基于大語言模型的智慧財務共享中心構建及應用

【中圖分類號】F275 【文獻標識碼】A 【文章編號】1004-0994（2025）13-0039-6

一、引言

大語言模型（LLM）是指經過大量文本數據訓練所形成的深度學習模型（萬鈞，2024），能夠快速生成自然語言文本或客觀理解語言文本內涵。通俗而言，大語言模型是以大規模數據集為核心底座，通過反復訓練后能夠迅速理解人類語言的一種深度學習模型（許雪晨，2024），一定程度上改變了理解與生成人類語言的方式。隨著人工智能技術的迭變升級與突飛猛進，大語言模型以其強大生成能力與自然語言處理機制引領人工智能領域展開新一輪變革（胡泳和劉純懿，2024）。

大語言模型的出現及新一代信息技術的涌現為企業數智化轉型提供了新的技術支持與機遇，但也為企業可持續發展帶來更復雜的挑戰（陳雪嵩，2024）。隨著人工智能技術的不斷成熟，大語言模型的廣泛應用驅使企業財務數據獲取與處理更加便捷、財務業務流程持續優化、管理組織快速變革，激發企業智慧財務共享中心構建內生效能。所謂智慧財務共享中心，是指利用人工智能、大數據等技術開展智慧化數據處理，并通過智能化規則引擎與強大的數據分析能力為企業智能化業務、財務處理提供數智化便捷服務的新型財務系統（陳云燕，2024）。本文立足新一輪技術革命與產業變革的時代特征，對大語言模型下智慧財務共享中心的構建進行全面、前瞻與深入的討論，旨在為推動財務數智化轉型提供有益參考，這也預示著企業發展逐漸朝著以生成式人工智能為基底的智能化方向邁進。因此，立足財務共享中心多個環節，討論大語言模型下智慧財務共享中心的構建路徑與方式，可為企業數智化財務發展與業務流程優化提供有益參考。

二、大語言模型的特征及其對企業財務工作的影響

1.大語言模型的特征。近年來，大語言模型技術的進步，為我國企業在人工智能領域的技術研發與應用落地開拓了巨大空間。相較于其他數字技術而言，大語言模型的優勢特征體現在如下幾個方面：

（1）大規模參數。2O18年，BERT（BidirectionalEn-coderRepresentationsfromTransformers）模型發布，正式開啟預訓練語言模型新紀元。在BERT時代，1B參數量（1B參數量 2GB）被認為屬于非常大的參數規模。然而，在大語言模型時代，現存GPT深度學習模型的參數量已高達175B，BLOOM（開源的大語言模型）擁有176B參數量，PaLM（多模態模型）擁有540B參數量。這也意味著，大語言模型作為處理自然語言任務的一類新模型，能夠通過大量參數學習與模仿人類語言復雜性，捕捉語言中的長距離依賴關系，存儲與處理海量信息，表現出非常出色的處理能力。

（2）深度學習架構。作為自然語言處理領域的核心技術，大語言模型是基于深度學習架構的語言模型，能夠自動理解與學習語言規律及生成文本模型。其中，深度學習架構是大語言模型形成和發展的重要特征，主要包括Transformer架構、智能對話系統、預訓練與微調（Pre一trainingamp;Fine-tuning）等內容。一是Transformer架構。這一架構能借助大規模語料庫展開預訓練，挖掘與了解語言的規律與模式，具備較強大的語言生成能力。例如，OpenAI公司推出的GPT系列模型就以Transformer架構為底座，在訓練過程中能夠自動學習語言語境與結構，繼而生成高質量的連貫文本。二是智能對話系統。該系統不僅具備自然語言理解能力，而且可根據語言語境自動生成文本。大語言模型可通過引人智能對話系統將預訓練語言模型結構與智能對話系統進行有機結合，確保智能對話更自然地理解用戶意圖，并按照自然語言規律展開交互。三是預訓練與微調。大語言模型可通過Pre一training捕獲文本語料庫中的數據知識及使用大規模數據集進行初始訓練，并利用Fine-tuning對語言模型展開個性化調整，確保智能對話系統更符合與適應特定場景需求，繼而提供更多個性化、專業化服務。

（3）多任務學習。大語言模型不局限于單一任務，能夠處理多種語言任務，具有良好的任務適應性，也即多任務學習特征。多任務學習是指大語言模型能夠同時學習多個相關任務的方法，重點通過共享底層網絡增強大語言模型在不同任務上的適應性。多任務學習能夠將多個任務視作一個聯合學習的過程，確保大語言模型在不同任務上具備更優秀的表現。

（4）計算資源需求。大語言模型在訓練與運行過程中需要大量計算資源，即需要使用圖形處理器（GPU）或張量處理器（TPU）等高性能計算設備開發大語言模型。主要包括處理器、存儲器、網絡附加存儲、網絡帶寬、云計算等技術，以獲得高性能計算資源及營造良好的計算環境。

2.大語言模型對企業財務工作的影響。

（1）智能辦公。在新一輪信息技術革命演進背景下，傳統財務共享中心已無法適應企業財務數智化轉型的要求（李聞一，2023），但在優化與重新設計流程過程中仍面臨諸多困難。而大語言模型具備較強智能創作能力，能夠根據企業財務數據及通過聊天交互等方式（白龍，2025），協助財務人員生成年報摘要、財務分析報告、可視化圖表等，升級改善財務工作流程。基于大語言模型的智能財務辦公模式為財務人員提供了巨大便利，大幅提升了財務工作質效，主要表現為如下幾個方面：一是生成年報摘要。大語言模型可被訓練用于自動提取與整合大量財務數據，如借助OCR（光學字符識別）技術對企業原始財務數據進行處理，生成后續分析所需干凈、結構化的基礎數據。隨后，依托企業年度發展任務背景生成年報總結中與財務相關的核心內容，并以此輸出年報摘要。二是生成財務分析報告。基于深度學習架構，大語言模型能夠根據企業財務部門預設規則與模板自動生成財務報表（金源和李成智，2024），并利用智能算法深度挖掘財務數據中隱藏的規律與關聯關系，進一步提升財務分析報告的客觀性與實用性。三是生成可視化圖表。在形成文字版的財務分析報告后，大語言模型可通過自然語言處理與數據可視化技術設計合適的可視化圖表，并選擇諸如Matplotlib、Plotly等可視化工具進行數據圖表繪制，從而輔助企業識別財務數據規律與未來走勢，為企業的財務調整提供更優的方案。

（2）智能風控。在數字化背景下，傳統財務共享中心在處理大量財務數據與商業機密（陳云燕，2024）時易受到網絡攻擊與數據泄露威脅，導致敏感信息外泄。大語言模型可通過財務分析識別與預警系統，輔助企業減少人為疏漏，提升風控效率（李聞一，2023）。其應用價值主要體現在三個方面：第一，快速識別異常風險。依托海量參數的數據預訓練能力，大語言模型可高效處理企業財務結構化與非結構化數據，自動生成分析報表并標記異常指標，顯著減少人工核算錯誤。第二，優化風險評估體系。基于歷史財務數據，大語言模型能夠深度挖掘潛在風險因子，動態調整評估參數，為企業提供預防性措施建議，從源頭上降低經營損失概率。第三，強化合規監管。通過解析財稅政策與工作流程文本，大語言模型可自動校驗業務流程合規性，輔助財務人員解讀復雜條款。同時實時監控財務動態，精準捕捉異常交易并預警，幫助企業及時消除安全隱患，適配多元業務場景的需求。通過智能化數據處理與風險預判，構建起貫穿風險識別、評估、防控的全鏈條風控體系，為財務安全提供核心保障。

（3）科學決策。新一代技術工具的深度應用，要求財務共享中心向數智化新階段邁進（許漢友等，2022）。大語言模型憑借深度語義理解能力，可整合跨部門業財數據，實現自動化處理并生成復雜決策方案，加速數智化升級。首先，增強決策解釋性。大語言模型在輸出分類結果時同步提供解釋，結合問題模板驗證信息真偽，提升決策透明度與準確性。其次，構建智慧化知識體系。通過多任務學習與預訓練技術，大語言模型快速解析海量業財數據，生成企業專屬的安全型多模態知識圖譜，強化財務推理能力。最后，深化數據驅動決策。基于機器學習與數據挖掘技術，大語言模型實時處理多源信息，輔助財務人員聚焦核心數據，提高資源配置效率。大語言模型通過人機交互優化、知識提煉與實時分析，推動財務共享中心實現跨系統融合，形成數據驅動的科學決策閉環。

三、大語言模型下智慧財務共享中心框架構建

在大語言模型的支持下，智慧財務共享中心是各要素互促互融互支撐形成的一個有機整體（見圖1），主要包括五個構成要素。

1.數據挖掘與整合。數據挖掘與整合是構建智慧財務共享中心的前提，既保證了大語言模型能夠學到更真實、準確的語言規律與知識，也是支持智慧財務共享中心持續運轉的中堅力量。隨著企業業務規模的擴大與數據信息量的快速增加，大語言模型支持下的數據中臺技術不僅能夠開展精細化數據治理，而且可有效解決異構系統、數據孤島、標準不一致等痛點、難點。通過數據接入、數據分析與標注、模型訓練、多輪對話等方式實現對話式數據分析，從而打破企業內部各部門間的信息孤島，準確檢索到相關原始數據與指標信息，在提高檢索效率的同時促使不同系統信息實現有機組合，有效打破部門間的數據壁壘，從而提供更全面、系統的數據視圖。

大語言模型可被訓練用于自動提取、挖掘與整合大量財務數據，并通過強大的自然語言處理能力迅速從海量財務信息中篩選出有價值的數據，提高智慧財務共享中心的數據處理能力，重塑數據決策與業務流程，實現業財數據共享與交互，輔助企業構建端對端共享流程，推動形成相關數據埋點與沉淀，為搭建財務共享中心夯實數據基礎。

2.機器學習與深度學習。機器學習與深度學習是智慧財務共享中心的核心與動力，能夠對海量財務文本數據進行學習與訓練，以及處理高度復雜的語言任務，提供更深層次的語言理解，從而提取有價值的洞察與趨勢，助力企業開展智能化財務決策。

大語言模型能夠提供問答、歸因、預警、洞察、簡報與可視化、社交化等技術支持，輔助智能化財務共享中心實現高速數據查詢、垂直業務知識圖譜生成、數據權限控制等多功能集成，為企業科學決策提供數智化、可視化解決方案。

3.智能工作臺。智能工作臺是智慧財務共享中心的處理系統，可有效保證信息的傳遞與不同業務間的銜接處理，并根據企業財務數智化轉型需求提供個性化、專業化解決方案。并且，智能工作臺具備對話式分析、智能移動、預測分析、數據可視化等智能BI能力，能夠形成財務人員所需的各類報告，支持業務推進與戰略決策，共同構成一個全方位賦能企業財務數智化運營的強力引擎，促進財務綜合服務能力全面提升。

4.人機交互通道。人機交互是支持智慧財務共享中心持續運行的中間引擎。大語言模型可與專業財務工作人員、財務數智化系統展開緊密合作，共同完成數據分析、戰略決策、問題解決等各環節任務，為財務人員提供個性化財務培訓與知識服務。同時，人機交互能夠不斷學習與優化自身算法與算力，更加自然與智能地了解人類語言，驅使業務流程自動化，提高數據處理效率與流程透明度。

5.模型安全管控。模型安全管控是智慧財務共享中心健康運行的重要保證，能夠強化網絡安全防御與實時監測異常網絡攻擊行為，避免財務數據被泄露與出現財務安全漏洞，提高客戶對智慧財務共享中心的信任度。相較于其他技術而言，大語言模型可以處理海量財務數據，能夠迅速識別關鍵信息及揭示隱藏模式，生成有價值的財務洞察，降低財務數據中的隱蔽性風險，為財務活動有序開展提供準確、即時的數據支持。通過對企業財務狀況與市場環境的實時監控，大語言模型能夠深挖潛在的財務風險，并給出針對性建議與預警方案，保證企業科學、合理地進行風險管理與業務決策，提高風險管控能力，助力智慧財務共享中心構建。

四、智慧財務共享中心流程優化

1.流程持續性改進—助力財務共享更有序。大語言模型下，企業智慧財務共享中心在構建及應用后，其各項流程開展需要在實踐中不斷優化與改進。

（1）財務報告需求明確。財務報告需求明確是智慧財務共享中心運轉的開始，也是指導后續流程優化的行動指南。具體而言，企業可利用歷史財務數據對大語言模型進行訓練，生成明確的財務報告需求，并以此與大語言模型展開交互，通過多輪對話完善需求內容，最終完成需求的編制工作。

（2）流程自動化。在對財務共享中心流程進行優化完善時，企業需結合自身發展實際，對內部流程、業務等內容展開深度分析，以此不斷優化企業財務管理流程。在此過程中，企業應秉持著提高財務工作效率與促進業務流程自動化等基本原則，充分利用大語言模型技術優化財務工作流程，減少或刪除不產生價值的環節，以確保智慧財務共享中心能夠高效運行。

（3）組織形態演進。智慧財務共享中心的構建有助于推動形成扁平化的管理模式，并依托大語言模型作業模式賦能共享中心基礎工作在原業務單位開展的同時，亦能實現專業化分工與規模效應。為進一步實現組織\"無人化”，企業應借助大語言模型提供的智能收單柜、數字員工等一系列智能化工具，實現全方位自動化校驗與審核，提高財務工作效率，加強企業內控管理，助力財務工作向價值創造轉型。與此同時，智慧財務共享中心有效運行的關鍵在于明確風險識別范圍與目標，如潛在風險點、風險出現的概率等因素。對此，企業應借助大語言模型收集海量內部數據、行業標準、市場變化等相關信息，并利用深度學習模型、人機協同等方式對安全風險進行評估，識別出財務管理、業務流程等環節中與智慧財務共享中心相關的潛在風險。同時，企業需對每項風險進行深度剖析，確定風險成因及帶來的影響，以此建立針對性風險管控機制，并定期進行監測及更新風險評估結果，以推動智慧財務共享中心有序運行。

（4）監控與反饋。依托大語言模型，企業應設定智慧財務共享中心運行的監控指標與標準，定期收集與分析相關業財數據，識別財務工作中的潛在風險，并以此調整優化財務數智化轉型措施、制度與流程（見圖2），確保智慧財務共享中心各環節有序運行。

2.財務工作效率提升路徑——促進財務共享更高效。

（1）信息技術整合。企業在日常工作及項目實施過程中會接觸大量基礎數據，這就要求財務部門及時篩選、處理相關數據，并借助大語言模型進行深層次分析和處理，以保證企業正常運轉。這一階段，企業需對不同財務項目、下屬企業間的子系統進行整合，確保智慧財務共享中心高效運轉。在此基礎上，統一不同系統間的數據口徑，并利用大語言模型對數據錄入、處理、分析及輸出等不同環節進行嚴格把控與合理優化，以此建立安全信息數據庫，實現業務與財務系統一體化融合，助力智慧財務共享中心不斷優化。

（2）數據報告采集。首先，企業應借助RPA+AI、SQL、大語言模型等技術設計合適的數據架構與模型，選擇使用數據采集平臺與工具，在滿足智慧財務共享中心構建需求的同時確保數據可擴展性。其次，利用大語言模型對數據進行預處理，提高數據質量，以便對大語言模型進行有效訓練。最后，對于標準化數據進行統一存儲與調用，即將各類型數據按照屬性特征分別放入MySQL與HBase當中，并采取相應措施保護數據科學性，制定數據訪問權限、隱私保護等標準，以持續優化智慧財務共享中心功能與服務。

（3）財務報告分析與審核修正。在完成數據收集及智能財務報告編制工作后，財務人員需利用大語言模型檢查報告生成存在的模型誤差，即檢查報告的合規性。同時，借助大語言模型巨大的參數量與高效文本生成能力，輔助財務報告審核人員校驗報告數據的邏輯連貫性，提高財務報告的專業性。

（4）數據質量與會計信息可靠性。考慮到新技術背后可能隱藏著諸多風險與漏洞，借助大語言模型進一步對智慧財務共享中心的數據質量與會計信息可靠性展開細致分析，對歷史數據中的不合規數據進行定期清洗，并同步校驗生成財務報告中的數據，以及實時更新訓練數據集，確保財務報告可靠并符合最新規則，提升財務工作效率（見圖3）。

3.大語言模型應用創新機制—驅使財務共享更可靠。隨著會計準則與法規變化漸趨頻繁，在使用大語言模型時，智慧財務共享中心需及時了解最新會計準則與法規，并使用大規模數據集對大語言模型展開無監督的預訓練。在大語言模型輸出結果后，財務人員需進行審核，并對生成內容進行持續性微調及優化模型參數，以提升大語言模型的泛化能力與可靠性，優化大語言模型應用創新機制（見圖4），在保證訓練數據準確性的同時驅使智慧財務共享中心有序運轉。

五、智慧財務共享中心的運行場景

大語言模型能夠全面了解企業需求及相關特征，強化智慧財務共享中心的對話能力，為企業提供多元化數智服務，確保企業隨時獲得所需數智化支持，解決企業財務、業務運營中存在的諸多問題。

1.大語言模型 + 客服。將大語言模型應用于智慧財務共享中心之后，客服機器人不再只是簡單回復企業存在的問題，而是能夠根據業務需求理解財務人員提出的財務問題。一方面，基于大語言模型的客服機器人能夠通過自然語言理解技術自動化解答企業相關業務問題，為財務人員提供高效服務；另一方面，客服機器人能夠實現 7×24 小時自動化處理反饋與投訴，自動化推送相關財務信息，幫助財務人員實時了解業務處理情況。

2.大語言模型 + 咨詢。智慧財務共享中心應用到大語言模型咨詢服務的場景包括：第一，大語言模型 + 咨詢能夠全天候不間斷響應財務人員所提問題，輔助其通過“詢問\"方式找到合適的解釋，提高業務響應速度；第二，大語言模型 + 咨詢可根據不同財務人員的需求生成差異化響應，在創造個性化體驗的同時確保財務人員所提問題得到智慧財務共享中心的重視；第三，大語言模型 + 咨詢能夠借助自然語言處理技術識別財務人員的反饋，并自動化處理相關業務，提高智慧財務共享中心的客戶滿意度。

3.大語言模型 + 交互。基于大語言模型的智慧財務共享中心能夠幫助財務人員完成復雜的會計工作，形成更加高效且智能的工作方式。大語言模型 + 交互能夠通過不斷優化自身算法、算力等方式提高數據處理效率，從而更自然與更智能地理解人類語言，實現智慧財務共享中心業務流程的自動化，提高財務工作透明度。

4.大語言模型 + 培訓。基于大語言模型的自然語言理解能力與深度學習架構，智慧財務共享中心能夠生成培訓知識庫，為財務人員提供專業化財務培訓，提高其財務素養與工作質效。具體地，大語言模型 + 培訓可隨時隨地提供學習與培訓環境，并根據財務人員學習進度與反饋調整培訓內容，提高培訓課程與資料的專業化程度，從而不斷豐富財務人員的財務知識與提升其技能水平。

5.大語言模型 + 合規。大語言模型能夠對智慧財務共享中心過往數據進行分析，從中識別財稅合規風險及提供風險預警建議，實現對企業財稅狀態的常態化監管。大語言模型 + 合規能夠借助OCR、自然語言處理等技術審核財務數據，并對數據中的風險因素進行分析與智能化評判，在識別潛在風險的同時提供預警建議。進一步地，大語言模型 + 合規能夠向智慧財務共享中心反饋不合理數據，并重新對風險數據進行分析與輸出，直至結果合理。

6.大語言模型 + 洞察。大語言模型可憑借機器學習、自然語言處理等技術對大量財務數據進行模擬分析，并預測企業財務狀況的未來走勢，為智慧財務共享中心了解企業未來財務狀況提供有效參考與指導。其一，大語言模型 + 洞察可通過分析歷史財務數據預測企業未來銷售額、凈利潤等財務指標，以提供科學運營方案；其二，大語言模型 + 洞察可通過解析過往業財數據，助力智慧財務共享中心提供有價值的見解，輔助企業做出更明智的決策，從而不斷改善財務狀況。

六、智慧財務共享中心的運行保障措施

1.打造學習型人才隊伍。構建適配大語言模型的數字化人才梯隊是保障智慧財務共享中心高效運轉的核心。一是強化專業人才儲備。從招聘環節嚴控標準，優先選拔兼具財務共享認知與大語言模型操作技能的復合型人才；建立常態化培訓機制，系統提升團隊對模型原理與應用的掌握水平，確保技術與業務深度適配。二是提供學習平臺。構建覆蓋模型開發、財務分析等領域的數字化學習平臺，支持員工按需提升技能；通過跨崗位協作交流促進知識共享，強化組織內部協同能力，驅動財務共享價值升級。三是培養前端業務人才。定向培養熟悉業務流程與促進大語言模型落地的實戰型人才，將其嵌入一線場景，精準解決模型部署中的技術銜接問題，最大化釋放智慧財務系統的決策支持效能。通過分層培養與動態優化，企業可形成“技能儲備—知識迭代一業務落地”的閉環人才體系，為大語言模型驅動財務智能化轉型提供可持續的人力支撐。

2.強化智能共享安全保障。面對財務數智化轉型的

現實需求，企業將大語言模型視作推進可持續發展的一種戰略性數字資源，并提早布局打造智慧財務共享中心。首先，加強頂層設計，制定大語言模型服務與發展規劃，加速制定合規標準與安全框架，建立研發、訓練到落地的全流程評測體系，確保模型研發合法高效。其次，政府、企業、研究機構之間建立協同合作機制，設立聯合實驗室，推動數據共享與協同研究；建立跨主體合作聯盟，完善風險管理規則，規范模型在財務場景中的應用邊界，防范數據泄露與倫理風險。最后，注重動態風險防控。構建治理標準，定期評估模型潛在的合規隱患，強化安全預判能力。通過“標準約束 + 技術防控\"雙軌機制，平衡創新與風險，賦能智慧財務共享中心的運行。

3.加快大語言模型科學部署。隨著人工智能技術的快速發展，大語言模型本地化部署成為企業實現智慧財務共享的關鍵。企業需通過科學部署推動技術與業務深度融合，降低研發成本并拓展數智化場景，鞏固垂直領域數據優勢。首先，協同引入外部技術資源。企業應積極與人工智能企業開展合作，獲取模型部署指導，加速大語言模型在財務共享場景中的深度應用。同時，可選用Bloom、GLM等開源模型，在合規前提下適配財務規則，提升業務兼容性。其次，夯實技術與算力基礎。加強人工智能、大語言模型等技術與算力基礎設施布局，對標國際技術標準優化模型訓練；聯合芯片、互聯網等上下游企業組建產業聯盟，推動多模態大語言模型與知識圖譜等技術融合，構筑產學研協同的研發生態。最后，聚焦場景化微調與創新。基于企業數據對選定模型進行微調，構建內部知識庫；利用LangChain等框架開發定制化任務鏈，針對特殊業務流程挖掘新功能，拓展大語言模型應用場景，為智慧財務共享中心的運行創設良好的技術環境。

七、結語

財務數智化轉型已成為企業實現高質量發展的重要手段。大語言模型背景下，企業智慧財務共享中心不僅能夠利用深度學習、機器學習、大規模數據集成等算法全面采集財務數據信息，推動業務流程重塑與財務管理體系創新，而且能夠充分挖掘數據價值，提升財務人員勝任能力，在輔助企業科學決策與戰略規劃有效落地的同時，賦能企業數智化轉型，助力企業達成價值增長目標并實現可持續發展。

【主要參考文獻】

萬鈞．基于大語言模型的審計知識應用研究［ J］．審計研究，2024（5）：38 ～ 44+74．

許雪晨．ChatGPT等大語言模型賦能數字時代金融業：基于隱私保護、算法歧視與系統風險［ J］．暨南學報（哲學社會科學版），2024（8）：108 ～ 122．

胡泳，劉純懿．大語言模型“數據為王”：訓練數據的價值、迷思與數字傳播的未來挑戰［ J］．西北師大學報（社會科學版），2024（3）：43 ～ 54．

陳云燕．基于智慧財務共享中心的數字化內部控制研究——以太龍股份為例［ J］．財會通訊，2024（18）：148 ～ 153．

白龍．重返溝通的本質：生成式人工智能的媒介哲學解讀［ J］．學習與實踐，2025（1）：131 ～ 140．

金源，李成智．AI大模型的財務能力測評與啟示——基于CPA考試的ChatGPT與國產大模型實測［ J］．財會月刊，2024（18）：44 ～ 51．

李聞一．財務共享服務中心的大語言模型應用探究［ J］．會計之友，2023（15）：2 ～ 10．

（責任編輯·校對： 許春玲" 劉鈺瑩）