编者按：2026年7月19日，由上海国家会计学院与汇付天下有限公司主办的2026世界人工智能大会智能财务论坛在上海世博中心隆重召开。本次论坛以“全球视野，破局智能财务新范式”为主题。在论坛上，ACCA（特许公认会计师公会）全球技术研究总监Alistair Brisbourne（柏睿安）发表了《人工智能赋能财务变革与价值重塑》为主题的演讲。在征得嘉宾同意后，我们整理对话的主要内容发布于此。

谢谢大家，感谢今天在场的每一位。我来自ACCA，今天想分享的是我们最新洞察报告《提升财务洞察力：弥合技能与数据差距，实现AI赋能财务》中的一些见解。去年在这里我们谈到了会计和财务专业人士目前使用人工智能的一些方式，并指出了当前存在的治理和培训方面的差距。今年我想进一步深入，提供更多关于我们作为会计师公会在人工智能方面的见解，然后更多地关注未来技能需求对个人的影响。

我们从财务的愿景开始，即成为更具战略性的参与者、成为更深入洞察和前瞻的推动者、以及成为组织内的连接纽带。这个愿景在过去五年中并没有发生实质性的变化，但发生变化的是我们可用的条件和能力。一方面，某些障碍正在消失，包括获取信息的障碍、获取某些领域知识的障碍，无论是在财务、会计、法律还是其他专业领域。此外，获取某些技能的障碍也在降低。比如编程知识、编码知识。但仍然存在一些挑战，正如今天前面的演讲者提到的数据治理和数据质量挑战。

有了人工智能，我们有了更大的动力和能力去打破目前限制我们的数据孤岛。同时，也出现了一些关于技能的新挑战，以及我们今天早些时候讨论过的一些风险，还有一些伦理挑战，尤其是可持续发展方面的挑战。

那么人工智能在哪里被使用呢？它被采用的速度非常快。根据我们最新的《2026年全球人才趋势调查》，超过一半的财务专业人士已经在工作中经常使用生成式人工智能，主要用于增强型任务。

在报告流程中，很多仍然用于整合和总结相关信息以支持报告的起草，但我们开始看到利用智能体提供的能力向更具执行性的方式转变。大多数情况下，很多团队的发展速度与他们的软件供应商一样快，正如我们从Gartner的数据中看到的，这些能力正在迅速整合到我们已经可用的软件解决方案中，无论是我们的结账解决方案、审计软件还是ERP系统。这是我们与人工智能互动的常见方式，但我们还需要考虑更有针对性的部署，以便在使用人工智能时产生更大的价值和更多的可能性。

这就是为什么我们需要开始思考这些工具的不同能力。这是一系列技术。我们往往关注最新最好的东西，但我们需要考虑如何利用不同类型人工智能的独特能力和特性，包括机器学习。如果我们要为高容量、低延迟的任务开发工具——我们有大量数据，需要快速分析以产生一些信号——没有什么比机器学习更好的了，然后生成式人工智能可以帮助我们解释这些软件和代码产生的信号。

机器学习已经在广泛使用，例如差异分析，用于解释信息。而生成式人工智能现在提供了另一个机会，让我们思考如何使用人工智能来实际执行特定任务。

这就引出了人工智能如何改变财务团队可用的自动化状态。需要特别指出的是，这不是一个线性进程，不同层级的应用也不是相互排斥的。

这些是现在可供我们使用的不同能力和不同选项。我们可能都熟悉RPA，用于高度常规、基于规则的确定性任务。仍然有很多机会利用IPA，即智能流程自动化，在RPA机器人之上构建机器学习，以帮助进行一些分类或数据解释。

现在我们有了智能体工作流，你可以将自动化应用于不那么常规的任务，这些任务有更高的变异性，或者没有一个单一的确定性结果。因此，智能体可以为我们提供很好的建议行动方案，提供很好的决策建议。

例如，基本的自动化或智能自动化系统可能会为我们提出各种异常情况，而智能体层可以帮助我们解释如何处理这些异常。我们还没有达到完全自主系统的阶段，因为虽然我们知道前沿AI模型的能力在过去三年中呈指数级增长，但它们的可靠性在过去两年中趋于平稳，因此仍然需要监督和监控。借用普林斯顿大学Arvind Narayanan的话，我们目前处于这样一个阶段：没有模型能同时具备通用性、应用于高风险场景和完全自动化这三个特性。

现在我们只能同时兼顾这三者中的两项，这让我们处于三级水平，并将其视为下一个机会所在。大多数财务团队正处于二级和三级之间，试图弄清楚应该在哪里应用这些新的智能体（Agent）能力。

当我们审视限制财务团队及其AI数据雄心的障碍时，这些障碍在过去几年中实际上发生了很大变化。上次我们做这项研究时，主要挑战是确定正确的解决方案，而这个挑战已经消失了。

随着我们有了更多的实践经验，挑战越来越实际。我们更多考虑的是技能限制——我们是否有能力部署、实施治理、持续监控并充分利用这些工具；数据集成和系统集成挑战限制了我们的有效使用；数据质量挑战在我们的使用中仍然存在。

以此为背景，我想稍微探讨一下这对个人以及个人技能意味着什么。因为随着我们引入更多智能体（Agent）工作流，我们与 AI 以及系统的交互方式将发生巨大变化。我们在应用这些工具时，以及在与它们协作时，都存在一个光谱：一端是主要由人类主导和执行，另一端则是完全自主的智能体，它们可以自行完成大量的分析、洞察和执行工作。正如我之前提到的，完全自主的案例非常罕见。因此，我们要关注的是大多数组织目前聚焦的中间地带，即 AI 生成洞察、提出建议或提供支持，从而帮助人类做出更好的决策或进行后续执行。或者借用某家供应商的话来说，机器人负责执行，人类负责执行，而 AI 负责给出理由。这在很大程度上改变了技能版图，也改变了人们在日常工作中所担忧和思考的技能需求。

当我们询问财务专业人士在当前工作场所中最担心什么时，不再是人工智能会取代他们的工作。有了更多的实践经验，这种担忧开始下降。但上升到榜首的是他们验证人工智能生成信息的能力、拥有无偏或相对无偏见的数据集、以及从“垃圾进、垃圾出”范式中做出决策的能力的担忧。正如你所看到的，93%的人至少中度担心验证人工智能生成的洞察，超过60%的人高度担心，但只有9%的人完全相信自己知道如何处理这种情况。

这是一个紧迫的考虑。当我们看这些生成式人工智能技能时，我们知道超过一半的人经常在工作中使用生成式人工智能，但当我们要求他们自我评估生成式人工智能技能时，超过四分之三的人认为自己只有基础的或没有真正的生成式人工智能技能，然后几乎一半的人认为这是未来成功的关键技能。去年我们谈到了治理和培训差距。这是一个明显的技能差距正在形成，值得指出的是，生成式人工智能并不是我们调查数据中唯一的差距。预测分析排在第二位。在人们对自己理解如何使用预测分析工具的信心方面也存在很大的差距。

基于我们的自我评估和调查数据，我们制作了一个技能优先级矩阵，思考财务团队的优先技能提升领域，你可以看到诸如生成式人工智能在分析中的应用、实时仪表板的创建等，这些都是存在巨大需求的领域，财务专业人士认为熟练的领域与他们认为未来最重要的领域之间存在差距。

专注于左边的这些象限，左下角有一些关键的提升技能。这些是更多的技术技能，更适合财务团队和技术团队（IT、数据科学）之间加强合作。我们需要建立更强的联系和协作。

我们在谈论个人责任和个人需求变化时，不能不考虑伦理问题，特别是通过IESBA五项基本原则的视角来看待人工智能的伦理。我们进行了一项额外的分析，研究了在工作场所使用人工智能时可能对这些原则产生的不同类型的伦理威胁。我们发现对我们的基本原则有8类伦理威胁。

这些伦理威胁有三个来源。它们并不都出于相同的原因或来自相同的源头。其中一些威胁来自我们使用的模型的技术构建——黑箱性质，我们解释或理解某些输出的能力，或者构建正确的可观察性和可审计性的能力，以及我们何时何地可以使用这些工具。第二，它可能来自数据限制——低质量数据或不具代表性的数据。最后，来自个人使用和诚信与滥用——我们是否在为正确的目的使用正确的工具？我们是否按照预期的目的使用它？我们在使用时是否遵守并坚持我们的伦理原则，并对此保持透明和诚实。

但关键是，这些基本原则依然非常适用，它们仍然非常重要，可以帮助我们应对这些威胁。所以并不是基本原则有所欠缺，而是要思考在使用人工智能时可能出现的具体威胁。

在结束之前，我想补充说的是：当我们思考人工智能带来的伦理挑战时，责任不能完全落在个人身上。我们谈到了个人的责任，但他们只能在正确的环境中行使这些伦理原则。这需要正确的政策和治理，还需要来自高层、领导层的正确基调，拥有正确的文化，以及知道如何采用国际标准和国内法规来确保我们负责任地做这件事。

最后快速总结一下，财务领导者现在需要将大量注意力放在哪里？仔细思考数据基础、数据治理、数据质量、系统的互操作性；完善监督——从一开始就参与AI和数据战略，思考如何衡量成果，如何衡量和跟踪成本，以及长期从AI中获取的价值，同时思考如何实施国际标准和其他监管制度；发展目前缺乏的关键能力；当然还有建立跨组织的基础性协作，使这些活动不会孤立发生。

非常感谢大家。