ARTICLE · 1157847

连数都算不对的 AI,拿什么取代会计

发布时间：2026-10-11 19:02:20 最近访问：2026-10-11 19:02:21

连数都算不对的 AI,拿什么取代会计

一档音乐综艺带火了一个意想不到的议题：13.8% 和 13.11% 的得票率，哪个更高？

这道小学生都知道答案的题，难倒的不是观众，而是当时市面上 12 款主流大模型——ChatGPT-4o、Kimi、智谱清言、阶跃星辰、百川……统统答错。

同年高考季，有人把大模型拉去做高考卷：语文、英语普遍还不错，数学全部不及格，最高分 75 分。

于是那句流行的嘲讽就有了：

连数都算不对的 AI，拿什么取代会计？

这个问题问得漂亮，但问偏了方向。

今天这篇，我想把它拆成两个真问题：

一、AI 为什么连数都算不对？

二、会计这个职业，到底是不是靠"算数"活着的？

把这两个问题答清楚，"AI 会不会取代会计"的答案，自己就会浮出来。

一、AI 为什么数算不对：它不是计算器，是"猜下一个词"

要理解这件事，先得破掉一个直觉：我们总以为大模型是"知道答案"，其实它是在"猜下一个最可能出现的词"。

1. 它体内没有"算术电路"

计算器里有专门的算术逻辑单元（ALU）。你按 847 × 523，它执行的是一段确定性算法，同样的输入永远给同样的输出，数字再大也不会错——因为它根本不"理解"数字，只是忠实地搬运。

大模型不一样。它没有乘法电路，没有进位器。它做的是：给定前文 847 × 523 =，在几十亿条文本模式里找——"这个位置，通常跟哪个 token？"

所以：

• 常见算式几乎总对，因为 7 × 8 = 56 在训练数据里出现得足够频繁，概率极高；
• 罕见算式只能靠蒙，因为训练集里压根没有这道题的答案。

2. 数字在它眼里是"碎片"，不是"数"

这是最要命的一环——token 化（Tokenization）。

模型处理文本的最小单位是 token，不是字，更不是"数"。很多分词器会把 1234567 切成 123、456、7 这样的碎片。这意味着：

• 它眼里没有"一百二十三万四千五百六十七"这个整体，只有三块互不相干的字符串；
• 人类做多位数乘法要"对齐、进位、查九九表"，它没有任何执行器，只能在 token 序列里找"看起来像答案"的形状。

有一篇技术解析总结得极精准：

六位数乘法，它常常头尾算对、中间那几位凭空编造——因为头尾在数据里见过，中间那几位，是它"补"出来的。

3. 错误会沿着链条滚雪球

数学推理是一步扣一步的。而大模型每一步，都只是"选概率最高的 token"。

哪怕每一步正确率高达 95%，20 步之后整体全对的概率也只剩约 36%（0.95²⁰ ≈ 36%）。

这就是为什么它写诗一气呵成，做题却越算越偏——它没有"回头验算"的能力，错了就顺着错下去。

4. 它没有"不确定感"

最反直觉的一点：算错的时候，它比算对的时候还自信。

因为它输出的是"最可能的 token 序列"，不是"我算过了"。它不会脸红，不会犹豫，不会说"这题我没把握"。

中国科学院大学团队的一项综述就指出：即便在 MATH、GSM8K 这类奥数级基准上表现亮眼，前沿模型依然会稳定地在多位数加法、数量级比较、分数、科学计数法上翻车——而且翻得很自信。

5. 业界的解法：不是教它算，是给它"手"

既然大脑天生不擅长精确计算，工程界早就不纠结了，直接给它配工具：Python 解释器、计算器、代码执行。

不教它算，而是让它调用能算的东西——这才是现在所有靠谱 AI 产品的标准做法。

小结：AI 算不对数，不是"没学好"，而是架构层面"天生如此"。它是概率生成器，不是确定性计算器。这跟"聪明不聪明"无关，是两种完全不同的机器。

二、可是——会计，早就不靠人算数了

现在把枪口调过来，问自己一个问题：

在 AI 出现之前，会计的"算数"是谁在干？

翻一翻这段历史，人会冷静下来：

• 算盘时代，会计靠手拨；
• 计算器时代，复杂乘法归机器；
• Excel 时代，一张表几秒钟算完一个月的账；
• ERP/财务共享时代，凭证、总账、试算平衡表全自动生成。

换句话说，"算数"这件事，财务人早就外包给机器好几轮了。

计算器三十年前就算得比任何会计都准——它取代会计了吗？没有。

为什么？

因为会计从来不是一门"算得快"的手艺，而是一门"说得清、担得起"的责任。

你以为会计的核心动作是"算"，其实会计的核心动作是：

• 判断：这笔支出是费用还是资本化？这个减值迹象要不要计提？
• 勾稽：有借必有贷、借贷必相等，一分钱不平就翻箱倒柜找；
• 追溯：每一个数字背后，都要有凭证、有单据、有业务实质；
• 担责：这张报表是要签字的，签了字，就要负责。

所以公众那句"AI 连数都算不对，怎么取代会计"，其实是一记空拳——它默认了"会计 = 算数"，而这个前提本身就是错的。

真正该问的是：AI 在"判断、勾稽、追溯、担责"这四件事上，行不行？

三、AI 的真正短板，是"三无"：无确定性、无追溯、无责任

如果说"算不对数"只是皮毛，那下面这三条，才是骨头。

1. 无确定性：同样的输入，不同的输出

会计的第一品质是可复现。同一张凭证，今天入账和明天入账，结果必须一模一样；审计师用同样的方法重算，必须得到同一个数。

而大模型是概率采样。同一个问题问两遍，可能给你两个答案。

一个"每次答案都可能不同"的系统，怎么进总账？

2. 无追溯：它说不清"为什么是这个数"

审计的本质是可追溯：你说利润 1000 万，那请告诉我，这 1000 万是由哪 1374 笔凭证加出来的。

大模型给出的答案，没有凭证链，没有计算路径，是一片黑箱。你问它"为什么"，它给你一个事后编出来的解释——这恰恰是审计最不能接受的东西。

3. 无责任：算错了，没有"人"来担责

这是最容易被忽视、也最致命的一点。

会计制度本质上是一套信任基础设施：复式记账法（有借必有贷）是一套自校验机制；凭证、账簿、审计轨迹是一套留痕机制；注册会计师签字，是一套责任机制。

所有设计，指向的只有一件事：当数字出问题时，要能找到"该负责的人"。

而 AI，算错了不担责，也算不了责。

一份签不了字的报表，在法律和治理意义上，等于不存在。

把这三条摆出来，结论就清楚了：

AI 与会计制度的底层逻辑，存在结构性冲突——会计要的是"确定性 + 可追溯 + 责任绑定"，AI 给的是"概率 + 黑箱 + 无主体"。这不是"再训练一版"能弥合的鸿沟。

四、那么，AI 到底会取代谁？

前面说了这么多 AI 的"不行"。但如果因此得出"AI 对会计没威胁"，那又走到了另一个极端。

真相是：

AI 取代的不是"会计"，而是"只会算数的会计"——而这个岗位，其实已经被 Excel 取代过一遍了。

把财务工作按难度分层，会看得更清楚（从顶端到底座）：

• 第四层（顶端）· 判断与担责 —— 减值、预计负债、会计政策选择、风险合规 → 人的主场，AI 只能辅助
• 第三层 · 统计分析 —— 预算分析、成本分析、异常定位 → 人机协同，AI 做初筛，人做判断
• 第二层 · 规则计算 —— 折旧、摊销、税额计算、报表汇总 → AI 有边界地接手（需规则引擎兜底）
• 第一层（底座）· 基础录入 —— 发票识别、凭证录入、数据核对 → 已被 AI 全面接管

这个分层不是我的发明。在国家会计学院层面的数智化研究中，反复出现一个判断：财务部门未来要从"算术"走向"模型和算法"——基础工作被计算机取代是必然，而"规则计算类"财务人仍有一席之地，"统计分析类"和"模型算法类"才是财务真正的新空间。

更值得玩味的是：连财务 AI 自己的产品文档，都在给 AI 划红线。

比如一套成熟的月结 SOP 里会明确写：AI 仅辅助模板检索，不可替代财务经理的减值判断与审批；待摊费用这类需要职业判断的科目，AI 禁输。

这不是保守，这是清醒——真正的财务 AI 从业者，比谁都清楚 AI 的边界在哪。

五、正确的姿势：把 AI 当"手"，别当"脑"

回到最开始的技术结论：大模型不擅长精确计算，业界的解法不是教它算，而是给它配工具。

这句话里，藏着人机协同的全部秘密：

• 要精确的活，交给确定性工具（计算器、代码执行、规则引擎、ERP）；
• 要生成的活，交给大模型（写说明、拟摘要、做初稿、给思路）；
• 要担责的活，永远留在人手里（判断、签字、审批）。

AI 应该被当成一双不知疲倦的手，而不是一颗可以托付的脑。

你让 AI 做账，就像让一位博闻强识的文豪去参加奥数——他记得所有例题的答案，却从没握过笔。

用好他的方式，不是逼他心算，而是递给他一支笔（工具），再安排一个监考老师（人的复核）。

六、给财务人的三句话

1. 别跟 AI 比算数。 你比不过它调用的计算器，它也比不过你脑子里的职业判断。这是两个赛道。
2. 去练 AI 学不会的。 职业判断、勾稽验证、业财融合、税务风控、制度设计——越往上走越值钱，AI 越帮不上忙。
3. 学会"指挥"AI。 未来财务的核心竞争力，是知道什么交给 AI、什么必须自己签字。

答案

所以，连数都算不对的 AI，拿什么取代会计？

答案是：它不必取代会计。

因为会计的护城河，从来不是算术，而是勾稽、是凭证链、是那个愿意在报表上签字的、有名有姓的人。

AI 算不对数，暴露的从来不是"它太笨"，而是**"我们一直误解了会计"——把一门关于责任、判断与信任**的学问，简化成了一道算术题。

真正会被淘汰的，不是"会计"这个职业，而是甘愿把自己活成一台计算器的会计。

而 AI 真正取代不了的，恰恰是那句最朴素的追问——

数字对不上时，该找谁负责？