會計與財務部門的生成式 AI：
單據整理、報表初稿與稽核底稿

月底結帳前夕，會計晚上九點還在對帳。桌上一疊憑證要登打、一份管理報表要在明早董事會前生出來、還有外部稽核要的底稿沒整理。這是財會部門每個月的固定戰役：工作量在特定日子暴衝，而且每一個數字都不能錯。生成式 AI 聽起來像救星，但如果你用錯地方——讓它去「算」——它會是災難。用對地方，它才是那個幫你把雜事清乾淨、讓你專心看數字的助手。

先講最重要的紅線：LLM 不做計算

這是財會導入 AI 唯一不能妥協的原則。大型語言模型建立在 Transformer 架構上，本質是逐字預測「最可能的下一個詞」的機率性生成器^[1]，它沒有內建的算術引擎——它是在「模仿計算看起來的樣子」，所以會出現看似合理、實則錯誤的數字，也就是幻覺^[2]。在財會，一個湊出來的合計數、一個編出來的比率，代價可能是財報錯誤甚至法律責任。所以鐵律是：凡是計算，一律交給試算表、ERP、會計系統這些確定性工具；AI 只碰它擅長的文字與整理工作。把這條線劃清楚，後面所有場景才安全。

場景一：單據整理——把雜亂變成結構化資料

發票、收據、費用單、銀行對帳單——這些格式不一、來源分散的單據，登打與分類吃掉大量工時。生成式 AI（搭配文件辨識）擅長把非結構化的單據內容，抽取成結構化欄位（日期、金額、品項、稅額），大幅減少人工登打。關鍵紀律是：抽取出來的每一筆金額，都要能回溯到原始單據供人核對，而不是讓 AI「認為」金額是多少。這類「AI 整理、人覆核」的模式效益明確——客服現場的大規模實驗顯示，AI 助手讓生產力提升約 14%^[5]，放到財會的重複性登打，同樣成立。

場景二：報表初稿——把數字翻譯成人看得懂的話

管理報表、財務分析、給老闆的月報，最花時間的往往不是算數字（系統早算好了），而是「把數字寫成有洞察的文字」：這個月毛利為什麼降、哪個部門超支、趨勢代表什麼。生成式 AI 很擅長這種「數字→敘述」的轉換——你把系統算好的正確數據餵給它，它幫你草擬結構清楚的說明與摘要，你再潤稿定調。注意方向：數據是輸入（來自系統、已驗算），文字是輸出（AI 生成、人覆核）。絕不能反過來讓 AI 自己生數字。若報表要引用會計準則或內部規範，用檢索增強生成（RAG）把說明接地到正確條文^[3]。

場景三：稽核底稿與法遵查詢

稽核與法遵工作文件密集：要對照準則、彙整發現、撰寫底稿。把會計準則、內部控制規範、稅務函令做成 RAG 知識庫，讓稽核與財會人員用自然語言問、系統回答並附上出處，能省下大量翻文件的時間；AI 也能把稽核過程的紀錄，草擬成結構化的底稿初稿供覆核。這與金融業的法遵思路完全相通，可延伸閱讀〈金融業導入生成式 AI〉。RAG 要答得準，文件切塊與檢索是關鍵，我們寫在〈RAG 知識庫為什麼答不準〉。基礎模型研究也提醒，下游應用會繼承同一模型的缺陷，系統設計須為此預留人工防線^[4]。

怎麼開始：從單據整理這個最安全的點下手

財會導入 AI 應當保守而務實。選一個不涉及計算、容錯較高的場景（單據整理或法遵問答）做試點，建一組真實案例的評測集衡量抽取正確率，站得住腳再擴大到報表草擬。經典的企業 AI 研究提醒，高投報的路徑是把 AI 嵌進既有流程、解決具體問題，而非好高騖遠的專案^[6]。這套「試點→評測→把關」的方法，我們寫在〈企業導入生成式 AI〉，也整理在〈生成式 AI 解決方案總覽〉。財會的優勢在於：你的世界本來就講究可驗算、可追溯——只要守住「AI 整理、系統計算、人覆核」，AI 就能在最需要精確的地方，成為最可靠的幫手。