智能+会计：模式创新与职业重塑

应里孟 阳杰

【摘要】在数据、算法和算力的推动下， 人工智能（AI）借助其各阶段发展起来的计算智能、分析智能、融合智能和自主智能， 创新发展了信息化会计、数字化会计、智能化会计和智慧化会计四种模式。 “智能+会计”的终极目标是构建一个具有自主感知、学习、决策、执行、控制和适应的智慧会计系统。 然而， 面对组织决策的不确定性、复杂性和模糊性， “智能+会计”在较长时间内还需要发展人类智能和AI之間的人机共生关系， 推动会计职业向与AI结合的管理型和技术型发展。 新型会计人才应该具备“管理+会计”“技术+会计”和“情商+会计”三个维度的复合型能力。

【关键词】人工智能;智能+会计;会计模式;会计职业;会计能力

【中图分类号】 F272     【文献标识码】A      【文章编号】1004-0994（2020）24-0069-8

一、引言

人工智能（AI）赋能会计模式创新是一个历久弥新的话题。 长期以来， 受可用的数据、算力和算法多方面的制约， AI一直未能对会计工作产生实质性的影响[1] 。 在大数据、云计算、区块链、机器视觉、机器学习、自然语言处理、5G等新一代信息技术和第四次工业革命的推动下， 过去制约AI发展的数据、算力和算法问题均有了实质性的重大突破。 AI技术正深度应用于各行各业， 萌发了行业发展的新理念、新模式和新动能， 改变了会计的工作模式和生态系统， 并在一定程度上引发了人们对会计职业即将消亡的担忧。

然而， 会计作为一种职业是跟随环境的变化而演化的。 在以AI为代表的新一代信息技术的驱动下， 会计模式日益革故鼎新， 现代会计职能进一步拓展， 会计职业也被重塑。 当前， 会计界的一个主流观点是， AI对会计职业来说是一个福音， 它将会计人员从简单重复的低层次劳动中解放出来， 转而从事更高层次的价值创造工作， 如数据解释、咨询服务和判断等。

本文将AI限定为能够模拟人类智能完成某些特定任务的工具和技术。 至于能够全面超越人类的知识和能力， 完全接管人类工作的AI， 在可预见的较长时间内还将是乌托邦式的幻景[2] 。 本文提出的“智能+会计”是指将AI创造性地应用于会计工作， 持续推动会计模式创新， 提高会计工作效率， 提升会计服务和产品质量的过程。 那么， “智能+”是如何创新会计工作模式的呢？这种创新会如何重塑会计职业？这些都是走向“智能+会计”时代所亟需解答的新议题。

二、“智能+会计”系统原型与模式创新

“智能+会计”绝不是在经典会计模式下简单地用AI技术替代人工来提高现有会计业务流程的效率和质量， 而是用其带来的新技术、新思维推动会计模式创新， 实现会计工作的转型升级， 甚至整个会计行业全方位的自我革命性变化。 “智能+会计”的终极目标是构建一个能够自主感知、学习、决策、执行、控制和适应的智慧会计系统。

（一）“智能+会计”系统原型

自1956年达特茅斯会议正式提出用计算机来模拟人类智能以来， AI研究一直致力于解析并模拟人脑信息处理过程， 意图用机器智能代替人类智能。 西蒙认为， 无论是人类的显意识还是潜意识， 都是一个人脑信息加工的过程， 这与AI的信息处理逻辑是一致的。 “智能+会计”系统就是在会计信息的加工、处理和输出环节嵌入AI技术。 AI技术能力决定了会计模式创新潜力， 基于现有研究[2] ， 本文搭建了“智能+会计”系统原型（如图1所示）， 作为理解会计模式创新的基础。

1. 输入。 数据是生产会计信息过程中最重要的资源。 数据隐含的、期待着被发现的， 既有规律， 也有信息。 AI要实现拟人化， 就必须从持续更新的大量数据中不断总结规律， 提高解决复杂问题的能力， 这就是机器学习。 AI之所以能取得重大突破， 正是得益于用于捕获和分析数据的基础设施、工具和技术组成的数据生态系统的不断完善， 以及可供AI系统使用的大数据能满足机器学习之需。 在“万物皆数、万物互联、开放共享”的背景下， 数据呈爆发式增长， 各类组织纷纷谋求数字化转型， 推动整个社会进入数字化时代。 过去仅允许结构化数据进入会计系统的情况得到改变， 任何实现了数字化的结构化、半结构化和非结构化数据都可在机器视觉、自然语言处理（包括自然语言理解和自然语言生成）等AI技术的支持下纳入原始会计数据范畴。 会计系统可以采集近乎全景式的会计业务事件数据， 过去制约会计计量和信息鉴证自动化的瓶颈， 在AI的支持下也有所突破， 会计信息质量有望大幅提升[3] 。

2. 处理。 “智能+会计”系统重点要解决的是使系统能够像人一样“听懂”和“看懂”各种非结构化数据。 这时需要运用自然语言理解和机器视觉技术对数据进行预处理。 自然语言理解技术能够支持人和机器之间用人类社会的日常交流语言（口语和书面语）进行对话， 使计算机能够理解和运用这些语言。 机器视觉旨在用机器替代人眼进行测量和判断图像、视频或动作。 经过预处理的数据可用于进一步的处理分析， 主要过程包括问题解决、推理和机器学习。 问题解决和推理定义了AI应该解决的问题以及如何进行分析， 包括所有重要的模式识别和得出数据分析结论。 机器学习是智能化过程中必不可少的一部分。 如果AI系统是基于现有数据和信息做出理性行为， 那么AI系统需要能够从日常工作经验中学习， 这是机器学习的本质。 机器学习不应局限在重复人类已知的学习规律和方法上， 而是要支持“数据与数据对话”， 通过数据驱动来发现新知识[4] ， 无需人工介入即可自动完善AI算法， 提升AI系统的性能[5] 。

3. 输出。 随着上述过程的完成， “智能+会计”系统必须将这些过程产生的有意义的会计信息与其环境联系起来， 要么作为人类决策的基础， 要么作为其他信息系统的输入。 系统的输出不仅包括反映过去发生了什么的描述性报告， 还有解析问题发生原因的诊断性报告、面向未来事项的预测性报告。 更能体现AI价值的是向信息使用者提供决策支持和行动建议的规范性报告。 在技术方面， 可以用自然语言生成技术来生成文本、图像或音频形式的商业报告。 例如， 向财务机器人口头询问最新的财务指标时， 机器人就会用语音形式告知实时分析结果及一些参考建议。

4. 知识库。 “智能+会计”系统的智能行为需要有强大的知识库的支持。 知识库中存储了多源异构的海量数据， 这些数据包括输入系统中的原始数据， 经过预处理后的中间数据， 以及通过系统预设的基础知识和机器学习获得的新知识。 机器学习对可用数据的要求非常高， 数据越丰富、越完整， 机器学习的效果就越好。 由于单个组织的知识库中存储的数据非常有限， 不足以支持机器学习能力的充分施展， 因此建立一个行业共建共享的知识库十分有必要。

（二）“智能+会计”模式创新

在算法和算力的支持下， 根据数字化和智能化不同发展阶段的组合， “智能+会计”模式可分为信息化、数字化、智能化和智慧化四种形态， 分别对应计算智能、分析智能、融合智能和自主智能四个AI技术发展阶段， 如图2所示。

1. 计算智能：信息化会计。 当数字化和智能化均处于较低水平时， 计算机主要发挥AI的基础性计算智能作用， 替代人工完成部分会计信息的加工任务， 我们将这一阶段定义为信息化会计。 由于财务会计工作流程稳定， 涉及大量数值型数据处理， 并且处理算法相对简单， 在不同组织之间具有高度一致性， 因此在微型计算机发展的推动下， 着眼于实现财务会计流程自动化的会计电算化， 在20世纪60年代末到20世纪70年代中期在发达国家得到快速普及。 由于大量财务会计工作岗位逐渐被计算机替代， 财务会计人员开始更多地从事管理会计工作， 甚至是信息系统开发、實施和维护工作。

20世纪80年代， 企业经营环境日趋激烈， 准时制造、柔性制造、全面质量管理等新模式层出不穷， 会计作为决策信息主要提供者的角色地位受到企业其他部门的挑战。 20世纪90年代， 随着企业数字化程度的提高， 企业通过ERP系统优化和重组业务流程， 将会计、制造、人力资源、供应链、销售、财务、预算和客户服务活动等业务流程进行集成和控制， 会计流程与其他业务流程开始融合， 传统会计信息生产接近自动化， 会计在组织中的传统作用进一步退化。 这时， 管理会计要么构建新的技术体系， 要么将工作重心前移， 向更加广泛的财务和非财务信息生产、解释和咨询角色转变， 从而进入会计信息化阶段。

这一阶段的显著特征就是将反映业务事件的属性转化为可录入系统的结构化数据。 虽然ERP系统试图将企业资源都纳入数字化管理， 但由于数据采集、存储和处理能力的限制， 许多反映业务事件属性的信息仍需人工录入系统， 并且还有许多属性的信息被排除在系统之外。

2. 分析智能：数字化会计。 进入21世纪， 随着互联网的普及、网络应用的迅猛发展， 新技术的应用带来了大量的多源异构数据， 云计算带来的算力增长推动着整个社会的数字化程度跃变式发展， 大数据时代悄然来临。 在企业层面， 随着第四次工业革命的到来， 在射频识别（RFID）、实时定位系统（RTLS）、物联网、增强现实（AR）和虚拟现实（VR）等技术的支持下， 价值链上的企业与企业之间、企业与顾客之间、企业内部不同层级的业务单元之间的数字化集成水平更高。 在企业的智能工厂， 通过信息物理系统（CPS）， 实现了信息世界和物理世界的互联互通， 通过传感器检测业务需求， 通过互联网与其他远程生产工具建立通信， 通过大数据获取所需的生产信息。 在此背景下， 企业需要进行数字化转型。 对会计而言， 需要借助企业数字化转型的机会， 进行数字化会计模式创新， 为会计职业打开新的发展空间。

数字化和信息化的不同之处在于， 数字化是由机器自动完成数据的采集和录入， 而信息化则需较多的人工操作。 数字化会计是一种由大数据驱动的模式创新。 有研究认为， 在会计环境中使用大数据将是一种破坏性的力量， 因为它需要对传统会计工作模式进行重大变革， 数据记录等传统会计任务将变得不那么重要， 管理会计技术将逐渐过时[6] 。 大数据技术可为资产评估、成本分析、预测和预算提供替代方案， 管理者可以获得大数据提供的海量外部信息以帮助其做出决策， 这将影响到会计作为业务知识创造者的角色。 在数字化转型背景下， 信息化会计阶段的ERP系统难以整合各种实时的大量多源异构数据， 这时就需要通过一个虚拟数据仓库， 将组织内外的多源异构数据进行虚拟集成。 经过虚拟集成的大数据不再根据部门职能边界进行分割， 在保证数据安全性和保密性的前提下， 各业务部门都可利用大数据分析工具对这些数据进行分析。

在数字化会计阶段， 会计人员的核心技能不再是对原始信息的收集、录入和加工， 而是对多源异构尤其是非结构化的大数据进行分析， 并将结果进行可视化呈现， 在必要时向信息需求者提供解释。 这一阶段开始发挥AI的分析智能作用， 在对历史数据描述性分析的基础上， 可以进行初步的预测性分析[7] 。 但由于此时的智能化程度较低， 大多数分析任务都是手工完成的， 劳动强度高、处理速度慢。

3. 融合智能：智能化会计。 会计工作充满了专业判断， 这种专业判断过程复杂且易出错， 因此要求会计人员有丰富的职业经验。 智能化会计就是希望利用AI来替代人工完成专业判断工作， 减少会计工作的人工干预。 AI在会计领域的应用最早可追溯到20世纪80年代的专家系统， 其主要用于审计计划、风险评估、坏账准备测试、税务筹划、银行破产预测、内部控制评估等领域。 这一时期的专家系统被认为是试图复制人类专家的行为和专业知识、存储人类知识和经验并将其转化为规则的软件程序， 从而试图解决会计问题并执行一些会计任务。 但要让专家系统掌握人类所具有的看、听、说、推理和学习能力， 当时的AI技术还无法实现， 其在实践中没有发挥明显的作用， 最终导致这类系统上线不久后就被弃用， AI在会计领域的应用也陷入停滞[1] 。

AI在会计领域的早期探索遇到挫折的主要原因在于， 当时的数据、算法和算力还不足以支持AI模拟人类智能的高级方式， 从而导致AI的理想与现实之间出现无法逾越的鸿沟。 严格来说， 当时的专家系统并不属于本文所界定的AI范畴， 它们假设人类智能可以通过自顶向下的方法形式化为一系列“如果（if）-那么（then）”程序语句的规则集合。 这显然只是对已有知识的应用， 但不能学习到新知识。 当然， 将已知的可以用计算机规则表示的人类智能用于支持专业判断还是很有必要的。

随着ERP系统的普及应用， 可用的结构化数据大幅增加， 这时可以逐渐让专家系统具备一定的学习和推理能力， 提升专家系统的智能化水平。 不过， 在数字化程度较低的条件下， AI的智能化水平非常有限， 只能在较低水平、有限范圍内的应用， 需要大量的人机交互方可完成任务。 在此过程中， 人类和机器之间最有效的分工模式是人机融合智能， 即利用人类智能和AI的互补优势， 使两者的行为比各自独立时更聪明[8] 。

虽然现在已经进入非结构化数据占主体的大数据时代， 但“智能+会计”的数据还是以海量的结构化数据为主。 只要政府、行业和企业将各自掌握的结构化数据逐步实现有条件的开放共享， 专家系统的智能化水平有望得到逐步提升。 目前， 区块链技术已经开始用于帮助提高数据传递的安全性和完整性， 机器人过程自动化（RPA）也被用于自动完成会计工作中涉及的多系统交互任务， 这些新技术的应用有助于提高智能化会计的自动化水平[9] 。 在智能化会计阶段， 智能化、自动化水平的提升， 极大地减少了人工会计工作需求， 原会计工作内容已经缩减到人机交互中需要进行判断、决策的领域。

4. 自主智能：智慧化会计。 真正意义上的AI是一个能够正确地解释外部数据， 从这些数据中学习， 并通过学习到的成果来实现特定目标的系统。 随着时间的推移， 对算法进行训练的数据越来越多， AI会不断获得人类智慧， 做出的决策也会越发聪明、有效。 “智能+会计”的远期发展目标是要让AI全面逼近人类智慧， 甚至在某些特定领域超越人类智慧， 让AI走向自主智能。 在自主智能的作用下， “智能+会计”逐步走向具有自主感知、学习、决策、执行、控制和适应能力的智慧会计系统。 智慧会计系统创造性地运用AI新思维、新理念、新技术和新方法来重构会计流程、技术和方法， 推动会计职能不断拓展。 相比较而言， 智能化会计的发展侧重于用机器智能模拟人类智能， 主要是为了实现自动化; 而智慧化会计侧重于发挥机器自身的优势， 突破传统会计思维的局限， 主要目的是创新与创造。 下面列举了几例典型的智慧化会计应用场景：

情景1：当一个新客户向企业就某种产品进行询价时， AI系统可以自动抓取与客户相关的外部数据源， 包括公司网站、社交媒体、金融数据库、行业数据库、企业信用数据库、政府部门开放的数据库， 以了解企业的信用信息。 之后结合该产品的销售和市场竞争情况， 以及企业的产品生产能力和生产成本等明细数据， 自动生成产品报价及相关合同条款。 待客户进行合同确认并发送订单之后， 系统自动将订单数据及前面获取的相关数据自动录入ERP系统之中。 ERP系统根据订单要求的时间， 将生产指令下达给智能工厂， 智能工厂可以对客户订单进行定制化生产。 相关过程信息实时进入会计系统， 并实时更新相关会计数据。

情景2：在智能制造条件下， AI系统可以通过企业的智能产品收集和分析用户行为数据， 企业可以据此为客户提供更加精准、个性化的产品和服务。 系统通过大数据可以细化到对单个产品的各成本项目进行精细化管理， 还可规划出新产品开发的资金需求及最佳资金管理方案。 营销部门的系统可以通过销售大数据分析和智能产品收集的数据， 对产品进行精准营销、撇脂定价。

情景3：当用户需要会计相关信息时， 直接和办公桌上的机器人对话， 机器人通过面部识别用户权限之后， 将后台实时生成的信息用简单易懂的语言告知用户， 同时将更加详细的结果用可视化方式在机器人身上的显示屏上进行展示。 如果用户认为现在企业的现金流存在风险， 可以直接询问机器人应该怎么办， 机器人则会规划出几条解决问题的“路线”。 机器人在与用户的互动中可以逐渐了解用户的需求并学习其决策风格， 其会越用越“聪明”、越“贴心”。

进入智慧化会计阶段， 人机交互的工作大量减少， 通过机器学习不断提高的智能决策质量将增强用户对AI的信心。 数字化会计阶段可用的大数据的价值在智慧化会计阶段得到进一步挖掘， 数据分析方法日趋多样化、自动化、智能化和实时化。 智慧化对于提高会计工作质量、进一步压缩传统会计岗位需求的效应是无疑义的， 但是否会彻底取消人机交互， 还有待商榷。

三、“智能+会计”职业重塑

任何职业都是随着环境的变化而不断发展的， 传统会计工作被机器替代， 并不意味着会计工作就会消失， 而是带来了一次职业重塑的机会。

（一）“智能+会计”的人机共生需求

“智能+会计”的核心价值在于用AI替代人类智能进行决策。 从目前AI技术的发展来看， 在那些明确规律或规则的领域， 借助于充足的数据支持， AI决策能力已超越人类;然而在应对高度不确定性、复杂性和模糊性的各类组织决策时， AI决策能力仍捉襟见肘[10] 。

1. 不确定性。 不确定性是指缺乏关于决策方案及后果的信息。 会计决策是组织决策的一个子集。 财务会计的确认、记录、计量和报告规则比较明确， 不确定性较低。 但管理会计决策需要同时考虑组织内部和外部的各种情境因素， 这些因素是开放式的， 无法全部纳入作为决策变量， 能纳入决策的各因素又不一定都能实现数字化， 已经实现数字化的因素又难以从多维度采集反映该因素全貌的高质量数据。 因此， 在不完备信息条件下， AI只能使用概率方法提供决策建议， 最终决策还需由人来完成。 此外， 面对一些未曾遇到的新问题时， AI在采集决策所需信息和选择分析方法方面具有较大的盲目性， 不确定性更高。

2. 复杂性。 复杂性是指决策需要处理的信息太多， 处理这些信息超过了人类决策者的能力限度。 AI将大数据与机器学习相结合， 可以较好地应对复杂性。 但是， 许多AI决策算法是由人编写的， 算法在编写时很难对具体的决策情景考虑周全， 对决策需要考虑的因素及各因素在决策中的重要性权重分配具有很强的主观性。 换言之， AI决策算法的设计者不可能“未卜先知”将来的所有决策， 并对每种决策设计完美的算法。 AI学习算法同样如此， 要让算法能够广泛地适应不同的决策情景， 就必须增加训练的参数， 并用更加丰富的高质量数据对其进行训练， 这种参数设置也难免“挂一漏万”， 相应的数据种类、数量和质量也难以充分满足需求， 从而带来算法偏差的问题。 因此， 对于复杂的决策问题， 难以找到一种可以完全接管的算法。

3. 模糊性。 模糊性是指对于某一决策方案， 不同的人会有不同的理解。 这主要是利益相关者之间的利益冲突所导致的。 为了满足多方相互冲突的需求和偏好， 仅用算法这种理性的分析可能是不够的， 还需要一个主观考量和政治博弈的过程。 虽然AI可能通过对冲突需求的情感分析来解决此问题， 但这种模糊性最终还是由人类行为来体现， AI算法对这些行为难以预知。 即使AI可以为决策相关方确定最佳解决方案， 也很难说服相关各方都接受该方案。 此外， 考虑到前面的不确定性和复杂性， AI提供的结果只是一种可能的相关性， 而无法得到确定的因果关系。 虽然现实世界对因果关系的追求只会“无果而终”， 但这种模糊的相关性还是很难让决策者全盘接受这些信息， 并据此做出决策。

人们之所以愿意选用AI系统， 就是因为对系统能力的信任。 一旦出现低质量的决策信息， 或者不能真正应对实践中需要解决的问题， 这种信任就会丧失， 进而导致整个系统被弃置。 一些研究也认识到了人类智能的优势和AI的不足， 例如， “对于那些能够运用直觉、想象力和创造力的人来说， 决策可能仍然是一种（相较于AI的）比较优势”[10] ， “尽管机器学习的效果将是显著的， 但需要灵活性、情景适应性、创造力、判断力、直觉、人际互动和说服的任务不太可能在短期内完全自动化”[11] 。

为了弥补AI在应对组织决策的不确定性、复杂性和模糊性方面的不足， 就需要将人类智能和AI结合起来， 实现两者优势互补。 毕竟AI具有更强的计算信息处理能力和分析方法， 在处理复杂问题时可以扩展人类的认知， 而在处理组织决策的不确定性和模糊性时， 人类仍然可以提供更全面、更直观的方法[12] 。 因此， 我们需要发展人类智能和AI之间的人机共生关系， 将人的作用或认知模型引入AI系统中， 提升AI系统的性能， 使AI成为人类智能的自然延伸和拓展， 通过人机协同更加高效地解决复杂问题[8] 。 总之， AI系统的发展应是以增益而不是取代人类的贡献为目的。

（二）“智能+会计”的人才需求

在AI的冲击下， 许多会计角色和任务被AI所替代， 同时， “智能+会计”创造了一些新角色和新任务， 为会计职业开拓了新的发展路径。 职业是不断适应新环境的， 既然职业的“原住民”把日常工作交给了机器， 那他们就应该提高工作技能来管理机器， 或是更多地从事创造性的、非常规的和非结构化的工作[13] 。 据此， 本文将“智能+会计”创造的人才需求分为管理型和技术型两大类， 如图3所示。

1. 管理型人才。 “智能+会计”下的管理型人才需要在熟悉AI技术工作原理的基础上， 更多地利用大数据来支持决策， 与AI系统进行专业的人机交互， 并对AI算法进行审计， 提升会计在组织管理职能中的地位和作用。

（1）数据分析人才。 进入大数据时代， 数据驱动的决策开始被组织广泛采纳[14] 。 大数据可以用于训练AI决策算法， 让AI决策更有效， 但AI难以灵活应对各种权变性的数据分析需求， 这时就需要专业的数据分析人才。 这里的数据分析是指会计人员利用数据分析工具对会计相关主题的大数据进行的探索性分析和确认性分析。 探索性分析是指预测未来， 是从数据中获得关于“将会发生什么”“应该怎么做”“怎么做才最好”的洞察。 确认性分析是反映过去和了解现在， 是从数据中了解“已经发生了什么”“正在发生什么”， 并提供关于“它是如何发生”“它为什么会发生”等问题的答案[7] 。 在大数据时代， 会计人员利用自身积累的结构化数据分析知识、技能和经验， 独特的专业视角和敏锐度， 以及在组织中的特殊地位， 可以通过数据分析来给组织创造独特的价值， 这是会计专业人才相比一般数据研究者所具有的天然竞争优势[15] 。

（2）智能决策人才。 在“智能+会计”下， 会计人员理解并能运用AI技术， 是实现人类智能和AI协同工作的前提。 AI系统对“动手型”操作员的需求大幅减少， 取而代之的是能够进行人机交互的“动脑型”人才。 這类人才能将AI系统提供的信息转化为实际决策， 我们称之为“智能决策人才”， 包括以下两类：一是对AI系统的智能决策过程进行解释的人才。 AI系统基于算法进行决策， 这些算法大多是通过机器学习自动生成的， 系统很难对这些算法的决策过程给出具体解释[12] 。 如果生成的信息与会计相关， 那么就需要已经掌握算法知识的会计人员来解释这些算法用到了什么数据， 系统是如何推理的、要达成什么目标， 算法生成的结果存在哪些局限性， 从而使用户审慎地对AI系统提供的信息予以选择与运用。 二是了解AI的优势和劣势， 并能利用AI优势来弥补自身劣势， 从而提高自身工作附加值的人才。 这类人才具有很强的专业适应性， 例如， 他们可能需要识别AI系统所需的数据并评估数据质量， 能够灵活调节AI系统的相关参数或数据输入以提高输出质量， 还能够进行会计、财务、审计、税务等专业决策， 甚至为组织更高层次、更复杂的决策提供咨询服务。

（3）算法审计人才。 “智能+会计”主要依赖于算法生成各类会计信息。 在AI系统的普通用户看来， 算法就是一个“黑箱”。 如前所述， 在应对组织决策的不确定性、复杂性和模糊性方面， 算法都无法做到对所有决策变量的全覆盖， 从而引发算法偏差问题。 这种偏差可能是对算法进行训练的质量问题引发的， 也可能是训练算法本身不足所致。 为确保算法的准确性、客观性和完整性， 增强人们对AI决策的信心， 就需要对算法进行审计， 因此需要算法审计人才， 这类人才应具备基本的会计专业知识、AI知识以及较强的AI技能， 需要熟悉算法基本原理和程序设计， 了解算法的开发、实施和维护过程;能够评估训练算法所用的数据来源的可靠性、准确性和完整性， 对AI系统生命周期的内部控制进行审查和测试， 定期针对算法处理规则及预期结果的有效性进行测试， 对AI系统中的数据的隐私性和安全性进行测试。

2. 技术型人才。 其包括系统开发人才、系统实施人才和系统维护人才。

（1）系统开发人才。 “智能+会计”是用技术来实现会计模式的创新， 这就需要既了解AI能力， 又掌握会计专业知识和变革需求的人才参与系统开发。 系统开发人才可以发挥的作用包括：识别可以并且应该实施AI的会计任务;评估各领域会计相关流程可以实施AI的程度;根据AI特点重构会计模式， 重组会计流程;评估每个流程实施AI的效益和风险， 当流程出现例外情况时， 应该如何应对;对系统和数据的访问进行合理授权;对敏感信息进行保护， 防止未经授权的信息收集、使用和披露;参与算法开发， 获取专家经验， 并将专家经验转化为算法;确保算法按照会计相关的制度、准则和法规进行处理， 保证处理的准确性和完整性;参与机器学习过程， 设计机器学习算法;选择用于机器学习的数据并评估数据质量， 用这些数据对算法进行训练;测试机器学习结果并对相关参数进行调整， 以持续优化机器学习算法， 提高系统性能。

（2）系统实施人才。 AI系统的设计和实施是两种相互结合的工作， 系统设计时需要考虑实施的可行性， 系统实施时也需要考虑系统设计中已解决和未解决的问题。 系统实施人才可以发挥的作用包括：根据任务和背景对基础设施进行布局， 包括考虑公有云与内部存储的可用性、计算能力支持、基础设施的可扩展性和灵活性;参与会计部门与其他业务部门及外部相关方之间的数据接口配置;参与组织结构和业务流程重组， 对围绕AI系统开展工作的会计相关流程进行分析和再设计， 确定流程的KPI指标;重新设计会计相关岗位及其工作职责;实施针对系统日常运行和维护的内部控制体系， 例如， 是否需要使用区块链技术或设计相关制度来保证数据的安全性和保密性， 如何保证AI系统和信息被负责任地使用， 如何确保在现有数据不能充分说明问题的情况下做出可行的决策， 应该在何种情况下经过何种程序授权何人对AI系统参数进行调整和对算法进行再训练， 以及保证系统正常运行的其他一般控制。

（3）系统维护人才。 系统维护人员要保证AI系统能够正常、安全地運行。 系统维护人才可以发挥的作用包括：当出现智能决策质量不达预期、规则变化或信息需求发生变化时， 对相关算法或系统参数进行调整， 或者是用新的数据对系统进行训练和测试;经常性地对系统的内部控制和算法进行审计;实时监控系统性能， 并从其他部门收集反馈意见， 以确定业务流程优化的需求及可能性;对系统出现的各种异常情况进行收集和分析， 在职权范围内解决能解决的问题， 超越职权、技术能力或可用资源不足的情况下， 将相关信息反馈给责任部门或主管部门。

（三）“智能+会计”人才能力要求

“智能+会计”需要管理型和技术型两类复合型人才， 前者基于对AI技术的认知开展会计相关管理活动， 后者基于对会计知识的掌握开展AI相关技术活动。 两类人才的能力要求各有侧重， 前者着眼于管理， 后者更关注技术， 但要适应“智能+会计”新的职业要求， 两者还要具备一些共性能力， 具体可分为以下三个维度：

1. “管理+会计”能力。 在“智能+会计”人才能力体系中， 会计专业能力始终是最基本的要求。 AI有助于实现会计工作自动化、智能化， 但其只是将随着时代不断发展的会计知识、技能和方法嵌入系统中， 并非要取消组织中的会计职能。 上述六类人才需求都是建立在掌握会计专业知识的基础上的， 这是“智能+会计”人才相较于其他信息技术专业人才的优势所在。 “管理+会计”能力就是在掌握会计专业能力基础上， 逐步与供应链管理、营销管理、人力资源、生产管理等广泛的管理能力进行跨职能集成， 实现“基于管理的会计”和“基于会计的管理”相互融合、相互促进的管理会计目标， 更好地发挥会计在计划、分析和控制中的作用。

2. “技术+会计”能力。 “技术+会计”能力要求立足会计视角， 解决技术领域中与会计相关的问题。 技术方面的能力是随着AI的发展而不断变化的。 目前， “智能+会计”人才应该掌握的能力主要包括：①技术认知能力， 需要了解大数据、云计算、区块链、物联网、移动互联网、AI、机器学习、网络安全等新兴信息技术的原理及其对会计工作的影响。 ②数据分析能力， 能够获取数据， 评估数据质量， 管理数据集， 分析数据， 解释结果， 并将结果传达给客户或决策者。 ③系统开发能力， 能够运用主流的程序设计语言来开发或维护AI系统中的算法， 参与设计AI系统与用户的交流界面， 增强人机交互质量。 ④系统分析能力， 能够对现行系统的体系结构和业务流程进行评估， 发现系统存在的局限性和不足之处， 并提出解决方案。 ⑤系统管理能力， 能够参与AI系统的设计、实现和部署， 评估AI系统内部控制体系的设计和运行情况。

3. “情商+会计”能力。 情商包含了一系列反映个人特质的要素， 也被称为软技能。 AI促使大多数的会计工作实现自动化， 而未被自动化的大部分工作其实就是无法被AI复制的个人软技能部分。 这些软技能的重要性在“智能+会计”下更胜以往。 “情商+会计”就是要将会计人员的各种软技能有效地用于会计工作， 以提高AI系统的人机协同绩效。 例如， 由于AI系统存在的局限性， 由系统提供的信息需要再次进行专家判断， 这就凸显了会计人员批判性思维的重要性;为了获取分析所需的数据， 会计人员需要有良好的人际交往能力;为了让管理层和客户更好地理解或接受数据分析结果， 他们需要有良好的口头沟通或书面沟通能力;会计人员还要具有正确的职业价值观和职业态度， 能够负责任地使用AI系统;为了使技术人员进行系统开发、实施和维护， 或是组织团队进行数据分析、智能决策和算法审计， 会计人员还必须有一定的领导力。

四、总结

随着数据、算力和算法瓶颈的突破， AI时代的“未来已来”。 在数字化和智能化“双轮驱动”下， AI发挥其计算智能、分析智能、融合智能和自主智能的作用， 推动“智能+会计”进入信息化会计普及、数字化会计推广、智能化会计突破和智慧化会计萌动阶段。 但是， AI技术在应对组织决策的不确定性、复杂性和模糊性方面还存在困难， 需要发展人类智能和AI之间的人机共生关系， 用AI来增益而不是替代人类智能。 AI既替代了部分传统会计任务和角色， 也带来了对技术进行管理并在技术支持下进行决策的管理型人才， 以及参与系统开发、实施和维护的技术型人才需求， 这些新型人才需要具备“管理+会计”“技术+会计”和“情商+会计”三个维度的复合型能力。

【 主 要 參 考 文 献 】

[ 1 ] Sutton S. G.， Holt M.， Arnold V.. The reports of my death are greatly exaggerated：Artificial intelligence research in accounting[ J].International Journal of Accounting Information Systems，2016（22）：60 ～ 73.

[ 2 ] Paschen U.， Pitt C.， Kietzmann J.. Artificial intelligence：Building blocks and an innovation typology[ J].Business Horizons，2020（2）：147 ～ 155.

[ 3 ] 应里孟.“互联网+会计”下会计信息质量特征的新发展[ J].财会月刊，2018（7）：23 ～ 29.

[ 4 ] 何大安.互联网应用扩张与微观经济学基础——基于未来“数据与数据对话”的理论解说[ J].经济研究，2018（8）：177 ～ 192.

[ 5 ] Canhoto A. I.， Clear F.. Artificial intelligence and machine learn-ing as business tools：A framework for diagnosing value destruction potential[ J].Business Horizons，2020（2）：183 ～ 193.

[ 6 ] Rikhardsson P.， Yigitbasioglu O.. Business intelligence & analytics in management accounting research：Status and future focus[ J].International Journal of Accounting Information Systems，2018（29）：37 ～ 58.

[ 7 ] 阳杰，应里孟.审计大数据分析人才需求及其培养——基于CDIO理念的模式建构[ J].财会月刊，2019（4）：108 ～ 119.

[ 8 ] Wilson H. J.， Daugherty P. R.. Collaborative intelligence：Hu-mans and AI are joining forces[ J].Harvard Business Review，2018（4）：114 ～ 123.

[ 9 ] Kokina J.， Blanchette S.. Early evidence of digital labor in acco-unting：Innovation with robotic process automation[ J].International Journal of Accounting Information Systems，2019（35）：1 ～ 31.

[10] Jarrahi M. H.. Artificial intelligence and the future of work：Human-AI symbiosis in organizational decision making[ J].Business Horizons， 2018（4）：577 ～ 586.

[11] Autor D. H.. Why are there still so many jobs？The history and future of workplace automation[ J].Journal of Economic Perspectives，2015（3）：3 ～ 30.

[12] Shrestha Y. R.， Ben-Menahem S. M.， Von Krogh G.. Organi-zational decision-making structures in the age of artificial intelligence[ J].California Management Review，2019（4）：66 ～ 83.

[13] Davenport T. H.， Kirby J.. Beyond automation[ J].Harvard Busi-ness Review，2015（6）：58 ～ 65.

[14] Brynjolfsson E.， Mcelheran K.. The rapid adoption of data-driven decision-making[ J].American Economic Review，2016（5）：33 ～ 39.

[15] RichinsI G.， Stapleton A.， Stratopoulos T. C.， et al.. Big data analytics：Opportunity or threat for the accounting profession？[ J].Journal of Information Systems，2017（3）：63 ～ 79.