一、先把场景分层：AI财务应用不是一件事，是三件成熟度不同的事
把 AI 财务应用当成一个整体来决策，是多数项目做不下去的起点。三类场景的输入数据、判定依据、误判代价都不同，可用的自动化程度自然也不同。真正的差异化不在于模型有多强，而在于一旦判错，代价由谁承担、能不能事后追回来。单据识别错了一个字段，人工改一下就行；智能审核漏放一笔违规报销，形成的是合规缺口；异常预警误报一阵，代价是团队不再相信预警，真正的问题被淹掉。
| 场景 | 输入数据 | 判定依据 | 误判代价 | 建议的放行方式 |
|---|---|---|---|---|
| 单据识别与结构化 | 发票、行程单、合同扫描件、银行回单 | 版式特征与字段抽取 | 低，错抽可人工更正 | 高置信度自动填单并提示复核，低置信度直接转人工 |
| 智能审核 | 已结构化的单据加政策规则 | 硬性规则命中加历史行为比对 | 中，漏放形成合规缺口 | 硬性规则命中即拦截；模型只做评分并按置信度分流 |
| 异常预警 | 全量历史凭证、台账与预算数据 | 统计分布与关联关系 | 高，误报会淹没真问题 | 只出线索不出结论，必须人工核实后再处置 |
这张表最实用的地方在于给出投入顺序：先把单据识别做扎实，让结构化数据的准确率稳定下来；再上智能审核，而且只上规则覆盖不到的那一段；最后才做异常预警，因为预警的效果高度依赖前两步沉淀下来的干净数据。跳过第一步直接做审核，模型拿到的是脏数据，输出再漂亮也不可用。
二、大模型财务场景：哪些交给模型，哪些必须留在规则引擎
大模型财务场景的吸引力在于它能处理非结构化内容，但财务处理有一个硬约束：结果要可复核。模型的输出是概率性的，同一份输入在不同上下文下可能给出不同表述，这与会计处理要求的确定性逻辑天然冲突。因此划边界的原则很简单——凡是需要给出唯一正确结果、且结果要经得起审计追问的环节，交给规则引擎；凡是需要理解语义、归纳口径、给出候选解释的环节，可以交给模型。
适合交给大模型的三类财务任务
- 非结构化信息抽取：从合同文本、验收说明、往来邮件里提取金额、日期、责任方与付款条件
- 口径解释与问答：把制度条款、科目说明、历史处理口径转成员工能听懂的答复，减少反复咨询
- 差异归因初筛：对账不平、预算超支、成本异常时先给出可能的成因排序，供人工判断而非直接定论
不适合交给大模型的三类财务任务
- 金额与税额计算：税率适用、含税价换算、分摊比例这类结果唯一的计算必须由规则引擎给出
- 凭证的借贷平衡与科目归属：会计分录需要可追溯的确定逻辑，不能依赖概率输出
- 审批权限与职责分离判断：涉及内控硬约束的判断必须走配置化的权限模型，模型不能成为绕开权限的通道
一个容易踩的坑是把模型输出直接写进凭证。正确做法是让模型产出建议值与置信度，由规则引擎校验通过后才落到账务，模型只做提议方，不做决策方。这样即便模型被替换或升级，账务口径也不会漂移。
三、智能审核落地：从全量拦截改成按置信度分级分流
智能审核最常见的失败姿势是」全量拦截「：所有单据都过一遍模型，模型说有问题就卡住。结果是复核工作量不降反升，业务端怨声载道，最后把阈值调松，等于没上。真正能跑起来的做法是把审核拆成规则层与模型层，规则层先吃掉绝大部分确定性工作，模型层只处理灰色地带。
- 第一步：规则引擎前置。超标、超预算、缺附件、发票重复、供应商黑名单等硬性规则先跑一遍，命中即拦截，这一段不交给模型。
- 第二步：模型只处理规则覆盖不到的部分，输出标签与置信度，不输出最终结论。
- 第三步：按置信度分流。高置信度直接放行并记账留痕，中置信度转人工复核，低置信度退回补件。
- 第四步：人工复核结果回流，作为下一轮纠偏的样本，重点统计模型放行后被人工改判的比例。
- 第五步：按月复盘分流阈值，放行率、改判率、漏放率三个指标一起看，只追放行率会把风险往后推。
| 置信度区间 | 处理方式 | 留痕要求 |
|---|---|---|
| 高 | 自动放行并进入付款流程 | 记录模型版本、置信度、命中标签，支持事后按批次回溯 |
| 中 | 转人工复核，界面给出模型理由 | 记录人工结论与模型结论的差异，作为纠偏样本 |
| 低 | 退回补件并说明缺什么 | 记录退回原因，统计高频退回项用于优化填单引导 |
另一个坑是一次性把阈值定死。业务政策、供应商结构、单据类型都会变，阈值应当是可配置、可版本化的参数，并且每次调整都要留痕——否则半年后没人说得清某笔单据为什么被放行。易报宝在实施中通常把审核规则、模型阈值与人工复核队列做成三层配置，规则与阈值变更走审批留痕，复核队列按差异类型分配，相关能力可参见产品能力说明。这样智能审核才不会变成一个黑盒。
四、留痕与数据边界：本地部署下要补的四件事
财务数据的敏感性决定了 AI 财务应用很难走公有云直连的路子。数据不出内网不只是安全偏好，更是合规要求。落地时至少要补齐下面四件事。
本地部署 AI 财务应用的四项必备建设
- AI 处理过程可追溯：每一次模型调用的输入、输出、模型版本、置信度、最终人工处置都要进日志，能还原当时的判断依据
- 原始数据不出内网：训练与推理都在本地完成，模型参数、凭证影像与台账数据都留在企业自己的环境里
- 个人信息按最小必要处理：审核涉及的姓名、银行账号、行程信息只保留业务必需字段，超出部分不进模型输入
- AI 生成内容要标识：对外输出的分析结论若由模型生成，应按规定做显式标识，避免与人工结论混淆
制度依据方面有三条值得财务负责人记住。《会计信息化工作规范》（财会〔2024〕11号）与《会计软件基本功能和服务规范》（财会〔2024〕12号）由财政部修订印发，自 2025 年 1 月 1 日起施行，前者全面要求单位统筹考虑会计信息化的系统安全、网络安全、涉密安全与跨境安全，强化会计数据在生成、传输、存储等环节的安全风险防范，后者要求会计软件保证会计数据真实、完整、安全传输，满足数据保密性要求。《生成式人工智能服务管理暂行办法》（国家互联网信息办公室等七部门令第 15 号）自 2023 年 8 月 15 日起施行，其第二条明确，行业组织、企业等研发、应用生成式人工智能技术但未向境内公众提供生成式人工智能服务的，不适用该办法——这正是企业内部本地部署适用的边界所在，但训练数据来源合法、个人信息取得同意等底线要求仍应遵守。《人工智能生成合成内容标识办法》（国信办通字〔2025〕2号）自 2025 年 9 月 1 日起施行，对显式标识与隐式标识提出了具体要求，财务部门若对外发布由模型生成的分析内容，需要按此执行。
把这四件事补齐之后，AI 财务应用才具备可审计性。否则一旦被问到」这笔为什么自动过了「，既拿不出当时的判断依据，也说不清数据去了哪里，模型能力再强也无法在财务场景里长期存活。
资料来源：《会计信息化工作规范》（财会〔2024〕11号）、《会计软件基本功能和服务规范》（财会〔2024〕12号），财政部修订印发，自 2025 年 1 月 1 日起施行；《生成式人工智能服务管理暂行办法》（国家互联网信息办公室等七部门令第 15 号），自 2023 年 8 月 15 日起施行；《人工智能生成合成内容标识办法》（国信办通字〔2025〕2号），自 2025 年 9 月 1 日起施行。