2025年影响会计行业的十大信息技术评选结果揭晓后，为助力会计人员更好地理解和运用这些技术，我们邀请了参与本次评选的十位专家，对相关信息技术进行深入解读。这些专家在各自领域都有深厚造诣和丰富经验，他们的专业见解将对会计人员的应用与学习提供指导，帮助大家紧跟行业发展趋势，提升专业能力，推动会计行业在数字化浪潮中不断前行。

　　人工智能通用大模型是以Transformer架构为核心的基础技术，通过自注意力机制高效处理文本、图像等多模态数据。通过在海量通用数据上进行无监督预训练，学习通用模式与知识，再通过专业领域微调适配具体任务。该技术正推动医疗诊断、智能客服、自动驾驶等领域的智能化进程，在会计领域也被广泛应用。

　　在会计领域的应用场景比较多。一是基础自动化处理，如发票识别（OCR）、账目分类等。二是智能分析与决策，如自动检测异常交易、生成财务报告及趋势预测及决策支持，显著提升效率并降低人为错误。三是流程优化处理。通过自然语言处理技术解析合同与票据，结合规则引擎实现自动化报销流程；通过智能体构建，提升用户体验。

　　我认为人工智能通用大模型发展趋势包括四个方面。一是基础业务将进一步被替代。AI通用大模型进一步替代数据录入、报表生成等基础会计业务，推动行业进入“智能财务”时代。二是多模态能力扩展。对语音等非结构化数据的处理能力进一步扩展，提升辅助财务决策的能力。三是以数据分析能力为核心竞争力。会计人员需从“记录者”转向“分析者”，利用AI挖掘数据价值，提供战略建议。四是职业角色转型。会计人员需掌握AI工具与数据分析技能，专注于战略规划、风险管理等高价值任务。

　　人工智能通用大模型正在重塑会计行业的基础流程与职业角色，推动其向智能化、数据驱动方向发展，但同时面临算力成本、数据安全与模型可解释性等挑战。

　　会计人员需通过持续学习掌握新技术工具，并在合规、数据分析及战略决策领域深化能力，以适应行业变革。同时，需关注技术应用中的伦理与安全问题，平衡效率与风险。

　　在应用人工智能大模型技术时，需要注意和关注四方面事项。一是数据安全与隐私保护。确保AI系统符合法规要求，防止敏感财务数据泄露。二是技术成本与整合挑战。评估AI工具的投入产出比，从简单场景入手，并优先选择与现有系统兼容的技术。三是人机协作能力。避免过度依赖AI，需保留对关键决策的最终审核权，确保符合业务逻辑。四是技能转型风险。会计人员需主动学习编程、数据分析等技能，避免被基础岗位替代。

　　会计大数据分析和处理技术是融合会计专业知识和大数据技术的交叉技术，能够从海量多源的数据中挖掘有价值的信息，为决策提供更加有效的支持；自动化数据处理流程，也会提高运营效率，优化资源配置；通过挖掘数据中隐藏的模式、趋势和关联，为企业开拓新业务、改进产品服务提供洞见。

　　传统的财务管理与会计工作本质上就是做数据分析和处理工作，但大部分的数据基于公司内部的财务数据和少部分的业务数据，而且数据是我们所狭义理解的结构化数据。大数据技术的发展为财务分析和决策提供更多维度的数据来源和更强的数据处理技术，是企业财务数字化转型的核心驱动力。

　　会计大数据分析与处理技术通过整合先进的数据技术和会计专业知识，将会计的职能从记录历史提升到预测未来、驱动价值创造和管控风险。成功应用的关键在于：清晰的业务目标驱动、坚实的数据基础（质量与治理）、跨学科人才的培养与协作、选择合适的工具和技术栈，以及持续的文化变革。拥抱这项技术，会计部门才能真正转型为企业的战略伙伴和洞察中心

　　从应用场景来看，目前至少可以从以下几个方面进行推广.1、基于历史数据和市场动态的财务预测与预算；利用数据分析识别高风险领域进而做风险评估和风险管理；深入分析作业成本、产品、客户、渠道等数据进行成本分析与优化;整合财务与非财务指标构建更全面的绩效仪表盘；可以进行全量数据分析或更科学的抽样审计；识别潜在的税务风险点，自动化税务申报准备；大数据技术对客户与供应商分析；加速数据收集、转换和合并过程，提高合并报表编制效率和披露准确性。

　　会计工作者应该认识到仅仅具备会计专业知识已经不能适应当前的工作需求，首先要改变观念，财务数据的价值不仅是记录过去，更要照亮未来。建立了数据分析思维之后就要具备大数据分析的能力，可以由浅入深，以用促学。了解数据来源的多样化，学习大数据分析相关技术，利用统计模型和机器学习算法进行预测。

　　数据中台就像是企业的“数据大脑”，通过整合企业内外部数据，打破数据孤岛，经过深度的清洗、转换与标准化流程，为会计分析提供高质量的数据，推动财务分析、预测和风险控制等的落地实现。

　　业务中台旨在将通用业务能力沉淀为服务，对业务流程进行深度优化。像订单处理、库存管理等业务流程与财务流程实现了紧密集成，实现业财的实时联动，让会计处理的效率实现质的飞跃。

　　财务中台主要集中管理财务共享服务。它能让财务核算自动化，而且还能时刻监控资金流向、成本支出等情况，提高了财务工作的效率和规范性。

　　中台技术正逐渐从传统的数据治理向AI赋能的智能中枢转变。以往“数据孤岛”问题一直是企业头疼之事，AI技术被应用于中台技术之后，为解决这个问题带来曙光。而且未来它还会与人工智能通用大模型、多模态数据分析等技术进一步融合，实现从人工分析到AI驱动决策的升级，将为会计决策提供更为智能、精准的支持。

　　当下中台技术广泛应用，这要求会计人员必须做出改变。以往单一依靠财务技能的模式已无法适应新的发展趋势，会计人需要向财务与技术融合的复合型人才转型。会计人员可以多参加类似上海国家会计学院推出的培训课程，系统学习中台技术的概念、架构以及实施方法，了解应用案例与发展趋势，从而提升自己的综合能力。

　　企业搭建中台系统成本较高，会计人员需要仔细评估投入产出比，根据企业的规模与业务需求合理规划，避免盲目跟风建设。由于中台技术的实施涉及多部门协同，会计人需要肩负起沟通协调的重任，确保财务需求准确融入系统设计之中。此外数据安全更是重中之重，会计人员需要参与制定数据安全策略，保障财务数据安全无虞。

　　“系统异构和数据孤岛”成就了RPA/IPA。企业在数字化转型过程中，分阶段建设的异构系统（如ERP、CRM、OA等）导致数据互通成本高昂。RPA凭借规则引擎处理结构化数据，作为“非侵入式”工具，无需改造原有系统即可模拟人机交互，完成跨系统数据搬运，成为连接新旧系统的“数字桥梁”。随着OCR、NLP等技术的成熟，RPA与AI、低代码平台等融合升级为IPA，处理非结构化数据，并与区块链等技术结合，形成覆盖流程全生命周期的“超级自动化”，在垂直领域广泛应用。

　　效率即价值。经过优化迭代的RPA和IPA，在处理规则明确、重复性高、数据量大的任务时表现出色。例如，某公司通过RPA将收款认领流程效率提升10倍；某证券公司利用RPA将客户开户资料审核的操作记录完整率从60%提升至100%，合规检查通过率提升至98%；某银行通过RPA将信用卡申请审核时间从2小时压缩至5分钟，年节约人力成本超千万元。这些案例表明，RPA/IPA的效率和准确率提升推动其在更多领域应用。

　　“可替代成本”决定未来会计人员价值。RPA/IPA的标准化执行特性可替代会计岗位80%以上的基础工作，其7×24小时工作能力重新定义了岗位价值。AI在会计和财务管理领域的加速应用，促使会计人员从基础核算转向流程优化设计、数据分析，更多聚焦预算编制、风险管控等战略任务。未来3-5年，RPA/IPA将被更智能的解决方案替代。

　　会计人员需保持对超级自动化、智能体等新兴技术的敏感度和持续学习能力，以推动“效率工具”向“战略赋能引擎”转变。

　　在数字化背景下，财务云技术正改变财务工作模式，提高工作效率，在多场景应用中价值凸显。

　　传统本地存储有容量限制且数据安全难保障。财务云技术借助云服务，企业可将财务数据上传云端集中管理，解决容量难题，云端备份降低数据丢失风险，保障数据安全完整。

　　基于云计算的在线会计和财务应用程序为财务工作带来便利。财务人员无需依赖本地软硬件，通过互联网可随时随地访问应用，完成记账、报表生成等日常工作，提高效率，降低企业购买和维护财务软件的成本。

　　云计算为财务报告与分析提供实时数据支持，财务部门可整合内外部数据实时分析，帮助企业迅速掌握财务状况、及时决策。其强大计算能力让复杂财务分析模型在云端高效运行，为管理人员提供决策依据。

　　一是大数据应用，可实现预算自动推导、风险自动筛选等，助力企业精细化管理。二是人工智能应用，可以感知智能让身份验证、票据识别更高效准确；运算智能自动化处理重复工作，提高效率与分析深度；认知智能为财务人员提供智能决策支持和客户服务。

　　数电票（全面数字化的电子发票）依托统一平台，实现发票开具、交付、查验、入账、归档全流程数字化管理的革命性变革。其核心价值在于“全在线、全要素、全流程”，即构建了企业财税数据全链路直连的底座。

　　数电票应用场景广泛且深入。从企业端看，极大简化开票流程，降低管理成本；实现销售、财务、税务数据无缝流转，提升运营效率；与业务系统（如ERP、报销系统）深度集成，实现自动化处理。从供应链看，实现上下游企业间发票信息的瞬时、安全传递，加速结算周期，优化供应链效率，助推供应链金融飞速发展。从税务端看，为税务机关提供更实时、全面、准确的涉税数据，支撑精准监管与服务。

　　数电票发展趋势明确且快速。一是全面普及，取代纸质发票和现有电子发票是必然方向，覆盖所有行业和企业。二是深度集成，嵌入企业内部管理系统（财务、供应链、OA）及外部平台（电商、支付、金融）的融合将更紧密，成为企业数字化生态的“连接器”。三是智能应用，结合大数据、AI，在风险预警、税务筹划、财务分析等方面释放更大潜力。

　　数电票是财税管理迈向智能化、自动化的关键一步。会计人应积极转型，掌握新工具、新流程，将其转化为提升管理效能、创造价值的新引擎，方能引领企业财税数字化转型。

　　1.主动拥抱：理解数电票的核心规则、流转逻辑、数据要素（如“数字账户”概念）。

　　2.流程再造：参与或主导基于数电票的报销、核算、档案管理流程优化，提升效率与合规性。

　　3.数据思维：认识到数电票是重要的结构化数据源，思考如何利用其进行更高效的财务分析与风险管控。

　　数据治理的特色是建立标准化的数据格式与规则，注重数据源头管理，强调数据质量管理、数据安全管理，为企业的决策分析提供数据支持。

　　但是企业在采用传统的数据治理技术进行数据治理时，往往会存在成本高、效率低且治理成果难以持续保证的问题，因此智能化、自动化的数据治理是数据治理技术的未来发展趋势。

　　如果企业在开展数据治理工作时引入大模型进行辅助可有效改善传统技术带来的弊病，从而提高治理效率，降低数据治理成本。目前大部分大模型的能力并不支持独立完成数据治理工作，需要和其他技术手段进行配合使用，另外企业采用大模型进行数据治理时还需要关注数据安全性、模型成本等相关问题。

　　例如，在数据标准管理方面，传统的做法是需要根据企业根据实际的应用场景，采用人工作业的方式编写手册对数据格式、编码规则、业务规则等进行统一标准规范，这项工作需要投入大量具备相关知识背景的人员，对企业的全业务场景进行全方位的分析后才能形成有效的工作成果。如果引入大模型根据已有的合规数据进行分析归纳生成格式规则，可以大量减少企业在数据标准管理方面的资源投入。

　　又如在业务术语标准化场景下，传统的做法是人工统计同一概念在不同场景下的不同定义，然后进行统一命名，在系统应用中限定用户只能采用统一命名的业务术语，工作费时费力且需要用户付出额外的学习成本，引入大模型可以自动归纳统一的术语表，并且保留前端用户的原有使用习惯，降低用户的学习成本。

　　在数字化转型浪潮的大背景下，商业智能（BI）凭借其强大的数据整合、深度分析及精准洞察力，已成为企业优化运营管理、提升市场竞争的核心驱动力。

　　在我司运营体系中，商业智能（BI）系统深度嵌入每月经营分析会议，为财务汇报注入全新活力。借助商业智能（BI）可视化界面，管理层得以从客户、产品、市场等多维度透视业务全貌：通过客户销售排名与产品毛利率贡献度分析，精准锁定高价值产品与核心客户群体，为定制化营销策略提供数据支撑；同时，系统还能挖掘潜在高增长客户与市场趋势，为战略规划锚定方向。在运营管理领域，商业智能（BI）通过对比预算执行差异，智能优化资源配置，有效压缩运营成本，全方位提升运营效率。

　　商业智能（BI）未来发展趋势，一是融入AI实现智能预测决策；二是强化实时数据处理；三是低/无代码平台普及降低使用门槛。

　　1、一是在线学习基础课程，夯实理论基础：二是实际案例分析，强化实战能力；三是参加线下培训与研讨会。

　　2、一是注意以业务需求为导向，针对性选择适配的BI 工具与分析方法，避免技术盲从；二是注意重视数据质量，确保准确完整及时；三是注意关注数据安全，合理设置访问权限。

　　当前财务工作正经历着由数据技术驱动的深刻变革。数据挖掘技术不再只是锦上添花的工具，而是成为财务决策不可或缺的核心支撑。在实际工作中，这项技术已经深入到利润预测、异常交易监测、成本管控等关键业务环节。通过引入智能分析系统，其财务舞弊识别准确率提升至90%以上，预算编制周期缩短了近一半。在最新发布的行业技术趋势报告中，数据挖掘与人工智能、自动化技术共同构成了现代财务管理的技术基石。

　　这一变革对财务人员提出了全新要求。现代财务工作者需要兼具技术应用能力和业务理解能力：既要熟练使用数据分析工具进行数据处理，又要确保分析结果符合业务实际。业内调研显示，近七成的分析偏差都源于基础数据问题，因此建立规范的数据管理体系是首要任务。展望未来，财务人员的角色将向“数据侦探”转变，需要善于从合同文本、会议纪要等非结构化数据中挖掘风险线索。在这个过程中，持续学习新技术与坚守专业判断的平衡显得尤为重要。

　　多模态数据分析技术通过有机整合文本、图像、音频、视频等异构数据模态，实现信息的多维度认知与深度价值挖掘，其核心价值体现于突破单源数据的分析局限，显著提升决策系统的完备性与精确度。

　　1.行业深度赋能：医疗领域通过整合电子病历、医学影像与基因组数据，构建三维诊断模型；智能交通系统依托摄像头阵列、雷达传感与GPS定位数据的协同解析，实现交通流量动态优化与自动驾驶安全决策；教育行业则基于面部微表情识别、语音情感分析与行为轨迹追踪，建立自适应教学系统。

　　2.企业智能升级：客户服务场景融合语音识别、自然语言处理与星空体育网站 星空体育首页图像解析技术，实现全渠道需求感知；财务管理系统通过关联业务凭证影像、合同文本数据与市场舆情图谱，构建全景式风险预警模型。

　　在实施中需要重视多个要点。一是警惕技术应用误区，防范过度追求技术复杂度导致的业务本质偏离，坚持问题导向的实施原则。二是建立动态知识更新机制，重点关注财税监管要求与多模态技术的融合演进（如电子凭证结构化解析），保持技术敏感度。多模态技术正在重构数据价值链，会计从业者需以业务洞察为根基，以数据融合为杠杆，在智能化转型中构筑差异化的决策优势。

　　从未来发展看，一是技术融合进程加速，跨模态语义对齐算法持续优化，与边缘计算架构深度融合形成实时决策能力；量子计算技术有望突破海量异构数据处理瓶颈。二是应用领域纵深拓展，从消费级应用向智能制造、财税管理等产业核心环节渗透。

　　数据素养基础构建：培养数据分析与解读的能力，将分析结果转化为商业洞察，提升跨界关联业务场景的能力，深刻认识数据背后的客观事实以及发展规律，例如将智能图像识别技术（OCR）和自然语言处理（技术）整合后关联到具体的财务内控管理业务场景，实现智能审核。

　　技术工具实践积累：掌握数据清洗、挖掘、可视化技能，运用BI工具、Python语言等工具开展数据分析工作。了解人工智能的基础理论，学会驾驭人工智能模型，学会科学地使用提示词，训练智能模型，获取更精准的输出。

　　跨领域知识拓展：努力学习金融、管理、信息技术等相关知识，并有效融合。培养从核算到价值管理的战略思维，实现数据为纽带连接专业能力与商业战略。