前言
过去两年,财务领域积极实施人工智能的企业增加了一倍以上。2026年调研表明,许多企业已从中获得显著商业回报,但回报集中在特定环节,收效差异明显。本报告探讨回报来源及要因,涵盖治理、控制和员工队伍等领域,基于2024年毕马威财务报告人工智能研究,并扩大到财务各职能领域。调研涵盖20个国家13个行业1,013位高级财务主管,关注人工智能实施回报的来源及其要因。
摘要
人工智能在财务领域应用广泛,超四分之三受访企业已在财务规划、报告和商业分析中应用人工智能。但应用范围与回报不可混为一谈,71%的企业表示投资回报率达到或超过预期,其中仅23%认为回报超出预期。各企业利用人工智能改善绩效效果不一,治理和控制能力强的企业见效更显著。已建立规范化跟踪与人工智能应用相关的关键绩效指标的企业,其绩效提升效能也优于其他企业。人工监督仍然至关重要,特别是在需要判断是否能根据人工智能输出采取行动之时。从30%到75%自2024年以来,在财务领域积极实施人工智能的企业增加了一倍以上。76%的企业正积极利用人工智能开展财务规划,70%的企业认为过去一年其决策质量有所提升。回报最为集中且提升最为明显的是决策质量、预测准确性和响应力。部署了代理式人工智能的企业实现了至少32%的增长,其中预测准确性和投资回报率的提升比例接近40个百分点。当前,财务领域人工智能的作用主要是决策支持引擎,而非成本杠杆。
人工智能为决策引擎,而非成本杠杆
财务领域人工智能应用大多被认为是出于效率目的,但事实并非如此。过去两年,在财务领域积极实施人工智能的企业已经从30%增加到75%。财务领域人工智能的焦点已发生变化,人们主要关注人工智能是否能够实现价值,如今则主要考虑应该将其用于什么领域。对于这一问题处理较好的,是那些不仅仅利用人工智能加快任务处理速度,还将其用于提升决策能力的企业。此举才能真正实现回报。企业推广应用人工智能的速度超出规模化提升自身整体绩效的速度。传统上通过投资收益与成本计算投资回报率的衡量方式,无法反映当今人工智能在财务领域所创造的实际价值。在这些方面获得显著成效的并非最广泛应用人工智能的企业,大多数企业人工智能应用范围已经较为广泛。成效最显著的而是那些已经进入战略部署阶段,将人工智能主要应用于规划、预测和风险评估等的企业。对于代理式人工智能而言,其创造的可衡量价值主要集中在增长能力、响应能力和客户体验方面。
成熟度阶梯:财务领域人工智能的部署阶段
各类人工智能每个部署阶段的企业占比(1,013名受访者)。代理式人工智能比普通人工智能和生成式人工智能多两个阶段。响应能力、增长能力、客户体验。
人工智能正改善财务对业务的支持方式,而不仅仅是财务自身的运作方式
最多受访者提及财务领域代理式人工智能带来可衡量价值的增长。财务团队能够更快地应对环境和业务需求变化。人工智能为规划、预测、风险评估等需要有效判断的工作带来了最显著提升。
绩效差距:各行业间差距最大的领域
各指标绩效最好和最差的行业。按差距大小排序。总平均值以竖线标记。引领财务人工智能应用的并非那些投入较多资金的行业,而是那些已经具备人工智能所需基础的行业,包括清洁数据、严格控制机制以及注重证据的企业文化。一旦具备此类基础,人工智能的投资回报就会大幅增长。
通过治理与控制构建信任
治理通常被认为有碍人工智能的推广应用。然而,数据显示这与事实恰恰相反。拥有更强效控制机制的企业在应用人工智能方面表现更佳,且在大规模应用人工智能方面能够获得更多信任。在构建信任方面,绩效数据、审计轨迹和可解释性较为重要。它们共同为人工智能可信度声明提供确实证据,从而推动人工智能大规模应用。对于能够持续高效提供人工智能相关审计证据的企业,其人工智能应用获得显著成果的速度是其他企业的三到六倍。这种差距在我们衡量的每个财务指标上都得到体现。与单纯依靠关键绩效指标跟踪相比,验证能力正逐渐成为更能有效预测人工智能对绩效的改善效果的因素。毕马威认为,通过治理和控制切实构建信任,是人工智能见效的直接驱动因素。我们的这一理念获得了相关数据的佐证。
验证能力存在短板
此次调研表明,验证能力是绩效改进的最强有力的预测指标。仅不到一半的受访企业具备这一能力。42%的企业已针对人工智能赋能的财务流程大力打造所需的验证能力。60%过去两年中,需要通过打造验证能力加以应对的问题并未改变。在我们2024年的调研中,网络安全、数据质量和准确性是财务主管最关心的问题。2026年它们仍然备受关注。发生变化的是风险程度,因为人工智能不再只停留在试点阶段,而出错的成本也随着人工智能的推广应用而大幅上升。验证能力也正成为其他所有企业的基本要求——尽管不到一半的受访企业具备这一能力。的代理式人工智能应用领跑企业已具备较强的验证能力。但即便是领跑企业,也仍存在较为明显的不足。差距在于为衡量人工智能应用结果所开展的工作。大多数企业会跟踪结果,但较少会建立审计轨迹、文档和证据以解释这些结果的产生方式。只有29%的企业正式跟踪人工智能应用的失败之处。这导致结果的可见性不足:企业能看到人工智能所带来的好处,但无法了解它为何失效或在何处存在风险。具备验证能力已从一项内部要求转变为一项商业要求。监管机构、董事会和外部审计师不再关注是否使用了人工智能,他们重视的是企业能否证明如何管控人工智能。能够做到这一点的企业就可大规模应用人工智能,而无法做到的则面临诸多风险。
数据质量与员工技能问题
数据质量与员工技能问题是人工智能应用的两大显著障碍,需要通过不同的方式加以应对。数据质量是结构性限制:在受监管行业之外,大多数企业多年来对数据治理投入不足,导致数据量激增、来源分散且隔绝于个人存储设备之中。员工技能问题是第二个制约因素:它影响职能部门是否有能力围绕人工智能重构其运作模式,而不仅仅是重新培训用户。两者的应对之道都涉及领导力、愿景和信念。36%的企业对其现有财务团队进行了人工智能流程培训。38%的企业正着手提高其财务和内部审计团队在人工智能流程方面的技能。28%的企业寻求招聘具备新技能的人才。数据质量是此次调研中受访者最常提及的问题,也是他们最常提及的机会点。36%的受访者认为,改善数据质量、整合程度和系统互通是他们从财务人工智能中获取更多价值的首要机会点。数据素养正成为重中之重。员工必须能够评估数据质量、解读输出结果并提出问题以便开展应对措施。领跑企业不仅着力提升现有团队技能,也寻求引入具备新数据技能的人才。但数据素养并非企业面临的唯一短板。鉴于人工智能能够缩短复杂决策所需的时间,财务主管还需具备道德判断能力以决定何时可依据模型输出采取行动,也应具备批判性思维能力来审视那些看似合理的结果。
从引入到成效
这些条件对应毕马威可信人工智能框架所涵盖的三个领域,成熟度与合规、风险转型、风险管理,并从财务职能的角度加以诠释。对于希望弥补短板的财务主管而言,以下四点尤为急迫。
- 将治理与控制视为实施人工智能的基本要素
- 围绕价值而非任务重塑人工智能应用
- 在实施人工智能的过程中衡量结果
- 重构整个员工队伍,而不仅仅开展培训
结语:应将人工智能视为一项财务运营能力
在财务领域,人工智能已得到广泛应用。能助力企业在竞争中脱颖而出的,已不再取决于是否使用了人工智能,而在于人工智能的应用方式能否持续改善决策和绩效。相同的结构性问题也出现在数据和员工能力方面。数据质量较差会削弱人工智能的运作基础,而数据素养、批判性思维和道德判断方面的不足,则会使输出结果得不到充分解读与应用。培训用户使用人工智能工具是必要措施,但并不足够。领跑企业正将决策所需的清洁数据与能快速审查人工智能输出并实施专业判断的人才相结合,以重塑其工作模式。这些要素之间相辅相成。在具备强效控制措施的情况下,以决策为导向应用人工智能可产生更显著的效果。开展成效检验可使控制措施更加有效。只有具备依据成效检验结果采取行动的能力,成效检验措施才能有助于推动绩效改善。这些要素共同构成整体运营模式,合力确保人工智能应用能够持续改善绩效。此次调研明确表明:在财务领域,将人工智能视为一项运营能力而非一组工具或孤立用例,才能创造最大价值。从能够利用人工智能持续改善业绩的企业来看,他们主要将人工智能大力用于规划、预测、风险评估和商业分析等需要判断能力的工作。对于这些工作而言,洞察力、响应速度和可信度的提升最为关键。在这些企业中,人工智能充当决策引擎,而非成本杠杆。财务领域人工智能应用已经到达转折点。为获得竞争优势,企业必须围绕人工智能调整其财务运营模式,并在人工智能日益强大、自主以及深度嵌入日常决策之时持续开展优化。然而,仅仅引入人工智能不足以满足需求。调研结果显示,绩效差距主要受人工智能运作条件影响。具备较强的治理、控制和验证能力的企业能更大范围地应用人工智能。通过实施成效检验机制,确保可审计性、可解释性并开展人工监督构建信任,不仅仅是为了合规,也是实现人工智能大规模应用的前提。信任不足会使人工智能的输出遭到质疑、使用率低或使用受限,从而限制其所能创造的价值。对于财务高管而言,显然应就如何运营财务职能进行深思熟虑,为人工智能的实施提供基础。为确保人工智能能够带来价值,企业应:
- 将人工智能投资用于需要开展决策的工作,而不仅仅是提升交易效率
- 从部署人工智能伊始就融入治理、控制和证明措施
- 构建能够产生证据而非仅仅是指标数据的成效检验机制
- 培养一支能够质疑、解读人工智能洞察结果,并采取相应行动的员工队伍