21世紀經濟報道記者 陳植 上海報道

隨著GPT技術興起，大模型與企業財務管理場景的融合日益緊密。

(相關資料圖)

過去一個月，用友、金蝶先后發布基于涵蓋企業財務管理的大模型產品。

用友網絡董事長兼CEO王文京向本報記者介紹，與單一領域的企業服務大模型不同，用友企業服務大模型產品YonGPT覆蓋財務、人力資源、營銷、研發、采購、制造、供應鏈、資產營運等多個場景，是具備多領域綜合智慧的企業服務大模型，滿足企業數智化轉型征途所需的業業融合（如產銷協同）、業財融合（如智能定價）、業管融合（如即時績效）等需求。

在王文京看來，隨著數智化轉型的推進，企業不僅需要數據服務，還重視智能化業務運營，用友企業服務大模型在智能經營分析、智能生成銷售訂單、智能人才招聘、智能辦公、智能化知識服務等方面具有廣闊的發展空間。

記者多方了解到，目前大模型技術在企業財務管理場景的價值，主要體現在四大方面：

一是財務風險評估，利用大模型對企業的財務數據進行深度學習，可以快速準確地評估企業財務風險；

二是優化財務預測，基于大規模深度學習模型的財務預測，可以為企業提供更準確的未來財務狀況預測，包括預測企業未來的收入、利潤、現金流等關鍵財務指標

三是財務決策指出，大模型可以通過對企業財務數據與市場信息的深度學習與分析，為企業優化資金管理效率提供建議，幫助企業達成財務目標與優化財務績效

四是財務欺詐檢測，大模型可以通過對財務數據進行深度學習與模型識別，幫助企業及時識別財務欺詐行為，包括對財務報表、交易記錄進行分析，大模型可以及時發現異常模式與規律，識別出潛在的財務欺詐風險，并提供預警與防范建議。

目前，不少企業對引入財務大模型與企業服務大模型頗感興趣。究其原因，一是在實際操作過程，企業財務人員對有些會計準則與會計處理不夠熟悉，容易出現操作錯誤，導致企業財務管理效率偏低，但大模型通過人機交互及時解答相關會計知識與以往企業會計操作案例，能有效降低操作出錯幾率；二是大模型可以迅速匯聚企業各方面的經營數據，提升企業管理層的經營決策效率。

在中國科學院院士何積豐看來，面向企業的大模型建設難度，不亞于通用大模型。究其原因，一是企業服務大模型更考驗研發機構對企業業務場景的觸達與理解，以及對各個產業的數據積淀與運用能力；二是企業服務大模型除了具備通用大模型的一些能力，還需要源源不斷地引入高質量產業數據與行業知識圖譜，才能滿足不同企業差異化的數智化業務管理與財務管理需求，這令企業大模型對產業知識的理解力要求更高。

一位ERP軟件研發企業負責人向記者直言，這的確給財務大模型與企業服務大模型帶來更嚴峻的挑戰。首當其沖的，就是大模型訓練的行業數據與企業數據未必齊全，因為有些企業基于商業機密與相關規定的要求，未必能提供所有的企業業務數據與財務數據，導致大模型AI生成內容與預期會存在一些落差。要解決這個問題，一是大模型需引入更豐富的產業行業知識圖譜，填補某些企業數據不足的短板；二是持續與企業加強信任感，吸引他們愿意提供更多數據，提升大模型的訓練成效。

大模型試水財務管理的挑戰

一位企業財務總監向記者透露，企業服務大模型與財務大模型剛面世，的確令他“眼睛一亮”，因為他希望大模型能解決企業財務管理環節實實在在的痛點。

具體而言，由于行業快速發展與市場競爭瞬息變化，企業管理層迫切需要實時掌握企業經營狀況與財務數據變化，從而快速優化經營決策。但是，傳統的財務經營分析方法仍高度依賴人工處理統計，不但效率低下，且容易產生偏差，令企業管理層相當不滿。

但他直言，在企業服務大模型與財務大模型被證明“行之有效”前，他不敢貿然引入這款產品。

他眼里的“行之有效”，主要集中在四大方面：

一是在智能化業務運營方面，大模型能通過強大的數據分析和預測能力，深入洞察企業運營、識別潛在的業務風險和機會，并提供智能化的解決方案。

二是在人機交互方面，大模型能與企業財務人員開展自然流暢的“對話交流”，解決財務人員提出的諸多數據收集、會計準則如何準確應用等問題，助力前者高效完成工作。

三是知識生成方面，大模型不但能提供結構化數據的提取整合梳理分析，還能對非結構化數據（包括企業規章制度的文字表述、以往會計處理案例的文字內容等）進行識別，從而生成新的高價值知識內容，令企業能充分使用自身知識儲備與行業經驗，大幅提升工作效率與決策準確性。

四是在內容應用生成方面，大模型能對企業需求、企業業務與數據特征有著深入理解，可以自動生成一些具有語義化能力的應用程序，提升企業個性化應用服務的創建效率。

用友網絡執行副總裁兼CTO樊冠軍表示，這都需要大模型研發機構積累足夠多的不同行業財務管理服務經驗與知識圖譜。目前，該公司以35年服務數百萬企業所積累的行業知識經驗為基礎，結合企業應用場景和行業領域經驗，標記大量企業服務語料數據，從而形成企業服務大模型訓練素材，再將業務知識與行業領域經驗融入企業服務大模型，確保大模型的專業性與實用性。

他透露，通過上下文記憶、知識/庫表索引、Prompt工程、Agent執行、通用工具集等擴充大模型的存儲記憶、適配應用和調度執行能力，再結合財稅、人力、供應鏈、研發等領域的知識和最佳實踐擴充大模型專業能力，目前已基本構建了體系化的企業服務大模型。

“通過初期實踐，我們發現大模型要滿足企業數智化轉型的不同智能化經營需求，仍需對大模型做好持續性精調、提升大模型評估優化、大模型推理與插件服務等功能。”樊冠軍向記者指出。比如不少企業在招募員工時，會考察相關職位所需的學歷與專業技能，這就需要大模型通過插件服務引入外部知識圖譜，以便企業更全面地了解這位職位的學歷要求與專業技能文憑等。

記者獲悉，目前用友、金蝶等大模型產品已在企業諸多財務管理等場景得到應用。比如YonGPT在企業經營洞察、智能訂單生成、供應商風控、動態庫存優化、智能人才發現、智能招聘、智能預算分析、智能商旅費控、代碼生成等場景有所布局。

在上述企業財務總監看來，這些大模型應用能否普及，關鍵在于它能否解決企業數智化轉型的諸多業務挑戰。比如基于大模型的企業收入經營分析工具，能否幫助企業管理層實時掌控經營狀況、快速洞察經營問題所在并精準預測企業效益變化；再如能否快速解決企業財務人員對會計準則應用與企業會計操作的諸多疑惑，令知識更好地賦能工作效率提升。

王文京表示，目前發布的用友企業服務大模型處于1.0階段，未來企業將持續迭代訓練YonGPT，不斷豐富基于大模型的各類企業服務，助力企業數智化轉型與智能化運營“提速”。

企業核心數據獲取“挑戰”

在業內人士看來，盡管大模型在企業財務管理與企業智能化經營服務領域的發展前景廣闊，但它能否發揮100%的效果，仍取決于數據全面性與數據質量。

“大模型的一大核心基礎，就是數據。一旦企業或行業數據不夠全面，大模型AI生成的內容就將受到諸多局限，效果也大打折扣。”前述ERP軟件研發企業負責人向記者直言。但在實際操作環節，有些企業基于商業機密與相關規定要求，未必能提供全面的業務、財務核心數據用于大模型訓練，導致大模型訓練效果與企業預期存在一定的“落差”。

面對上述挑戰，一些財務大模型研發機構只能另辟蹊徑。一是收集大量行業財務管理知識經驗與財務處理實踐案例進行“填補”，作為大模型訓練的重要語料素材，但此舉收效如何，仍存在一些變數。畢竟有些企業存在獨特的財務管理與會計處理要求，未必與大模型訓練結果“相匹配”；二是“虛構”一家企業進行模擬運營，由后者每天產生大量財務數據與業務數據，作為大模型訓練的語料基礎，此舉的好處是可以涵蓋不同行業企業的各類財務管理與會計處理規則，令大模型的適配性更強，但它需要的數據訓練量與訓練成本更高，令大模型研發者的財務負擔更大。

于是，一些中小型財務管理軟件公司干脆研發聚焦某些細分財務場景的大模型產品。比如市場已出現專注智能報稅的大模型產品，究其原因，以往眾多小微企業都是通過第三方代理機構完成報稅，但在實際操作環節，由于不同企業的報稅流程與數據不一，第三方代理機構財務人員的工作效率相對較低，每個人只能服務數十家小微企業。

若通過大模型智能報稅產品，這些第三方代理機構財務人員就能迅速解決小微企業報稅流程的某些疑惑，加快小微企業財務數據收集整理效率，令他服務小微企業的數量成倍增加，既提升了企業業務規模，又降低小微企業的報稅外包成本。

上述用友人士告訴記者，通過廣泛調研，他們發現眾多企業對企業服務大模型與財務大模型的使用訴求，首先是業務經營，其次是財務管理，再次是人力招聘等。

“在業務經營端，不少企業特別看重大模型對企業業務經營的診斷能力，比如大模型通過行業數據采集分析，發現某行業人均產能為100萬元，那些人均產能只有70萬的同行業企業就對大模型給出的各類數據進行比較，分析人均產能低于行業平均水準，到底是企業生產管理流程出現短板，還是人員能力培訓方面存在不足，以此制定相應的解決方案。”他透露，在財務管理端，不少在境內外上市的企業需要根據不同的會計準則，做好相應的財務信息披露。但在實際操作環節，企業財務人員未必了解境內外不同會計準則的差別，容易在會計處理方面出現差錯，大模型可以通過AI自動生成知識圖譜，幫助他們了解不同會計準則的處理方法，提升企業財務數據的準確性。

在他看來，大模型產品要成功應用在企業數智化經營與智能財務管理場景，仍有很大上升空間。一方面企業服務大模型需在智能化業務運營、自然化人機交互、智慧化知識生成、語義化應用生成四個方面推進模型訓練與效果優化，持續深入到企業業務前端的價值鏈與全場景，成為“更懂企業”的大模型，另一方面大模型還需不斷提升訓練效率與優化成本，集成更豐富的開發工具與算法優化，通過大模型精調、大模型評估優化、大模型推理和插件服務等，持續滿足企業數智化轉型過程的新需求。

關鍵詞：