AI 财务落地实践日报 | 2026-06-15

今日最值得落地（3条）

1. 把“合同条款 → 收入确认判断 → 分录草稿”拆成可审计工作流

   • 流程场景：技术会计 / 收入确认 / 合同复核。CFO Connect 的 2026 报告提到 OpenAI 内部使用 Contract Reader Bot 抽取合同条款、应用 ASC 606 / IFRS 15 逻辑，并生成 journal entry 草稿；Spendesk 则把对账做成连续流程，减少月底集中冲刺。
   • 最小试点做法：先选 20 份新签或续签客户合同，只抽 6 类字段：客户名、合同金额、履约义务、计费周期、终止条款、特殊折扣 / credit。AI 只生成“收入确认判断草稿 + 分录建议”，不自动入账。
   • 复核/控制点：technical accounting owner 复核 ASC 606 / IFRS 15 判断；controller 复核分录科目和金额；所有 AI 输出必须保留原合同引用段落、字段置信度、人工修改痕迹。
   • 输出物：合同字段抽取表、收入确认 memo 草稿、journal entry 草稿、复核日志。
   • 来源：CFO Connect – State of AI in Finance 2026（finance leader / 报告案例；来源页面显示 2026，具体发布日期未披露）

2. 发票 OCR 不要只做“识别文字”，要直接输出 ERP-ready JSON + 校验错误

   • 流程场景：AP 发票录入、税票 / 收据字段抽取、ERP 前置校验。
   • 最小试点做法：用 30 张历史发票 PDF / 图片测试一套固定 schema：供应商、客户、发票号、日期、币种、行项目、subtotal、VAT、grand total。AI 输出 JSON；系统先跑三条校验：行项目合计是否等于 subtotal、subtotal + tax - discount 是否等于 grand total、税号 / TRN 格式是否有效。
   • 复核/控制点：AP accountant 只复核低置信字段和校验失败发票；税务 / controller 抽查 VAT 字段；禁止 AI 在缺字段时猜测，缺失字段必须返回 null。
   • 输出物：标准化 invoice JSON、validation error list、低置信字段清单、可导入 ERP 的 CSV。
   • 来源：Google AI Edge Gallery Discussion #897 – Invoice Extraction Agent Skill（GitHub workflow / agent skill specification；2026-05-28）

3. AI-touched SOX 控制先做“审计问答包”，再谈自动化规模化

   • 流程场景：SOX / ICFR、AI 参与的对账、审批、分类、证据生成、控制测试。
   • 最小试点做法：选 1 个已经用 AI 辅助的流程，例如 AP 三单匹配异常解释或银行对账 exception routing，建立一张 AI control inventory：AI 在哪一步影响判断、输入数据是什么、模型 / prompt 版本、谁可以改、出错时如何升级。
   • 复核/控制点：internal audit 和 process owner 共同确认 12 个问题：AI 是否影响财务报告判断、决策逻辑如何版本控制、单笔交易如何追溯、AI 不确定时如何转人工、谁有权限修改 prompt / model / rule。
   • 输出物：AI 控制清单、walkthrough script、版本变更记录、单笔交易执行日志、remediation path。
   • 来源：Kognitos – What Your SOX Auditor Will Ask About AI Automation in 2026（供应商实操材料 / SOX control checklist；2026）

Accounting / Close / Controls

1. 高频交易对账：银行、GL、发票、支付数据先做 N-way matching，再只把 exception 推给人

   • 输入 → AI处理 → 人工复核 → 输出物 → 风险控制：输入银行流水、GL、invoice、PSP / acquirer 报表；AI 做 fuzzy matching、容忍小额差异和日期差异、学习历史 exception resolution；accounting owner 复核未匹配项和新规则建议；输出 reconciliation package、exception list、rule change proposal；控制点是每条自动匹配必须有时间戳、数据来源、匹配规则、人工 override 记录。
   • 可做动作：不要一开始追求全自动。先选一个交易量高但规则稳定的账户，设定金额差异阈值、日期容忍窗口、自动匹配置信度门槛。
   • 来源：Optimus – Best AI Reconciliation Tools for Finance Teams in 2026（供应商材料 / reconciliation workflow；2026-05-21）

2. AP 发票本地原型：用视觉模型把图片发票转成表格，再由 AP 复核后导入 ERP

   • 输入 → AI处理 → 人工复核 → 输出物 → 风险控制：输入发票图片；Llama3.2 Vision / OCR 抽取文本并转成表格；AP 复核供应商、发票号、日期、金额、税额；输出 tabular data / CSV；控制点是不得直接入账，必须保留原图、抽取表、人工确认状态。
   • 可做动作：本周可用 10 张低风险供应商发票跑本地 Streamlit demo，验证字段覆盖率，而不是立刻接生产 ERP。
   • 来源：GitHub – yYorky/LlamaOCR（开源 repo / invoice OCR prototype；日期未明，仓库页面为当前可访问项目）

FP&A / Planning / Reporting

1. Variance commentary 先让 AI 写“第一稿”，FP&A 只改判断和行动建议

   • 输入 → AI处理 → 人工复核 → 输出物 → 风险控制：输入 actuals、budget、forecast、部门 / cost center 维度、关键业务 driver；AI 生成 variance explanation 初稿和异常提示；FP&A owner 复核业务原因、措辞和 action owner；输出月度 variance memo、管理层 slide notes；控制点是 AI commentary 必须链接到底层金额、期间、维度，不允许无依据解释。
   • 可做动作：先选一个部门 P&L，限制 AI 只解释 top 10 unfavorable variance，并要求每条输出“金额、百分比、可能 driver、需业务确认的问题”。
   • 来源：Kepion – How FP&A Teams Are Really Using AI in 2026（供应商材料 / FP&A workflow；2026）

2. 预测模型不要替代 FP&A 判断；先做 baseline forecast 与现有模型并跑

   • 输入 → AI处理 → 人工复核 → 输出物 → 风险控制：输入历史收入、pipeline、headcount、seasonality、外部指标；AI 生成 baseline forecast 和 scenario sensitivity；FP&A 与业务 owner 比较现有 forecast 与 AI baseline 差异；输出 forecast bridge、scenario table、准确率对比表；控制点是保留人工 override 原因，并按月回看 AI vs 人工预测偏差。
   • 可做动作：选择一个收入线或费用科目，连续 2 个 forecast cycle 并跑，不改变正式提交版本，只记录时间节省和准确率。
   • 来源：RoboCFO – AI Use Cases for FP&A（实操指南 / FP&A use-case guide；日期未明）

Treasury / Cash / Risk

1. 现金预测试点应从“并行两套 forecast + 准确率回测”开始

   • 输入 → AI处理 → 人工复核 → 输出物 → 风险控制：输入历史银行交易、AR / AP aging、历史 forecast 与 actual 偏差、ERP open items；AI 识别收付款模式并生成现金预测；treasury owner 复核大额客户收款、一次性付款、融资 / 投资动作；输出 13-week cash forecast、forecast accuracy tracker、CFO liquidity summary；控制点是明确数据 owner、访问权限、预测偏差阈值和每周回测机制。
   • 可做动作：保留现有 Excel 现金预测，同时让 AI 生成一版 baseline。每周比较 1 周、4 周、13 周 horizon 的误差，不急着替换正式模型。
   • 来源：The Association of Corporate Treasurers – Why AI is the future of cash forecasting（treasury 专业媒体 / practitioner article；2024-10-11）

2. Agentic cash forecasting 的控制重点不是“自动预测”，而是“自动建议动作但必须走审批”

   • 输入 → AI处理 → 人工复核 → 输出物 → 风险控制：输入实时银行余额、ERP AR/AP、现金政策、投资 / 债务约束；AI 预测短缺或闲置现金，并建议 sweep、debt draw、短投等动作；treasury manager / CFO 审批后执行；输出 cash action proposal、审批记录、policy compliance log；控制点是任何资金移动都必须有人批准，且建议必须显示 driver attribution 和 confidence band。
   • 来源：Nilus – The 2026 Guide to Agentic Cash Flow Forecasting（供应商材料 / treasury workflow；2026-02-24）

Tax / Compliance / Audit

数据暂缺。 本期未发现最近 365 天内税务研究、SOX/内控或审计证据管理的新 AI 落地案例或实操方法，除“今日最值得落地”第 3 条的 SOX 审计问答包可作为 AI-touched controls 的控制设计参考外，不额外扩写税务新闻或供应商泛化材料。

CFO / Leader 团队建设经验

1. 大型受监管金融机构正在把 Finance AI 做成“CFO office 内的正式交付职能”，不是兴趣小组

   • 团队建设启发：Charles Schwab 的 Finance Innovation Team 招聘 Director, Finance AI Strategy & Transformation，职责覆盖 Treasury、FP&A、Controllers、Regulatory Reporting 和 Finance platforms。这个角色不是单点工具管理员，而是同时负责 use-case prioritization、production deployment、governance、controls、adoption、value realization。
   • 可借鉴动作：CFO 可以设一个轻量版 Finance AI owner：每个季度只排 3 个用例，必须有 finance SME、data / tech partner、risk / compliance reviewer；每个用例从 ideation 到上线都要定义成功指标，例如 forecast accuracy、scenario turnaround、close cycle time、manual hours saved。
   • 复核/控制点：所有 AI 项目从立项开始嵌入 governance、auditability、model / prompt change control，而不是上线后补文档。
   • 来源：Charles Schwab Careers – Director, Finance AI Strategy & Transformation（招聘 / 组织信号；application deadline 2026-06-15）

2. AI fluency 的重点不是“人人会写 prompt”，而是 Finance 能把流程、数据、控制讲清楚

   • 团队建设启发：CFO Connect 报告中提到 finance teams 仍大量停留在 pilot；能进入 core workflow 的团队，通常先统一数据、明确 owner，再把 AI 嵌入 reconciliation、variance analysis、contract review、board reporting 等重复流程。
   • 可借鉴动作：给 controller、FP&A、treasury、tax 各指定 1 个 workflow owner；每人负责一个“输入清楚、输出清楚、复核人清楚”的小实验。培训内容应包括 LLM literacy、workflow automation、data literacy、AI governance，而不是泛泛 AI 趋势课。
   • 复核/控制点：每个实验都要记录：AI 用了哪些数据、生成了什么、谁改了什么、是否影响正式财务报告。
   • 来源：CFO Connect – State of AI in Finance 2026（finance leader / 报告；来源页面显示 2026，具体发布日期未披露）

开源 / AI 工程可借鉴

1. 发票抽取 agent 的可复用架构：预处理 → OCR → 分类 → 字段抽取 → 行项目 → 合计校验 → JSON

   • 可复用架构：Google AI Edge Gallery 的 invoice extraction skill 把发票处理拆成 7 步，并要求保留 OCR confidence、warnings、validation errors。这个结构适合 AP、费用报销、税票录入等场景。
   • 适合试点的财务流程：供应商发票进入 ERP 前的预校验；费用收据归档；税票字段标准化。
   • 注意事项：schema 要先由 AP / tax / controller 确认；低置信字段不能自动通过；合计不平必须进入 exception queue。
   • 来源：Google AI Edge Gallery Discussion #897 – Invoice Extraction Agent Skill（GitHub workflow / agent skill specification；2026-05-28）

2. LlamaOCR 可作为 AP OCR PoC，但不要当生产系统

   • 可复用架构：Streamlit 前端上传发票图片，后端调用 Llama3.2 Vision，经 OCR / vision extraction 输出结构化表格。价值在于快速验证“字段能否抽出来”，不是替代正式 AP automation。
   • 适合试点的财务流程：低风险发票样本抽取、历史 PDF 清洗、供应商主数据字段补全。
   • 注意事项：生产前必须补权限控制、日志、字段置信度、人工复核状态、ERP 导入前校验、敏感数据处理。
   • 来源：GitHub – yYorky/LlamaOCR（开源 repo / invoice OCR prototype；日期未明，仓库页面为当前可访问项目）

本周可做的小实验

1. 合同收入确认抽取实验

   • 取 20 份最近一年客户合同；owner：technical accounting。
   • AI 只抽字段和生成 ASC 606 / IFRS 15 判断草稿；不自动入账。
   • 复核人：controller + technical accounting reviewer。
   • 输出：合同字段表、revenue recognition memo 草稿、人工修改日志。
   • 继续条件：关键字段准确率 ≥ 90%，且每条判断都能追溯到合同原文。

2. AP 发票 JSON 校验实验

   • 取 30 张供应商发票 PDF / 图片；owner：AP lead。
   • AI 输出固定 JSON schema，并跑合计校验、税额校验、发票号缺失检查。
   • 复核人：AP accountant 复核低置信字段；tax reviewer 抽查 VAT / tax 字段。
   • 输出：ERP-ready CSV、validation error list、字段准确率统计。
   • 继续条件：发票号、日期、供应商、grand total 四项准确率 ≥ 95%。

3. 单账户 AI 对账并跑实验

   • 选 1 个交易量高但规则稳定的银行账户；owner：accounting manager。
   • 输入银行流水、GL、支付平台报表；AI 做自动匹配和 exception 分组。
   • 复核人：accountant 只看 unmatched / low-confidence / new-rule items。
   • 输出：reconciliation package、exception aging、自动匹配率、人工 override log。
   • 继续条件：自动匹配项抽样无重大错误，且人工处理时间下降 ≥ 30%。

4. FP&A variance commentary 第一稿实验

   • 选 1 个部门 P&L；owner：FP&A business partner。
   • AI 只解释 top 10 unfavorable variance，必须输出金额、百分比、可能 driver、需业务确认的问题。
   • 复核人：FP&A owner + 部门 budget owner。
   • 输出：variance memo 初稿、被人工修改的句子清单、业务确认问题列表。
   • 继续条件：FP&A 认为可用 commentary 占比 ≥ 70%，且没有无依据解释。

5. 13-week cash forecast 并行回测

   • 输入历史银行交易、AR aging、AP aging、open POs、工资和税款日历；owner：treasury。
   • AI 生成一版 baseline forecast；现有 Excel forecast 保持不变。
   • 复核人：treasury manager 每周比较 1 周 / 4 周 / 13 周误差。
   • 输出：forecast accuracy tracker、主要偏差 driver、CFO liquidity summary。
   • 继续条件：至少连续 4 周证明某个 horizon 的误差低于现有模型，或显著减少准备时间。