引言：近年来以GPT和DeepSeek为代表的大语言模型（LLMs）爆火，人工智能（AI）这一概念再次回到人们的视野（见图1）。对于财会人员来说，我们经常接触的是互联网厂商提供的大语言模型（如豆包、Kimi、腾讯元宝和通义千问）。大语言模型是自然语言理解及自动程序设计中的重要组成部分。这些模型突破性地实现了自然语言交互功能，允许我们通过日常业务场景中的自然提问直接获取专业分析结果，而无需依赖编程技能即可完成复杂的数据处理需求，其发展有赖于大数据时代的文本分析、技术的快速发展和文本数据可得性的提高[1]。本文聚焦大语言模型（LLMs）对会计行业的变革性影响，围绕其在业务流程自动化、数据分析能力升级、战略决策支持三大核心场景中的应用展开分析，并提出会计从业者的能力转型路径。
图1 人工智能发展时期
注：限于篇幅，本文不再介绍人工智能的发展历史，图一来源于崔雍浩等[2]的综述《人工智能综述： AI 的发展》。有兴趣的读者可以自行阅读。
NO.1
Application scenarios of big
language models
大语言模型应用场景
大模型按照数据类型可以分为语言大模型、视觉大模型多模态大模型，按照应用领域可以分为通用大模型、行业大模型和垂直大模型，如表 1所示。大模型的扩展性很强，通过微调可以成为特定行业的大模型，通过接入特定软件与程序可以完成日常业务操作、数据分析和提供决策支持。对于会计领域来说，主要是应用行业大模型，垂直大模型赋能日常业务和金融数据分析。
表1 大模型划分 | |||
分类 维度 | 分类 | 描述 | 代表性产品 /示例 |
按处理数据类型划分 | 语言大模型 | 用于自然语言处理，处理文本数据，学习语言的语法、语义和语境规则。 | GPT系列(OpenAl)、DeepSeek、文心一言(百度)、通义千问(阿里云)、Bard(谷歌) |
视觉大模型 | 用于计算机视觉任务，处理图像数据，实现图像分类、目标检测等。 | VIT系列(谷歌)、文心UFO(百度)、华为盘古CVINTERN(商汤 ) | |
多模态大模型 | 处理多种模态数据(文本、图像、音频等)，结合NLP和CV能力，实现综合理解。 | DALL-E(OpenAl)、悟空画画(华为)、midjourney、Gemini(谷歌) | |
按应用领域划分 | 通用大模型（L0） | 在多个领域通用，具有强大泛化能力，适用于多场景任务。 | GPT系列、DeepSeek |
行业大模型（L1） | 针对特定行业优化，使用行业数据进行预训练或微调。 | 金融领域大模型、医疗领域大模型 | |
垂直大模型（L2） | 针对特定任务或场景优化，使用任务相关数据进行微调 | 智能客服大模型、自动驾驶大模型 |
注：此表来源于AI科普丨一文读懂AI大模型：概念、分类与应用场景_大语言模型+分类-CSDN博客，更详细的信息可以参考此链接。
（一）业务流程自动化
大语言模型具有强大的上下文理解能力、推理能力与文本生成能力，使其能够对会计业务场景进行快速高效地分析处理，在将大语言模型和RPA技术以及财务软件融合后，可以实现由文本或语音驱动的日常业务操作[3]。例如，在银行对账与发票验真当中模型可自动解析银行对账单与明细账差异，并调用税务系统接口验证发票真伪，以及在税金申报与报表生成：基于自然语言指令（如“生成2024年企业所得税申报表”），模型可自动调取财务数据并生成合规报表。结合RPA技术和软件的操作权限，相当于让大模型既能理解意图，又有了工具的操作权限。这种方式构建的智能体，既能识别指令，同时可以运用工具完成指令，能够在多个层面上优化和革新会计业务的日常操作，从而实现强化财务管理效能，降低企业运行成本的目的。
（二）数据分析能力提升
在当今的数字化时代，数据已成为企业重要资产，数据分析通过挖掘数据中蕴藏的价值来实现支持决策、风险管理和创造价值等目标，成为企业保持竞争优势的关键手段。传统的会计数据处理需要人手工进行，处理时不仅耗费时间还可能产生人为因素的错误；虽然部分会计软件可以自动分析，但是分析的指标较为固定，不够灵活。当前的人工智能除了拥有对自然语言较好的理解能力，同时数据分析能力也是其优势之一[3]。大语言模型的数学能力是从训练数据集中得到的，且由于数据集为文本，通过文本驱动数据分析模块是大多数大语言模型的做法，如ChatGPT即是在网页版中调用代码解释器（code interpreter）进行复杂数学运算，在调用其API时也是同理。进行数据分析时，使用者可以将财务数据或经营数据以excel或csv的格式上传给大语言模型，用户可输入“分析近三年销售费用与营收增长的关联性”，模型自动调用Python代码进行回归分析，并生成可视化图表。同时还可以结合聚类算法识别异常交易，或通过时间序列预测现金流波动。此类应用将会计数据分析从“事后复盘”升级为“前瞻预测”，显著提升了数据驱动决策的效率。
（三）战略决策支持
《会计改革与发展“十四五”规划纲要》提出，将推动会计职能实现从传统的算账、记账、核账、报账向价值管理、资本运营、战略决策辅助等职能持续转型升级，大模型可以极大地加速这个过程。例如，在风险预警与机会挖掘方面，大模型在分析完数据后，可以根据分析的数据即时得出相应的结论，帮助会计人员更深入地理解企业的成本结构、盈利模式和现金流状况等，进而支持企业进行更为精准的价值评估和管理、预测不同业务场景下的财务表现，并基于这些分析提出优化成本结构、提升盈利能力、加强风险管理的策略建议，在企业价值创造过程中发挥更积极的作用。在多场景模拟推演方面，大模型可以对历史数据资料和实时数据进行深度学习，以获得更加深度和广度的视角，不仅能够识别出数据中的潜在趋势和模式，还能对可能出现的异常情况进行预警，并提前制定应对策略。这使得会计部门能够制定出更加科学和前瞻性的策略，使其逐步成为企业战略决策的重要支撑点[3]。
NO.2
Response strategy
应对策略
（一）从工具到战略，全面拥抱大语言模型
企业正从业务流程自动化、数据分析能力升级到战略决策支持等多个层面，逐步实现数字化转型。大语言模型不仅是一种工具，更是一种战略资源。企业需要具备AI应用能力的复合型人才，同时优化业务流程，将大语言模型与现有财务系统深度融合，以提升运营效率和决策质量。
（二）从技能到思维，构建AI时代的核心竞争力
对于会计专业的学生而言，大语言模型的普及既是挑战，也是机遇。传统的会计技能，如账务处理、报表编制等，正在被自动化工具逐步取代。因此，会计学生需要从技能型人才向思维型人才转型，培养数据分析、战略决策和AI应用等核心能力。以下提出三点建议。
第一，掌握大语言模型的基本原理和应用场景，理解其在会计领域的潜力与局限；
第二，提升数据分析能力，学习如何利用大语言模型进行数据挖掘、预测分析和可视化呈现，为决策提供支持；
第三，培养战略思维，理解企业财务管理的全局视角，学会从数据中洞察业务机会和风险。
（三）大模型赋能财务人员数智化能力提升机制与路径
具体来说，大模型对于财务人员的赋能可以从以下五个工具展开。分别为Python、SQL（Structured Query Language，结构化查询语言）、BI（Business Intelligence，商业智能）、ML（Machine Learning，机器学习）与 NLP（Natural Language Processing，自然语言处理）[4]。下面分别展开。(上下滑动查看）
1. 大模型与python
以处理Excel数据为例，具体流程如下：用户将业财数据上传至大模型交互界面（如DeepSeek），通过自然语言指令触发初步数据分析；随后大模型根据清洗、统计、可视化或报告生成等需求自动生成Python代码（如Pandas数据清洗、Matplotlib图表绘制、PyPDF2执行PDF财务文档的合规性封装）；用户将代码部署至Anaconda/PyCharm等环境执行，若运行异常或结果偏差，可将错误信息反馈至大模型进行代码动态调优，循环迭代直至生成符合业务目标的分析报告与可视化成果。
2.大模型与SQL
大模型对财务人员处理数据有诸多助力。它能解析原始脏数据生成自动清洗数据的 SQL 语句，还协同 SQL 进行规则修正、数据质量与联通情况检查及数据治理报告输出。同时，帮助财务人员熟悉数据治理流程、制定数据标准，检查数据安全性与完整性。此外，通过与 SQL 编辑器互动及和 Python 交互，大模型可作为财务人员的代码编写小助手，协助编写代码、查核错误代码。
3.大模型与BI
大模型与 BI 结合可大幅提升业财数据可视化与溯源分析能力，主要体现在以下两个方面：一是大模型辅助 BI 工具操作。财务人员可依业务需求生成提示词，连同数据结构一并提供给大模型，大模型依此生成 BI 使用指南，财务人员按指南就能完成可视化操作。二是大模型助力溯源分析。溯源分析常需用到 BI 工具中的 DAX 函数，而大模型可协助财务人员编辑 DAX 函数，进而实现业财数据溯源分析。
4.大模型与ML
大模型与机器学习结合可提升预测与决策能力，主要体现在三方面：一是大模型能根据业务需求和数据特征选择适合的机器学习模型，并比较运行时的拟合度等指标，确定最优方法；二是它能自动生成机器学习模型运行所需的 Python 代码，包括特征工程、训练集划分、拟合度检验等；三是当财务人员对机器学习不熟悉时，大模型可完成模型的参数调优与优化工作，助力他们将机器学习等 AI 技术应用于预测与决策场景。
5. 大模型与 SQL、NLP
大模型与 SQL、NLP 的结合为智能审计能力的提升开辟了新路径。首先，大模型的自然语言处理能力使财务人员能够直接通过自然语言提问，解决诸如差旅报销单稽核审计、报销制度优化等日常财务审计问题。其次，在数智化审计场景中，大模型与 SQL 结合，财务人员可以利用大模型生成用于异常点查找的 SQL 语句，实现全样本数据审计；与 NLP 结合，则可生成针对合同文本、报销单据等非结构化数据的 NLP 相关 Python 语句，运行文本分析模型识别异常信息。最后，针对数据保密性需求，财务人员可上传样例数据或脱敏数据至大模型，由大模型生成代码后，在本地 Python 编译器等数智化工具中运行，确保数据分析功能与效果的同时，降低数据安全风险。
