财务和风控用 AI 工具，卡住的地方往往不是「能不能用」，而是清单列不出、责任分不清：报销凭证能不能贴给模型、生成的底稿算不算正式记录、出了差错谁背。这篇按「数据入口—权限—输出—留证—上报」的顺序，把风险点拆成能逐条打勾的排查表，并说明哪些做法只在特定场景成立、什么情况下不适用。
财务和风控用 AI 工具，卡住的地方往往不是「能不能用」，而是清单列不出、责任分不清：报销凭证能不能贴给模型、生成的底稿算不算正式记录、出了差错谁背。要把这件事讲清楚，得先承认一个前提——AI 财务工具不是一个「要不要上」的开关，而是一组分散在流程里的动作，每个动作对应不同的风险归属。
这篇按「数据入口—权限—输出—留证—上报」的顺序，把风险点拆成能逐条打勾的排查表，并说明哪些做法只在特定场景成立、什么情况下不适用。看的时候建议边看边拿自己团队的流程比一遍，比单纯记住结论有用。
先画一张风险地图：AI 财务工具的四种失效方式
把风险笼统说成「有风险」，等于什么都没说。财务场景里真正会出事的地方可以归成四类：数据入口失控，也就是不该发出去的材料发出去了；权限过宽，改数、导出、付款单据被顺手带走；输出不可信，数字看着像真的但就是对不上账；留证断裂，事后说不清是谁在什么时候、依据什么生成的。这四类对应的责任人和补救动作完全不同，混在一起讨论只会把会开成扯皮。
| 失效类型 | 典型表现 | 主要责任方 | 优先补的动作 |
|---|---|---|---|
| 数据入口失控 | 凭证、流水、未公开预算进了外部模型 | 经办人、数据负责人 | 入参前做脱敏与范围限定 |
| 权限过宽 | 共享账号、管理员直连、导出无审批 | 系统管理员、内控 | 账号权限与操作权限分开管 |
| 输出不可信 | 合计、比率看似合理却对不上账 | 审核人、复核人 | 建立来源、勾稽、版本三道核对 |
| 留证断裂 | 说不清谁在何时依据什么改了底稿 | 内控、档案管理 | 固定输入、输出、修改、审批四样记录 |
做财务对账的人关心第三类，做内控的人更该盯第二类和第四类，做数据合规的人主要看第一类。这不是绝对划分，小团队往往一个人身兼几类，那就更要提前说清哪类出事找谁。适用边界也提一句：如果工具只做内部头脑风暴、不接任何真实账套数据，前两类的严重度会明显下降，但输出仍然不能直接进报表。
数据入口：哪些财务材料天生不适合直接喂给模型
按敏感度给材料排一遍队，是最省事的做法。个人身份信息、银行账号与流水、未公开的财报与预算、合同原件、税务申报底稿，越往后越倾向脱敏或干脆不进模型。原则层面什么能发、什么别发，站内的 /key-safety 已经讲透了，这里不重复，只补财务场景多出来的一条：带勾稽关系的字段被单独改掉之后，模型给出的结论会系统性偏差，比整段不脱敏还危险。
- 先按敏感度排队，把材料分成「可直接用、必须脱敏、禁止外发」三档，贴在流程文件里而不是记在脑子里
- 脱敏要成套做：金额做区间化、主体名称用代号、期间改为相对区间，改一项就检查依赖它的其他项有没有一起改
- 勾稽字段要么全给真实值、要么全部替换成保持运算关系的假值，不能只改一半
- 脱敏规则怎么定、颗粒度多细合适，可以参考站内 /data-masking-scope 的方法口径，不要自己拍脑袋定一版就长期沿用
- 入参前留一份「送出去的是什么」的快照，不然事后没法判断泄露范围
权限与账号：财务场景最容易忽略的三件事
权限这件事在技术团队里是常识，在财务场景里却经常被绕开，原因是财务更关心「能不能按时出表」，权限审批显得像障碍。但恰恰是财务工具能触达凭证、能触发入账甚至能碰付款指令，权限一旦放宽，出问题的后果比一般办公工具重得多。下面三件事是检查时最常发现问题的位置。
- 权限对齐
- 给工具的账号权限要小于等于用它的那个人的权限，别为了省事直接挂管理员或共享账号
- 共享账号
- 多人共用一个账号时，出问题无法定位到人，审计环节基本过不去，能不建就不建
- 读写分离
- 区分「读得到」和「能操作」，能导出、能推送、能触发付款或入账动作的接口单独走审批，不做默认开通
- 人员变动回收
- 离职、轮岗、外包到期时，工具侧的授权、Key、共享空间要一起回收，别只处理公司账号
- 第一步：拉出账号清单把工具侧所有账号、Key、共享空间列成一张表，标注归属人和用途；没有归属人的一律先停用，再补归属
- 第二步：权限逐条比对拿每个账号的权限和它归属人的公司内权限比一遍，工具侧高于公司侧的，降下来或走审批保留，记录理由
- 第三步：建变动触发点把人员变动流程和工具授权回收绑在一起，人事发起离职或轮岗流程时自动触发授权复核，而不是靠人记得去关
模型输出怎么验：数字类结果的核查顺序
模型输出最迷惑人的地方，是它给出的数字往往格式工整、语气笃定，看不出可疑。所以核查不能靠「看着像不像」，而要有固定顺序。推荐先查来源、再查勾稽、最后查版本，三步走完再决定这个结果能不能用。这套顺序的价值在于它可重复，换个人来查也能得到接近的结论。
| 核查步骤 | 查什么 | 不合格怎么处理 |
|---|---|---|
| 查来源 | 结论里引用的科目、期间、口径有没有文件出处 | 没有出处的一律当草稿，不进正式流程 |
| 查勾稽 | 模型给的汇总与明细对不对得上，合计和比率是否自洽 | 对不上的退回重算，不用「大概是四舍五入」解释 |
| 查版本 | 用的是哪一版底稿、哪一次会话、材料有没有更新 | 版本不明就重跑，并在记录里注明版本号来源 |
需要说明什么情况下不适用：如果一个判断本来就不依赖精确数字，比如整理访谈纪要、做制度要点归纳，走完整套核查属于过度投入，抽查几条要点即可。反过来，凡是会进入报表、申报材料或对外披露的数字，三步一步都不能省。判断标准很简单——这个数字被别人引用后，会不会产生对外后果。
模型不会告诉你它哪一步算错了，它只会把错的数字写得很整齐。
留证：事后要能回答「谁、什么时候、依据什么」
留证不是给工具留面子，是给自己留退路。财务场景的问题往往不在当下，而在几个月后有人问「这个数当时怎么来的」。所以留证要围绕四样东西组织：输入材料的版本与范围、模型返回的原始输出、人工修改的痕迹、最终采用的结论及其审批记录。截图和会话记录要带时间和身份信息，怎么留才有证明力，站内 /dispute-evidence-keep 给过细化做法。
财务侧额外补一条要求：金额与科目必须能和凭证号对上。这一点看起来琐碎，但真正发生争议时，能不能把 AI 输出和会计凭证串成一条链，通常决定了这块记录有没有用。保存位置也要事先约定，别散在个人电脑和聊天窗口里；优先存在公司可控的档案体系内，因为一旦工具侧账号停用，存在官方平台里的记录你可能取不回来。保存期限参照公司档案和数据留存制度执行。
出错之后的分级处理与上报路径
出错不可怕，怕的是所有人都在等别人先开口。财务场景的处理要先分级、再动作，级别不同，响应时限和知会对象也不同。分级标准不用做得很复杂，按后果范围分三档就够用，关键是团队事先对哪一档对应什么动作有共识。
- 低级：只是内部草稿用错，未进入任何正式流程，记录问题并修正流程即可
- 高级：已经进了对外报表、申报材料或披露文件，需要按公司合规条线启动核查
- 最高：涉及资金动作，比如触发了付款、入账或对外转账指令，第一时间止损并同步风控与合规
- 同步动作三件：停用相关工具或账号权限、冻结受影响的底稿改动、固定输出原文与操作记录，避免被覆盖
上报走公司既有的合规与风险条线，不要自己消化。如果事件同时涉及个人信息或数据出境，还要按对应的流程单独评估，是否申报要看具体情形，不要凭印象判断。判断时如果有疑问，倾向按更严格的那一档处理，事后再根据核查结果调整。
选型与上线前：给财务 AI 工具的检查清单
选型和上线前的检查，目标是避免后面反复补窟窿。这段时间多问几个问题、多做一次试点，成本远低于上线后再收权限、再改流程。检查清单不用长，但每一条都要求拿到可验证的答案，而不是口头承诺。
- 问供应商四个问题数据用不用来训练、日志留多久、存在哪个地域、能不能本地或私有化部署；答案写进合同，而不只是听他口头说
- 做一次小范围试点拿一批已脱敏的历史账目跑完整流程，看输出稳定性、错误类型和人工复核耗时，再决定是否扩大；试点的复核耗时是判断能不能铺开的关键指标
- 落三个角色上线前把「谁审批、谁复核、谁停用」三个角色落成具体的人名，而不是部门名；没有具体人的流程，出事时不会有人执行
- 留一次退出演练模拟停用工具的局面，看底稿、记录和流程能不能独立运转，退出方案不通的工具，谨慎扩大使用范围
如果供应商在数据用途、日志留存这些问题上回答含糊，先不要急着推进；可以到站内的 /sites 和 /tools/speed-test 看看同类工具的公开信息，把候选范围缩小之后再来谈。价格和费用口径会随时间变化，具体数字以站内 /price-watch 当时显示为准，不要用几个月前的印象做判断。
什么时候这套排查不必全做
这套排查不是每家公司、每个工具都要全做一遍，硬套反而会消耗团队精力。判断依据是三个变量：工具是否接触公司数据、产出是否进入正式流程、部署方式是否把数据留在内网。三个变量都偏保守的组织，可以适当精简。
- 工具只在个人孤立场景使用、不接触公司数据、产出不进入任何正式流程，可以只保留输出核查和留证两节，其余按需
- 已做私有化部署且数据不出内网的组织，数据入口那一节的检查重点从「发不发出去」转为「内网里的访问权限和日志是否完整」
- 当监管或客户对某个具体事项有明确要求时，以具体要求为准，本文清单只作补充
- 小团队人手有限时，优先保证留证和上报两节，这两节缺失的代价最高
常见问题
把财务报表直接贴给通用 AI 助手整理，算不算违规？
不能一概而论，关键看内容里有没有个人信息、未公开的重大经营数据，以及你用的工具是否声明会留存或用于训练。稳妥做法是先脱敏再入参，主体名称和金额做代号化。是否构成违规还要看公司内部制度和行业监管要求，拿不准时先走内部合规条线确认。
AI 生成的财务分析和人工做的分析，风险上有区别吗？
有两点明显区别：一是输出可能看起来精确但来源不可追溯，需要额外核查勾稽关系；二是责任归属容易模糊，人说错话有签字背书，模型输出没有。所以做法上加一条：任何进入正式材料的结论，都要有具体的人复核并留下签字或审批记录。
工具说不用我的数据做训练，就可以放心了吗？
不够。不训练不代表不留存、不转存、不跨地域存储，也不代表日志里没有你的输入。要问清留存期限、存储地域、访问权限和删除机制，并写进合同。涉及数据出境的，还要判断是否触发相应评估流程，具体口径以公司合规部门的判断为准。
发现模型给的数字有错，第一步该做什么？
先固定证据：把当时的输入版本、原始输出和操作时间保留下来，不要先在对话框里反复重问，那会把关键记录冲掉。然后再判断影响范围——有没有已经进入对外材料或资金动作，按这个定响应级别，同步通知复核人和合规条线。
财务人员要不要专门为 AI 工具单开一套权限体系？
不建议单独一套，维护成本高且容易失控。更好的做法是复用现有的财务系统权限模型，把 AI 工具当成一个新的入口来管：权限不高于本人、敏感操作单独审批、离职时一起回收。这样审计时口径统一，也少一类需要定期核查的账号。
