智能會計系統理論模型的設計與應用研究

【摘 要】 在數字化浪潮中，人工智能正引領會計行業的變革，如何將傳統會計信息系統（AIS）與ChatGPT等自然語言模型相結合，構建創新的智能會計系統，成為研究重點。文章基于文獻回顧，借鑒大語言模型技術特性、TCP/IP通信協議架構及專家決策系統，提出智能會計系統理論模型。該模型結構包括三層：財務/經營數據采集與鏈路層、財務/經營數據存儲與優化層、財務/經營數據決策應用層。此設計旨在提供清晰、可行的智能會計系統開發技術路徑。同時以經營大數據分析、財務報表分析和管理駕駛艙三種應用場景驗證該技術路線的實用性，展現智能會計系統助力會計師專注高價值工作的潛力。文章在理論上具有一定的創新性，實踐中具有較大現實意義，預示了會計行業未來的發展方向。

【關鍵詞】 ChatGPT； 智能會計； RPA； 高級數據分析器； 插件

【中圖分類號】 F232 【文獻標識碼】 A 【文章編號】 1004-5937（2024）18-0080-07

一、引言

人工智能（AI）的迅猛發展正在深刻影響著各個行業，會計領域也不例外。Vasarhelyi等[ 1 ]探討了人工智能與會計的結合，強調人工智能將對會計實踐方式產生改變。其他學者也從不同角度對這一主題進行了深入研究，有的關注人工智能如何提升審計質量[ 2 ]，有的探索了智能會計信息處理方法[ 3 ]，還有的利用人工智能技術預測公司財務狀況的前景[ 4 ]。這些研究進展清楚地表明，人工智能與會計業務的融合正在成為一個深入和持續發展的過程，這一過程凸顯了人工智能在會計實踐中的重要應用。然而，許多研究探討了人工智能如何改變會計行業，但深入探討其在會計業務實踐中的具體應用方面仍存在局限。本研究旨在將ChatGPT融入會計信息系統，構建全新的智能會計系統，并探討人機交互的實際應用場景，這一選題對會計行業具有重要的理論和實踐意義。

從會計理論角度看，本研究填補了現有研究的空白。雖然已有大量研究探討了人工智能在會計領域的應用，但就基于ChatGPT與會計系統實際深度融合的人機協作模型而言，現有研究仍然相對不足。本研究旨在深入挖掘ChatGPT技術在會計信息系統中的潛在應用，探討其在智能化數據處理、異常檢測、財務或業務操作數據分析等方面的作用，為會計信息系統領域的理論研究提供新的視角和思路。

從會計實務角度看，本研究具有重要的現實意義。隨著會計業務的日益復雜化和信息化水平的提升，傳統的會計信息處理方式已顯滯后，基于ChatGPT的人機協作機制可以在保障數據準確性的前提下，提升信息處理速度，并且能夠智能地適應各類會計業務的變化。這對提高會計信息系統的工作效率、降低錯誤率以及實現數據管理的智能化具有重要意義。此外，本研究的實際應用將為會計從業人員提供參考，引導他們更好地理解和應用人工智能技術，以適應行業發展的變革。

綜上所述，本文基于OpenAI的ChatGPT及其插件和RPA技術，深入研究人工智能與會計信息系統的人機協同機制，并提供具體的應用場景，有望為會計信息系統智能化轉型提供創新性思路和方法。

二、文獻綜述

AI技術的思想基礎始于20世紀40年代，經歷了各種發展階段，包括60年代的反思發展期，80年代的應用發展期，90年代至2010年的平穩發展期，以及2011年至今的快速發展期[ 5 ]。然而，AI在會計和財務領域的應用起步相對較晚，大概在2010年前后，AI和機器學習才開始被用于財務數據分析、欺詐檢測和風險預測[ 6-8 ]。自2023年OpenAI公司發布了GPT-4以來，基于自然語言處理的生成式AI技術在各行業的應用呈現爆炸性增長。

段大為等[ 9 ]提出了“AI+IT”相結合的思想，并通過科大訊飛研發了報賬機器人和會計機器人等，從而加速了RPA在會計中應用的步伐。隨著技術的進步，AI在會計行業的應用場景變得越來越廣泛，包括且不限于審計、財務報告、稅務規劃和風險管理。

近10年的研究顯示，AI在會計中的應用可以提高效率、減少錯誤、增加透明度，并有可能改變傳統的會計工作方式[ 10 ]。AI在會計中的應用不僅可以提高效率和透明度，而且可能改變審計流程、提高審計效率，甚至可能幫助審計員發現潛在的欺詐行為[ 11 ]。然而，盡管AI在會計中的應用帶來了許多好處，但也存在一些挑戰。例如，技術更新的速度可能超過業務實踐的適應速度，以及需要對數據質量進行持續管理以確保其準確性[ 12 ]。

這種深度融合的趨勢并非僅限于AI和會計，它反映了更廣泛的現象，即數字化和自動化正在改變著全球經濟和社會的運行方式。在這一大背景下，AI在會計中的應用雖然只是其中的一部分，但卻是這一變化的重要體現。盡管現有的研究為理解AI如何改變會計行業提供了有價值的見解，但對如何將ChatGPT融入會計信息系統的模型研究卻鮮有出現。當前的研究主要側重于理論探討，對實際操作和應用的研究相對較少。因此，本文考慮易于計算機程序的實現，參考TCP/IP計算機網絡通信架構對智能會計系統進行層次化處理，明確各層的功能和作用，同時借鑒專家決策系統的通用原理模型（知識庫、規則庫和多維數據庫等），并結合LLM大語言模型技術特點構建一套創新的智能會計系統理論模型。

三、智能會計系統理論模型的設計

信息系統的基本原型主要由數據輸入、數據處理、數據輸出和數據反饋四個關鍵環節構成。會計信息系統也遵循這一模式，只是其主要關注的是貨幣計量的數據。學界普遍接受的觀點是設計、開發和實施信息系統需要融合技術方法（如計算機科學、運籌學和管理科學）與行為方法[ 13 ]。李瑞雪等[ 14 ]給出了智能會計系統框架及邏輯關系，并將此框架描述為智能會計核算系統、外部數據采集系統、智能財務共享中心等六個組件，具有一定的理論意義，但技術實現的難度相當大。本研究借鑒TCP/IP通信協議的設計思想，將智能會計系統分解為三層，即財務/經營數據采集與鏈路層、財務/經營數據存儲與優化層和財務/經營決策應用層，每層之間的數據/控制指令呈雙向流動形態，如圖1所示。

（一）財務／經營數據采集與鏈路層

該層主要作用：一是從ERP等企業內部其他系統采集數據，或從系統外部爬取互聯網行業數據、競爭對手數據、政府與稅務機構數據、金融機構數據和客戶交易數據（包含供應商、合作伙伴、分銷商或終端客戶）；二是將智能會計系統的財務/經營風險控制指令發送至ERP等公司內部相關系統，或將客戶交易指令發送至外部會計信息需求相關者；三是該層的數據采集方式有多種類型，支持人工輸入、RPA機器人輸入或OCR輸入，支持從交互接口向下傳送指令并從網絡自動爬取采集數據，甚至支持以多模態方式輸入數據（如PDF文檔、EXCEL文檔、WORD文檔、語音、圖片和視頻），采集后的數據再通過總線發送至財務/經營數據存儲與優化層。

（二）財務/經營數據存儲與優化層

該層既可接收來自上層的數據或控制指令，又可接收來自下層的數據或控制指令。接收到來自下層的數據后要進行數據清洗和脫敏，并將數據拆分且分別存儲在不同的庫中。結構化或半結構化數據存儲在多維數據庫中，非結構化的財經法規、會計準則、會計制度和稅務條例等存儲在法規庫中，上級撥款批準的預算執行計劃存儲在預算庫中，系統內外部獲得的知識經驗和規則存儲在知識庫中，這四個庫相互連接且可雙向傳輸數據。下面以知識庫為例解釋規則的作用。所謂規則庫是由大量IF…THE…ELSE…語句存儲的知識所組成，作為一種知識規則，其典型運用就是根據實際情況，結合給定的一組規則命令得出結論。這個結論可能是某種靜態的結果，也可能是需要進行的一組操作。這種規則的運用過程稱之為推理。例如，在知識庫中存儲有業務招待費報銷規則、五步收入確認法規則、憑證類型規則、借貸記賬法規則，等等，前兩者規則示例如下。

1.業務招待費報銷規則

A：IF 單次報銷費用大于1 000元且NOT D

THEN 轉CEO特批。

B：IF 單次報銷費用小于1 000元且D

THEN 中止報銷。

C：IF 單次報銷費用小于1 000元且NOT D

THEN 部門經理審批。

D：IF 單次業務招待費用大于等于累計預算上限

THEN 中止報銷。

2.五步收入確認法規則

A：IF 識別與客戶簽訂的合同（存儲在多維數據庫中） THEN B ELSE 轉CEO批復。

B：IF 合同中有單項履約義務 THEN C ELSE F。

C：IF 識別單項交易價格 THEN D ELSE 中止確認收入。

D：IF 分攤交易總價格至各單項履約義務 THEN E。

E：IF 識別已履約單項義務時點 THEN 確認單項收入。

F：IF 合同中無單項履約義務 THEN 確認總交易價格且確認收入。

由上述兩個規則可見，每條規則都是由條件表達式而決定的一系列結果所組成，一條規則可能需與其他規則共同作用得出結果。如規則A（單次報銷費用大于1 000元）在執行時需結合規則NOT D（不超過累計預算上限）得出需由CEO特批的結果。這種規則設計的優點在于強化了機構的預算管理，當業務招待費報銷超過上限時中止報銷流程，除非特殊情況下管理層修改預算后方可繼續報銷流程。與業務招待規則不同，在五步收入確認法規則中運用了IF…THE…ELSE…語法規則。對規則A，當確認收入時，在多維數據庫中找到與客戶簽訂的合同執行規則B，否則轉由CEO來決定是否需補簽合同。

（三）財務/經營決策應用層

該層可劃分為兩層：人機交互接口層和財務/經營決策應用層。為簡化本系統模型，這里合并為一個層次，即將人機交互接口和應用層合并為財務/經營決策應用層。LLM通過人機交互接口以自然語言發出指令，再調用規則引擎向下發送數據請求至知識庫或多維數據庫或預算庫或法規庫，然后將結果輸出于人機交互接口界面。如果由計算機程序來處理推理過程，那么這個程序就稱之為推理引擎或規則引擎。推理引擎根據知識表示的不同所采取的控制策略也不同。在自然語言處理（NLP）領域，僅依賴現代神經網絡很難從所告知或已知的信息中進行推理，但Chowdhery等[ 15 ]認為擴大語言模型（LLMs）的規模已經被證明可以賦予一系列推理能力。以收入確認五步法為例，如圖2所示，人類可借助LLM（如ChatGPT）并基于提示策略縮小人類與機器智能之間的差距[ 16 ]。

四、智能會計與LLM相結合的應用研究

閆保琴[ 17 ]認為ChatGPT發揮的自然語言文本功能，在智能會計領域中的應用場景可概括為自動化業務服務、自動化數據分析、自動化財務流程、輔助財務人員招聘、智能財務預警提醒和跨國公司財務助理。本研究認為大語言模型在財務會計和企業經營領域的應用正在日益深化，限于篇幅，本文給出以下三個應用場景。

（一）經營大數據分析應用場景

一是用戶通過ChatGPT高級數據分析接口，發出爬取（或在人機互動對話框中直接上傳已準備好的數據集）某寶2014年11月18日至12月18日消費者行為數據集，且將文件命名為用戶行為.CSV，并給出可能的數據集總體描述。該數據集包含6個字段，分別為used_id、item_id、behavior_id（包含4種不同的用戶行為狀態值：點擊、收藏、加購物車和支付）、item_category、date、hour，共12 256 906行記錄。

二是要求它先根據behavior_id（值1表示點擊，值2表示收藏，值3表示加購物車，值4表示支付）的4個不同值分組，然后對用戶Used_ID進行計數求和，并分別輸出behavior_id=1、2、3、4時的計數結果，且以變量a、b、c和d表示，再計算b/a、c/b、d/c轉化率（這3個值分別稱為點擊—收藏轉化率、收藏—加購物車轉化率和加購物車—支付轉化率），最后畫出轉化率的漏斗圖，如圖3。

（二）財務報表分析應用場景

由于2019年我國會計準則發生了一些變化，將資產減值損失一分為二，其中與債權減值有關的損失（壞賬損失）命名為信用減值損失，并從資產減值損失中分離，成為營業利潤的減少因素，余下資產減值損失維持不變。為使對公司的利潤分析口徑一致，故選取某公司2019—2022年利潤表為分析對象。

首先，建議會計師在人機交互界面發出“分析本公司2019—2022年合并利潤表”的提示詞，系統自動從多維數據庫中調出4個數據集，或者在GTP-4高級數據分析器直接上傳經數據清洗和數據脫敏后的4個利潤表。

其次，會計師可編寫如下類似且較為復雜的提示詞。

“請分析本公司2019年度至2022年度的核心利潤，計算公式為核心利潤=營業收入-營業成本-稅金及附加-銷售費用-管理費用-研發費用-利息費用，再輸出每年核心利潤率（核心利潤率=核心利潤／營業收入* 100%）的4年折線圖（如圖4所示）。根據你的知識和能力給出盡可能的分析和洞察。”

GPT根據它的知識和洞察力，輸出如下分析結果。

1.增長趨勢分析

從2019年的5.49%增長到2022年的30.22%，顯示出公司盈利能力的顯著提升，可能是由于公司實施了有效的成本控制策略，或者營業收入增長遠超成本增長；2020年至2022年間，核心利潤率持續上升，顯示出公司的盈利能力和市場競爭力都在不斷增強。

2.業務策略和市場環境

這種增長可能與公司的業務擴展、產品創新、市場策略調整或成本控制措施等因素相關。市場環境的變化，如需求增加、競爭格局變化或宏觀經濟條件的改善，可能對核心利潤率的增長產生影響。

3.未來展望

雖然過去幾年的趨勢表明了強勁的增長，但公司需要繼續關注市場變化、運營效率和成本管理，以保持這種增長趨勢。分析任何潛在的風險因素，如市場飽和、成本上升或宏觀經濟不確定性，也是確保未來盈利能力的重要措施。

總體而言，公司在過去幾年顯示出良好的盈利能力和增長勢頭。然而，為了保持這一趨勢，公司需要繼續關注內部管理和市場變化，同時做好風險管理。

上述分析結果并未施加額外提示詞，由GPT-4高級數據分析器完全按照自己的知識儲備和能力生成。當然會計師也可以進一步發出其他提示詞，一步步地追問，讓它完成更多的數據分析任務。顯然，這種自然語言的人機交互分析方式極大地提高了財務人員的工作效率。

為規避上傳財務數據至云端服務器可能造成公司財務信息泄密的風險，本研究強烈建議系統開發機構在開發新一代智能會計系統時，應盡可能部署與GPT-4高級數據分析器功能相當的開源LLM項目（Open Interpreter）或其他項目，以替代ChatGPT的絕大部分功能。此外，若在現實的財務會計數據分析中，不得不調用外部LLM，比如使用ChatGPT，或微軟新發布的Copilot，或谷歌Gemini等類似的大語言模型時，強烈建議會計師在上傳數據集時必須嚴格遵守公司信息安全管理制度，對數據進行脫敏處理，以確保財務信息安全。

（三）管理駕駛艙應用場景

為實現在多學科綜合仿真平臺實習的眾多學生團隊的考評，本研究團隊從仿真平臺后端SQL數據庫提取所有仿真公司的財務指標和非財務指標數據，獨立開發了一套數據查詢代碼，形成企業管理駕駛艙的數據來源，主要工作有兩種。

1.代碼開發和數據建模

筆者在2022年暑期，耗時40天編寫了100個指標的SQL代碼，并導入近三年25家企業仿真賬套，制作了30多個數據處理RPA，旨在跑出每個指標儀表盤的參考閾值，同時設計了四個層級的可視化表盤，創建了從后端SQL數據庫提取的數據集為父表，以非財務指標數據集為子表的一對多關系數據模型。該管理駕駛艙建設的工作流程如圖5所示。

2.指標可視化

該管理駕駛艙引入平衡計分卡設計思想，將企業戰略目標分解為四個層級：第一層綜合預警評價層（綜合層），該層的可視化效果如圖6所示；第二層戰略決策層（一級指標）；第三層戰術運營層（二級指標）；第四層管理執行層指標（三級指標）。從而構建了“一綜三級”的指標體系。

五、未來可能的挑戰

本文設計了一個融合LLM大語言模型于會計信息的人機交互模型，使得會計業務處理實現自動化和高效化，但在實施過程中的挑戰以及未來的研究方向還需要深入討論。

（一）數據的完整性和一致性問題

雖然ChatGPT諸多插件在數據獲取階段能起到作用，但數據的一致性和完整性問題仍需注意。企業ERP系統間可能存在數據不一致性問題，且歷史數據的完整性也可能會受到系統遷移、升級等因素的影響。未來的研究需要更詳細地探討并解決這些問題，以保證數據的完整性和一致性。初步方向是通過部署可以在本地運行的大語言模型解決這一問題。

（二）隱私和數據保護問題

隨著越來越多的數據被用于此系統，如何保護這些數據的隱私和安全成為重要的議題。雖然在圖1所示的理論模型中財務/經營數據采集與鏈路層加入了數據清洗和數據脫敏處理可以保護數據的安全，但如何在法律法規的框架內同時保證數據的使用效率和安全，未來仍然需要深入研究。

（三）用戶接受度問題

無論技術如何發展，用戶的接受度始終是技術推廣的關鍵之一。雖然本研究的調查結果顯示大多數用戶（例如抽樣調查會計學院2022—2023學年第二學期參加實訓的部分學生）對使用ChatGPT于財務數據分析持積極態度，但還存在少數學生對此持保留態度（如延時問題、訪問ChatGPT難的問題和較高的訂閱使用費問題）。如何提高用戶的接受度，使更多的用戶愿意接納新型會計系統，是未來需要解決的問題。

（四）擴展性問題

當前此系統主要處理的是會計業務，未來可以考慮將其擴展到更多的專業領域，如審計、稅務、金融和電商領域等。如何在滿足這些領域特殊需求的同時保持系統的靈活性和可擴展性，也是未來的研究方向。此外，本研究認為除了在本文第三部分提出的智能會計系統理論模型外，還可進一步考慮引入其他不同插件，如Notable（實現數據連接和提取）、AskYourPDF（閱讀和分析PDF格式文件內容）和Show_Me（生成可視化圖表）等插件，以提高會計信息系統的綜合分析能力。

下面選擇三家不同類型公司，制造業公司、金融服務公司和初創型SaaS（Software as a Service）公司進行對比研究。

（1）制造業公司。該公司主要處理的數據包括原材料采購數據、生產數據、銷售數據、人工費用數據等。首先運用ChatGPT中的“Notable”插件，它支持數據的連接操作，從企業資源規劃（ERP）數據庫中提取原材料采購記錄。其次，將從ERP系統中提取的數據集導入ChatGPT會話中或將數據集的鏈接貼入“AskYourPDF”插件中，則AI可根據原材料價格和供應商信用狀況，預測原材料供應會出現什么樣的問題。最后，以人機互動方式組合運用“ChatGPT會話+AskYourPDF插件+Show_Me”生成可視化財務報告。

（2）服務業公司（金融公司）。運用ChatGPT中的“Notable”插件提取貸款數據集。同理，仍然以人機協同方式組合運用“ChatGPT+AskYourPDF+Show_Me”生成可視化財務報告。

（3）初創型SaaS公司。提取某段時期新增的訂閱用戶數據，再組合運用“ChatGPT+AskYourPDF+Show_Me”進行續訂預測和生成財務報告。

未來可以通過研究多個不同案例構建知識庫，探討如何利用插件高效無誤地采集不同數據集，并探討如何更好地組合運用多個插件進行財務數據可視化和財務數據預測，從而深度驗證智能會計系統在不同行業和不同業務類型中應用的普適性，以彰顯AI技術在會計和財務管理中應用的巨大潛力。

六、結論

本研究設計的智能會計系統理論模型是一個整合了財務/經營大數據采集、財務/經營大數據存儲與優化處理和財務/經營大數據決策分析的人機交互系統。該系統運用人工智能技術，基于自然語言處理和機器學習來處理會計業務，如五步法確認收入、業務招待報銷與預算控制相結合的規則生成財務分析與決策報告和可視化儀表盤，直觀地展示了LLM大語言模型與會計信息系統相融合的巨大應用潛力。

雖然人工智能可以成為會計師的強大工具和數據分析助手，節省工作時間并簡化過去繁瑣和耗時的數據分析任務，但有兩件事是人工智能永遠無法取代的——人類的洞察力和客戶關系。所以，會計師大可不必杞人憂天。這里再次強調：當會計師在利用AI作財務/經營大數據分析時，即使基于OpenAI Key方式在調用GPT-4高級數據分析器時，上傳數據集前也必須進行數據脫敏處理，如將重要的金額數據按某種比例增縮（對實際金額的擴縮處理）或代碼化（如銀行賬號、公司名、往來客戶名、員工名、產品品名規格等）。本研究也認識到，要將ChatGPT成功引入財務會計領域，還需要克服一些挑戰，如數據質量、算法的透明度和可解釋性，以及相關的道德和法規問題，未來的研究工作可以在本研究的基礎上進一步拓展，也期待相關技術公司開發出更高度自動化、更智能化，且更具針對性的開源插件，為開發者嵌入智能會計系統提供便利。

【參考文獻】

［1］ VASARHELYI M A，KOGAN A，TUTTLE B M.Big data in accounting：an overview［J］.Accounting Horizons，2015，29（2）：281-396.

［2］ ARORA A，BRINKLEY J，NICOLAOU A I.Will artificial intelligence be a boon or bane to audit quality？［J］.Journal of Information Systems，2021，35（1）：33-54.

［3］ FISHER C W，KINGMA B R.Criticality of data quality as exemplified in two disasters［J］.Information & Management，2001，39（2）：109-116.

［4］ BROWN T B，MANN B，RYDER N，et al.Language models are few-shot learners［EB/OL］.arXiv Preprint arXiv：2005.

［5］ 譚鐵牛.人工智能的歷史、現狀和未來［J］.求是， 2019（3）：18-23.

［6］ RAVI K，RAVI V.A survey on opinion mining and sentiment analysis：tasks，approaches and applications［J］.Knowledge-Based Systems，2015，89：14-46.

［7］ KIRKOS E，SPATHIS C，MANOLOPOULOS Y.Data mining techniques for the detection of fraudulent financial statements［J］.Expert Systems With Applications，2007，32（4）：995-1003.

［8］ SUN J，LI H，HUANG Q H，et al.Predicting financial distress and corporate failure：a review from the state-of-the-art definitions，modeling，sampling，and featuring approaches［J］.Knowledge-Based Systems，2014，57：41-56.

［9］ 段大為，王宏星，錢金平，等.AI+IT：科大訊飛智能財務的探索與思考［J］.中國管理會計，2020（1）：51-62.

［10］ GUO K，LIANG X.The development and application of artificial intelligence in the field of accounting［J］.Financial Research，2016，38（8）：129-142.

［11］ BROWN-LIBURD H，ISSA H，LOMBARDI D.Behavioral implications of big data's impact on audit judgment and decision making and future research directions［J］.Accounting Horizons，2015，29（2）：451-468.

［12］ DECHOW P，GE W，LARSON C，et al.Predicting material accounting misstatements［J］.Contemporary Accounting Research，2011，28（1）：17-82.

［13］ 肯尼斯 C. 勞頓，簡P.勞頓.管理信息系統［M］.黃麗華，俞東慧，譯.北京：機械工業出版社，2020.

［14］ 李瑞雪，王愛國，任博宇，等.ChatGPT及其核心技術在智能會計中的應用［J］.會計之友，2023 （12）：32-36.

［15］ CHOWDHERY A.et al.Palm：scaling language modeling with pathways［EB/OL］.Retrieved from arXiv：2204.02311，2022.

［16］ LIU J. et al.Rainier：reinforced knowledge introspector for commonsense question answering［EB/OL］.arXiv.DOI：10.48550/arXiv.2210.03078，2022.

［17］ 閆保琴.ChatGPT爆火與會計未來的思考［J］.會計之友，2023（14）：155-159.