智能+會計：模式創新與職業重塑

應里孟 陽杰

【摘要】在數據、算法和算力的推動下， 人工智能（AI）借助其各階段發展起來的計算智能、分析智能、融合智能和自主智能， 創新發展了信息化會計、數字化會計、智能化會計和智慧化會計四種模式。 “智能+會計”的終極目標是構建一個具有自主感知、學習、決策、執行、控制和適應的智慧會計系統。 然而， 面對組織決策的不確定性、復雜性和模糊性， “智能+會計”在較長時間內還需要發展人類智能和AI之間的人機共生關系， 推動會計職業向與AI結合的管理型和技術型發展。 新型會計人才應該具備“管理+會計”“技術+會計”和“情商+會計”三個維度的復合型能力。

【關鍵詞】人工智能;智能+會計;會計模式;會計職業;會計能力

【中圖分類號】 F272 ? ? 【文獻標識碼】A ? ? ?【文章編號】1004-0994（2020）24-0069-8

一、引言

人工智能（AI）賦能會計模式創新是一個歷久彌新的話題。 長期以來， 受可用的數據、算力和算法多方面的制約， AI一直未能對會計工作產生實質性的影響[1] 。 在大數據、云計算、區塊鏈、機器視覺、機器學習、自然語言處理、5G等新一代信息技術和第四次工業革命的推動下， 過去制約AI發展的數據、算力和算法問題均有了實質性的重大突破。 AI技術正深度應用于各行各業， 萌發了行業發展的新理念、新模式和新動能， 改變了會計的工作模式和生態系統， 并在一定程度上引發了人們對會計職業即將消亡的擔憂。

然而， 會計作為一種職業是跟隨環境的變化而演化的。 在以AI為代表的新一代信息技術的驅動下， 會計模式日益革故鼎新， 現代會計職能進一步拓展， 會計職業也被重塑。 當前， 會計界的一個主流觀點是， AI對會計職業來說是一個福音， 它將會計人員從簡單重復的低層次勞動中解放出來， 轉而從事更高層次的價值創造工作， 如數據解釋、咨詢服務和判斷等。

本文將AI限定為能夠模擬人類智能完成某些特定任務的工具和技術。 至于能夠全面超越人類的知識和能力， 完全接管人類工作的AI， 在可預見的較長時間內還將是烏托邦式的幻景[2] 。 本文提出的“智能+會計”是指將AI創造性地應用于會計工作， 持續推動會計模式創新， 提高會計工作效率， 提升會計服務和產品質量的過程。 那么， “智能+”是如何創新會計工作模式的呢？這種創新會如何重塑會計職業？這些都是走向“智能+會計”時代所亟需解答的新議題。

二、“智能+會計”系統原型與模式創新

“智能+會計”絕不是在經典會計模式下簡單地用AI技術替代人工來提高現有會計業務流程的效率和質量， 而是用其帶來的新技術、新思維推動會計模式創新， 實現會計工作的轉型升級， 甚至整個會計行業全方位的自我革命性變化。 “智能+會計”的終極目標是構建一個能夠自主感知、學習、決策、執行、控制和適應的智慧會計系統。

（一）“智能+會計”系統原型

自1956年達特茅斯會議正式提出用計算機來模擬人類智能以來， AI研究一直致力于解析并模擬人腦信息處理過程， 意圖用機器智能代替人類智能。 西蒙認為， 無論是人類的顯意識還是潛意識， 都是一個人腦信息加工的過程， 這與AI的信息處理邏輯是一致的。 “智能+會計”系統就是在會計信息的加工、處理和輸出環節嵌入AI技術。 AI技術能力決定了會計模式創新潛力， 基于現有研究[2] ， 本文搭建了“智能+會計”系統原型（如圖1所示）， 作為理解會計模式創新的基礎。

1. 輸入。 數據是生產會計信息過程中最重要的資源。 數據隱含的、期待著被發現的， 既有規律， 也有信息。 AI要實現擬人化， 就必須從持續更新的大量數據中不斷總結規律， 提高解決復雜問題的能力， 這就是機器學習。 AI之所以能取得重大突破， 正是得益于用于捕獲和分析數據的基礎設施、工具和技術組成的數據生態系統的不斷完善， 以及可供AI系統使用的大數據能滿足機器學習之需。 在“萬物皆數、萬物互聯、開放共享”的背景下， 數據呈爆發式增長， 各類組織紛紛謀求數字化轉型， 推動整個社會進入數字化時代。 過去僅允許結構化數據進入會計系統的情況得到改變， 任何實現了數字化的結構化、半結構化和非結構化數據都可在機器視覺、自然語言處理（包括自然語言理解和自然語言生成）等AI技術的支持下納入原始會計數據范疇。 會計系統可以采集近乎全景式的會計業務事件數據， 過去制約會計計量和信息鑒證自動化的瓶頸， 在AI的支持下也有所突破， 會計信息質量有望大幅提升[3] 。

2. 處理。 “智能+會計”系統重點要解決的是使系統能夠像人一樣“聽懂”和“看懂”各種非結構化數據。 這時需要運用自然語言理解和機器視覺技術對數據進行預處理。 自然語言理解技術能夠支持人和機器之間用人類社會的日常交流語言（口語和書面語）進行對話， 使計算機能夠理解和運用這些語言。 機器視覺旨在用機器替代人眼進行測量和判斷圖像、視頻或動作。 經過預處理的數據可用于進一步的處理分析， 主要過程包括問題解決、推理和機器學習。 問題解決和推理定義了AI應該解決的問題以及如何進行分析， 包括所有重要的模式識別和得出數據分析結論。 機器學習是智能化過程中必不可少的一部分。 如果AI系統是基于現有數據和信息做出理性行為， 那么AI系統需要能夠從日常工作經驗中學習， 這是機器學習的本質。 機器學習不應局限在重復人類已知的學習規律和方法上， 而是要支持“數據與數據對話”， 通過數據驅動來發現新知識[4] ， 無需人工介入即可自動完善AI算法， 提升AI系統的性能[5] 。

3. 輸出。 隨著上述過程的完成， “智能+會計”系統必須將這些過程產生的有意義的會計信息與其環境聯系起來， 要么作為人類決策的基礎， 要么作為其他信息系統的輸入。 系統的輸出不僅包括反映過去發生了什么的描述性報告， 還有解析問題發生原因的診斷性報告、面向未來事項的預測性報告。 更能體現AI價值的是向信息使用者提供決策支持和行動建議的規范性報告。 在技術方面， 可以用自然語言生成技術來生成文本、圖像或音頻形式的商業報告。 例如， 向財務機器人口頭詢問最新的財務指標時， 機器人就會用語音形式告知實時分析結果及一些參考建議。

4. 知識庫。 “智能+會計”系統的智能行為需要有強大的知識庫的支持。 知識庫中存儲了多源異構的海量數據， 這些數據包括輸入系統中的原始數據， 經過預處理后的中間數據， 以及通過系統預設的基礎知識和機器學習獲得的新知識。 機器學習對可用數據的要求非常高， 數據越豐富、越完整， 機器學習的效果就越好。 由于單個組織的知識庫中存儲的數據非常有限， 不足以支持機器學習能力的充分施展， 因此建立一個行業共建共享的知識庫十分有必要。

（二）“智能+會計”模式創新

在算法和算力的支持下， 根據數字化和智能化不同發展階段的組合， “智能+會計”模式可分為信息化、數字化、智能化和智慧化四種形態， 分別對應計算智能、分析智能、融合智能和自主智能四個AI技術發展階段， 如圖2所示。

1. 計算智能：信息化會計。 當數字化和智能化均處于較低水平時， 計算機主要發揮AI的基礎性計算智能作用， 替代人工完成部分會計信息的加工任務， 我們將這一階段定義為信息化會計。 由于財務會計工作流程穩定， 涉及大量數值型數據處理， 并且處理算法相對簡單， 在不同組織之間具有高度一致性， 因此在微型計算機發展的推動下， 著眼于實現財務會計流程自動化的會計電算化， 在20世紀60年代末到20世紀70年代中期在發達國家得到快速普及。 由于大量財務會計工作崗位逐漸被計算機替代， 財務會計人員開始更多地從事管理會計工作， 甚至是信息系統開發、實施和維護工作。

20世紀80年代， 企業經營環境日趨激烈， 準時制造、柔性制造、全面質量管理等新模式層出不窮， 會計作為決策信息主要提供者的角色地位受到企業其他部門的挑戰。 20世紀90年代， 隨著企業數字化程度的提高， 企業通過ERP系統優化和重組業務流程， 將會計、制造、人力資源、供應鏈、銷售、財務、預算和客戶服務活動等業務流程進行集成和控制， 會計流程與其他業務流程開始融合， 傳統會計信息生產接近自動化， 會計在組織中的傳統作用進一步退化。 這時， 管理會計要么構建新的技術體系， 要么將工作重心前移， 向更加廣泛的財務和非財務信息生產、解釋和咨詢角色轉變， 從而進入會計信息化階段。

這一階段的顯著特征就是將反映業務事件的屬性轉化為可錄入系統的結構化數據。 雖然ERP系統試圖將企業資源都納入數字化管理， 但由于數據采集、存儲和處理能力的限制， 許多反映業務事件屬性的信息仍需人工錄入系統， 并且還有許多屬性的信息被排除在系統之外。

2. 分析智能：數字化會計。 進入21世紀， 隨著互聯網的普及、網絡應用的迅猛發展， 新技術的應用帶來了大量的多源異構數據， 云計算帶來的算力增長推動著整個社會的數字化程度躍變式發展， 大數據時代悄然來臨。 在企業層面， 隨著第四次工業革命的到來， 在射頻識別（RFID）、實時定位系統（RTLS）、物聯網、增強現實（AR）和虛擬現實（VR）等技術的支持下， 價值鏈上的企業與企業之間、企業與顧客之間、企業內部不同層級的業務單元之間的數字化集成水平更高。 在企業的智能工廠， 通過信息物理系統（CPS）， 實現了信息世界和物理世界的互聯互通， 通過傳感器檢測業務需求， 通過互聯網與其他遠程生產工具建立通信， 通過大數據獲取所需的生產信息。 在此背景下， 企業需要進行數字化轉型。 對會計而言， 需要借助企業數字化轉型的機會， 進行數字化會計模式創新， 為會計職業打開新的發展空間。

數字化和信息化的不同之處在于， 數字化是由機器自動完成數據的采集和錄入， 而信息化則需較多的人工操作。 數字化會計是一種由大數據驅動的模式創新。 有研究認為， 在會計環境中使用大數據將是一種破壞性的力量， 因為它需要對傳統會計工作模式進行重大變革， 數據記錄等傳統會計任務將變得不那么重要， 管理會計技術將逐漸過時[6] 。 大數據技術可為資產評估、成本分析、預測和預算提供替代方案， 管理者可以獲得大數據提供的海量外部信息以幫助其做出決策， 這將影響到會計作為業務知識創造者的角色。 在數字化轉型背景下， 信息化會計階段的ERP系統難以整合各種實時的大量多源異構數據， 這時就需要通過一個虛擬數據倉庫， 將組織內外的多源異構數據進行虛擬集成。 經過虛擬集成的大數據不再根據部門職能邊界進行分割， 在保證數據安全性和保密性的前提下， 各業務部門都可利用大數據分析工具對這些數據進行分析。

在數字化會計階段， 會計人員的核心技能不再是對原始信息的收集、錄入和加工， 而是對多源異構尤其是非結構化的大數據進行分析， 并將結果進行可視化呈現， 在必要時向信息需求者提供解釋。 這一階段開始發揮AI的分析智能作用， 在對歷史數據描述性分析的基礎上， 可以進行初步的預測性分析[7] 。 但由于此時的智能化程度較低， 大多數分析任務都是手工完成的， 勞動強度高、處理速度慢。

3. 融合智能：智能化會計。 會計工作充滿了專業判斷， 這種專業判斷過程復雜且易出錯， 因此要求會計人員有豐富的職業經驗。 智能化會計就是希望利用AI來替代人工完成專業判斷工作， 減少會計工作的人工干預。 AI在會計領域的應用最早可追溯到20世紀80年代的專家系統， 其主要用于審計計劃、風險評估、壞賬準備測試、稅務籌劃、銀行破產預測、內部控制評估等領域。 這一時期的專家系統被認為是試圖復制人類專家的行為和專業知識、存儲人類知識和經驗并將其轉化為規則的軟件程序， 從而試圖解決會計問題并執行一些會計任務。 但要讓專家系統掌握人類所具有的看、聽、說、推理和學習能力， 當時的AI技術還無法實現， 其在實踐中沒有發揮明顯的作用， 最終導致這類系統上線不久后就被棄用， AI在會計領域的應用也陷入停滯[1] 。

AI在會計領域的早期探索遇到挫折的主要原因在于， 當時的數據、算法和算力還不足以支持AI模擬人類智能的高級方式， 從而導致AI的理想與現實之間出現無法逾越的鴻溝。 嚴格來說， 當時的專家系統并不屬于本文所界定的AI范疇， 它們假設人類智能可以通過自頂向下的方法形式化為一系列“如果（if）-那么（then）”程序語句的規則集合。 這顯然只是對已有知識的應用， 但不能學習到新知識。 當然， 將已知的可以用計算機規則表示的人類智能用于支持專業判斷還是很有必要的。

隨著ERP系統的普及應用， 可用的結構化數據大幅增加， 這時可以逐漸讓專家系統具備一定的學習和推理能力， 提升專家系統的智能化水平。 不過， 在數字化程度較低的條件下， AI的智能化水平非常有限， 只能在較低水平、有限范圍內的應用， 需要大量的人機交互方可完成任務。 在此過程中， 人類和機器之間最有效的分工模式是人機融合智能， 即利用人類智能和AI的互補優勢， 使兩者的行為比各自獨立時更聰明[8] 。

雖然現在已經進入非結構化數據占主體的大數據時代， 但“智能+會計”的數據還是以海量的結構化數據為主。 只要政府、行業和企業將各自掌握的結構化數據逐步實現有條件的開放共享， 專家系統的智能化水平有望得到逐步提升。 目前， 區塊鏈技術已經開始用于幫助提高數據傳遞的安全性和完整性， 機器人過程自動化（RPA）也被用于自動完成會計工作中涉及的多系統交互任務， 這些新技術的應用有助于提高智能化會計的自動化水平[9] 。 在智能化會計階段， 智能化、自動化水平的提升， 極大地減少了人工會計工作需求， 原會計工作內容已經縮減到人機交互中需要進行判斷、決策的領域。

4. 自主智能：智慧化會計。 真正意義上的AI是一個能夠正確地解釋外部數據， 從這些數據中學習， 并通過學習到的成果來實現特定目標的系統。 隨著時間的推移， 對算法進行訓練的數據越來越多， AI會不斷獲得人類智慧， 做出的決策也會越發聰明、有效。 “智能+會計”的遠期發展目標是要讓AI全面逼近人類智慧， 甚至在某些特定領域超越人類智慧， 讓AI走向自主智能。 在自主智能的作用下， “智能+會計”逐步走向具有自主感知、學習、決策、執行、控制和適應能力的智慧會計系統。 智慧會計系統創造性地運用AI新思維、新理念、新技術和新方法來重構會計流程、技術和方法， 推動會計職能不斷拓展。 相比較而言， 智能化會計的發展側重于用機器智能模擬人類智能， 主要是為了實現自動化; 而智慧化會計側重于發揮機器自身的優勢， 突破傳統會計思維的局限， 主要目的是創新與創造。 下面列舉了幾例典型的智慧化會計應用場景：

情景1：當一個新客戶向企業就某種產品進行詢價時， AI系統可以自動抓取與客戶相關的外部數據源， 包括公司網站、社交媒體、金融數據庫、行業數據庫、企業信用數據庫、政府部門開放的數據庫， 以了解企業的信用信息。 之后結合該產品的銷售和市場競爭情況， 以及企業的產品生產能力和生產成本等明細數據， 自動生成產品報價及相關合同條款。 待客戶進行合同確認并發送訂單之后， 系統自動將訂單數據及前面獲取的相關數據自動錄入ERP系統之中。 ERP系統根據訂單要求的時間， 將生產指令下達給智能工廠， 智能工廠可以對客戶訂單進行定制化生產。 相關過程信息實時進入會計系統， 并實時更新相關會計數據。

情景2：在智能制造條件下， AI系統可以通過企業的智能產品收集和分析用戶行為數據， 企業可以據此為客戶提供更加精準、個性化的產品和服務。 系統通過大數據可以細化到對單個產品的各成本項目進行精細化管理， 還可規劃出新產品開發的資金需求及最佳資金管理方案。 營銷部門的系統可以通過銷售大數據分析和智能產品收集的數據， 對產品進行精準營銷、撇脂定價。

情景3：當用戶需要會計相關信息時， 直接和辦公桌上的機器人對話， 機器人通過面部識別用戶權限之后， 將后臺實時生成的信息用簡單易懂的語言告知用戶， 同時將更加詳細的結果用可視化方式在機器人身上的顯示屏上進行展示。 如果用戶認為現在企業的現金流存在風險， 可以直接詢問機器人應該怎么辦， 機器人則會規劃出幾條解決問題的“路線”。 機器人在與用戶的互動中可以逐漸了解用戶的需求并學習其決策風格， 其會越用越“聰明”、越“貼心”。

進入智慧化會計階段， 人機交互的工作大量減少， 通過機器學習不斷提高的智能決策質量將增強用戶對AI的信心。 數字化會計階段可用的大數據的價值在智慧化會計階段得到進一步挖掘， 數據分析方法日趨多樣化、自動化、智能化和實時化。 智慧化對于提高會計工作質量、進一步壓縮傳統會計崗位需求的效應是無疑義的， 但是否會徹底取消人機交互， 還有待商榷。

三、“智能+會計”職業重塑

任何職業都是隨著環境的變化而不斷發展的， 傳統會計工作被機器替代， 并不意味著會計工作就會消失， 而是帶來了一次職業重塑的機會。

（一）“智能+會計”的人機共生需求

“智能+會計”的核心價值在于用AI替代人類智能進行決策。 從目前AI技術的發展來看， 在那些明確規律或規則的領域， 借助于充足的數據支持， AI決策能力已超越人類;然而在應對高度不確定性、復雜性和模糊性的各類組織決策時， AI決策能力仍捉襟見肘[10] 。

1. 不確定性。 不確定性是指缺乏關于決策方案及后果的信息。 會計決策是組織決策的一個子集。 財務會計的確認、記錄、計量和報告規則比較明確， 不確定性較低。 但管理會計決策需要同時考慮組織內部和外部的各種情境因素， 這些因素是開放式的， 無法全部納入作為決策變量， 能納入決策的各因素又不一定都能實現數字化， 已經實現數字化的因素又難以從多維度采集反映該因素全貌的高質量數據。 因此， 在不完備信息條件下， AI只能使用概率方法提供決策建議， 最終決策還需由人來完成。 此外， 面對一些未曾遇到的新問題時， AI在采集決策所需信息和選擇分析方法方面具有較大的盲目性， 不確定性更高。

2. 復雜性。 復雜性是指決策需要處理的信息太多， 處理這些信息超過了人類決策者的能力限度。 AI將大數據與機器學習相結合， 可以較好地應對復雜性。 但是， 許多AI決策算法是由人編寫的， 算法在編寫時很難對具體的決策情景考慮周全， 對決策需要考慮的因素及各因素在決策中的重要性權重分配具有很強的主觀性。 換言之， AI決策算法的設計者不可能“未卜先知”將來的所有決策， 并對每種決策設計完美的算法。 AI學習算法同樣如此， 要讓算法能夠廣泛地適應不同的決策情景， 就必須增加訓練的參數， 并用更加豐富的高質量數據對其進行訓練， 這種參數設置也難免“掛一漏萬”， 相應的數據種類、數量和質量也難以充分滿足需求， 從而帶來算法偏差的問題。 因此， 對于復雜的決策問題， 難以找到一種可以完全接管的算法。

3. 模糊性。 模糊性是指對于某一決策方案， 不同的人會有不同的理解。 這主要是利益相關者之間的利益沖突所導致的。 為了滿足多方相互沖突的需求和偏好， 僅用算法這種理性的分析可能是不夠的， 還需要一個主觀考量和政治博弈的過程。 雖然AI可能通過對沖突需求的情感分析來解決此問題， 但這種模糊性最終還是由人類行為來體現， AI算法對這些行為難以預知。 即使AI可以為決策相關方確定最佳解決方案， 也很難說服相關各方都接受該方案。 此外， 考慮到前面的不確定性和復雜性， AI提供的結果只是一種可能的相關性， 而無法得到確定的因果關系。 雖然現實世界對因果關系的追求只會“無果而終”， 但這種模糊的相關性還是很難讓決策者全盤接受這些信息， 并據此做出決策。

人們之所以愿意選用AI系統， 就是因為對系統能力的信任。 一旦出現低質量的決策信息， 或者不能真正應對實踐中需要解決的問題， 這種信任就會喪失， 進而導致整個系統被棄置。 一些研究也認識到了人類智能的優勢和AI的不足， 例如， “對于那些能夠運用直覺、想象力和創造力的人來說， 決策可能仍然是一種（相較于AI的）比較優勢”[10] ， “盡管機器學習的效果將是顯著的， 但需要靈活性、情景適應性、創造力、判斷力、直覺、人際互動和說服的任務不太可能在短期內完全自動化”[11] 。

為了彌補AI在應對組織決策的不確定性、復雜性和模糊性方面的不足， 就需要將人類智能和AI結合起來， 實現兩者優勢互補。 畢竟AI具有更強的計算信息處理能力和分析方法， 在處理復雜問題時可以擴展人類的認知， 而在處理組織決策的不確定性和模糊性時， 人類仍然可以提供更全面、更直觀的方法[12] 。 因此， 我們需要發展人類智能和AI之間的人機共生關系， 將人的作用或認知模型引入AI系統中， 提升AI系統的性能， 使AI成為人類智能的自然延伸和拓展， 通過人機協同更加高效地解決復雜問題[8] 。 總之， AI系統的發展應是以增益而不是取代人類的貢獻為目的。

（二）“智能+會計”的人才需求

在AI的沖擊下， 許多會計角色和任務被AI所替代， 同時， “智能+會計”創造了一些新角色和新任務， 為會計職業開拓了新的發展路徑。 職業是不斷適應新環境的， 既然職業的“原住民”把日常工作交給了機器， 那他們就應該提高工作技能來管理機器， 或是更多地從事創造性的、非常規的和非結構化的工作[13] 。 據此， 本文將“智能+會計”創造的人才需求分為管理型和技術型兩大類， 如圖3所示。

1. 管理型人才。 “智能+會計”下的管理型人才需要在熟悉AI技術工作原理的基礎上， 更多地利用大數據來支持決策， 與AI系統進行專業的人機交互， 并對AI算法進行審計， 提升會計在組織管理職能中的地位和作用。

（1）數據分析人才。 進入大數據時代， 數據驅動的決策開始被組織廣泛采納[14] 。 大數據可以用于訓練AI決策算法， 讓AI決策更有效， 但AI難以靈活應對各種權變性的數據分析需求， 這時就需要專業的數據分析人才。 這里的數據分析是指會計人員利用數據分析工具對會計相關主題的大數據進行的探索性分析和確認性分析。 探索性分析是指預測未來， 是從數據中獲得關于“將會發生什么”“應該怎么做”“怎么做才最好”的洞察。 確認性分析是反映過去和了解現在， 是從數據中了解“已經發生了什么”“正在發生什么”， 并提供關于“它是如何發生”“它為什么會發生”等問題的答案[7] 。 在大數據時代， 會計人員利用自身積累的結構化數據分析知識、技能和經驗， 獨特的專業視角和敏銳度， 以及在組織中的特殊地位， 可以通過數據分析來給組織創造獨特的價值， 這是會計專業人才相比一般數據研究者所具有的天然競爭優勢[15] 。

（2）智能決策人才。 在“智能+會計”下， 會計人員理解并能運用AI技術， 是實現人類智能和AI協同工作的前提。 AI系統對“動手型”操作員的需求大幅減少， 取而代之的是能夠進行人機交互的“動腦型”人才。 這類人才能將AI系統提供的信息轉化為實際決策， 我們稱之為“智能決策人才”， 包括以下兩類：一是對AI系統的智能決策過程進行解釋的人才。 AI系統基于算法進行決策， 這些算法大多是通過機器學習自動生成的， 系統很難對這些算法的決策過程給出具體解釋[12] 。 如果生成的信息與會計相關， 那么就需要已經掌握算法知識的會計人員來解釋這些算法用到了什么數據， 系統是如何推理的、要達成什么目標， 算法生成的結果存在哪些局限性， 從而使用戶審慎地對AI系統提供的信息予以選擇與運用。 二是了解AI的優勢和劣勢， 并能利用AI優勢來彌補自身劣勢， 從而提高自身工作附加值的人才。 這類人才具有很強的專業適應性， 例如， 他們可能需要識別AI系統所需的數據并評估數據質量， 能夠靈活調節AI系統的相關參數或數據輸入以提高輸出質量， 還能夠進行會計、財務、審計、稅務等專業決策， 甚至為組織更高層次、更復雜的決策提供咨詢服務。

（3）算法審計人才。 “智能+會計”主要依賴于算法生成各類會計信息。 在AI系統的普通用戶看來， 算法就是一個“黑箱”。 如前所述， 在應對組織決策的不確定性、復雜性和模糊性方面， 算法都無法做到對所有決策變量的全覆蓋， 從而引發算法偏差問題。 這種偏差可能是對算法進行訓練的質量問題引發的， 也可能是訓練算法本身不足所致。 為確保算法的準確性、客觀性和完整性， 增強人們對AI決策的信心， 就需要對算法進行審計， 因此需要算法審計人才， 這類人才應具備基本的會計專業知識、AI知識以及較強的AI技能， 需要熟悉算法基本原理和程序設計， 了解算法的開發、實施和維護過程;能夠評估訓練算法所用的數據來源的可靠性、準確性和完整性， 對AI系統生命周期的內部控制進行審查和測試， 定期針對算法處理規則及預期結果的有效性進行測試， 對AI系統中的數據的隱私性和安全性進行測試。

2. 技術型人才。 其包括系統開發人才、系統實施人才和系統維護人才。

（1）系統開發人才。 “智能+會計”是用技術來實現會計模式的創新， 這就需要既了解AI能力， 又掌握會計專業知識和變革需求的人才參與系統開發。 系統開發人才可以發揮的作用包括：識別可以并且應該實施AI的會計任務;評估各領域會計相關流程可以實施AI的程度;根據AI特點重構會計模式， 重組會計流程;評估每個流程實施AI的效益和風險， 當流程出現例外情況時， 應該如何應對;對系統和數據的訪問進行合理授權;對敏感信息進行保護， 防止未經授權的信息收集、使用和披露;參與算法開發， 獲取專家經驗， 并將專家經驗轉化為算法;確保算法按照會計相關的制度、準則和法規進行處理， 保證處理的準確性和完整性;參與機器學習過程， 設計機器學習算法;選擇用于機器學習的數據并評估數據質量， 用這些數據對算法進行訓練;測試機器學習結果并對相關參數進行調整， 以持續優化機器學習算法， 提高系統性能。

（2）系統實施人才。 AI系統的設計和實施是兩種相互結合的工作， 系統設計時需要考慮實施的可行性， 系統實施時也需要考慮系統設計中已解決和未解決的問題。 系統實施人才可以發揮的作用包括：根據任務和背景對基礎設施進行布局， 包括考慮公有云與內部存儲的可用性、計算能力支持、基礎設施的可擴展性和靈活性;參與會計部門與其他業務部門及外部相關方之間的數據接口配置;參與組織結構和業務流程重組， 對圍繞AI系統開展工作的會計相關流程進行分析和再設計， 確定流程的KPI指標;重新設計會計相關崗位及其工作職責;實施針對系統日常運行和維護的內部控制體系， 例如， 是否需要使用區塊鏈技術或設計相關制度來保證數據的安全性和保密性， 如何保證AI系統和信息被負責任地使用， 如何確保在現有數據不能充分說明問題的情況下做出可行的決策， 應該在何種情況下經過何種程序授權何人對AI系統參數進行調整和對算法進行再訓練， 以及保證系統正常運行的其他一般控制。

（3）系統維護人才。 系統維護人員要保證AI系統能夠正常、安全地運行。 系統維護人才可以發揮的作用包括：當出現智能決策質量不達預期、規則變化或信息需求發生變化時， 對相關算法或系統參數進行調整， 或者是用新的數據對系統進行訓練和測試;經常性地對系統的內部控制和算法進行審計;實時監控系統性能， 并從其他部門收集反饋意見， 以確定業務流程優化的需求及可能性;對系統出現的各種異常情況進行收集和分析， 在職權范圍內解決能解決的問題， 超越職權、技術能力或可用資源不足的情況下， 將相關信息反饋給責任部門或主管部門。

（三）“智能+會計”人才能力要求

“智能+會計”需要管理型和技術型兩類復合型人才， 前者基于對AI技術的認知開展會計相關管理活動， 后者基于對會計知識的掌握開展AI相關技術活動。 兩類人才的能力要求各有側重， 前者著眼于管理， 后者更關注技術， 但要適應“智能+會計”新的職業要求， 兩者還要具備一些共性能力， 具體可分為以下三個維度：

1. “管理+會計”能力。 在“智能+會計”人才能力體系中， 會計專業能力始終是最基本的要求。 AI有助于實現會計工作自動化、智能化， 但其只是將隨著時代不斷發展的會計知識、技能和方法嵌入系統中， 并非要取消組織中的會計職能。 上述六類人才需求都是建立在掌握會計專業知識的基礎上的， 這是“智能+會計”人才相較于其他信息技術專業人才的優勢所在。 “管理+會計”能力就是在掌握會計專業能力基礎上， 逐步與供應鏈管理、營銷管理、人力資源、生產管理等廣泛的管理能力進行跨職能集成， 實現“基于管理的會計”和“基于會計的管理”相互融合、相互促進的管理會計目標， 更好地發揮會計在計劃、分析和控制中的作用。

2. “技術+會計”能力。 “技術+會計”能力要求立足會計視角， 解決技術領域中與會計相關的問題。 技術方面的能力是隨著AI的發展而不斷變化的。 目前， “智能+會計”人才應該掌握的能力主要包括：①技術認知能力， 需要了解大數據、云計算、區塊鏈、物聯網、移動互聯網、AI、機器學習、網絡安全等新興信息技術的原理及其對會計工作的影響。 ②數據分析能力， 能夠獲取數據， 評估數據質量， 管理數據集， 分析數據， 解釋結果， 并將結果傳達給客戶或決策者。 ③系統開發能力， 能夠運用主流的程序設計語言來開發或維護AI系統中的算法， 參與設計AI系統與用戶的交流界面， 增強人機交互質量。 ④系統分析能力， 能夠對現行系統的體系結構和業務流程進行評估， 發現系統存在的局限性和不足之處， 并提出解決方案。 ⑤系統管理能力， 能夠參與AI系統的設計、實現和部署， 評估AI系統內部控制體系的設計和運行情況。

3. “情商+會計”能力。 情商包含了一系列反映個人特質的要素， 也被稱為軟技能。 AI促使大多數的會計工作實現自動化， 而未被自動化的大部分工作其實就是無法被AI復制的個人軟技能部分。 這些軟技能的重要性在“智能+會計”下更勝以往。 “情商+會計”就是要將會計人員的各種軟技能有效地用于會計工作， 以提高AI系統的人機協同績效。 例如， 由于AI系統存在的局限性， 由系統提供的信息需要再次進行專家判斷， 這就凸顯了會計人員批判性思維的重要性;為了獲取分析所需的數據， 會計人員需要有良好的人際交往能力;為了讓管理層和客戶更好地理解或接受數據分析結果， 他們需要有良好的口頭溝通或書面溝通能力;會計人員還要具有正確的職業價值觀和職業態度， 能夠負責任地使用AI系統;為了使技術人員進行系統開發、實施和維護， 或是組織團隊進行數據分析、智能決策和算法審計， 會計人員還必須有一定的領導力。

四、總結

隨著數據、算力和算法瓶頸的突破， AI時代的“未來已來”。 在數字化和智能化“雙輪驅動”下， AI發揮其計算智能、分析智能、融合智能和自主智能的作用， 推動“智能+會計”進入信息化會計普及、數字化會計推廣、智能化會計突破和智慧化會計萌動階段。 但是， AI技術在應對組織決策的不確定性、復雜性和模糊性方面還存在困難， 需要發展人類智能和AI之間的人機共生關系， 用AI來增益而不是替代人類智能。 AI既替代了部分傳統會計任務和角色， 也帶來了對技術進行管理并在技術支持下進行決策的管理型人才， 以及參與系統開發、實施和維護的技術型人才需求， 這些新型人才需要具備“管理+會計”“技術+會計”和“情商+會計”三個維度的復合型能力。

【 主 要 參 考 文 獻 】

[ 1 ] Sutton S. G.， Holt M.， Arnold V.. The reports of my death are?greatly exaggerated：Artificial intelligence research in accounting[ J].International Journal of Accounting Information Systems，2016（22）：60 ～ 73.

[ 2 ] Paschen U.， Pitt C.， Kietzmann J.. Artificial intelligence：Building?blocks and an innovation typology[ J].Business Horizons，2020（2）：147 ～ 155.

[ 3 ] 應里孟.“互聯網+會計”下會計信息質量特征的新發展[ J].財會月刊，2018（7）：23 ～ 29.

[ 4 ] 何大安.互聯網應用擴張與微觀經濟學基礎——基于未來“數據與數據對話”的理論解說[ J].經濟研究，2018（8）：177 ～ 192.

[ 5 ] Canhoto A. I.， Clear F.. Artificial intelligence and machine learn-ing as business tools：A framework for diagnosing value destruction potential[ J].Business Horizons，2020（2）：183 ～ 193.

[ 6 ] Rikhardsson P.， Yigitbasioglu O.. Business intelligence & analytics?in management accounting research：Status and future focus[ J].International Journal of Accounting Information Systems，2018（29）：37 ～ 58.

[ 7 ] 陽杰，應里孟.審計大數據分析人才需求及其培養——基于CDIO理念的模式建構[ J].財會月刊，2019（4）：108 ～ 119.

[ 8 ] Wilson H. J.， Daugherty P. R.. Collaborative intelligence：Hu-mans and AI are joining forces[ J].Harvard Business Review，2018（4）：114 ～ 123.

[ 9 ] Kokina J.， Blanchette S.. Early evidence of digital labor in acco-unting：Innovation with robotic process automation[ J].International Journal of Accounting Information Systems，2019（35）：1 ～ 31.

[10] Jarrahi M. H.. Artificial intelligence and the future of work：Human-AI symbiosis in organizational decision making[ J].Business Horizons， 2018（4）：577 ～ 586.

[11] Autor D. H.. Why are there still so many jobs？The history and?future of workplace automation[ J].Journal of Economic Perspectives，2015（3）：3 ～ 30.

[12] Shrestha Y. R.， Ben-Menahem S. M.， Von Krogh G.. Organi-zational decision-making structures in the age of artificial intelligence[ J].California Management Review，2019（4）：66 ～ 83.

[13] Davenport T. H.， Kirby J.. Beyond automation[ J].Harvard Busi-ness Review，2015（6）：58 ～ 65.

[14] Brynjolfsson E.， Mcelheran K.. The rapid adoption of data-driven?decision-making[ J].American Economic Review，2016（5）：33 ～ 39.

[15] RichinsI G.， Stapleton A.， Stratopoulos T. C.， et al.. Big data?analytics：Opportunity or threat for the accounting profession？[ J].Journal of Information Systems，2017（3）：63 ～ 79.