AI浪潮下财务人的转型与进阶

财务工作的形态，几乎与人类文明同龄。从两河流域的泥板到宋代的“四柱清册”，财务核算的基本逻辑——记录、分类、汇总、报告——数千年间没有本质变化。这段历史漫长到不值得在此赘述，但一个细节值得记住：每一次财务工具的革命，都伴随着商业文明的跃升。复式记账法的发明，被社会学家称为“资本主义最重要的密码”。从这个角度看，AI对财务的改造，其实是这个行业一直在发生的事情的延续——只是这次来得格外快。

“会计电算化”是中国特色的一个词，它浓缩了一整代财务人员的焦虑与机遇。1980年代末，用友、金蝶的前身先后成立，财务软件开始用DOS界面替代手工账本。

这个阶段的核心特征是“替代”：手工登账被电子记账替代，珠算被计算器替代。但核算逻辑本身没有变——软件做的还是“录入-计算-出表”这套流程，财务人员从“打算盘的人”变成了“录入凭证的人”。职业危机感并不强，因为这套系统基本上就是把手工流程电子化，财务人员依然是整个系统的操作者和解释者。

一个值得回望的细节：2000年前后，国内大量企业经历了“甩账”运动——彻底告别手工账本，全面转向会计电算化。彼时的阻力与今天面对AI的阻力如出一辙：老会计不会用电脑，新系统数据安全吗？凭证电子化了还能查吗？历史惊人地押韵。

ERP（企业资源计划）系统的普及，是财务数字化的第二个里程碑。Oracle、SAP进入中国，金蝶K/3、用友U8逐渐成熟，财务模块成为企业信息系统的核心节点。

这个阶段的核心特征是“集成”：财务不再是一座孤岛，而是与采购、生产、销售、人力资源打通的集成系统。财务数据的颗粒度从“科目级”下沉到“业务事件级”，财务人员的视野被迫从“账房”向“业务伙伴”拓展。

一个对后来影响深远的变化在此时埋下了种子：SAP在国内推广时，引入了“财务共享服务中心”（SSC）概念。将标准化的财务流程集中处理——报销、应收、应付、工资核算——集中到一个共享中心，用规模效应压低单笔成本。这个模式后来成为AI+RPA最理想的改造对象，因为它足够标准化、重复性足够高、规则足够清晰。

2017年前后，RPA（机器人流程自动化）概念在国内财务领域大规模落地。UiPath、Blue Prism、Automation Anywhere等产品被四大（普华永道、德勤、安永、毕马威）率先引入用于财务流程改造，随后迅速向企业端扩散。

德勤财务机器人是这个阶段最具代表性的符号。2017年，德勤宣布将RPA引入财务工作流程，可以处理发票识别、账务处理、银行对账、税务申报等标准化任务。一时间，“财务机器人要抢饭碗”的焦虑开始蔓延。

但RPA的本质局限很快暴露：它只能执行预设规则下的重复性任务——如果发票格式稍有不同、凭证逻辑需要判断，RPA就会卡住。更关键的是，RPA没有“认知”能力，它不会从历史数据中发现异常，不会主动给出建议。财务人员很快意识到：RPA替代的是“动手”，而不是“动脑”。

这个阶段给财务行业留下的最宝贵资产，是财务流程标准化程度的整体提升。RPA项目往往需要先对现有流程进行梳理和优化，剔除冗余步骤，统一数据标准——这些基础工作，为后续AI的深度介入铺平了道路。

2018年起，机器学习开始渗入中大型企业的财务分析场景。此时的关键词是预测和风控，而非替代基础核算。

典型应用包括：

信用风险评估：用历史交易数据训练模型，对客户的付款行为进行概率预测，替代或辅助人工信用审核。

现金流预测：基于历史收支模式和外部变量（季节性、宏观经济指标）预测未来现金流，改善资金管理。

费用异常检测：用聚类算法识别报销中的异常模式，发现手工审查难以捕捉的合规风险。

税务风险建模：通过机器学习模型扫描申报数据，识别潜在的税务风险点。

这个阶段的核心变化是：财务开始具备“预测”能力，而不仅仅是“记录”能力。但机器学习模型的训练和部署需要技术团队支持，普通财务人员与其说是“使用者”，不如说是“数据标注员”——这个阶段，财务与AI之间仍隔着一道技术壁垒。

2022年11月，ChatGPT上线。2023年，被称为“大模型元年”。财务领域在这场变革中经历了从“观望”到“涌入”的急速转变。

标志性事件一：2023年7月，用友发布业界首个企业服务大模型YonGPT，覆盖财务、人力和业务领域；不到一个月后，2023年8月，金蝶发布金蝶云·苍穹GPT大模型，定位“首个财务垂域大模型”。两大巨头的贴身竞速，本质上是在争夺“财务大模型标准制定者”的身份。

标志性事件二：DeepSeek在2025年初引爆国内市场。以DeepSeek、通义千问为代表的国产大模型快速融入企业财务实践，复旦大学的调查显示，截至2025年，84%的受访企业已引入AI工具，但以发票识别、自动记账等基础应用为主，财务预测与战略决策领域的渗透仍相对有限。

标志性事件三：国际巨头全面嵌入。微软Copilot for Microsoft 365深度集成Excel和Power BI，财务人员可以直接用自然语言生成公式和可视化图表；Workiva推出企业级合规GenAI，帮助起草SOX和ESG报告；Trullion专注租赁会计和收入确认的AI合规处理。这些工具的共同特点是：不再要求用户改变工作习惯，而是让AI主动适应财务人员的既有工作流。

每轮变革的核心矛盾各不相同：

电算化阶段：手工习惯 vs 电子化效率

ERP阶段：数据孤岛 vs 业务集成

RPA阶段：规则固化 vs 流程灵活

大模型阶段：认知壁垒 vs 人机协同

大模型阶段的核心矛盾不再是“技术能不能做到”，而是财务人员能否跨越认知壁垒，真正理解AI的能力边界和使用方式——这是此前任何一轮技术变革都没有提出过的要求。

2025年的国际财务AI工具市场，已从“通用大模型热”转向**“专业工作流AI”**的深耕。Vena Solutions发布的年度盘点中，精选了12款主流工具，勾勒出清晰的竞争格局。

第一阵营：FP&A（财务计划与分析）平台AI层

以Vena Copilot、Planful Predict、Domo.AI为代表。这一阵营的共同特点是将AI嵌入成熟的FP&A平台，核心价值是让财务分析从“描述过去”升级为“预测未来”。

Vena Copilot：基于Microsoft Azure GenAI，用自然语言回答“本月预算执行情况如何”这类问题，自动生成报告叙述。安全性高（数据不用于训练公共模型），但依赖Vena生态。

Planful Predict：内置异常检测（“预测：信号”功能），持续监控财务数据，主动标记风险和差异，让财务团队把精力集中在AI标记的问题区域。

Domo.AI：支持自定义AI代理，对非技术背景用户最友好，可自动化对账、报告生成等日常任务。

第二阵营：垂直场景AI专家

以Trullion（租赁会计合规）、Stampli AI（应付账款自动化）、Vic.ai（发票处理）为代表。这一阵营深耕单一财务场景，追求“做透”而非“做全”。

Trullion：专注ASC 842/IFRS 16租赁会计和ASC 606/IFRS 15收入确认，AI自动提取合同数据、验证合规性、生成审计追踪记录。对受严格监管的中大型企业有极强吸引力。

Vic.ai：纯机器学习驱动的发票处理，宣称准确率达99%，无需预设模板，随着用户纠正不断自我进化。异常检测功能可防止超付和欺诈。目标客户是中大型企业，小型公司成本门槛偏高。

Stampli AI：专注于采购到付款（P2P）流程，原生集成70多种ERP系统，AI会自动学习团队的处理策略。

第三阵营：通用平台嵌入AI

微软Copilot for Microsoft 365是这一阵营的绝对主角。它不替代任何专业财务工具，而是让财务人员在自己最熟悉的Excel和Power BI中直接调用AI能力——用自然语言生成DAX公式、创建预测模型、构建可视化仪表板。

这种“嵌入式”策略正在成为主流。德勤&IMA 2025年联合报告指出，当前企业采用最多的AI工具是微软Azure Synapse、OpenAI和Snowflake——清一色是基础设施或平台层，而非财务垂直应用。这说明大量企业仍在用“通用AI能力”处理财务问题，而非部署专业财务AI工具。

与国际市场的百花齐放不同，中国财务AI市场在很长一段时间内呈现**“金蝶+用友”双寡头格局**，AI能力的竞争本质上是生态的竞争。

用友的布局：2023年7月发布YonGPT后，用友BIP（商业创新平台）逐步构建了五大智能财务场景：

数智员工：基于智能体平台，大批量部署会计、共享服务等数智员工，替代低价值重复性基础工作。

智能商旅费控：手机语音交互完成出行、预订、报销全流程，员工零干预。

AI+数智合同：对纸质合同进行智能提取，转化为结构化数据，与业务、财务数据关联融合，实现业财一体化。

决策支持：基于EPM产品连接大模型能力，支持自然语言交互查询预算、财务状况、经营成果，并给出初步分析建议。

内控与风险管理：通过数智员工进行合规检查，将内控风险管理融入业务事前和事中。

用友的策略可以概括为“全流程覆盖”：从基础凭证录入到战略决策支持，用一个生态全部吃下。

金蝶的布局：2023年8月发布苍穹GPT大模型后，金蝶的策略更聚焦于“最懂管理的财务领域大模型”。金蝶认为“GPT不是PPT，应该是个可用的产品”，强调开箱即用的云服务和预制知识库。金蝶的差异化在于：接入百度文心一言、微软OpenAI等通用大模型的同时，提供专业财务垂域模型作为补充。

国产大模型的新变量：2025年初，DeepSeek引爆国内AI圈。由于DeepSeek开源、成本低、推理能力强，大量中国中小企业开始用DeepSeek API接入现有财务系统，实现发票OCR识别、智能对账、财报自动解读等功能。复旦调查显示，DeepSeek、通义千问等国产大模型正迅速融入企业财务实践，但应用深度仍以基础场景为主。

本土生态的独特性：与国际市场相比，中国财务AI有一个显著特点——对“国产替代”的政策驱动力。信创政策推动了大量政府和国有企业将Oracle、SAP系统替换为金蝶、用友国产系统，这一替换过程本身也为AI能力的原生嵌入提供了窗口期。

面对这场变革，财务人员如何构建AI能力？综合各方信息，可以梳理出以下分层学习路径：

第一层：工具使用者（立即可上手）

这是大多数财务人员应该从今天开始掌握的层次。不需要懂代码，不需要理解模型原理，只需要学会用自然语言指挥AI工具。

具体技能：

Excel+AI：Microsoft Copilot for Excel、方括号等工具，用自然语言生成公式、创建透视表、生成可视化图表。

Power BI/Tableau+AI：智能问答式数据分析，用自然语言查询数据库，生成经营分析报告。

AI辅助写作：用ChatGPT/Claude/DeepSeek辅助撰写财务分析报告初稿、审计报告、管理层汇报材料。

智能报表：FineReport等工具的AI辅助报表生成，将重复性报表制作自动化。

第二层：流程优化者（3-6个月可进阶）

这一层需要理解RPA和流程自动化的基本逻辑，能够识别哪些财务流程值得被自动化改造。

具体技能：

RPA基础：UiPath、Automation Anywhere等工具的基本使用，能够独立部署简单的发票处理自动化流程。

提示工程：学会如何给大模型准确的财务分析指令，如何构建few-shot示例让AI输出更符合财务规范的格式。

API集成思维：理解不同系统间如何通过API传递数据，知道什么时候该“让AI调用API”而非手动操作。

第三层：数据分析者（6-12个月进阶）

这一层需要真正进入数据科学的世界，但财务背景是差异化优势——不是用AI做AI的事，而是用AI做财务的事。

具体技能：

Python for Finance：Pandas数据处理、NumPy数值计算、Scikit-learn基础机器学习模型，用代码实现财务预测和风险建模。

SQL高级查询：从数据库中高效提取所需财务数据，理解数据仓库的基本架构。

财务预测建模：时间序列分析（销售预测、现金流预测）、回归分析（成本控制）、异常检测算法（欺诈识别）。

第四层：架构设计者（1-3年规划）

这一层面向财务IT管理者、财务共享服务中心负责人、企业数字化转型负责人。

具体技能：

财务AI系统选型：理解不同AI工具的能力边界和适用场景，能够做出“我们财务部应该买什么AI系统”的决策。

数据治理：主数据管理、财务数据标准、数据质量控制——AI的质量上限等于数据的质量下限。

AI治理与合规：理解可信AI框架，能够建立财务AI系统的内部控制和审计追踪机制。

上海国家会计学院FAI（智能财务师）：2019年10月由财政部直属单位上海国家会计学院推出，是国内首个系统性应对智能财务时代的权威认证体系。FAI覆盖初级、中级、高级三个级别，聚焦智能财务的理论框架、工具应用和实践案例，截至2025年已形成较为完整的继续教育体系。

ACCA+CPA的AI进化：国际认证层面，ACCA在2025年推出系列在线讲座，探讨“财务+IT+DT+AI”深度融合对企业价值创造模式的重塑；CPA考试体系也在逐步引入数据分析、财务信息技术等模块。

德勤&IMA报告的一个重要发现：在900多名全球财务专业人士的调查中，最受重视的能力不是Python编程、不是机器学习，而是批判性思维和自我提升能力。这给出了一个重要信号——AI时代，财务的核心竞争力依然是“人的判断力”，技术能力是放大器，但不是替代者。

复旦大学的调查揭示了一个核心矛盾：84%的受访企业已应用AI工具，但主要集中在发票识别、自动记账等基础场景。这意味着，绝大多数企业还停留在“AI处理重复性高、规则清晰的任务”这个阶段——本质上还是RPA逻辑，而非真正释放AI的认知能力。

德勤国际的全球调研印证了这一点：在10个主要经济体的1,800家公司中，约75%在财务报告流程中使用了AI，但“领先采用者”（advanced adopters，真正将AI用于战略决策层）的比例远低于这个数字——毕马威的报告显示，约41%的企业达到了中等或高级AI应用水平，而非高级。

ROI数据带来了信心：在已部署AI的财务团队中，57%的领先企业表示ROI超出预期，近30%的早期阶段企业也报告了超出预期的回报。这个数字比很多AI悲观论者预测的要好得多——AI在财务领域的ROI是真实存在的，但前提是用对场景。

回望来路，每一次技术浪潮在财务领域留下的最深印记，都不是工具本身，而是财务人员能力模型的被迫升级。

电算化时代，被改造的是“操作习惯”；ERP时代，被改造的是“数据视野”；RPA时代，被改造的是“流程思维”；大模型时代，被改造的是——认知方式。

这是本质的跃迁。前几轮变革中，财务人员面对的是“工具变了，但分析逻辑没变”；大模型时代，AI第一次具备了“理解财务逻辑并进行推理”的能力，财务人员必须回答一个从未面对过的问题：“AI能做什么，我比AI更擅长什么？”

今天，在国际市场上，Trullion、Vic.ai这类垂直AI专家的崛起，和金蝶用友在本土的全流程AI布局，表面上是商业竞争，深层逻辑是对“AI+财务”边界的持续试探。谁先找到AI与财务专业判断的最优边界，谁就掌握了这个时代的标准定义权。

主线一：从“替代核算”到“辅助决策”的权力交接

历史规律很清楚：每轮技术变革首先替代的是最标准化、重复性最高的工作，然后逐渐向复杂性更高的工作渗透。RPA替代了录凭证，机器学习替代了人工审发票，大模型正在替代——或者更准确地说，正在辅助——财务分析报告的初稿撰写。

但有一个反直觉的规律：越是复杂的财务判断（战略投资决策、税务筹划、并购估值），AI的渗透越慢。不是因为AI做不到，而是因为这些场景的“正确答案”本身就是多元的，高度依赖情境判断和政治博弈。AI在这些场景中是强大的辅助工具，但不是最终决策者。

主线二：从“工具采购”到“能力建设”的战略转向

毕马威和德勤的调查数据有一个共同暗示：大量企业的财务AI项目停留在“采购了一个AI工具”阶段，但缺乏系统性的能力建设规划。复旦调查呼应了这个发现——85.3%的财务人员呼吁企业提供系统化的人机协作指南，但只有少数企业有成熟的人机协同框架。

这意味着，下一个阶段的竞争焦点不是AI工具本身，而是组织如何让人类财务专家和AI系统协同工作。有完善人机协同体系的企业，将比仅有AI工具采购的企业获得更大的竞争优势。

主线三：从“通用AI”到“垂直AI”的回归

有趣的是，市场经历了一轮“通用AI狂热”之后，正在向垂直化回归。ChatGPT上线后，几乎每个财务人员都尝试过用它写财务分析报告，但很快发现：通用大模型缺乏财务领域知识（如中国会计准则的细微规定），无法保证数据准确性，且存在数据泄露风险。

Trullion、Stampli这类垂直AI工具的崛起，用友YonGPT和金蝶苍穹GPT的深耕，都在说明：财务AI的未来属于“懂财务的AI”，而非“会做财务的通用AI”。对于财务从业者来说，这意味着——理解自己所在细分领域的业务逻辑，依然是无可替代的价值锚点。

剧本A（最可能）：渐进融合，人机协同深化

未来3-5年，AI在财务领域的主流形态是“深度嵌入日常工作流的协作工具”，而非“替代财务部门的独立系统”。财务人员的工作模式从“人工作业+AI辅助”逐渐演变为“AI处理+人审监督”，但最终判断权始终在人类手中。

在这个剧本下，最有竞争力的财务人才画像是：具备扎实财务专业判断力 + 能够熟练使用多种AI工具 + 拥有跨领域业务理解能力。基础核算岗位继续萎缩，但“财务BP”（业务合作伙伴）、“财务数据分析师”等岗位需求显著增长。

剧本B（最危险）：AI工具泛滥，能力建设缺位

大量企业在“AI焦虑”的驱动下仓促采购各种AI工具，但没有建立配套的数据治理体系、人员培训机制和AI治理框架。结果是：数据孤岛更加严重，财务人员对AI工具缺乏信任，宁愿回到手工操作也不愿依赖不可靠的AI输出。

复旦调查中67%的财务人员对职业前景表示担忧，在剧本B下，这个比例会继续攀升，形成“AI工具买了没人用、没人用导致效果差、效果差导致更多焦虑”的恶性循环。

剧本C（最乐观）：AI赋能，财务价值重新定义

在这个剧本下，AI真正释放了财务人员的时间——日常核算、报表制作、数据汇总等重复性工作由AI高效完成，财务人员得以将精力集中于数据解读、战略建议和业务洞察。财务职能从“后视镜”（记录历史）升级为“仪表盘”（实时监控）和“导航仪”（预测+建议）。

张新教授的判断在这个剧本下得到验证：“人工智能不会取代财务专业，但会重新定义它。那些积极拥抱变化、主动驾驭技术、并持续进行能力增值的个人与组织，将在智能财务新纪元中赢得前所未有的发展机遇。”

历史从来没有“准备好的时机”，每一代财务人员都是在“被迫适应”中完成了转型。今天的财务人员面对AI，与30年前的会计面对电算化、50年前的账房先生面对复式记账法一样——都觉得自己站在了一个危险的十字路口，但实际上，他们站在的是一个清晰的向上阶梯。

关键变量只有一个：是主动爬，还是被推着爬。