吴忠生│上海国家会计学院副教授

张 鸾│中国石油化工集团，高级经济师

孟翠翠│上海工程技术大学

随着大语言模型技术的迅猛发展，人工智能应用已从通用领域逐步向专业化、行业化方向迈进。在财务领域，在通用大模型基础上，通过整合财务专业知识构建高效的财务大模型，可提升会计工作的效率和质量，从而更好履行会计职能支撑，相关机构也开始探索财务大模型的构建和应用（亓坤，2024；陈虎和付宏，2025）。然而，财务大模型的研究与实践仍处于初始阶段，尚存在诸多问题：一是缺乏系统化的构建方法论，模型构建大多为经验驱动，难以形成可复制的技术路径。二是对财务领域特有风险认识不足，尤其是大模型的“幻觉”问题与财务工作的精确性要求之间存在显著差距。三是财务大模型治理框架缺失，传统的治理方法难以应对财务大模型特有的合规与风险挑战。本文拟对财务大模型构建逻辑、风险特征识别以及敏捷治理框架构建进行分析，探索人工智能时代财务大模型构建与治理的新范式，为促进财务大模型的规范化应用、推动财务工作智能化转型提供借鉴参考。

（一）财务领域需求分析与资源评估

1.财务业务需求与场景识别。财务大模型的构建需要从行业视角出发，全面梳理财务领域的共性需求和典型场景，明确其服务的具体业务需求和应用场景（如会计核算、财务报告分析、预算管理、成本管理、风险管理、资产管理、资金管理、税务管理、管理报告分析、内部审计等）。

大模型具有强大的知识整合与推理能力，尤其擅长处理需要综合考虑多种因素、遵循复杂规则体系、跨领域知识整合的工作。财务领域的很多工作都具备这种特征。例如，财务报告分析需要整合财务数据、行业标准、历史表现等信息，并按照明确的会计准则进行判断；税务管理需要同时考虑多地区政策、行业特点、企业状况等多维因素，且必须严格遵循税法规定。

此外，需求和场景梳理过程可以联合政府、企业、学术机构和咨询机构多方力量，共同构建财务领域知识地图和应用场景库。通过行业调研和专家研讨，将潜在场景按照“行业通用性——专业价值”两个维度进行梳理，优先考虑具有广泛适用性且专业价值高的场景。同时，要建立行业协作机制，形成财务大模型应用场景的共建共享模式，避免重复建设和资源浪费。

2.领域资源整合评估。财务大模型的算力规划既要考虑专业性需求，又要兼顾行业协作。相对于通用大模型的海量处理要求，财务大模型的算力需求呈现“轻训练——重推理”特点，主要考虑的因素包括财税专业知识体系的复杂度与更新频率、行业标准数据集的规模与质量、对模型的安全性与响应速度要求。

针对财务领域的特殊性，需要评估不同算法模型的适用性。财务工作的核心特点包括对数值精确性的高要求、对规则合规性的严格遵循、对逻辑推理的依赖以及处理结构化与非结构化数据的综合能力需求。财务大模型应当结合多种架构满足财务领域的复杂需求。例如，转换（Transformer）架构适合处理财务文本理解和政策解读，图神经网络适合捕捉财务数据间的复杂关系，专门的数值计算模块可以提升财务计算的准确性。

财务数据是大模型训练的核心资源，但与通用大模型不同，财务大模型更依赖高质量的专业数据而非数据量的简单堆积。数据盘点应聚焦会计制度与准则文本、行业财务报告样本、典型财务分析案例、税收政策文档、专业咨询问答集等关键资源。数据质量评估应关注专业准确性（数据是否符合会计准则和实务操作）、覆盖全面性（数据是否涵盖各类财务场景和边界条件）、格式适应性（数据格式是否便于模型学习）、时效性（数据是否反映最新政策要求）以及合规性（数据收集与使用是否符合隐私保护要求）。财务领域数据的质量比数量更为重要，需要投入充分资源进行专业数据的收集、筛选和加工，必要时可考虑合成特定场景的训练数据。

3.财务与技术融合团队组建。构建财务大模型需要多领域专业人才的协同。团队组成应强调财务专业知识与人工智能技术的结合，可包括熟悉会计、审计、税务等专业知识的财务领域专家、了解大模型技术及其在专业领域应用的大模型算法专家、具备财务数据处理和知识图谱构建能力的数据工程师。团队建设的关键在于促进财务专业知识与人工智能技术的深度融合。同时，应关注团队在财务知识数字化表达能力、模型训练与调优能力、结果评估与验证能力、系统集成与部署能力等方面的培养。

（二）财务数据与大模型共建

1.财务知识体系构建。财务知识图谱是提升大模型专业能力的关键基础设施，应围绕财务核心概念体系（包括会计科目体系及其层级关系、财务指标体系及计算方法、财务制度及准则框架以及行业特定财务特征及标准）进行构建，同时应注重捕捉概念间的多维关系（如计算依赖关系、法规约束关系、行业关联关系等）。

具体可采用“自动抽取+专家审核”的方式，即利用自然语言处理技术从专业文献中抽取知识，再由财务专家验证和完善。构建完成的财务知识图谱可通过知识嵌入技术融入大模型，也可作为外部知识库通过检索增强生成（RAG）技术与模型协同工作。

财务数据预处理应着重解决财务术语标准化、数值格式统一、报表结构化转换等财务领域特有的挑战。针对不同类型的财务数据，需采用差异化处理策略：结构化数据（如财务报表）需要保持数值精确性和关系完整性，半结构化数据（如财务报表附注）需要提取关键信息并与主表建立关联，非结构化数据（如分析报告）则需要识别专业观点和依据。

2.模型构建策略选择。财务大模型的构建路径可以采取“通用大模型+领域微调”的混合架构策略，也可以选择从较小规模模型出发进行定向训练。选择时应综合考虑资源约束、时间要求和性能目标。

基础模型的选择应考虑财务适配性，重点评估其财务专业文本理解能力、数值推理和计算能力、逻辑推理和规则应用能力、多源信息整合能力以及结果解释能力，具体可通过设计一系列财务专业测试任务(如会计准则理解、财务指标解释、税务规则应用等)对通用大模型进行性能评估。

此外，许多通用大模型在英语环境下训练，对中文财务专业术语和中国财税制度的理解可能存在不足。因此，需要评估模型在中文财务环境下的适应性，必要时进行针对性的语言增强训练。

3.模型训练与迭代体系。财务大模型的训练策略应采用多阶段渐进方式。首先，利用通用语料和基础财务文本进行预训练或微调，掌握基本语言理解能力和财务术语，再进一步使用专业财务语料进行领域适应性训练，学习财务规则和逻辑。再者，针对特定应用场景进行任务导向型精调，优化模型在目标任务上的表现。

训练过程中应特别注重以下四点：一是平衡不同类型财务知识的分布，确保模型对会计、审计、税务等各方面知识均有良好把握。二是加强对财务特定推理模式（如会计恒等式推理、税务合规性判断等）的训练。三是增强模型的数值敏感性，确保财务计算的准确性。四是加强模型的知识时效性意识，识别并标注知识的适用时间范围。

财务知识及财务政策法规更新较快，所以迭代优化是模型持续提升的关键。应建立结构化的反馈收集和评估机制，从实际应用中识别模型的不足，有针对性地补充训练数据或调整训练策略，确保知识库和推理能力与最新实践保持一致。

（三）财务大模型精调与优化部署

1.财务专业能力精调。财务领域的知识精调需要关注专业准确性和推理严谨性。有效的精调方法包括：一是基于任务的指令微调。通过设计反映真实财务工作场景的“指令——回答”，引导模型学习如何解决特定财务问题。二是思维链训练。通过提供包含详细推理步骤的示例，培养模型严谨的财务思维方式。三是检索增强训练。将最新财务法规和会计准则作为外部知识源，提升模型回答的准确性和时效性。

针对财务数据的特殊性，应加强以下方面的专项训练：数值计算准确性训练，确保模型在处理财务数据时不出现计算错误；边界条件处理训练，使模型能正确应对各种特殊财务情况；合规性判断训练，培养模型识别和遵循财务法规的能力。

财务大模型评估过程应设置多层次测试集，包括基础财务知识测试集、专业场景应用测试集、复杂问题推理测试集、最新政策理解测试集等。测试样本应覆盖正常情况和边界情况，确保模型在各种条件下都能稳定表现。评估工作应由财务专家和算法工程师协同进行。

2.系统集成与安全部署。财务大模型需要与企业现有财务信息系统实现有效集成。联调中应关注：数据接口标准化，确保模型能正确读取和解析财务系统数据；输出格式适配，使模型生成的内容能被财务系统或用户直接利用；权限与安全协同，确保模型操作符合企业财务管控要求。

安全部署方案应考虑的安全维度包括：数据安全，包括传输加密、存储保护和访问控制；模型安全，防止未经授权的模型调用和滥用；输出安全，建立内容审核机制防止错误或不合规输出；系统安全，确保部署环境的网络和计算资源安全。

对于特别敏感的财务场景，应考虑采用私有化部署模式，将模型和数据完全控制在企业内部网络环境中。同时，建立完善的日志审计和追溯机制，记录所有模型调用和关键操作，便于事后审计和责任追溯。

3.模型运营与持续优化。财务大模型部署后，需要建立持续运营和优化机制。在持续运营方面，一方面收集用户反馈，了解模型在实际使用中的优缺点和改进需求；另一方面监控模型性能指标，发现并解决潜在问题。同时，在模型运营过程中，要特别注意建立模型使用的正确预期，即将财务大模型定位为财务专业人员的辅助工具，而非替代专业判断的黑盒决策者。应通过清晰的能力边界界定、相对透明的工作流程说明以及有效的错误反馈机制，培养用户正确理解和使用模型的能力，使模型在实际财务工作中的价值实现最大化。持续优化是模型价值长期释放的关键。优化方向应包括知识更新、能力增强、场景扩展和人机协作优化。

（一）企业敏感财务数据泄露风险

财务大模型在训练和使用过程中涉及大量敏感财务数据，这些数据一旦泄露，可能造成严重后果。例如，企业核心财务数据（如盈利情况、成本结构、投资计划等）构成重要商业机密，数据泄露可能导致竞争优势丧失；员工薪酬、客户交易记录等个人财务信息泄露，不仅侵犯隐私权，还可能引发欺诈和身份盗用；上市公司的未公开财务信息若被泄露，可能引发内幕交易，导致严重的资本市场违规。随着模型复杂度提升和应用场景扩展，数据泄露风险也相应增加，特别是在模型部署于云端时。

（二）财务合规与监管风险

财务大模型可能产生违反财务法规的输出或建议，带来合规风险。例如，模型训练数据可能包含过时的会计准则和税收法规，导致生成不符合最新法规要求的内容；模型难以准确处理跨国业务的复杂法规差异，可能忽视特定地区的独特合规要求；模型可能无法正确理解法规的适用边界和例外情况，在特殊交易处理上提供错误建议。更严重的是，模型可能被恶意引导，生成规避监管的财务方案，导致企业面临法律风险和声誉损害，尤其在复杂税务合规计划、关联交易等领域。

（三）财务决策可信度与责任归属风险

财务大模型生成的分析结果和决策建议存在可信度问题，同时带来责任归属的复杂挑战。一方面，模型可能因训练数据偏差而在特定财务场景下产生错误判断，进而编造出不存在的财务法规或数据，给决策带来严重误导。另一方面，财务决策错误通常后果严重，但模型决策的责任归属尚不明确，这种不确定性可能导致过度依赖模型而忽视人工专业判断，降低了企业财务风控能力。

（四）模型攻击与财务系统安全风险

财务大模型面临多种安全威胁，可能对企业财务系统安全构成严重挑战。例如，对抗样本攻击可能使模型在看似正常的财务数据输入下作出错误判断，如将健康财务报表误判为存在舞弊迹象；提示词注入攻击可能绕过模型安全限制，诱导模型生成违规财务操作建议或提取敏感信息。模型还可能成为社会工程学攻击的工具，针对财务人员生成逼真的钓鱼内容，或用于自动化生成逃避欺诈检测系统的财务交易方案。如果财务大模型与企业财务系统深度集成，模型漏洞可能成为攻击者入侵整个财务系统的“桥梁”，直接威胁企业资金安全和财务数据完整性。

上述风险的存在要求企业在采用财务大模型时必须建立全面的风险评估和管理机制，可借鉴生成式人工智能敏捷治理的理念，综合考虑数据安全、合规监管、决策可靠性等多维度风险，并在技术保障与管理控制层面协同发展。

（一）财务大模型的多方协同治理

财务大模型融合了财务专业知识与人工智能技术，其风险扩散至企业财务合规、资本市场稳定和会计信息质量等多维空间，单一主体难以应对全方位挑战，加之当前财务大模型发展仍处于初始阶段，需要监管机构、行业协会、技术提供方、应用单位等多方主体共同参与协同治理。

1.监管机构。作为财务大模型治理的主导方，监管机构可通过制定基础政策框架和监管标准，为财务大模型的应用设定合规基准和安全边界，以营造规范有序的发展环境。通过分级分类监管策略对不同风险等级的财务场景实施差异化管理，对涉及上市公司财报、税务合规等高风险领域设置严格准入标准和监管要求，同时对一般管理决策支持等风险相对较低的领域采取包容审慎监管，为创新留出空间。此外，监管机构需要构建跨部门协同机制，协调财务、数据、技术等多领域监管规则的一致性，避免监管冲突和监管真空，形成有效的监管合力，为财务大模型的健康发展提供制度保障。

2.行业协会。作为财务大模型治理的协助者，行业协会基于深厚的专业积累和行业洞察，可提供更加具体、更具操作性的实践指引。例如，组织制定财务大模型应用的行业自律规范和最佳实践标准，通过专业讨论在财务大模型质量评估、风险控制、伦理应用等方面形成行业共识；构建财务大模型应用的专业认证体系，对模型的财务专业准确性、推理可靠性和安全合规性进行独立评估，为市场提供客观参考。同时，作为连接监管与市场的“桥梁”，行业协会既能为监管政策制定提供专业建议，又能帮助企业理解和落实监管要求。

3.技术提供方。作为财务大模型治理的技术保障者，技术提供方承担着将治理要求转化为技术实现的功能职责，主要包括基础大模型研发机构、财务大模型专业开发机构、财务软件服务商等。在模型设计阶段，技术提供方将财务专业知识、法规要求和伦理原则融入模型架构，确保模型能够准确理解财务专业术语和规则逻辑；在模型开发过程中，技术提供方强化数据安全保护措施，采用隐私保护等技术保障敏感财务数据安全，并构建防御对抗样本攻击的安全机制。同时，技术提供方应建立模型持续更新和改进机制，确保提升财务大模型的合规性和安全性。

4.应用单位。作为财务大模型治理的实践主体，应用单位首先需要构建完善的内部控制体系，制定财务大模型应用的内部规范，明确使用场景、使用边界和审批流程，在可控范围内科学应用模型。针对财务数据的敏感性，应用单位应实施严格的数据管理措施，对不同敏感级别的财务数据设置差异化访问权限和保护措施，防范数据泄露风险。在应用过程中，建立财务专业人员对模型输出的多层次审核机制，确保模型生成内容符合专业标准和法规要求，特别是对重大财务决策实施人机协同决策模式，明确人类专业人员的最终决策权。应用单位还应向开发方和监管方反馈实际应用中发现的问题和风险，参与模型优化和治理体系完善。

（二）财务大模型敏捷治理体系

财务大模型敏捷治理以价值、组织、执行和迭代作为核心要素，形成闭环治理体系。

 1.财务大模型敏捷治理的价值导向。财务大模型敏捷治理应强调实现风险防范与创新之间的平衡，即既要防范数据泄露、错误决策等风险，也要支持财务创新和价值创造。一是建立财务大模型的风险分级机制，对核心财务决策严格把控，对辅助分析给予更大空间，实现差异化管理。二是构建财务大模型的容错机制，区分恶意行为与技术局限，对后者给予一定容错空间，特别是在新会计准则实施、新业务模式出现时，允许模型在受控环境下进行适应性调整。三是建立财务风险的闭环管理，实现对风险的快速发现和精准响应，尤其关注财务数据泄露、合规判断错误等高风险点，构建多层级防护体系。

2.财务大模型敏捷治理的组织架构。财务大模型敏捷治理的有效实施需要专业权威且灵活适应的组织保障。首先，通过建立跨领域、跨部门的财务大模型治理联盟，将监管机构、模型开发者、财务专家和用户代表等多方主体纳入同一协作平台，形成信息共享与问题协商的有效渠道。这种组织结构是保持动态调整能力，能够根据新出现的风险点、技术变革和治理需求灵活调整成员构成和职责分工，确保组织结构与治理挑战的动态匹配。其次，该组织架构以专业能力与技术的深度融合为核心支撑，打破财务与技术的传统壁垒，培养既精通财务专业知识又掌握人工智能技术的复合型人才队伍，同时建立财务大模型特定的能力认证体系，为治理提供人才保障，并在此基础上构建多层次的专家顾问团队，将不同领域的专业知识有机整合，为财务大模型在复杂场景下的应用提供全方位的专业指导和技术支持。最后，该组织架构应具备自组织与自适应机制，鼓励行业协会、专业学会等自发组织参与标准制定和最佳实践探索，同时建立财务大模型应用案例库和问题反馈共享机制，实现行业内的经验交流和集体学习，形成治理生态的自我优化能力。

3.财务大模型敏捷治理的执行机制。财务大模型敏捷治理的有效落地需要灵活的执行机制作支撑。首先，应采用轻量快速的治理工具，通过指引、白皮书、行业最佳实践等软性工具引导市场主体合规使用财务大模型，形成柔性引导而非刚性约束，对发现的问题优先通过技术改进和流程优化寻求解决路径，保持治理的灵活性和适应性。其次，积极发挥技术在治理中的驱动作用，将合规要求嵌入财务大模型，通过会计准则合规校验工具、异常财务决策预警等方式，实现对法规边界的自动识别和风险智能提示，将合规要求转化为模型的内在特性，实现“治理即设计”的理念。再次，构建创新监管方式（如财务大模型的监管沙盒机制），为新型财务分析工具、智能财务预测等创新功能提供测试环境。最后，构建责任分级机制，清晰界定开发者、应用单位和专业人员在财务大模型应用中的责任边界，鼓励应用单位主动参与治理、持续改进。

4.财务大模型敏捷治理的迭代机制。财务大模型敏捷治理的生命力在于其持续迭代与动态优化能力。这一迭代机制首先建立在全面的问题识别与风险预警基础上，通过构建多层次的风险监测体系，整合模型输出质量评估、用户反馈收集、行业案例分享等多渠道信息源，实现对财务大模型应用风险的实时发现。在问题识别的基础上，治理体系采用快速迭代与试错优化策略，对发现的问题迅速响应并形成针对性解决方案。这种迭代优化贯穿于财务大模型的版本更新、参数优化和应用指南调整等方面，可不断提升模型在不同财务场景下的表现与合规性。与此同时，财务大模型敏捷治理还需建立持续学习与动态更新机制，构建财务知识库的实时更新渠道，确保模型及时获取会计准则更新和监管政策调整，避免因知识滞后导致的合规风险。

基金项目：上海市哲学社会科学规划课题“跨源多维会计信息治理的机制创新与政策建议研究”（2021ZJB003）；中国石化财务数智体系建设研究