用友企业服务大模型在智能经营分析、智能生成销售订单、智能人才招聘、智能办公、智能化知识服务等方面具有广阔的发展空间。

记者多方了解到，目前大模型技术在企业财务管理场景的价值，主要体现在四大方面：

一是财务风险评估，利用大模型对企业的财务数据进行深度学习，可以快速准确地评估企业财务风险；

二是优化财务预测，基于大规模深度学习模型的财务预测，可以为企业提供更准确的未来财务状况预测，包括预测企业未来的收入、利润、现金流等关键财务指标

三是财务决策指出，大模型可以通过对企业财务数据与市场信息的深度学习与分析，为企业优化资金管理效率提供建议，帮助企业达成财务目标与优化财务绩效

四是财务欺诈检测，大模型可以通过对财务数据进行深度学习与模型识别，帮助企业及时识别财务欺诈行为，包括对财务报表、交易记录进行分析，大模型可以及时发现异常模式与规律，识别出潜在的财务欺诈风险，并提供预警与防范建议。

目前，不少企业对引入财务大模型与企业服务大模型颇感兴趣。究其原因，一是在实际操作过程，企业财务人员对有些会计准则与会计处理不够熟悉，容易出现操作错误，导致企业财务管理效率偏低，但大模型通过人机交互及时解答相关会计知识与以往企业会计操作案例，能有效降低操作出错几率；二是大模型可以迅速汇聚企业各方面的经营数据，提升企业管理层的经营决策效率。

在中国科学院院士何积丰看来，面向企业的大模型建设难度，不亚于通用大模型。究其原因，一是企业服务大模型更考验研发机构对企业业务场景的触达与理解，以及对各个产业的数据积淀与运用能力；二是企业服务大模型除了具备通用大模型的一些能力，还需要源源不断地引入高质量产业数据与行业知识图谱，才能满足不同企业差异化的数智化业务管理与财务管理需求，这令企业大模型对产业知识的理解力要求更高。

一位ERP软件研发企业负责人向记者直言，这的确给财务大模型与企业服务大模型带来更严峻的挑战。首当其冲的，就是大模型训练的行业数据与企业数据未必齐全，因为有些企业基于商业机密与相关规定的要求，未必能提供所有的企业业务数据与财务数据，导致大模型AI生成内容与预期会存在一些落差。要解决这个问题，一是大模型需引入更丰富的产业行业知识图谱，填补某些企业数据不足的短板；二是持续与企业加强信任感，吸引他们愿意提供更多数据，提升大模型的训练成效。

大模型试水财务管理的挑战

一位企业财务总监向记者透露，企业服务大模型与财务大模型刚面世，的确令他“眼睛一亮”，因为他希望大模型能解决企业财务管理环节实实在在的痛点。

具体而言，由于行业快速发展与市场竞争瞬息变化，企业管理层迫切需要实时掌握企业经营状况与财务数据变化，从而快速优化经营决策。但是，传统的财务经营分析方法仍高度依赖人工处理统计，不但效率低下，且容易产生偏差，令企业管理层相当不满。

但他直言，在企业服务大模型与财务大模型被证明“行之有效”前，他不敢贸然引入这款产品。

他眼里的“行之有效”，主要集中在四大方面：

一是在智能化业务运营方面，大模型能通过强大的数据分析和预测能力，深入洞察企业运营、识别潜在的业务风险和机会，并提供智能化的解决方案。

二是在人机交互方面，大模型能与企业财务人员开展自然流畅的“对话交流”，解决财务人员提出的诸多数据收集、会计准则如何准确应用等问题，助力前者高效完成工作。

三是知识生成方面，大模型不但能提供结构化数据的提取整合梳理分析，还能对非结构化数据（包括企业规章制度的文字表述、以往会计处理案例的文字内容等）进行识别，从而生成新的高价值知识内容，令企业能充分使用自身知识储备与行业经验，大幅提升工作效率与决策准确性。

四是在内容应用生成方面，大模型能对企业需求、企业业务与数据特征有着深入理解，可以自动生成一些具有语义化能力的应用程序，提升企业个性化应用服务的创建效率。

用友网络执行副总裁兼CTO樊冠军表示，这都需要大模型研发机构积累足够多的不同行业财务管理服务经验与知识图谱。目前，该公司以35年服务数百万企业所积累的行业知识经验为基础，结合企业应用场景和行业领域经验，标记大量企业服务语料数据，从而形成企业服务大模型训练素材，再将业务知识与行业领域经验融入企业服务大模型，确保大模型的专业性与实用性。

他透露，通过上下文记忆、知识/库表索引、Prompt工程、Agent执行、通用工具集等扩充大模型的存储记忆、适配应用和调度执行能力，再结合财税、人力、供应链、研发等领域的知识和最佳实践扩充大模型专业能力，目前已基本构建了体系化的企业服务大模型。

“通过初期实践，我们发现大模型要满足企业数智化转型的不同智能化经营需求，仍需对大模型做好持续性精调、提升大模型评估优化、大模型推理与插件服务等功能。”樊冠军向记者指出。比如不少企业在招募员工时，会考察相关职位所需的学历与专业技能，这就需要大模型通过插件服务引入外部知识图谱，以便企业更全面地了解这位职位的学历要求与专业技能文凭等。

记者获悉，目前用友、金蝶等大模型产品已在企业诸多财务管理等场景得到应用。比如YonGPT在企业经营洞察、智能订单生成、供应商风控、动态库存优化、智能人才发现、智能招聘、智能预算分析、智能商旅费控、代码生成等场景有所布局。

在上述企业财务总监看来，这些大模型应用能否普及，关键在于它能否解决企业数智化转型的诸多业务挑战。比如基于大模型的企业收入经营分析工具，能否帮助企业管理层实时掌控经营状况、快速洞察经营问题所在并精准预测企业效益变化；再如能否快速解决企业财务人员对会计准则应用与企业会计操作的诸多疑惑，令知识更好地赋能工作效率提升。

王文京表示，目前发布的用友企业服务大模型处于1.0阶段，未来企业将持续迭代训练YonGPT，不断丰富基于大模型的各类企业服务，助力企业数智化转型与智能化运营“提速”。

企业核心数据获取“挑战”

在业内人士看来，尽管大模型在企业财务管理与企业智能化经营服务领域的发展前景广阔，但它能否发挥100%的效果，仍取决于数据全面性与数据质量。

“大模型的一大核心基础，就是数据。一旦企业或行业数据不够全面，大模型AI生成的内容就将受到诸多局限，效果也大打折扣。”前述ERP软件研发企业负责人向记者直言。但在实际操作环节，有些企业基于商业机密与相关规定要求，未必能提供全面的业务、财务核心数据用于大模型训练，导致大模型训练效果与企业预期存在一定的“落差”。

面对上述挑战，一些财务大模型研发机构只能另辟蹊径。一是收集大量行业财务管理知识经验与财务处理实践案例进行“填补”，作为大模型训练的重要语料素材，但此举收效如何，仍存在一些变数。毕竟有些企业存在独特的财务管理与会计处理要求，未必与大模型训练结果“相匹配”；二是“虚构”一家企业进行模拟运营，由后者每天产生大量财务数据与业务数据，作为大模型训练的语料基础，此举的好处是可以涵盖不同行业企业的各类财务管理与会计处理规则，令大模型的适配性更强，但它需要的数据训练量与训练成本更高，令大模型研发者的财务负担更大。

于是，一些中小型财务管理软件公司干脆研发聚焦某些细分财务场景的大模型产品。比如市场已出现专注智能报税的大模型产品，究其原因，以往众多小微企业都是通过第三方代理机构完成报税，但在实际操作环节，由于不同企业的报税流程与数据不一，第三方代理机构财务人员的工作效率相对较低，每个人只能服务数十家小微企业。

若通过大模型智能报税产品，这些第三方代理机构财务人员就能迅速解决小微企业报税流程的某些疑惑，加快小微企业财务数据收集整理效率，令他服务小微企业的数量成倍增加，既提升了企业业务规模，又降低小微企业的报税外包成本。

上述用友人士告诉记者，通过广泛调研，他们发现众多企业对企业服务大模型与财务大模型的使用诉求，首先是业务经营，其次是财务管理，再次是人力招聘等。

“在业务经营端，不少企业特别看重大模型对企业业务经营的诊断能力，比如大模型通过行业数据采集分析，发现某行业人均产能为100万元，那些人均产能只有70万的同行业企业就对大模型给出的各类数据进行比较，分析人均产能低于行业平均水准，到底是企业生产管理流程出现短板，还是人员能力培训方面存在不足，以此制定相应的解决方案。”他透露，在财务管理端，不少在境内外上市的企业需要根据不同的会计准则，做好相应的财务信息披露。但在实际操作环节，企业财务人员未必了解境内外不同会计准则的差别，容易在会计处理方面出现差错，大模型可以通过AI自动生成知识图谱，帮助他们了解不同会计准则的处理方法，提升企业财务数据的准确性。

在他看来，大模型产品要成功应用在企业数智化经营与智能财务管理场景，仍有很大上升空间。一方面企业服务大模型需在智能化业务运营、自然化人机交互、智慧化知识生成、语义化应用生成四个方面推进模型训练与效果优化，持续深入到企业业务前端的价值链与全场景，成为“更懂企业”的大模型，另一方面大模型还需不断提升训练效率与优化成本，集成更丰富的开发工具与算法优化，通过大模型精调、大模型评估优化、大模型推理和插件服务等，持续满足企业数智化转型过程的新需求。

关键词：