大模型推动财务领域的四大变革及其应用路径
思瀚产业研究院    2025-11-13

（一）大模型对财务领域产生的变革

传统 IT 系统以表单为载体，通过固化规则和流程提升财务工作效率，但随着企业业务范围拓展和规模扩大，多系统并行带来的大量重复数据录入和繁琐的跨系统操作问题日益凸显。大模型作为当下人工智能发展的主流技术，通过重塑信息技术（IT）、强化数据技术（DT）两大能力，将企业所有的信息系统转变为可调用的工具，推动其向“可用不可见、有场景无功能”转型，同时进一步增强了财务数据的采集、治理、计算与分析能力，为财务管理带来操作交互、业务流程、知识管理、数据分析等方面的变革。

1. 操作交互变革。传统财务工作模式下，财务人员通常需要切换多个信息系统进行数据填写、表单切换等重复性操作，不仅耗费大量时间精力，同时容易导致数据偏差。大模型技术的快速发展带来财务领域人机交互模式的变革，实现财务信息系统“无界面、无功能、无配置”，财务人员可直接通过自然语言或文字指令与信息系统交互。例如，财务人员需要查询 2025 年一季度所有员工差旅费数据时，只需输入“查询 2025 年一季度所有员工差旅费用明细”指令，大模型即可自动解析需求，查找和整合数据，并以可视化图表形式呈现。这种智能交互方式，有效减轻财务人员操作负担，提高了数据处理效率和准确性。

2. 业务流程变革。财务信息化阶段，业务流程依赖预设的固定规则，灵活性不足。大模型技术与 IT 系统的结合，推动业务流程自动化和智能化变革。以费用报销流程为例，大模型可凭借语义理解能力识别员工费用申请需求，自动匹配申请模板，并依据员工职级等信息完成内容填充。

费用发生后，大模型能够精准识别员工报销需求，智能解析员工上传或报销系统自动归集的各类结构化和非结构化报销材料，自动提取关键信息、筛选报销模板，实现“表单手动填录”到“一键自动填单”流程的简化。确认提单后，大模型可依据费用类型和具体的业务场景智能匹配预设审核规则，完成合规校验和异常情形预警，并生成审核结论，有效提高领导审批和财务审核工作效能。

3. 数据分析变革。传统财务数据分析大多围绕财务报表中收入、成本、利润等基础指标的简单分析，存在分析指标有限、分析维度单一、关联性挖掘不足等局限。企业 DT 能力的增强以及大模型代码生成、逻辑推理、语义解析等能力的深度应用，推动智能问数、智能报告等数智化场景落地，财务数据分析也由基础统计向深度洞察转变。

财务人员可通过自然语言交互进行个性化、多维度的数据指标分析，大模型能够智能识别分析意图，生成适配的应用程序编程接口（API）调用请求、结构化查询语言（SQL）语句或 Python 代码进行数据检索和关联分析，从而真正实现便捷灵活的“对话式数据分析”。同时，大模型可结合可视化工具生成包括趋势预测、图表展示及数据解读的财务分析报告，使财务数据真正转化为战略决策的支撑依据，加速财务职能向价值创造转型。

4. 知识管理变革。传统知识管理方式存在知识分散、检索困难和共享效率低等问题。为解决上述问题，企业可基于检索增强生成（RAG）技术，搭建涵盖财务制度、政策文件、行业研究报告等公开信息和企业私有资料的专属知识库。当财务人员处理具体财务问题时，大模型能够动态检索和自动整合企业专属知识库中与问题相关的信息，并将检索结果作为上下文背景，结合问题中的关键信息进行逻辑推理，最终生成具备时效性、可解释性和专业性的内容，并提供相应的参考来源，提高企业知识检索能力和知识共享效率。

（二）大模型在财务领域的应用路径

为更好发挥大模型在财务领域的应用价值，在实际应用过程中，企业可将大模型与检索增强生成、微调、工作流编排等技术结合使用，以加速财务数智化场景的落地。

1. 大模型 + 检索增强生成。检索增强生成能够基于用户的输入指令，结合外部数据库进行精准检索，整合与指令高度相关的外部知识，自动生成专业性、及时性更强且符合上下文语境的文本内容，有效减少大模型在知识问答场景中的幻觉问题。企业可在整合内部资料、政策规则、历史案例与外部权威知识库（如会计准则、税收政策等）基础上，构建专属财务知识库，强化大模型智能问答能力。

2. 大模型 + 微调。通用大模型虽具备较强的基础认知能力，但缺乏特定领域的专业理解，难以满足垂直领域的应用需求。企业可在大模型基础上应用会计准则、相关法律法规、财务报表等财会领域特定数据对大模型进行微调，结合高质量问答指令对大模型进行指令精调，使大模型能够精准理解财务领域专业知识，在会计业务处理、报表分析、风险预警等实践场景中给出更适配的解决方案。

3. 大模型 + 工作流编排。工作流是通过预定义路径和工具，将复杂任务拆解为多个步骤，确保财务流程按预期规划执行的系统，如数据查询、报告生成等财务场景可通过工作流应用实现全流程自动化处理。智能体可利用大模型的逻辑推理能力自主规划任务执行流程，依次调用相关工具执行，并根据执行情况和外部反馈动态调整执行计划以实现目标。工作流通常适用于结构化、任务明确的任务，智能体则更适用于开放性、不确定性的任务。企业在实际应用中，可根据具体应用场景将工作流与智能体结合使用，提高任务执行效率和精准度。