绩效

价值创造，协同共进 第二十期|2025 价值创造，协同共进 在财务领域，人工智能已从基础核算延伸至预测、风控与战略洞察，推动财务向“感知-决策-执行”的全链路自治演进；在供应链领域，生成式AI（GenAI）的应用虽面临技术复杂性和风险管控的挑战，但其对供应链自主化、韧性的提升潜力已被验证。安永研究显示，企业唯有主动拥抱“AI+业务”的双轮驱动，方能在效率革命中占据先机。 根据安永在2025年人工智能情绪指数研究报告1中显示，大多数人（82%）已经在使用人工智能来改善他们的生活和工作方式，但只有57%的人对此感到满意。根据这份报告，受访者对人工智能（AI）的三大核心担忧包括： §虚假信息风险（75%的受访者担心被AI生成的虚假信息误导）。§失控风险（67%的受访者担忧AI在缺乏人类监督时可能失控）。§数据隐私侵犯（64%的受访者担忧个人数据未经同意被用于AI训练）。 在开放与互联的商业环境中，信任与安全是可持续增长的基石。我们同时在本期中探讨“可信数据空间”建设以及第三方风险管理服务全生命周期防御体系构建，为企业构建安全屏障，将合规约束转化为生态合作的竞争优势。 当今世界，地缘政治动荡、技术革命加速、市场需求剧变，企业正面临前所未有的挑战与机遇。在增长空间收窄、传统模式效能递减的背景下，如何通过系统性变革突破瓶颈、重构核心竞争力，成为每个企业必须回答的关键命题。 面对变革浪潮，企业需以系统性思维破局，将技术、组织与战略深度融合。我们旨在为企业提供可落地的转型路径与实践洞察。期待与读者共同探索如何在不确定性中把握确定性，在技术浪潮中协同共进，转型征程中创造价值。 在本期《绩效》中，我们聚焦价值创造与守护，从“单点突破”到“体系化协同”，通过重构业务模式、组织架构、数字化工具及考核体系，帮助企业实现服务质量与经营效益的双重提升，为持续增长奠定基础，以应对多变的市场环境。 在成本攀升、盈利承压的环境下，财务职能正从“成本中心”向“战略引擎”进化。安永的实践表明，财务数字化不仅是技术的升级，更是组织能力的重构，为企业在不确定性中锚定发展方向，成为抵御风险、创造长期价值的关键防线。 谢明发Eric Chia安永大中华区咨询服务首席运营官安永（中国）企业咨询有限公司 目录 专栏专栏 人工智能风险管理企业数字化行业洞察中西合璧信息安全 可信数据空间建设思路可信数据空间建设思路探索与实践探索与实践 执行编辑：执行编辑：叶俊叶俊安永大中华区咨询服务安永（中国）企业咨询有限公司aaron.ye@cn.ey.com 设计：设计：谷妍谷妍安永中国品牌、市场推广及传讯部设计高级经理安永华明会计师事务所（特殊普通合伙）sunny.gu@cn.ey.com 总编：总编： 王海瑛王海瑛安永大中华区咨询服务主管合伙人安永（中国）企业咨询有限公司helen-hy.wang@cn.ey.com 主编：主编：谢明发谢明发安永大中华区咨询服务首席运营官安永（中国）企业咨询有限公司eric.chia@hk.ey.com ““AI+AI+业务”双轮驱动，业务”双轮驱动，企业价值增长的永续动力企业价值增长的永续动力 近年来，AI技术的演进已经从底层模型的突破，迈入企业级应用的关键阶段。面对业务环境的高度动态化与复杂化，企业在追求运营效率和战略协同的过程中，正逐步将AI融入业务架构与流程设计。传统依赖人工或静态系统处理海量数据的模式已难以支撑当下对实时响应与智能洞察的需求，AI的角色也随之从“工具型效率提升”转向“逻辑重构与职能进化”。 作者： 顾卿华Gary Gu安永大中华区科技咨询服务主管合伙人 欧阳伟基Steve Au Yeung华中区咨询服务主管合伙人 陈剑光Jianguang Chen大中华区人工智能与数据咨询服务联席主管合伙人 郭佳轶Vincent Guo大中华区人工智能与数据咨询服务合伙人 庞媛媛Doris Pang安永大中华区人工智能与数据咨询服务经理 喻菲菲Feifei Yu安永大中华区人工智能与数据咨询服务经理 根据安永调研，95%的受访企业高管表示其组织在业务中部署AI，且在采访结束的六个月内已带来积极的投资回报[1]（ROI）。在生成式AI（GenAI）的应用方面，安永的《2024年安永工作再构想调查》显示，全球职场中相关技术的使用率从2023年的22%跃升至2024年的75%[2]。 从职能部门AI使用率角度分析，除IT部门（42%）外，合规部门（31%）和财务部门（33%）也正在进行大量的AI工具尝试（图2）。而财务部门作为流程标准化要求高、数据量大、合规要求严格的职能部门，被普遍视为AI最具落地价值的核心应用场景之一。 根据安永2024年发布的《安永全球财务控制官DNA调查》，约89%的财务控制者已在日常工作中使用AI工具，65%的受访者已开始采用GenAI辅助完成财务任务[4]。作为企业中最早形成流程规范的职能之一，财务部门对AI的接纳速度和落地程度正在不断提升。这一趋势的形成是必然的：财务职能本身工作重复性高、数据密集、对规则敏感，这使其适配AI；AI所具备的高效算力、语言理解与预测建模能力，恰好契合财务职能在效率、准确性与前瞻性上的核心诉求。而财务面临的核心挑战也日益突出，主要体现在效率与合规两大方面。 首先是效率问题。财务流程中仍存在大量标准化、重复性的人工操作，例如手工分录（MJE）、凭证整理与对账等。尽管这些流程本身具备高度规则性，但由于系统间割裂、输入格式复杂等原因，仍需大量人力介入，导致流程推进缓慢、出错概率上升，也限制了财务人力资源的战略性使用。 其次是合规与风险管控的压力。在跨地区、多重准则并行的环境下，财务需要应对不断变化的监管要求和日益复杂的数据流。传统的静态监控方式难以动态识别风险和违规行为。尤其在报销、收入确认、内部控制等关键节点，财务面临监控精度不足与响应延迟并存的双重难题。根据安永调研，42%的受访者认为AI适用于审查测试合规活动，38%的受访者认为适用于日常监控，35%认为AI适用于进行风险评估[3]。这显示出企业在合规风险领域对AI引入的必要性。 安永基于服务全球千家企业的经验，深度覆盖制造、零售、医药、教育、能源等20余个行业，沉淀出上百个智能财务场景解决方案，在业财税融合、战略风控、跨境合规、数智分析等领域极具实践厚度。我们发现，真正实现“数字中枢”价值的财务平台，需以业务场景为锚点，将预测、风控、决策深度耦合。 正因如此，AI在财务领域的快速应用，本质上是一场职能重构的信号。它不仅仅为财务带来自动化和智能化的技术手段，更重要的是重塑了财务的角色定位——从核算与合规支持，转向以数据驱动为基础的业务洞察与战略协同。AI正在推动财务从执行性的职能，逐渐转变为企业数字化决策的数据中枢节点。 案例分享 某客户为全球领先的制造业集团，其业务涵盖多个领域且高度依赖精准、高效的财务数据平台支持运营及战略决策。安永凭借与该客户的长期战略合作，深入洞察其复杂的财务数据生态，通过专业技术与精细流程，全力确保财务数据的准确性、时效性及可操作性，助力客户打造更智能化的财务平台，提升决策效率与商业洞察力。 图-4汇总了近年来安永团队为客户开发落地及计划中的财务相关AI应用案例，其中落地实施超过15个。这些创新应用系统性地覆盖了四大核心应用场景：预测、风险监测、分类及自动化以及洞察分析类。从财务流程角度来看，安永的解决方案全面服务于记录至报告（R2R）、采购到付款（P2P）、订单到现金（O2C）等关键业务流程。这些实践不仅印证了AI的颠覆力，更凸显安永从行业洞察到商业价值的闭环能力。下文将深入解析4大标杆案例，揭开智能财务从概念到落地的蜕变逻辑。 通过结合多预测因子的双模型协同，相比基于付款截止日期的传统预测方法，预测准确率大幅提升 ——以客户某一业务板块的AP预测为例，准确性从70%提升到了90%。值得注意的是，如果预测和实际值存在较大差异，通过微观模型，可定位偏差具体来源于某个发票或者某个客户，继而找出其原因，如可能是系统原因导致付款未成功，或者是发票有争议导致了延迟收款等等。而宏观模型在线实时训练，可动态把握趋势变化，快速调整预测值。而这类根因分析和动态调整是传统预测方法所不具备的。 如何以数字化的方式精准预测现金流变化趋势以合理规划现金流，是财务部门近几年来的一大诉求。应付账款（AP）与应收账款（AR）作为影响现金流的两大核心变量，其预测精度直接决定了企业资金管理的有效性。 基于客户财务数据湖里的发票级交易数据，安永为客户构建了双维度预测模型，预测结果以仪表盘报表形式展示给客户，赋能其财务团队实时预测现金流变化。 §微观预测模型：针对已经创建但未结清发票，融合机器学习算法与多维度预测因子（发票相关特征数据、供应商特征、历史付款模式等）预测发票的支付时间，由此预测一段时间的总应收应付金额；但由于在预测窗口内会持续产生新的发票，所以发票层级的预测更适用于短期（如四周）预测。 此类预测模型还可以扩展到其它财务领域，展现出强大的技术可迁移性。不仅可以预测净现金流，还能应用于销售额预测，助力销售部门制定更合理的业绩目标和营销策略；用于费用预测，帮助企业进行成本管控与预算规划。 §宏观预测模型：对于在更广的时间窗口（如一个季度），基于时间序列模型，整合节假日、季节因素等数据从宏观角度预测每周的应收和应付账款。 科目组合。若出现不匹配的科目组合或该组合在历史上出现频次很少时，则此情景可能被视为异常记账模式。为此，我们针对记账模式开发了一套AI工作流，包含模式提取-异常检测-异常解释-看板复核等环节，将可疑科目组合及其对应的JE展示给内控人员以做进一步调查。 客户财务控制部门在总账的日记账分录（JE）审查中面临双重挑战：一方面传统风险评估仅依赖简单规则，风险维度单一；另一方面全量审查耗时费力，随机抽样又导致高风险条目覆盖不足。 针对此痛点，安永为客户打造了账务总账（GL）风险管控解决方案，旨在通过多维度、全方位的风险监测高效筛查高风险账目。此解决方案由以下四个模块组成。 §模块4：统一风险评分 到目前为止，我们已从不同角度识别有潜在风险的JE，但没有深入了解各风险或异常指标的相互关联性-即是否存在重复的指标或者应该考虑某些指标组合?是否可以使用一个统一的评分来代表所有指标?为回答这些问题，我们建立了统一风险评分模型，通过整合所有风险相关变量，降维提取潜在关键因子，计算加权总分生成统一评分，以供内控人员快速筛选高风险JE。 §模块1：规则与风险指标体系 我们依据财务会计规则，帮助客户建立了风险指标库，分为“流程卓越与合规”“MJE控制、流程政策与合规”“财务报表舞弊”和“数据质量审计”四类。为每个类别和整体实现自动化风险评分（低-中-高），支持审计优先级排序。 通过从规则-统计-AI模型三层逐步探索，以专业领域人员的知识为载体，历史数据为强大支撑，将审查高风险条目效率提升了5倍。该方案显著提升了企业对总账风险的把控能力，帮助企业高效审查和处理高风险账目。该技术架构可迁移至与异常值检测和多维分析相关的其它场景：如针对于采购到付款流程中的供应商风险评分、异常付款识别等风控场景；针对差旅费用报销的异常报销识别；针对客户信用风险管理的客户风险画像等。 §模块2：统计过程控制（SPC）监测 SPC的关键工具是控制图，基于过去12个月的历史数据动态计算控制限值（UCL/LCL）。通过将新增JE数据与上下限进行比较，自动标记异常JE，为用户提供预警。 §模块3：异常JE记账模式检测 JE记账模式是观察JE的另一个角度-同一条JE里的所有 该AI赋能的MJE自动化解决方案以数据处理与模型训练为核心基础环节。首先对历史财务数据（如账户分类，JE描述等结构化和非结构化数据）进行深度清洗和特征工程处理，结合监督学习算法，基于已标注的MJE类别训练智能分类模型。该模型不仅能批量处理现有MJE，还可实时自动归类新增MJE，将传统人工分类升级为