摘要:随着中国数字经济的快速发展,企业财务决策面临数据量激增与时效性挑战。生成式AI(如DeepSeek、GPT-4)通过自然语言处理与动态预测能力,重构了传统财务的数据整合、风险评估及决策流程。以H跨国制造企业为例,探讨生成式AI在财务决策中的人机协同路径,分析其提升效率、优化资源配置的实践,并提出应对数据安全与管理变革风险的策略。同时分析H公司应对数据安全、管理变革、过度依赖等风险的解决方案和后续发展方向,展示了AI为构建可持续的智能财务决策体系实践路径。

　　关键词:生成式AI;财务决策;人机协同;决策效率

　　0引言

　　生成式人工智能(Generative AI)是一种能够基于算法和数据驱动的生成新内容的人工智能技术,其核心能力是学习现有数据的模式和规律,并基于这些知识生成具有新颖性的内容的文本、图像、音频、视频、代码等复杂内容,生成式AI可能产生不符合事实或逻辑的内容(如幻觉问题),需依赖大量数据和算力。与传统的判别式AI(用于分类或预测)不同,生成式AI的核心目标是生成而非判断[1],其创造性特征使其能够模拟财务场景中的非线性关系[2],而传统判别式AI仅适用于结构化预测任务[3]。这一差异为财务决策的动态优化提供了新可能。

　　传统财务决策模式由于主要依赖人工处理数据,在应对复杂多变的市场环境时表现出明显的局限性:数据处理效率低下、分析判断不够精准、决策响应速度迟缓,这些因素共同导致了企业错失市场机遇的风险增加。而生成式AI在这方面有优势,它有强大的自然语言处理、逻辑推理和内容生成的能力。基于此,生成式AI能够快速处理海量财务数据,并且能够挖掘数据背后的潜在价值,生成有针对性的财务分析报告和决策建议。一些创新型企业走在科技创新前沿,运用生成式AI在数据评估、预算编制、风险评估等方面,利用它能够根据历史数据和实时市场信息生成更科学合理的决策方案和风险预警,为企业决策提供有力支持。

　　目前,国内对人工智能在财务管理中的应用研究如火如荼,但现有研究多聚焦RPA在流程自动化中的应用[4],对于生成式AI的决策协同机制尚未形成系统框架。本文通过H公司的多场景实践,试图填补这一理论缺口。本案例沿着生成式AI发展轨迹列举出财务决策中各式的人机协同模式,探讨它们的应用场景和能为案例公司产生的效益、在运用AI过程中存在着风险和应对措施,以期丰富人工智能在财务管理领域的理论体系,为后续应用提供新的视角和思路[5]。基于此,本文研究目的有4个方面:①全面展示生成式AI在H跨国制造型公司财务决策的应用现状;②分析生成式AI带来的技术变革和管理创新如何推进企业的财务决策更加高效;③总结H公司的实践经验,存在风险和应对措施;④展望未来生成式AI发展方向。文章采用案例研究方法,通过文献分析、实地调研和深度访谈,全面收集和分析生成式AI在财务决策方面技术创新实践和管理变革,进行归纳总结提炼。

　　1人机协同模式的分类与特征

　　根据目前的演化进程,将人机协同分成3个模式:嵌入模式、副驾驶模式和智能体模式。嵌入模式是人类财务决策来主导任务分解,通过指令驱动生成式AI完成工作;副驾驶模式强调人类与生成式AI之间的双向互动,共同完成财务决策过程;而智能体模式要求生成式AI具备更高的自主性,能够自主理解财务决策目标,规划任务执行路径,并完成决策过程,形成完整的决策闭环[6]。以下表格是3种方式特征对比表:

　　2案例分析：H公司AI应用对财务决策的提升路径

　　H跨国制造业公司2006年成立数字化专业团队辅助财务、销售、采购等流程进行创新变革,财务部门作为公司价值的“守护者”和“创造者”,在AI的助力下逐渐用数据洞察替代经验猜测,用敏捷响应替代被动应对,用战略预判替代事后补救。以下是AI在财务领域的典型应用场景:

　　2.1基础功能改进

　　2.1.1数据整合

　　H公司是家百年企业,海内外有300家分(子)公司,各家公司财务数据来自于SAP、金蝶EPR、OA端等,呈现出多源异构的显著特征,而且财务数据还联结着企业单独的业务系统,如销售、采购、生产、物流等,另外还嵌入来自外部的市场数据、行业数据及宏观经济数据等。不同数据源的数据格式和结构差异巨大,这给传统的数据处理方式带来了严峻挑战。对于这项基础而重要的工作,近年来他们的共享业务中心利用生成式AI的强大数据整合能力,实现多源异构数据的实时整合。公司的共享业务中心基本是所有数据汇集点,连接各项数据,因此由它来实施数据整合工作。他们利用AI自动采集数据,转换和标准化不同格式的数据,并统一整合到数据仓库中,为后续的财务分析和决策等提供了统一准确的数据基础。

　　2.1.2智能审核

　　H公司的共享业务中心通过AI技术审核数据异常,建立了决策准确性基础。生成式AI具备异常数据智能识别与修正能力,能够运用深度学习算法对财务数据进行实时监测和分析,快速准确地识别出异常数据点。一旦发现异常数据,AI会根据预设的规则和模型,结合数据上下文信息,对异常数据进行自动修正。智能审核的利用现在已非常广泛,从员工报销、合同管理、供应商结算等方面开始,近年运用比较好的是应收账款数据管理,帮助企业提高管控效率。AI对应收账款进行监控,当出现某笔账款的金额异常偏高或超信用期的情况进行自动标记,并通过与历史数据、信控数据进行对比分析,判断异常原因。当AI判断出是客户信息录入错误、销售合同变更等简单的异常原因,它会自动进行修正;对于复杂的异常情况,AI会及时提醒财务人员进行人工干预。AI辅助将数据处理效率提高了80%以上,错误率降低了90%,提供了及时、准确的财务决策数据支持。

　　2.1.3行业对标分析

　　H公司从2022年始因行业竞争加剧,所以很重视行业对标分析,管理层要求全面对标分析主要竞争对手的指标。这项工作曾长期困扰他们的财务人员,主要是数据采集、整理的工作量大,财务人员受专业等限制难以透过数据和其他相关信息提炼出问题实质等。近两年H公司了解到生成式AI网络爬虫技术的特质,能够从各类公开数据,如财务年报、公告、行业报道中抓取收集目标企业相关对标数据,其效率与传统人工收集方式相比大幅提升。于是财务人员联合数创系统开发人员,利用生成式AI设计程序,能够在非常短时间完成提取竞争对手关键财务指标,如营收、利润、资产负债率等,而且实现了提取和整理数据工作一步到位。除财务部门外,H公司的其他部门,市场部、计划发展部等也从此程序中受益,程序从各种相关报告中提取竞争对手的关键信息,如产品特点、营销策略、战略重点、资本结构等,从中挖掘潜在的行业动态信息,从而提供更全面的市场情报。H公司利用生成式AI精准开展行业对标、大势研判,快速清晰地了解自身与竞争对手在各个方面的优势和劣势,为财务决策提供可依赖的基础。

　　2.2应用功能优化

　　2.2.1智能预算管理

　　H公司运用生成式AI进行预算管理时充分运用其动态学习与适应性。作为业务覆盖7大区域、300余家子公司的大型跨国集团,H公司为提升预算编制的全局效率与可执行性,在年度财务预算制定中采用“自上而下”(Top-down)的统筹模式。该模式通过集团总部主导战略目标分解,确保各区域预算与整体财务方向高度协同,同时兼顾区域差异化落地的灵活性。管理层首先根据企业战略目标和历史财务数据,确定预算编制的总体框架,包括税息折旧及摊销前利润(EBITDA)、资产回报率、应收账款控制额等主要项目,财务人员通过向生成式AI输入详细的指令,如“根据过去三年各产品的销售、利润数据,预测下一年度各类产品在不同区域的销售额、利润率”,AI依据指令进行数据分析和预测,生成相应的结果将各个项目进一步细化为具体的子任务,如销售预算可分解为各产品线、各区域的销售预测等,如此类推,成本预算可细化为原材料成本、人工成本、维修费用等。在AI智能编制预算草案的基础上,财务与业务端口再根据实际情况进行调整,如此下来,预算编制过程变得简单高效。

　　生成式AI在智能预算管理方面另一个优势就是实时监控预算。通过平台对预算进行管控,在平台基础上整合企业各个业务系统的关键数据,以可视化的方式呈现在多维数据看板上。不仅按日展示财务数据,如收入、成本、利润等预算执行情况,还涵盖销售、生产、库存等业务基础数据。通过动态更新功能,看板能够实时反映企业的运营状况,当某个业务指标发生变化时,看板会立即更新相应的数据和图表。如今,公司管理层已将生产经营会议地点直接移至监控大屏前,直接就实时数据找问题、想办法、做决策[7]。

　　2.2.2价格体系重塑

　　H公司目前国内市场正面临着竞争激烈、价格红海战的局面,产品线价格对企业营利非常敏感。因此采用了生成式AI来对价格体系进行重塑。在原本的价格系统加入AI进行异常值检测,对各区域、经销商合同价格进行实时分析,能够快速准确地检测出异常值。生成式AI还能进行智能归因,分析价格组成及异常产生的原因。它基于产品成本加成一定利润数据模型,动态分析价格变动与企业成本联动,通过在产品价格变动推动成本预算执行过程中是否有偏差。通过层层归因分析,可及时发现问题并找到原因,例如某一时期的采购成本突然大幅增加的原因。生成式AI通过下钻的方式对主要的采购订单数据、供应商信息、市场价格波动等多方面数据进行层层分析,找出成本增加的原因,是原材料价格上涨、采购量增加还是供应商变更,为企业采取针对性的措施提供依据。

　　H公司为了改进价格系统反馈滞后问题,使其更快适应市场变化的需求,利用AI进行价格风险阈值管理。生成式AI会根据企业的历史数据和实时运营情况,动态调整风险阈值,比原来人工维护更加灵活有效。尤其在目前市场环境变化迅速的情况下,生成式AI可以实时监测市场动态、竞争对手行为以及企业自身的业务表现,当市场不确定性增加或企业业务出现重大变化时,它会提交自动调整风险阈值申请,管理层依据申请做出判断。

　　2.2.3投资风险评估

　　在财务决策中,准确的预测是制定科学决策的关键。H公司了解到生成式AI可以通过动态情景模拟与压力测试,为财务决策提供更全面、更可靠的预测支持。因此他们制订项目可行性研究方案时增加了利用AI对不同情景下的财务指标进行模拟预测的环节。在预测收购目标企业未来的营业收入时,利用生成式AI对市场需求变化、竞争对手动态、产品价格波动等多种因素进行分析后,设置不同的情景假设,如市场需求增长10%、持平、减少10%等,分别模拟企业在不同市场需求情景下的营业收入情况。同时,H公司还增加了AI模拟压力测试,在做国外项目并购时,对于一些国家外界环境存在着不确定因素比较多,如经济衰退、政治动荡、行业危机等,财务利用AI模拟极端市场环境下目标企业的财务状况,评估公司的风险承受能力和应对策略的有效性。

　　生成式AI具有智能挖掘潜在的风险因子,并对其进行量化评估的功能。AI对海量的财务数据、市场数据、行业数据进行深度挖掘,通过相关性分析、因素分析等方法,找出影响企业财务状况的关键风险因子,如利率风险、汇率风险、信用风险等。以下两个案例是H公司成功运用AI作风险分析。一是在做海外投资风险评估的时候,当需要了解非洲、中亚等地区投资情况时,H公司投资部、财务部运用AI收集到当地的市场数据、银行信贷政策、汇率情况等,运用风险评估模型,对这些风险因子进行量化评估,计算出风险发生的概率和可能造成的损失。二是在收购混凝土站点时,财务会去评估企业经营风险。在商品砼行业,应收账款风险是最主要的经营风险,几乎占全部投资风险的绝大多数比重。因此财务部利用AI来收集企业的财务报表数据、信用记录、行业排名等信息,在IT人员帮助下构建信用风险评估模型,对企业的信用风险进行量化评分,为决策提供科学依据。

　　2.3决策流程重构

　　2.3.1简化流程审批

　　传统的财务决策审批层级往往会比较烦琐,涉及多个部门和层级,信息传递不及时,导致决策效率低下、滞后,难以把握稍纵即逝的投资机会。H公司有过这样的教训,公司总裁经常说,投资发展“起了个大早,赶了个晚集”,对此头痛不已,后来公司希望通过生成式AI智帮助精简审批链条,有效提高决策效率。公司利用AI设计不同的审批方式,尽量用预设的财务决策模型和风险评估模型的来实现自动审核和评估,对于一些风险较低、符合既定规则的决策事项,财务决策模型和风险评估模型根据数据分析和研判给出审批意见;而对于风险较高或复杂的决策事项,AI会将相关信息和分析报告直接推送给关键决策者,减少中间环节的信息传递和审核流程。

　　H公司在升级资金管理系统时,引入生成式AI技术对资金审批流程进行智能化改造,同时建立严格的风险控制机制。AI基于公司的资金管理制度、历史交易数据和动态风险评估模型,对资金请付申请进行智能审核—对低风险、高合规性申请自动推送支付凭证,大幅缩短审批时间;对异常交易或超出预设阈值的申请,则自动触发人工复核流程,确保风险可控。

　　此外,AI作为智能枢纽,在数据权限分级管理的基础上,整合销售部门的收款信息、采购部门的付款需求及生产部门的资金计划,可实现跨部门资金协同调配。系统通过实时监控资金流动和预测现金流缺口,动态优化资金配置,提升使用效率。

　　经实践验证,该AI应用使资金审批效率提升50%以上,资金使用效率提高30%,同时将违规支付风险降低40%。

　　2.3.2打破壁垒

　　生成式AI作为智能枢纽能够打破部门之间的信息壁垒,实现跨部门、专业数据的共享和协同工作。AI实现与企业的各个业务系统集成,实时获取销售、采购、生产等部门的数据,并根据这些数据生成财务分析报告和决策建议。同时,AI还可以将财务决策结果及时反馈给各个部门,指导业务部门的工作[7]。

　　H公司在进行高性能混凝土、沙浆等新产品研发投资决策时,需要多部门紧密合作。财务部门利用生成式AI收集研发部门的配方及技术参数、市场销售部门的市场需求和销售预期,加之自己的成本预测等信息,进行综合分析和评估,为投资决策提供全面的依据。决策做出后,AI又将投资计划和预算分配信息及时传达给各个部门,确保各部门协同工作,共同推进项目实施。

　　3协同模式面临的风险与应对策略

　　3.1数据安全风险

　　H公司在大量使用智能AI过程中,不可避免地遇到数据安全的问题。特别是AI在财务决策中的应用,高度依赖海量数据的支撑,这些数据有许多涉及企业核心财务信息、客户数据以及商业机密等敏感资料。因此,在AI驱动的财务决策中,企业必须构建完善的数据安全防护体系,通过严格的访问控制、数据加密及合规审计,确保核心财务信息与商业机密的安全性,从而规避潜在的泄露风险、法律纠纷及商誉损失。H公司数创中心采取了以下两种方式:一是加强数据安全的培训与宣贯。开展了多期AI的培训,向员工普及AI使用技能的同时,做好数据安全方面的教育。为了增加普及性,将案例分享制作成微课,展示在公司学习平台,采取学分制来要求每一名员工都进行学习、考试;开展安全宣贯,张贴海报,开展多次小规模的现场活动,互动答题生动有趣,让参与人员印象深刻。二是安全部门实时监控。数创中心设立了专门的网络安全团队,实时监控公司数据安全性。实时监控和异常检测是及时发现和应对数据风险的关键手段,通过部署AI驱动的安全审计系统,对数据全面进行实时监控,包括数据的采集、存储、传输、处理和共享等环节,通过这些防控措施,数创中心能够快速识别异常的数据交互行为,如数据的异常访问、大规模的数据下载、未经授权的数据共享等,这些都有助于数据安全管理。

　　3.2管理变革风险

　　在H公司实施AI协同决策过程中,组织变革阻力是不容忽视的挑战。引入生成式AI技术会对财务部门产生深刻的组织变革,包括工作流程的重塑、人员岗位的调整以及团队协作模式的改变。实施之初,部分员工对新技术存在恐惧和抵触情绪,担心自己的工作被AI取代,从而对变革持消极态度。例如:一些资深财务人员习惯于传统的工作方式,对学习和应用新的AI技术缺乏积极性;业务部门担心财务部门引入AI技术后,会削弱他们在决策中的话语权,从而对变革持反对意见。这些阻力会阻碍人机协同模式的顺利推行,影响企业数字化转型的进程。

　　另外,还出现了人机权责边界模糊的问题。生成式AI在协同财务决策的过程中,有时会难以明确界定程序和员工在决策中的权责。当决策出现失误时,很难判断是AI模型的算法错误、数据偏差,还是决策人员的判断失误、操作不当导致,这不仅增加了责任追溯的难度,也容易引发推诿和矛盾。这种权责不清导致决策效率低下,双方在决策过程中可能会因为担心承担责任而犹豫不决,影响决策的及时性。

　　针对这些问题,该公司采取的措施是“首席制”决策机制。在重大财务决策过程中,指定“首席”决策负责人,由其负责启动AI决策系统或者专家决策团队。决策负责人可以选择执行单项,也可以双项并行。在通常情况下,采取双项并行方式居多。AI和专家分别给出决策依据和建议,然后通过对比分析双方的建议,综合考虑各种因素,最终做出决策。事实证明,通过对比两者的建议,企业管理层可以更全面地了解投资项目的情况,做出更科学的决策。在决策责任认定方面,明确规定“首席”决策负责人承担最终责任,AI团队和专家团队负次要责任。特别是在两者结论存在较大差异时,AI团队需要提供详细的决策依据和解释,这样既能充分发挥AI的优势,又能保障决策的可靠性和责任的可追溯性,有效解决人机权责边界模糊的问题,同时也能在一定程度上缓解组织变革带来的阻力,促进人机协同模式的稳定发展。

　　3.3过度依赖风险

　　随着生成式AI在财务决策中的应用越来越广泛,许多人都担心未来由于太依赖AI的判断,独立思考和判断力会逐渐下降,决策的灵活性和适应性降低。更深层的风险在于,投资决策过程中,一旦AI系统因为数据错误或算法漏洞给出错误的投资建议时,而财务人员完全依赖AI的投资建议,不能进行独立的分析和判断,就会导致企业暴露在重大的投资风险之下。

　　为了解决这些问题,H公司建立了定期检查机制。由战略投资部、财务部、内审内控、数创中心的专业人员等组成联合检查组,负责对生成式AI在财务决策中的应用进行定期审查。在AI模型投入使用前,检查小组对其训练数据的来源、质量、代表性进行审查,确保数据不存在偏见;对算法的设计、实现和决策逻辑进行评估,判断其是否符合合理性原则和公平性要求。在AI模型运行过程中也要定期检查,及时发现和纠正问题。

　　4未来发展趋势

　　4.1技术创新方向

　　目前AI人机协同已经进步到智能体模式,并且出现了多智能体协同系统,即未来生成式AI将朝着构建多智能体协同系统的方向发展,实现多个AI智能体在财务决策中分工协作、优势互补。具体来讲,就是不同的智能体可以分别负责数据处理、风险评估、决策制定等任务,通过智能合约和分布式账本技术,实现智能体之间的信息共享和协同工作。H公司针对这一特征,数创中心将采用分割构造AI智能体用于公司的财务决策,既有智能体负责收集和整理各子公司的财务数据,又有智能体对数据进行风险评估,还有智能体根据评估结果生成决策建议。每个智能体的专业化程度非常高,效率和准确性也会提升,同时也能应对作为跨国企业所对面的复杂多变的国际环境。

　　4.2应用场景延伸

　　H公司是一家跨国公司,然而现阶段AI数据整合主要集中在国内,主要原因是国外软硬件环境比较复杂,受国情、国家政策、地缘经济影响较大,呈现多系统并存、数据标准多样、差异大的复杂局面,数据整合工作难度远大于国内。因此未来生成式AI扩展到海外区域发展将是重点之一。另外公司计划重点将AI扩展到供应链金融智能决策领域。通过对供应链上各环节的物流、信息流、资金流数据进行实时分析,生成式AI可以为供应链金融提供智能决策支持。目前,H公司已经开始在供应商融资决策中使用AI,例如2025年新电源矿车供应商选择,物流部门就得到了AI提供的供应商交易数据、信用记录、市场需求等信息,及其评估的还款能力和风险水平信息。AI还参照金融机构提供的信贷模型,给出了是否给予售后回租融资的建议。

　　4.3智能财务人才培养

　　智能财务人才培养模式革新是适应未来发展需求的关键。随着生成式AI在财务决策中的广泛应用,该公司已在财务系统号召着力塑造具备AI技术和财务专业知识的复合型人才。因此,需要革新智能财务人才培养模式,培养既懂财务业务又掌握AI技术的高素质人才。公司调整了培训投入的方向,增加AI技术、大数据分析、机器学习等相关课程,培养员工的数字化思维和技术应用能力;加强赋能实践奖励力度,鼓励员工在实际项目中锻炼AI技术在财务决策中的应用能力[5]。

　　5结语

　　生成式AI与人类财务决策者的协同创新正在重塑财务管理的底层逻辑,为企业应对复杂多变的市场环境提供了强大的支持。通过构建多层次协同机制,生成式AI与人类财务决策者得以优势互补,既能发挥AI在数据处理、模式识别和快速运算方面的高效性,又能保留人类在价值判断、战略洞察和复杂情境处理中的独特能力。

　　在这场由AI掀起变革方兴未艾,中国各家公司都想乘着春风扬帆起航,推动企业发展。本文选取了一家跨国制造业公司探索创新之路为案例,因地制宜,突破了传统人机分工的局限,从嵌入模式到副驾驶模式,再向智能体模式的发展,揭示了生成式AI在财务决策中从辅助工具到合作伙伴的应用场景,为智能财务决策体系的构建提供了新的实践案例。

　　通过深入剖析H跨国制造业公司AI协同模式对决策效率的提升路径,以及面临的挑战与应对策略,人机协同显著提高了财务决策的效率和准确性,为企业创造了更大的价值。总结了公司在面对技术层面的数据安全、管理变革阻力、过度依赖等问题采取的应对策略和操作方案,为企业在实践中解决这些问题提供了有益的参考。本研究揭示了生成式AI在跨国制造企业财务决策中的三类协同模式,其技术优势与风险管控策略为同业实践提供了可复用的方法论。未来研究可探索多智能体系统的跨文化适配性。

　参考文献

　　[1]中国信息通信研究院.京东探索研究院.人工智能生成内容(AIGC)白皮书2022.[R].2022.

　　[2]李开复.生成式AI正在开启第三次IT革命[EB/OL].(2025-02-27)[2025-06-30].

　　[3]AIGC观察者.生成式AI智能革命至今:人机协同的三种模式与未来软件架构范式演进[EB/OL].(2024-07-15)[2025-06-30].

　　[4]财政部会计财务评价中心.高级会计实务:企业全面预算管理[M].北京:经济科学出版社,2022.

　　[5]任振清,王淑珍,运玉贞.财务数字化转型:大型企业智能财务创新应用实践[M].北京:清华大学出版社,2023.