多乐保皇游戏苹果版:
2025年11月9日，由中国总会计师协会（以下简称中总协）主办，《中国管理会计》杂志、中国财经出版传媒集团、上海国家会计学院协办的2025管理会计论坛在北京成功举办。来自政府部门、大型国有企业、头部非公有制企业、管理会计业界学界的领导专家，以及会员单位代表和征文作者近400人齐聚一堂，聚焦“复杂环境下企业战略与管理创新”助力经济社会可持续发展。
论坛设置了两场圆桌讨论，以“智赢未来：AI赋能管理会计，解锁数据驱动决策新潜能”为主题的第二场圆桌讨论，由上海国家会计学院智能财务研究院院长刘勤主持。上海交通大学总经济师王光艳，用友网络科技股份有限公司副总裁付建华，西安交通大学管理学院副院长、教授田高良，汇付天下有限公司执行董事兼首席财务官金源，开滦(集团)有限责任公司总会计师董养利参加讨论。嘉宾们认为，AI正从“工具辅助”走向“决策伙伴”，企业需在数据治理、组织变革、人才教育培训方面系统布局，真正的完成“数据驱动决策”。主要内容如下：
刘勤教授：刚才看到汤教授穿了红色的衣服，我顿时感到黯然失色。我们这场的圆桌主题题目是“智赢未来：AI赋能管理会计，解锁数据驱动解锁新潜能”。本来对这个题目有点忐忑，今天上午听了楼部长提出“AI+管理会计”的未来发展趋势，这个题目还是选得非常好。下面引进几位嘉宾。王光艳，上海交通大学总经济师、正高级会计师、全国会计领军人才；付建华，用友网络科技股份有限公司副总裁、财政部特聘管理会计专家（深耕企业数字化和财务智能化20年）；田高良，西安交通大学管理学院副二级教授、博士生导师、财政部全国会计名家，也是财政部全国会计领军学术类领军人才；金源，汇付天下有限公司执行董事兼首席财务官、正高级会计师、财政部全国会计信息化标准化技术委员会咨询专家，也是我们专业委员会的副主任；董养利，开滦（集团）有限责任公司总会计师、正高级会计师、财政部第四届管理会计咨询专家、国家煤炭行业高级职业经理人。
今天都是大咖，按照姓氏笔画来排序。尊敬的刘会长，各位嘉宾，各位同仁，现在正处于波澜壮阔的时代，以大模型和自然语言处理、模式识别、AI agent等为代表的AI发展浪潮，不再是远方的涛声，正以前所未有的力量重塑每个行业，每个职能的边界和内核。我们作为会计专员，肯定逃不过它的影响。在这个宏大的历史叙事当中，管理会计，企业决策的智慧大脑正站在至关重要的十字路口。人工智能正在重塑分析模式，从描述过去到预测未来，正在拓展我们的决策边界，从被动响应到主动干预，正在解放我们的专业价值，从繁重的计算中解锁，投身于更具战略性的洞察与创造。今天楼部长发出的“AI+管理会计”的号召，感觉未来的管理会计智能化发展已不仅仅是技术的升级，更是一场深刻的认知革命和角色的进化，如何将澎湃的技术势能转化为驱动企业高水平发展的确定性动能，是所有财务专员必须共同面对的时代之问。
今天主持这场圆桌讨论非常有意义。下面一同开启思想的风暴，开始深入讨论之前，请几位嘉宾分别简要分享最让你印象非常深刻的瞬间，是哪个场景让你真切感受到AI不是一个遥远的概念，而是真的能帮助会计专员更聪明工作，决策潜能被解锁的曙光。
王光艳总经济师：非常荣幸受协会和刘院长的邀请参加论坛。我一直从事高校财务管理工作，作为本次论坛唯一来自行政事业单位的代表，今天也特别荣幸有这个机会和大家进行交流。
对于高校财务管理来说，我们服务的对象，正是刚才各位作交流分享的专家学者和教授，如何提升教师满意度，让科学家、教授们能更安心地投入教学科研，是高校财务部门管理会计的核心价值追求。这就是我们和企业不太一样的地方，也是基于这样的考虑，促使我们借助现代信息技术，构建了一套比较完整的“放管服”系统。借此机会，我想分享一个让我真切感受到人工智能赋能会计工作的标志性场景——我们在2023年9月成功开发并应用了首个真正意义上的“数字员工”。
过去提到的“财务机器人”，更多是自动化程序，来替代简单重复的人工操作，提升工作效率。但是当我们开发的“会计审核数字员工”真正落地后，让我深刻意识到，AI真正替代财务工作岗位的时代已经到来。“会计审核数字员工”完全替代了会计审核岗位，无需人工干预，并能覆盖审核、复核乃至出纳的职能。它并非只是操作工具的升级，而是整合了数据、流程、政策、人工经验、风险管控策略的规则知识库和算法模型集合，同时还支持政府会计和财务会计两套准则同步记账，让我们真正意义上不再需要人工会计审核，实现了工作模式的颠覆性变革。依托我们的“放管服”系统，“会计审核数字员工”可以突破时间和空间上的限制，比如，在处理最传统的报销业务时，老师提交一张发票，系统能即时反馈是否合规、匹配适用的项目管理规则等，让师生办理财会业务时能轻松实现全程“无感”。这是让我感触最深，也离我们最近的一个应用场景。我深信，未来将有更多这样的“智能体”（数字员工）落地，由财务专员灵活调用，彻底完成工作模式的转型，实现效率的飞跃。
付建华副总裁：非常荣幸参与“智赢未来：AI赋能管理会计，解锁数据驱动决策新潜能”圆桌讨论，这一主题正是当前财务管理领域的核心关注方向。
近期，我们团队取得了一项令人振奋的成果：基于最新通用大模型（含豆包公有云端最新版本），利用服务某大型集团企业的非标附件、业务单据及文本合同等全量多模态材料，实现了其非标附件信息的智能提取。在该企业实际应用场景中，自动提取率已突破95%，这一结果让我们倍感欣喜。在企业业财管理全流程中，财务工作低效的核心卡点之一，便是各类合同单据等资料的“数字孪生”难题，这一问题在过往技术体系下始终未能有效解决。
借助通用大模型能力的跨越式提升，非标附件提取难题已取得重大突破。自年初至今，AI大模型厂商与企业数智化服务商持续联动，我们通过对某企业数十类多模态文件的测试验证，收获了极高的提取准确率。预计明年起，该技术将快速普及至更多企业管理场景，为财务工作提质增效提供核心支撑。
田高良教授：各位同仁大家下午好！我来自西安交通大学，AI时代已经来了，高校绝不能落后。但是实际上已经落后了，这样的一种情况怎么办？我今年已完成了我负责的本科课程《财务管理》和研究生课程《财务管理理论与实务》的生成式大语言模型赋能课程的改革，已经用在人才教育培训当中。DeepSeek、豆包大模型等已经用在日常的申请课题和文档处理中，人机协同效果很好。
金源执行董事：很荣幸参加今天这样的盛会。最近有一个和AI相关的比较火的词“氛围编程”（Vibe Coding），人类可以用自然语言让AI大模型帮你写代码。我最近做了尝试，在给上海交通大学全日制的会计研究生讲课时，在课堂上给了全班同学一份上市公司业绩发布会的录音，让同学们用这个Vibe Coding的方式编制一套可视化的上市公司业绩看板，结果在半个小时之内，大部分同学通过让AI写代码，做出一份很美的可视化的上市公司数据分析看板，不仅有财务分析，更不可思议的是战略分析，以及针对这家上市公司业绩情况的对策，都是让AI完成。这让我印象非常深刻，也很震撼，没想到效果这么好，不会写代码的会计专业的学生能够最终靠AI工具，把一个非常详实的业财分析用这么短的时间呈现出来。上午楼部长讲到，未来管理会计+AI是核心战略。如果一个会计专员把AI用好，你的能力会得到极大地增强，这也让我们正真看到会计未来发展的希望。
董养利总会计师：我是来自开滦集团的总会计师董养利，开滦近几年建设运营财务共享以来，在多个场景运用了AI。如果谈哪个场景印象最深刻的话，还是对于煤炭价格预测的AI模型。煤炭行业是完全竞争的行业，煤炭是大起大落的大宗商品，预测未来煤炭价格变化对企业融资计划、预算安排、资源配置十分重要。价格波动受很多因素的影响，过去我们靠人的经验去判断往往很困难。我们尝试用两种算法搭建了AI预测模型，包括长短期记忆和卷积神经网络，并投喂了五年多的历史煤炭期货价格、环渤海动力煤指数、山西焦煤指数、焦炭指数、钢铁产量、进口煤量、港口库存、现货价格等大量数据，通过模型不断的拟合修正，对未来6-12个月市场行情报价预测的拟合度慢慢的升高。从2025年1月份上线以来，预测效果特别好。大的涨跌趋势基本上准确，尤其成功预测到了今年六七月份煤炭价格探底回升的周期拐点，10个月以来价格预测误差率均在3%以内。虽然预测数据喜人，但目前只是作为辅助，还没有直接用于决策。前段时间包括人大、清华的几位专家来到开滦，我请他们验证煤价预测模型，专家的意见是模型预测要用去决策，一定要进行归因分析，就是要告诉决策者涨跌预测的影响因素。所以，我们现在正在研究怎么样从AI模型的预测结果，倒推基本面变化影响的核心因素。相信随煤价预测AI模型不断地优化完善，会让我们把公司制作经营做得更好。
刘勤教授：谢谢五位嘉宾。刚才五位嘉宾都用实际的案例说明一点，人工智能并不是一个遥远的概念，确实在实务当中解决了很多现实的问题。大家都知道，智能财务研究院2020年开始做一件事情，评选中国智能财务最佳实践。连续差不多6年的时间成功举办，看到很多智能技术在中国不一样的行业财务领域成功应用的场景。在座的几位财务高管所在的机构都有成功的案例，刚才大家也举了一些案例。用友是中国财务软件最大的供应商之一，给应用机构提供了很多优秀的解决方案，你能不能谈谈实现这些应用场景背后技术实现的逻辑，你是怎么看智能技术未来的发展趋势？
首先是这些创新场景背后的技术逻辑是什么？目前作用于公司运营和管理的主要技术应该是三大技术影响最大，云计算、大数据和AI，这是我们长期跟踪的客观结果。
一是生成式AI技术是核心依托。以通用大模型为代表的生成式AI技术，自2022年11月首次发布后持续迭代，直至2025年初DeepSeek推理型大模型发布并开源，通用大模型才真正具备进入TO B领域的能力，这是AI落地企业管理的关键前提。
二是小模型技术不可或缺。企业管理场景数据严谨、以结构化数据为主，且对安全性要求极高，与TO C场景存在本质差异。上一代机器学习中的算法、模型、规则等小模型技术，需与通用大模型协同发力，才能满足企业管理的严谨性需求。
三是智能体搭建桥梁作用。智能体（包括copilot、agent等形态）并非大模型或AI本身，而是连接AI技术与企业应用场景的核心工具，是AI能力落地TO B领域的关键载体。
四是管理系统升级完成“最后一公里”。融合大模型、小模型技术的管理系统迭代升级，最终打通了AI进入企业管理场景的“最后一公里”。
这四大技术通过三层架构叠加，构建起企业智能化管理的完整技术支撑体系，实现了丰富的智能化管理场景落地。
刘勤教授：谢谢付总。早期很多人用BI技术，后面用RP、IP的技术，后面开始用小模型、大模型，最近比较流行的就是2025年所谓的AI agent元年，技术的迭代速度很快。现在有一个问题，问一下田院长。要实现智能技术真正的赋能，而不是简单工具上线，你认为应用机构和软件公司之间该怎么样协作，才能做好这个事情？
田高良教授：AI在企业的应用光靠企业是不行的，应用企业和软件公司一定要协作。企业要明确业务痛点，软件公司则提供技术解决方案，双方一同设计“技术-场景-价值”实践框架。例如，通过构建垂直领域大模型，将行业知识、业务流程与AI技术深层次地融合，避免通用大模型“看起来强但不好用”的局限。
应用企业和软件公司要搭建数据与知识共享平台，而不是“两张皮”。很多应用企业只负责给软件企业来提供后勤服务，不热情参加具体业务研发。那么项目交付后根本落不了地。要创造价值，真正落地，应用企业一定要真正深度融入项目中。当软件公司走了以后，才能够接上，这是最根本的。
刘勤教授：谢谢田院长。很多人认为人工智能就是一个工具，真正在企业里面用好AI或者其他的信息技术是很复杂的系统工程。本来我是希望几位总会计师、首席财务官来回答应用场景，前面已经讲过了。再问另外一个问题，财务数字化转型是很复杂的系统工程，需要克服诸多的困难障碍。在座的都是这方面的优秀专家，肯定都有很多心得，你在实施这一个项目的过程中遇到的障碍或者是困难、最大的挑战是什么？你们的单位具体怎么克服这个障碍？
王光艳总经济师：如果用一句话概括我们在财务数字化转型中的感受，那就是“理想很丰满，现实很骨感”。过程中最大的挑战，大多分布在在两方面：
一是数据的问题，没有扎实的数据基础，后续AI应用根本无从落地。现在比较流行的说法是“数据治理”，这对我们而言，本质上是要夯实会计的基础工作。当我们意识到，现有数据的颗粒度根本不足以支撑未来的财务分析与预测时，“如何破局”就成了当时最棘手的难题。
早在2008年，我们启动建设当时被称为“财务管理驾驶舱”的决策支持系统时，最朴素的目标就希望将常年埋首于报表制作的“表哥表姐”们从重复劳动中解脱，实现让机器自动生成报表。当年，我们考察了不少信息化软件、BI工具等，发现这些工具本身非常好，生成的图表也十分清晰、美观，但是我们的数据颗粒度根本没办法支撑这些工具应用落地。于是我们下定决心，从“数据初始化”入手，用现在更易理解的说法，就是给所有数据“打标签”。基于这个思路，我们最早开展的数据治理工作，就是对当时所有在研、在用的5万个项目，每个都标注了27个维度的标签。正是依托这套标签体系，我们才逐步搭建起最初的“财务管理驾驶舱”，并一步步迭代为如今的多层级决策支持系统。
从数据治理的角度，不仅要夯实会计基础工作，还要明确角色权责、统一权限管理，逐步迭代形成完整的数据治理体系。上午楼部长也关切这样的一个问题，提到“数据治理的重要性，特别是数据清洗的难度是很大的”，这确实是我们当时面临的最大挑战。直到今天，我们仍就在持续推进数据治理工作，随着新的管理需求，优化数据颗粒度，为未来AI实现财务预测功能提供基础支撑。
二是软件公司的标准化产品与我们单位定制化需求如何适配的问题。做了这么多年，我们有一个很深的体会，正如刚才田教授提到的，转型绝不是单方面的事，需要多方深度参与。
首先是财务团队的全面介入，每个财务岗位都要主动融入信息化、数智化转型过程。我们不要求每个财务专员会写代码，但是要求大家都必须要学会提系统建设和优化需求，这是我们应对这一挑战的核心经验之一。此外，我们毕竟是财务部门，而非专业的信息部门，所以除了软件开发商这类外部合作伙伴，还必须依靠单位内部信息部门的支撑。只有把财务数智化转型的小生态，融入整个单位的数智化建设大生态中，才能持续迭代出我们真正需要的好工具和好产品。在这期间多方磨合的过程，确实很艰难的过程，但始终能看到希望。
刘勤教授：王总讲到数据治理的问题，需求和供应的匹配问题。总系统建设是复杂的系统工程，需要每个方面的配合。下面请金总讲你们单位的情况。
金源执行董事：刚才王总讲的数据治理特别好，我们自己做了好几年的数据治理，做数据治理如果只是财务团队在牵头做是做不好的，这是一个单位、企业全局性的问题，一定要所有的部门一起参与进来，并且要在公司高层的推动下，才有机会把这个事情落实好。数据治理做完以后，要把AI真正在企业管理中用起来，我们又碰到两个和数据相关的问题。一个是AI的幻觉问题，也就是数据的可靠性问题，当我们把数据给到AI，它取出来的数据经常出错，甚至还会瞎编数据，做财务和数据分析，如果数据都不准确，那就有很大的问题。二是AI的“数据黑箱”问题，我们让AI做数据分析，AI往往是输出一个结论，中间分析的过程看不见，你怎么知道它的分析是对还是错？这是非常困扰我们的问题。今年我们从始至终在想如何来解决这两个问题，用了几个方案，试下来效果还不错。
第一，如何来解决它的幻觉问题，让它的数据输出是准确可靠的。一是构建语义模型，作为数据表与业务语言之间的桥梁，从而使大模型能更加准确地理解客户的真实需求，让数据查询结果输出尽可能固定并稳定。具体来说，我们在语义层用自然语言描述数据表字段的含义，并把这一些信息向量化，以便大模型进行基于向量的语义检索，AI就会容易理解这些字段后面的意义是什么，以此来降低幻觉问题。
第二，我们用了知识库。这实际上也是上午楼部长讲的，AI不会了解一个企业的业务逻辑，因为AI在很多垂直领域的语料训练是不够的，因此我们构建了专业相关知识的知识库，把这个知识库放在智能体里面，AI做分析之前，先读知识库里面相应的这些专业相关知识，从而让AI更加专业，更了解企业的业务逻辑，教会AI业财联动。
我们用了这个方案以后，AI的数据可靠性大幅度提升。对于数据的可解释性，我们又用了另外一个方案，我们在智能体设计过程中，把AI分析的过程“白盒化”。具体来说，我们会让智能体详细展示执行过程中的每一个步骤，包括输入信息、所使用的工具、中间推理结果等，形成完整的因果链。这样做才能够让用户都能够追溯执行过程的来龙去脉，了解结果是如何得出的。这样人类就可以做过程复核，看它有没有错。在现在AI应用的阶段过程中，尽管我们整一个流程都可以让AI自动化操作，但是你要确保它的准确性，还是要人机协同，有一些关键的点还要去复核。现在把整个AI的操作的流程白盒化以后，可以十分便捷地去核对哪个环节是不是出错。
这几个方法用下来以后，无论是AI分析数据的可靠性和可解释性得到极大地提升。当然，这样一些问题还是有待于我们的同仁多实践，通过实践一起想办法。我相信AI肯定会越训练越聪明，越训练越可靠。我就分享这些观点，谢谢大家！
刘勤教授：谢谢金总，讲得很好。除了数据治理的问题之外，大模型虽然很好，但是有很多短板，不透明、幻觉、隐私各方面的问题。这方面确实在大模型应用方面，很多人觉得这是一个痛点。金总给咱们提供了很好的解决方案，他们一直尝试的解决方案，大模型的应用其实是很复杂的过程，需要很多单位具体去解决。我现在没看到完全能解决大模型幻觉的解决方案，是本身的问题。AI有很多流派，大模型属于连接主义学派，基于机器学习的思路。会计这个行业用的最多还是符号主义学派的人工智能的应用，我们也要根据真实的情况选不一样的技术来解决。下面请董总讲企业遇到的痛点难点问题。
董养利总会计师：刚才两位老师说最大的挑战是数据治理，我很赞同这个观点。无论企业的数字化转型包括现在的AI，核心都是数据治理。数据治理只是一个概念，数据治理最核心的是业财融合。刚才谢老师讲了业财融合四个层次，我从实践的角度也谈谈业财融合。
首先，为什么是业财融合？作为一个企业，今天咱们是会计师协会谈业财融合，认为这是天经地义的。但是放在一个企业里，业务领域更多更广泛，对这一观点不一定认同。我们要建立信心，这是财务对数字具有天然性、权威性的职能决定的。要把一个企业数据治理好，就需要履行好财务使命，落实好财政部的制度要求。如果一个企业数字转型做得好，一定是从业财起步开始做实。其次，什么是业财融合？业财融合不是简单的理念融合，也不是简单的信息融合，更不是简单的线下到线上，重要的是数据标准统一、业务流程再造、数据协同共享，形成企业管理闭环、风控前移、效率提升。再次，为何需要业财融合？假如没有好的业财融合，拥有AI是一句空话，只有业财融合，数据相互连通，才能有效治数用数，AI应用才有价值，企业才能借助AI来精准决策、防控风险、提升效率。最后，怎么进行业财融合？企业要做好顶层设计，统一思想，渐进融合，推进包括系统建设、数据治理等一系列工作。所以说，业财融合是数据治理的基础，在这个基础上，才能谈AI的应用和企业数字化转型。
刘勤教授：谢谢董总，把数据治理更细化地阐述。数据治理，数据不是简单的数据，是业务数据，财务数据在一起。确实他们的颗粒度不一样，业务的要求或者财务分析的要求不一样，怎么去做好业财融合的基础上，把数据治理做好？很多人在讨论业财融合，到底是数据融合还是流程融合、岗位融合、战略融合？什么是业财融合？如果要用好智能化这个工具，必须在底层的业务梳理方面要做好，感谢董总。请问付总，你是一个软件公司来的，从技术提供方来看，你认为客户在拥抱人工智能时候最常见的认知、误区或者是落地的陷阱是什么？你们是如何帮他们跨越这个鸿沟的？
付建华副总裁：现在中国企业都在积极拥抱AI，在拥抱AI过程中，确实存在一些认知上的偏差和陷阱。从大层次上是四个方面。
一是唯大模型论泛滥。部分企业盲目跟风研究、开发、部署大模型，忽视了自身核心需求。大模型本质上会成为像水、电、云计算一样的公共资源，无需每家企业自建—— 其高投入、高耗能特性决定了最终仅有少数厂商专注研发，多数企业的核心角色是应用者而非开发者。
二是AI应用认知两极化。一端是部分群体对AI技术持拒绝态度，另一端则过度理想化，认为部署大模型和智能体后即可完全替代人工。事实上，人机协同仍是长期主旋律，企业管理（尤其是财务管理）中，智能工具无法独立完成端到端全流程工作。
三是单职能推进陷阱。延续信息化时代思维，认为AI落地是技术团队或业务团队的单一职责。实则AI落地企业场景的复杂性远超过往技术，需组建包含AI工程师、数据架构师、企业管理专家等在内的跨组织多元团队才能融合起来，真正最终把AI和大模型赋能到企业管理场景当中。
四是追求短期见效误区。AI在公司运营管理中的价值释放具有周期性，难以在短期内实现量化成效，需以中长期视角评估其价值。
刚才我也简单解读了方向应该是如何的，我们作为科技厂商，在帮助中国企业落地AI过程中，包括用友公司和非常多的科技厂商，主要的着力点是五个方面的重要能力，通过周期逐渐协助企业去落地AI。
一是提供技术路线选型辅导。针对不同应用场景，协助企业筛选适配的大模型（明确公有云/私有云部署方案、版本选择），并规划小模型融合策略，形成专业可行的技术方案。
二是定制化部署模式设计。根据公司性质、规模及业务需求，制定个性化部署方案，避免盲目选择私有云或公有云模式。
三是明确人机协同边界。通过专业咨询能力，梳理业务流程，划分机器人与人工的职责范围，明确二者协同机制与互锁关系。这是非常专业的事情，也需要数字化厂商将来有所作为。
四是多智能体开发与管理。为企业打造融于数字化系统的智能体工具，提供配置、开发、管理全流程服务，避免企业直接面对复杂的大模型操作。这是数智化厂商要完成的技术工作任务。
五是推动管理变革与技术融合。同步推进管理流程梳理、数据治理等配套工作，实现管理变革与技术导入双向互动，确保技术真正产生价值。这也是数智化厂商和甲方共同完成的使命，必须把管理配套的变革工作和技术导入的项目很好融合在一起。
通过这五个方式，在未来的一段时间内AI技术会进入非常多企业的优秀实践场景当中，逐步产生价值，这也是数智化厂商在未来应该主要作为的方向。
刘勤教授：谢谢付总，刚才讲得很全面。数智化转型或者智能化转型是复杂的系统工程，这样的一个过程当中，很多单位有一些困惑，怎么选技术，哪个技术较为贴切。不是说最先进的技术是最好的技术，是最合适的技术是最好的技术。如何抉择供应商？那么多供应商选择哪个？怎么筛选供应商？这也是比较大的困惑。另外，关于场景的匹配。大模型适合干什么，不适合干什么，很多人觉得大模型什么都可以干。其实大模型有短板，所以很多高价值决策的事情是不合适的，适合的场景是要妥善设计。刚才付总讲了很多，包括很多具体的人机协同怎么去设计，什么是人来做，什么是机器来做，让他们去协同。这都是很复杂的事情。AI加上会计是很复杂的事情，不是格外的简单的事情。
下面请问田院长，作为理论专家，你是如何观察智能化转型中的痛点和难点问题？对于相应的硬件机构软件公司而言有什么建议？
田高良教授：没有调查就没有发言权。近几年，我与中国CFO发展中心合作，组织调研了85家单位，其中37家头部企业，包括浪潮集团和海尔集团等等，还有23家软件供应商以及20所“双一流”高校，5家一流咨询机构。去年，中国财政经济出版社出版了《中国企业财务数智化转型与高水平质量的发展》蓝皮书。调研发现，这里面的痛点就是有“三个脱节”“两个滞后”。
一是技术的供给和企业的需求脱节。往往企业要这样的一个东西，但是软件供应商提供的是通用化软件，不匹配；二是数据的治理与价值创造脱节。有很多的数据，也有很多的软件，但是创造不了价值，为数据而数据；三是人力资源的能力和企业的需求脱节。现在需要复合型人才，结果懂会计的不懂技术，懂技术的不懂会计也不懂业务。
“两个滞后”就是管理的变革远远滞后于软件技术的迭代升级。现在的技术日新月异，如果不学习，过几天和软件技术人员交流的时候，都不知道人家在说什么。AI时代到来，如果不学习，就会很快变成AI时代的文盲2.0。技术应用滞后于业务需求，企业要解决实际问题，但是技术还是传统的，解决不了这个问题。
针对这一些企业痛点，首先要解决理念的问题，管理模式要转化。一是由管控型向赋能型转化，会计专员利用自己的专业能力，提升公司的信用评级，降低融资成本。二是由以票制税向以数制税转化，大家必须关注金税四期，人民币数字化的执行，还有稳定币等等，财务专员要超前布局。三是流程驱动向数据驱动转化，流程驱动主要面向企业内部，数据驱动面向市场，通过大数据分析看看公司可以提供的产品和服务到底有什么样的问题，然后把问题精准反馈到企业的内部，对企业流程进行精准再造。四是由核算场景向业务场景转化，有些财务专员记了一辈子账，如管固定资产，不知道固定资产长什么样。一定要了解场景，场景驱动很重要。五是业财分离向业财融合转化，财务专员要成为复合型人才，这是AI时代的要求。六是由守护价值向创造价值的转化。另外，人机分离一定要向人机协同转化。今年春节DeepSeek火了以后，用起来真的是十分便捷，今年国庆节我写教改项目申请书，非常好用，大幅度的提升了工作效率。这是管理模式的转化。
AI的应用关键是人才，打造AI+时代人才培养的生态系统。国务院8月26日发布了《关于深入实施“人工智能+”行动的实施建议》。具体来说四个维度。一是科技赋能，把新一代信息技术用在人才教育培训当中。二是专业赋能，人才教育培训一定是高校、企业、政府、社会发挥各自的专业优势，合编教材，合上课程，合办论坛，合作研究，合作发布成果。我最近这几年编了10多本书，全部是和实务部门合作，非常受用。三是平台赋能或者要素赋能，人才教育培训一定利用各种线上线下平台，激活全要素。今天的论坛是非常好的平台，教育部大数据管理课程虚拟教研室等都可以用。四是机制赋能，人才教育培训一定要形成良性的循环机制，政府搭台，企业支持，高校对接，共建共享。现在看到的现象是签协议的时候非常激动，签完以后一动不动。一旦把它做起来，就可以推动AI真正高水平发展落地。
刘勤教授：谢谢田教授。时间也快到了，最后请各位嘉宾用一句话说一下，在座的很多企业和很多的财务专员，对于智赢未来，用人工智能赢得未来的企业和财务专员，您的建议是什么？
王光艳总经济师：我看到刘院长这样的一个问题，脑子里浮现出来的第一句话就是实践出真知，我自己的感受就是现在AI赋能管理会计的目标和方向非常明确，大家不用特别纠结，不妨从自己的需求出发，现在究竟要说明。从现在的难点、堵点包括痛点，特别是从小的切口入手行动起来，比我们停留在想的层面更重要。
付建华副总裁：一句话送给从事财务工作的同仁，AI将对每个人形成超级赋能，未来的人才画像其中一个重要的维度是具备人机协同的观念意识及人机协同能力的人才，也会成为未来的人才画像。
田高良教授：我用一首诗结束。百年变局加速进，数智转型迫在行，几度思量从头越，智能管会创价值，谢谢！
金源执行董事：一是首先学起来，对AI有一些基本概念以后，才可能把它用起来。二是勇于实践探索，如果不去试，永远不知道能不能把它用好。最后一定记住，核心关键不在于AI大模型本身，而是在于数据。这是最主要的因素。
董养利总会计师：我在集团数字化转型每年和财务专员开一次培训会，一是未来已来，共建共享，二是星辰大海，向新奔赴。谢谢各位！
刘勤教授：谢谢五位睿智的嘉宾，感谢他们的精彩分享。从他们的分享当中听到很多成功的案例，很多场景，也坦诚地剖析了挑战，有很多痛点难点，更看到人机协同美好的未来。智赢未来的关键或许不在技术的本身，而在于拥抱变化的智慧和勇气。很多人说你们做智能财务研究，是不是以后想让我们下岗？这是财务专员经常说的。我们并不是希望我们大家下岗，我们大家都希望大家能按时上下班，谢谢大家！返回搜狐，查看更加多
