本-富兰克林有句名言：人生只有两个必然：死亡和税收。我们认为，人工智能也应被列入这一名单。随着LLMs 的不断进步，从市场营销到语音代理，再到整个专业服务，人工智能正在以其特有的方式进入一切领域。无论是普华永道（PWC）宣布投资 10 亿美元用于人工智能解决方案，还是路透社（Reuters）拨出 80 亿美元用于人工智能交易和开发，各家公司都急于将自己打造成实施这一新技术的市场领导者--尤其是那些服务于会计市场的公司。
这对任何人来说都不足为奇。记账、会计、报税和审计等领域充满了公式化和重复性的工作，而人工智能在提高效率和节省时间方面的优势将使这些领域受益匪浅。而且，现在有一些真实的、量化的利好因素，使会计师事务所在这一关键时刻向人工智能和机器学习倾斜。首先，75% 的注册会计师可能在未来 10 年内退休。与此同时，该行业吸引的求职者越来越少，完成会计学位的美国学生人数也在下降。这意味着在未来几年里，能够满足现有客户需求的专业人员将大大减少，而事务所已经在努力跟上这一趋势。
幸运的是，GenAI 已经出现，企业财务和会计工作流程应能从其功能中受益匪浅。不过，重要的是要明确这股基于LLM 的人工智能新浪潮具体能在哪些方面提供帮助。就其核心而言，LLMs 最擅长使用自然语言。它们善于总结研究成果、回答问题，并提供信息，使其提示器能在70%的程度上得出明确结果。它们所缺乏的（目前！）是进行复杂计算和定量分析的能力，而这两项技能对于会计行业至关重要。
尽管如此，会计工作流程的颠覆时机仍然成熟：该行业中不乏高薪专业人士，他们每周都要花费大量时间从不同来源获取数据，并根据无数小时的教育培训和专业经验中观察到的模式提出建议。虽然财务和会计领域有许多细微的子专业（如记账、报税、审计、外包首席财务官职责）以及特定的垂直需求，但我们已经确定了几项高级工作，这些工作在大多数（如果不是全部）类别中都很普遍。在许多情况下，关键区别在于对某方面工作的重视程度不同（例如，记账更侧重于数据摄取，而提供税务建议则需要复杂的分析和输出）。此外，许多工作流程既适用于内部会计职能，也适用于外部会计师。
以下是我们认为需要完成的工作
数据收集和摄取
财务专业人员和会计师必须从银行对账单、总账、商务启用平台、年度账单和应收账款工具、企业记录系统等多个不同来源收集数据，以合并绩效指标并解决任何相互矛盾的条目。这种人工比较不同数据源条目的做法被称为 "对账"，通常需要公司不同团队（如审批发票或管理特定供应商关系的个人）的投入。因此，小型企业每周平均要花 15 个小时来处理与会计相关的工作，而大型企业则要通过业务流程外包（BPO）来支付大量的支持费用。
在LLMs 推出之前，开放银行业务（由 Plaid 等公司主导）和 Rutter 等通用应用程序接口（将商业、会计和支付数据中的交易规范化）的进步已经使会计人员更容易自动导入对账所需的大量数据。然而，有了LLMs ，团队可以使用LLM 驱动的数据提取软件，从合同、收据和发票等非结构化文件格式中提取数据。这对企业和中小企业都有深远的影响。在企业内部，与财务团队相关的数据终于可以更加集中，结合强大的LLM 搜索和匹配功能，使对账、错误检查和术语识别变得更加容易。在中小型企业中，会计人员不需要向采购部发送电子邮件，也不需要向财务计划和行政部的发送 Slack 消息，以了解为什么在 Quickbooks 中记录的应付账款与实际离开 Mercury 账户的款项不符，而是可以与经过公司电子通信和合同培训的人工智能 copilot 进行交互，从而更快地解决问题。此外，该软件还可以生成审计线索，对其工作进行追踪，这也是会计工作的一个基本组成部分。例如，Basis 提供的 copilot 就能实现应付账款与离开银行的现金之间的匹配。Klarity 可帮助企业客户实现跨文档类型审查和提取工作流程的自动化。
研究
研究是LLMs 在会计领域的天然用例。注册会计师的一项重要工作就是确定如何对某些收入和支出项目进行分类、报告并最终征税。一些成本项目，如慈善捐款，可以享受减免，而另一些项目，如研发费用，则可以享受税收抵免。会计和税务团队在开展工作时会参考各种法规和标准：税法（不同司法管辖区的税法可能有很大差异）、会计准则编纂（规则，如 ASC 606，涉及收入确认）、美国证券交易委员会文件（重要会计政策摘要）、以前的工作文件，甚至是四大会计师事务所针对不同主题（如技术会计）发布的长达数千页的指导文件。
在 GenAI 出现之前，从业人员充其量需要在所有这些数据库中进行基本的关键词搜索，更有可能是查看 pdf 手册或给同事发邮件，以回答自己的问题并做出判断。但是，在LLM 之后的世界里，经过上述数据集和所有先例训练的专用副驾驶员应该能够确定地回答这些问题。随着时间的推移，它们还可以接受适合公司或专业人士的判断训练。有许多初创公司都在提供这方面的解决方案。例如，SPRX 和 Neo 专门从事研发税收抵免，而 Materia 则帮助提供更好的指导和加速研究。
报告生成和归档
一旦从业人员对客户的数据进行了分类，他们接下来就需要对数据进行分析，并编制内部和外部报告。这些报告包括企业资源规划系统（ERP）的分录和披露报告，以及用于报税的审计清单和技术性会计备忘录。现在，这些工作大部分都可以实现自动化。以报税为例，虽然 genAI 可能不需要在模板表格上填充方框来报税，但在撰写摘要时却大有帮助。例如，所有专业服务公司通常都试图以一种独特的风格做事，无论是文件格式、通信语法还是表达语气。LLMs 可以很容易地进行培训，以按照特定公司（甚至是个别合伙人）的风格总结信息，并为客户生成与以前手工编写的报告和清单一模一样的审计就绪报告和清单。
客户服务和建议
在会计领域，提供分析、支持和建议可以说是 genAI 能够潜在增加最多新净价值的地方。客户服务从业人员的工作相当不言自明：他们为客户（无论是内部财务团队的内部客户，还是会计师事务所的外部客户）总结关键绩效数据，回答临时问题，并提供财务和税务优化建议。将 GenAI 引入这个等式有两个特别有趣的地方：
在我们与会计师事务所的交谈中，有一个主题非常突出：会计师们一直在寻找各种方法，将他们的客户关系从以报税季为中心的年度性、事务性接触点转变为以全年优化业务为重点的经常性、持续性接触点。如果会计师能够利用 GenAI 工具每月大规模地为客户提供高质量的见解，客户可能会发现额外的建议足以让他们支付更多的费用。这似乎与服务初创企业和中小型企业的会计师事务所特别相关，因为它们可能没有复杂的内部财务职能，可以使用更多定期财务分析。我们的投资组合公司 Black Ore 通过自动化冗余的税务准备流程，帮助会计师事务所腾出时间，使从业人员可以加倍努力，为客户提供更高价值的咨询服务。
为了实现上述目标，会计师需要使用经过微调的模型，将特定行业的细节（如税收法律和政策）与定量能力（如计算关键业务指标、比率等）结合起来。虽然通用LLMs 擅长会计师工作流程所需的许多书面任务，甚至可以通过代码解释器等工具完成一些必要的数学运算，但距离将所有任务整合在一起（并确保建议符合适用法律！）还有很长的路要走。这为那些希望建立基于特定行业数据集训练的微调模型的初创公司提供了一个明显的机会。问题在于，当他们从零开始时，如何首先获得必要的数据。
工作之外
重要的是，正如我们计划在今后的文章中进一步探讨的那样，genAI 还没有准备好取代专业服务中两项绝对重要的能力：判断和销售（尽管这两项能力都可以由人工智能辅助）。归根结底，经验丰富的专业人士仍需赢得新业务，在推荐意见（即使该推荐意见 90% 是通过人工智能自动完成的）旁边签上自己的名字，并坚持自己的推荐意见。这对公司采用这些解决方案的意愿有实际影响，因为判断和销售目前通常是高级员工的职责，而日常工作流程则由个人贡献者（IC）管理。创始人在制定 GTM 战略的两个要素时，必须对此保持警惕：
与买方的激励机制保持一致
与法律人工智能类似，会计人工智能也有可能以更高的效率蚕食计费工时。因此，哪些买家角色和哪些业务部门是人工智能公司的目标客户就显得尤为重要。例如，税务部门通常按小时收费。另一方面，审计师通常采用固定收费方式（即无需担心工时问题！）。鉴于这些差异，同样的最终工作成果，无论你投入 1 小时还是 100 小时，客户都会支付同样的费用（也就是说，直到人工智能引发的价格战开始之前！）。
自上而下与自下而上的采用
对于GenAI会计和工作流程产品的销售商来说，高级集成电路从业人员可能并不是正确的选择。虽然 GenAI 为他们或其初级员工节省了数小时的人工工作时间，但他们也可能担心人工智能原生产品会缩小他们的实用范围和/或最终取代他们。
最后，还有一个重要的无形因素可能会影响会计师事务所的购买决策：人才培养。虽然从利润的角度来看，用软件自动化大量相对昂贵的粗活的想法很有吸引力，但所有高级会计师都曾是初级会计师，而粗活正是他们学习工作的来龙去脉的途径。就像软件公司通过销售发展代表（SDR）计划培训销售代表一样，会计师事务所也依靠分析师计划让初级注册会计师接触业务约定的整个生命周期。公司对自己的培训计划引以为豪，因此我们预计，在短期内，人工智能原生工具将主要用于增强初级员工的能力，而不是完全取代他们。
我们现在在哪里？会计领域的生成式人工智能市场地图
如果我们还没有让您相信这里蕴藏着巨大的商机，那么您可以看看在这个领域中发展的早期初创公司的数量。鉴于每天都有大量公司涌现，我们几乎不可能做到面面俱到，但以下是我们发现的几十家公司，它们按核心产品重点和 GTM 方法进行了细分。
编译：ChatGPT
-----------END-----------
