AI 财务落地要做的五件事,四件都不用买软件

财政部那份意见稿（财办会〔2026〕32号）里，除了讲目标，还给单位单列了五项准备工作。反馈截止 10 月 20 日，很多人只盯着"数智化"三个字，把这五项略过去了。

但真正决定成败的是这五项。系统选错了可以换，数据链没摸清、边界没划好，上线之后返工的代价要高得多。

而且注意一个比例：五项里只有一项真正跟 AI 有关，前两项跟技术基本没关系。

顺序也值得留意。文件的排列不是随意的——先摸数据、再划边界、然后评估 AI、最后配权限和保质量。倒着做的企业很多，做完再回头补前面几步，代价通常是重来一遍。

之所以值得把这五项单独拆开讲，是因为政策文件通常只给方向、不给动作。而这一次，随文附上的起草说明里罕见地给出了具体建议——单位在研究这份征求意见稿时该先做什么、该想清什么。从数据链一直讲到数据质量，五条。

它们是整份文件里最容易落地、也最容易被略过的部分。

一、第一件事：把数据从哪来说清楚

文件要求梳理业务与会计数据链——采购、销售、资产、人力、资金、税务系统产生的数据，最终怎么进总账、怎么进报表，要形成一张可追踪的流程图。

不是画个大概，是"可追踪"：每个关键字段要有明确的来源、定义、责任部门和修改权限。

文件里有一句话非常实在：如果同一个指标在不同系统口径不一致，应该先统一数据字典，而不是依靠报表环节人工调整。

翻译过来就是：报表上那个数对不上，你在 Excel 里调一下让它平了——这个动作本身，就是在把问题往后推。

举个几乎每家都有的例子。销售系统里的"收入"，按发货时点确认；财务系统里的"收入"，按验收时点确认；到了管理报表上，为了跟业务部门对得上，做表的人手工调了一笔。这笔调整没有任何记录，下个月换了个人做表，他不知道为什么有这个数，于是继续沿用。

三年之后，这张管理报表上有一串没人说得清来源的调整数。而它正在被用来做定价决策。

手工时代，口径混乱的代价止步于你那张表：错了，你自己知道，改一改还能对上。自动化之后不一样了——错的口径会顺着流程一路传下去，进多个报表、多个分析模型，而且传得更快。机器不会怀疑数据，它只会忠实地放大。

所以第一件事不是比价选型，是坐下来画出那张流程图。

画的时候你会遇到一个信号：如果这张图画不出来，或者画出来发现有三个版本，说明企业自己也没完全搞清数据是怎么流的。这时候上任何系统，都是在给一个不清晰的东西加速。

统一数据字典听起来工程浩大，其实不必。做法是选二十个真正出现在报表里的核心字段——收入、成本、存货、应收、应付、费用、税金——每个字段写四行：叫什么、由哪个系统产生、口径怎么定义、谁有权修改。二十个字段，一张表，一个下午能出初稿。

难的不是写，是坐下来定。因为定口径必然要拉上业务部门，而业务部门的第一个反应通常是"我们一直这么算的"。这时候你需要的不是技术方案，是一句能说服人的话：这个口径今天不定，以后所有自动生成的报表都要人工再对一遍。

二、第二件事：写清哪些事机器不能碰

第二项是明确自动化处理边界。

文件认可自动制证、自动对账、自动生成报表能减少重复劳动，但划了一条线：会计政策选择、重大估计、异常交易判断和期末调整，仍然需要专业人员审核。

落地动作是列三张清单：

- 哪些规则可以由系统稳定执行 - 哪些事项必须人工复核 - 哪些重大判断要提交管理层或治理层审批

这三张清单才是"AI 财务"真正的设计图。

它解决的其实是一个很现实的问题：上线之后，谁签字。

很多企业上系统时跳过这一步，结果把该人管的也交了出去。系统给一个结论，没人负责就被采纳了；等审计问起来，回答"系统自动算的"——这不是免责理由。前面那份文件写得很清楚，责任要落到人身上。

三张清单还有个隐藏好处：写完之后，你就知道自己岗位里哪部分在升值、哪部分在贬值。

这里有个可以自己动手的判断标准。把你手上的一件事拿出来，问两个问题：输入是不是稳定的？输出是不是确定的？

两个都"是"，属于第一张清单，会逐步交给系统。比如按固定模板录入凭证、按固定口径导数据、按固定格式出表。

只要有一个"否"，就落在第二或第三张清单里。比如一笔说不清的支出该记哪个科目、一个新业务的收入怎么确认、业务部门报上来的数字明摆着不对但对方坚持——它们的共同点是，判断依据不在规则里，而在你对业务的理解里。

规则可以写进代码，理解不能。

顺带说一句，这三张清单不是一次定死的。业务在变，规则也在变——今年只能靠人判断的事，明年可能就有了稳定的规则；反过来，政策一调整，原本能自动跑的规则可能要收回人工。

所以清单需要定期复检。文件没写复检周期，但经验上跟着会计政策调整的节奏走比较合适：每年准则、税法有变动的时候，顺手过一遍这三张清单。

清单的本质不是限制，是把"谁来负责"提前说清楚。 提前说清楚，比事后追责便宜得多。

最后提醒一句粒度问题。三张清单分得太粗等于没划，分得太细维护成本高于收益。经验法则是：每张清单控制在二十条以内，每条都对应一个明确的岗位或角色。

三、第三件事：AI 的输出要能复核、能追溯

第三项是评估人工智能输出的可靠性。

文件承认生成式 AI 可以用来检索制度、归纳文本、辅助分析，但也点明了风险：可能事实错误、口径混淆、来源无法追溯。

对应的要求是：涉及记账、披露、税务申报和经营决策的结果，必须由具备相应职责的人员复核。

同时要留存记录——提示词、模型版本、数据来源、人工修改痕迹，全都要留，目的是出问题时能追到责任。

这条要求听起来在约束 AI，其实是在保护复核的人。它把"有人复核过"写成了流程里的必要环节，而不是可有可无的加码。

现实数据也支持这种谨慎。一份面向百家中型企业 CFO 的调研显示，79% 的 CFO 已经把至少四分之一的会计工作交给 AI 智能体，28% 交了一半以上；但同一批人里，86% 遇到过不准或幻觉的数据，只有 55% 表示基本信任。

干活的比例很高，信任的比例很低。中间那道落差，就是人的复核。

有家企业的做法值得一提。惠普企业（HPE）的 CFO 团队与咨询机构、芯片厂商合作开发了一套用于财务报告的生成式 AI 工具。这套工具最被看重的能力不是速度，而是"确定性输出"——同一个问题，每次都返回同样的答案。据公开报道，它把 HPE 的财务报告周期缩短了约 40%，更重要的是解决了企业级 AI 最头疼的问题之一：答案飘忽。

在企业财务里，可重复比聪明重要。 一个时对时错的模型，比一个稳定但保守的规则引擎更难用，因为你不知道什么时候该信它。

复核这件事落到操作上，要回答两个问题：复核什么、复核多少。

涉及披露和申报数字的，逐项核，这是底线。其余可以按风险分级抽检：金额大的、非经常性的、口径有争议的，比例高一些；常规的、金额小的、历史口径稳定的，可以低一些。

关键是抽检这件事本身要留记录，而且记录能追到具体人。不是为了追责，是为了在有人质疑的时候，你能拿得出东西。

四、第四件事：权限别连成一条线

剩下两项，特别容易被当成"IT 的事"跳过。

第四项是权限与职责分离。

系统把多个流程连通之后，一个账号可能同时拥有录入、审批、修改、导出四种权限。手工时代这不算什么，因为流程之间有物理隔离——录入的单子要走纸质审批，改过的凭证要留痕，导出数据要经人手。系统里没有这层隔离，风险就被放大了。

文件的要求是最小必要原则配权限，对主数据、会计科目、计量规则和报表模板的修改设置审批，并且定期检查离职、转岗人员的权限是否及时回收。

最后半句最容易被忽略。系统上线时权限配得很仔细，一年后人员流动了一轮，没人回头清理——离职半年的前员工账号还开着，这在审计里是很严重的问题。

配置权限时有个自查方法：把每个角色的权限列出来，然后问一句"这个人能不能独立完成一次舞弊而不被发现"。如果答案是"能"，说明职责分离没做到位。

权限还有一层隐性成本：配得太松会出事，配得太紧会拖慢业务。常见做法是按"金额 + 业务类型"两个维度分级——小额常规业务走自动审批，中额业务走二级复核，大额和非标业务走集体决策。分级标准要落到纸面，别停在口头约定。

五、第五件事：数据别带病上线

第五项是关注数据质量。

文件的原话是：错误或不完整的数据进入自动化系统后，可能被更快地传播到多个报表和分析模型。

这条没有捷径，本质上是回到第一件事——把口径、来源、责任搞清楚。区别只在于：手工时代出问题是一张表错，自动化时代是一组报表一起错。

数据的质量是复利。 干净的底稿每用一次都在产生价值；脏数据每用一次都在制造新的错误。

前面提到的那家能源央企，共享中心改造后审核结论的采信率能做到 90% 以上，靠的不是模型有多先进，而是规则直接从制度文档生成、每条审核意见都能一键溯源到制度原文。

没有干净的数据和清晰的制度，再强的模型也只是把混乱自动化了一遍。

数据质量最容易出问题的地方，往往不是"错"，而是"不一致"。

同一个客户在三个系统里有三个名字，同一笔业务在不同报表里是两种口径，同一个指标这个月按含税算、下个月按不含税算。这些都不会报错，系统照跑不误，但结论会悄悄偏掉。

最危险的数据问题，是那些不报错的。

所以第五件事的落脚点，是把"看起来没问题"变成"确认没问题"——靠的不是反复抽查，而是把口径写下来、把来源标清楚、把责任人定下来。

文件把数据质量放在五项准备的最后一位，不是因为它最不重要，恰恰相反——它是前四项的结果。 数据链清楚了、边界划对了、输出可追溯了、权限收住了，数据质量自然往上走。反过来，前面四项做得再漂亮，只要数据本身是脏的，所有结论都不可信。

写在最后

把五项准备连起来看，顺序其实很清楚：

先弄清数据怎么流，再划清机器做哪些、人做哪些，然后才让 AI 上场，同时给它配好复核和留痕，最后用权限和数据质量兜底。

四项在技术之外，只有一项涉及 AI 本身。

这大概也是这份文件最有价值的地方——它没有把数智化讲成一次采购，而是讲成一次流程改造。

采购可以花钱买，流程改造只能自己走。而流程改造的第一步，往往就是那张画不出来的流程图。

下一篇，我们把镜头拉回个人：这份文件里其实藏着三个动作，今天下班就能开始做。