将公司内部的隐私数据上传并共享给AI大模型及其用户。这种设定显然不适合企业使用。

我们需要“部署”和“训练”自己的“垂直模型”-一个既能够进行问答推理，又能够积累自身数据的专属模型。那么，如何训练一个属于我们自己的“大模型”呢？

01 部署本地AI

第一步是选择一个可以部署在本地服务器上、不对外开放的“大模型”。

你可以将类似的开源“模型”类比为计算机端的开源Linux系统或手机端的Android 系统，这样更容易理解。在国内，知名的开源模型有“DeepSeek”和“清华智谱”，在国外，则有“LLAMA”等。

这些支持本地化部署的开源模型，其能力并不逊于以ChatGPT为代表的云端模型。然而，在实际应用过程中，还是会遇到一些问题：以ChatGPT为代表的云端大模型，因拥有大量用户，能够不断积累数据，从而优化自身的“回答”能力；而本地模型的优化则需要配备能力较强的技术人员进行持续迭代更新。

当然，仅“部署”本地模型还不够。本地模型部署完成后，我们拥有的是一个“上知天文、下知地理”的超级“大脑”，但它并不了解公司的具体业务。

02 训练本地模型

我们需要整理大量的“语料”用于“投喂”模型，这实际上是对公司内部业务和财务数据进行整理和梳理的过程。

例如，对各种财务政策、规章制度和文件进行整理与梳理，甚至去除其中自相矛盾的部分。还需要将过去报销的资料、单据等一一规整，并最终整理成完整可用的数据库。工程师通过对模型进行训练，使其具备垂直领域的理解、思考、推理和判断能力。

经过半年的“部署”和“训练”，我们最终打造出专属的专业财务机器人，即所谓的“垂直模型”。经过反复测试和微调，机器人在回答规章制度相关问题时，准确率已超过90%，且每次回答的表述和结论基本一致。

03 机器人何时上岗

然而，仍有人质疑：当前问答机器人无法达到100％的准确率，10％的误差可能会带来困扰，这是否意味着它尚不适合投入生产环境供客户使用。

第一，人类员工同样无法做到100％的准确率，100％的准确率只是我们追求的理想目标。

第二，利用机器人回答内部流程的问题，既可以帮助员工快速准确地找到答案，还能够定位答案的出处，由于仅涉及内部流程的执行，尽管有可能存在一定误差，对外部也不会产生重大影响。

第三，这种误差通常在可接受范围内，并且在后续流程的审核中往往能够被发现并纠正。

第四，由于机器人保存了每次回答的记录，财务专家可以每天跟踪这些记录，事后修正模型回答中的错误。随着时间的推移，模型的回答将会越来越精准。

需要强调的是，基于这一逻辑，模型始终无法实现100％的准确率，只能无限接近100％。事实上，这与人类大脑的能力类似-绝对的准确性是无法实现的。

财务部有哪些有用的机器人呢？今天我来分享5种：

01 合同审核机器人

在过去的一年里，我们开发了一个特别有意思的应用-合同审核机器人。在财务作业的诸多环节中，已经大量采用了自动化方案，例如现金管理、应收账款管理、报销管理，乃至报表管理等。然而，在整个财务作业流程中，唯独采购环节仍完全依赖人工审核和处理，这是我们一直希望有所突破的领域，而大模型恰好为我们提供了帮助。

02 查询类机器人

常见的查询类场景包括银行余额查询、科目余询、发票查验等。基于查询类财务机器人，还可扩展出处理银行余额调节表、费用报销等相对复杂业务需求的财务机器人。例如，银行余额调节表机器人可自动登录财务系统下载银行科目余额表，以及自动登录网银下载银行交易流水，然后将银行科目余额表与银行交易流水进行逐一比对，筛选出各类未达账项，并自动生成银行余额调节表。

03 报送类机器人

常见的报送类场景包括纳税申报及其他监管申报等。报送类机器人在报送环节之前，通常需要完成报送数据的采集和整合工作。以纳税申报机器人为例，若企业具备完善的税金管理系统，机器人就可以自动从税金管理系统中获取各种纳税申报表，然后登录各地的纳税申报网站，自动完成各个申报表及其附表的填报。若企业没有税金管理系统，机器人也可以直接从财务系统中获取。

财务数据，根据相应的计算规则生成增值税申报表等各种纳税申报表，再登录纳税申报网站完成填报工作。在最终的申报确认环节，通常需要人工介入，进行复核、确认并提交。

04 操作类机器人

常见的操作类场景包括业务单据处理、凭证总账处理、付款流程审批、费用报销审批等。操作类机器人主要用于替代人工完成一些规则明确的业务操作流程，例如各种基于业务系统的操作和审批流程。操作类机器人通常还会结合数据获取、数据核对与校验等功能，以实现付款审批和费用报销审批等较为复杂的业务操作流程。

以费用报销机器人为例，该机器人可自动登录企业的费用报销系统，打开电子费用报销单及对应的发票附件以获取报销单信息，并通过光学字符识别技术识别发票信息。同时，它还可登录税务局网站查验发票真伪，核对抬头、识别号、销售方信息等是否规范，并检查报销金额、付款明细及合计是否与报销单一致。若真实性、合规性及一致性均无误，机器人会自动审批该报销单，并生成费用报销数据汇总表，通过邮件发送给相关财务人员。对于审核中发现问题的报销单，则会转交财务人员进行人工处理。

05 分析比对类机器人

常见的分析比对类场景包括各种对账和报表处理等。分析比对类机器人通常结合数据获取、数据核对与校验等功能，以应对相对复杂的对账和报表处理任务。

以对账机器人为例，该机器人在财务机器人中应用广泛，适用于多种财务对账场景，例如企业内部的业务账与财务账核对、总账与银行流水核对，以及企业与客户及供应商之间的往来账务核对。对账场景的复杂程度主要取决于其对账逻辑的复杂程度。无论对账逻辑复杂与否，其主要流程都基本为“数据下载一数据整合比对一对账结果（报告）发送”。

从目前的案例分析来看，对账机器人的对账实现率难以达到百分之百，因为企业的实际业务场景通常较为复杂，尤其是在与供应商或客户对账时，会受到账期、损耗、商业折扣等因素的影响，可能出现一对多甚至多对多的情形。这时，需要详细梳理所有可能出现的对账逻辑。例如，对账时应确定有哪些对账维度，哪些是关键对账维度等。

随着财务AI的不断发展，未来财务管理人员将拥有三重身份：数据科学家、业务合作伙伴和战略领导，财务管理工作也将聚焦于三个主要领域。

财务管理人员的三重身份

01 数据科学家

财务管理人员的第一重身份是数据科学家（Data Scientist）。首席财务官及其团队是企业内部最适合承担数字化转型责任的团队。很多人会产生疑问：为什么不是由IT部门，而是由财务部门来推动企业数字化转型呢？

财务人员更关注数据本身的价值，而IT部门则更关注承载数据的容器，双方侧重点不同。

数字化转型本质上是“数据革命”而不是系统升级。

因此，财务管理人员将担当起企业数据管理的职责，包括数据治理、数据计划、数据结构设计和数据应用。

财务管理者必须承担起企业数据科学家的职责，打通企业内外部数据，建设企业数据平台，通过数据研究与分析发掘商业机会。

02 财务BP

财务管理人员的第二重身份是财务业务合作伙伴（Business Partner）。在打通企业内外部数据，完成企业数据平台后，财务组织已基本完成“业财融合”的重要基础-“业财数据打通”。

接下来，财务组织需要进一步转型，通过挖掘和分析业务数据，梳理经营理念，发现数据价值，进而创造新的业务模型、商业模式和财务规划模式，成为管理层的业务合作伙伴。

03 战略领导

财务管理人员的第三重身份是战略领导（Strategic Leader）。财务管理人员在完成数据科学家和业务合作伙伴的转型后，应着眼于企业价值创造，识别并挖掘企业发展的无形驱动因素，通过动态的数据分析和报告，协助管理层创造新的增长曲线，快速提升企业绩效，同时预警风险，避免不必要的损失。

中国财务组织架构与运作模式