毕马威全球调研：财务AI的重点正从“用不用”转向“接不接得住”

调研的基本盘：应用面已经很宽

一份覆盖全球20个国家和地区、13个行业的1013位高级财务主管的调研显示，财务AI的普及率已经不是问题，问题在于普及之后的产出结构。

据中国证券报·中证网报道，2026年11月9日，毕马威在第九届中国国际进口博览会期间发布《2026年毕马威全球财务智能化调研报告》。报告披露的首组数据是覆盖面：过去两年间，在财务领域积极实施AI的企业增加了一倍以上；目前超过四分之三的受访企业已在财务规划、报告和商业分析中应用AI。也就是说，财务AI已经越过“要不要做”的讨论阶段，进入一个更实际的问题——用起来之后，价值从哪里来。

报告给出的判断是，财务领域AI最显著的优势在于提升判断能力，而不是削减交易成本。在部署了代理式AI的企业中，关键财务指标实现了至少32%的增长，其中预测准确性与资金使用效率的改善幅度接近40个百分点。这组数字指向的方向很清晰：当AI只被用来做票据识别、数据搬运时，它的作用是承接重复性人力工作；当它被放进预测、归因、情景模拟这类需要判断的环节，它的作用才是改善决策质量。

产出分化：仅23%企业认为超出预期

应用面广、产出分化，是这份报告里最值得企业对照自身的一面。

报道提到，虽然多数企业认为AI投入产出达到或超过预期，但仅有23%的企业认为产出超出预期，与整体满意度存在明显差距。换句话说，同样在财务领域部署AI，企业之间的成效差距正在拉开，而这个差距并不主要来自模型选型。

报告把差距的主要来源指向数据侧：数据源碎片化、数据整合缓慢、老化系统使AI无法充分发挥作用；同时，员工在数据素养、批判性思维与道德判断方面的不足，会让输出结果得不到充分解读与应用。这两句话对做财务的人来说并不陌生——系统里数据很多，但口径不统一；报表能出，但说不清数字是怎么来的。

治理不是刹车，而是放量的前提

一个反直觉的结论：控制机制越强的企业，AI 应用表现越好，也越敢做大范围推广。

报告特别回应了一个常见误解——治理通常被认为会拖慢AI的推广。但调研数据显示事实相反：拥有更有效控制机制的企业，在应用AI方面表现更佳，在大规模应用时也能获得更多信任。更能说明问题的是另一组对比：能够持续高效提供AI相关审计证据、即具备验证能力的企业，其AI应用取得显著成果的速度是其他企业的三到六倍，而目前具备较强验证能力的企业不到一半。

这意味着“能不能说清楚这个结论是怎么来的”，正在成为一种实打实的能力差距。人工监督同样没有被省略：33%的受访企业正通过人机协同来增强监督，以确保AI工作流产生更可靠的结果。报告由此建议，企业需要把治理、控制、成效检验和人工监督嵌入到AI驱动的财务流程之中，通过可审计性与可解释性构建信任。

可搬走的三个判断

与其纠结选哪个模型，不如先看自己在这三件事上的位置。

其一，先把数据的“单一事实来源”立起来。AI在财务场景里最容易失效的地方，不是算不出来，而是同一笔成本在三个系统里有三种口径。项目型经营的企业尤其明显：收入确认、成本归集、回款跟踪分散在业务系统、合同台账和多张表格里，模型拿到的是拼接过的二手数据，输出的结论自然经不起追问。

其二，把验证能力当成一项基础设施来建。报告里“三到六倍”的差距，本质上比的是能否留下可核验的轨迹——这条规则是哪来的、这次判断依据了哪些原始单据、哪些环节由人复核。这类留痕在事后应对审计与内部复盘时，价值会立刻显出来。

其三，把人的角色从“复核单个结果”调整到“监督整个任务”。当AI承担的是多步骤任务，逐条检查输出的意义有限，更重要的是设定边界、定义异常、决定哪些节点必须停下来等人。

结语

财务智能化走到今天，比的已经不是哪家先上线。应用率超过四分之三之后，真正的分水岭在于：数据接不接得住、结论说得清不清、责任落不落得实。报告最后那句提醒值得抄进年度规划——AI大规模应用的前提，是信任；而信任来自可审计与可解释，并非来自效果演示。