经得起审计的 AI 财务:数字可追溯、符合 GoBD 与《AI 法案》要求的模型

德国审计师不会接受“AI 说的”这种答案。这一句话就解释了为什么大部分 DACH 地区的财务 AI 试点项目在投入生产之前就停滞不前。这项技术演示起来非常漂亮，然后会计部门(Rechnungswesen)里的某个人问出税务审计中唯一重要的问题:这个数字从哪里来，你能重现它吗?如果诚实的答案是“语言模型根据一个提示词生成的”,那么这个项目其实已经死了，只是它自己还不知道。

这就是自主化财务的承诺，与一个受监管的德国财务部门实际能签字认可的东西之间的落差。这个承诺是真实的，这些约束也是真实的，而且不会消失。GoBD(《合规簿记与账簿凭证保存原则》)要求每一个与账务相关的数字都必须可追溯(Nachvollziehbarkeit)、完整，且不可篡改。欧盟《人工智能法案》在此之上又叠加了一层义务。而在这两者之下，是财务领域最古老的问题:如果你的数据没有核对一致，那么无论是不是 AI,任何模型都产不出一个你能捍卫的数字。

我们的立场很直接:出路不是一个更聪明的语言模型，而是一套已核对、可审计的模型层，让每一个数字都能追溯到源头。把这一层做对,AI 在管理会计中才能真正发挥作用。跳过它，你不过是打造了一种昂贵的方式，来生成一堆没人能为之背书的、看起来还算合理的数字。

财务 AI 为什么总是过不了审计这关

2024 年和 2025 年的主流做法，是把一个大语言模型直接对准财务数据，让它“分析一下”。这在沙盒环境里行得通，但在三种压力下会崩溃。

第一是算术。语言模型预测的是词元(token),而不是计算。让它对一列 400 行的明细求和，或者计算跨多个业务分部的加权平均利润率，你得到的数字经常会“接近正确”,而在财务领域，接近正确等同于错误。接近不等于核对一致，接近也对不上总账。

第二是可溯源性。当一个 LLM 生成一个数字时，通常没有一条审计轨迹把这个数字与某一笔具体的分录、科目或源文件连接起来。模型可以写出一段自信满满的解释，但这段解释是生成出来的文本，不是证据。在 GoBD 之下，生成的文本不能替代可追溯性(Nachvollziehbarkeit)。

第三是可复现性。同一个提示词跑两次，可能得到两个不同的答案。一个依赖月末数字保持一致的财务部门，无法运行在一个会悄悄给出不同答案的系统上。一位发现同一个 KPI 有两个版本的审计师，发现的不是一个特性，而是一个问题。

这不意味着 AI 在财务中没有位置，而是意味着 AI 的角色必须改变。

GoBD 的约束，直白地说

《合规簿记与账簿凭证保存原则》(Grundsätze zur ordnungsmäßigen Führung und Aufbewahrung von Büchern,GoBD)规定了在德国，与账务相关的记录应当如何保存。与黑箱 AI 冲突最激烈的原则是可追溯性(Nachvollziehbarkeit 与 Nachprüfbarkeit)、完整性和不可篡改性。税务审计师必须能够把财务报表中的任何一个数字追溯回其底层记录，而这条记录在这个过程中不能被悄悄改动。

一个根据训练模式和一个提示词合成出一个数字的语言模型，默认情况下满足不了以上任何一条。从输出到源头没有链条，没有任何保证证明输入是完整的，也没有任何记录能说明发生过什么变化。

修复方式是架构层面的，而不是法律层面的。如果 AI 从不凭空捏造数字，而只从一套本身与总账挂钩的已核对模型中检索数字，并且每一次检索都携带一条回溯到源头的引用，那么可追溯性要求就在架构层面被自然满足了。AI 变成了通往可辩护数字的一个接口，而不是不可辩护数字的来源。我们在《如何在黑箱 AI 之下确保 GoBD 可追溯性》一文中对此有更深入的讨论。

欧盟《人工智能法案》带来了第二个倒计时

GoBD 已经生效多年，欧盟《人工智能法案》则更新，其义务正按照一个财务团队理应已经写进日历的时间表逐步生效。该法案按风险对 AI 系统分类，施加治理、文档、透明度和人类监督方面的义务，并且关键在于，它适用于部署 AI 系统的组织，而不只是构建这些系统的供应商。一位在管理会计中推行 AI 工具的 CFO,就是一名负有义务的部署方。

实际影响与 GoBD 的情况类似。一个你能解释、能记录、能监督的系统，远比一个不透明的系统更容易实现合规。如果你能准确展示 AI 做了什么(检索了这些数字、运行了这个计算、产出了这个结果，全程可追溯),你就已经拥有了大部分所需的文档和人类监督证明。如果你的 AI 是一个黑箱，你就是在围绕一个你自己都无法审视的东西搭建治理体系。我们对相关义务与时间表的详细拆解在《2026 年 8 月起生效的欧盟〈人工智能法案〉:财务部门现在必须做什么》一文中。

数据质量才是真正的关口，而不是模型

这里有一个大多数财务 AI 讨论都会跳过的、不怎么光鲜的事实。最难的部分不是 AI,而是底层数据几乎从来都没有处于一种可以让任何模型产出对得上账的数字的状态。

大多数中型企业运行在不止一套系统之上:一个 ERP、一个独立的开票工具、某人手工维护的电子表格、一个和其他所有系统都对不上的 CRM。同一个客户在三个系统里叫三个不同的名字。公司间往来分录轧不平。两套系统报出的营业收入因为一个没人记录下来的舍入政策而不一致。把世界上最聪明的模型对准这样的数据，你得到的是快速、自信，却错误的答案。

一套已核对的模型层会在 AI 介入之前就解决这个问题。这项工作是把各个数据源连接起来，解决冲突，建立一套与总账挂钩的财务模型:一个唯一的真相来源，而不是第四个相互竞争的营业收入版本。只有到那时，在其之上运行的 AI 才有意义。完整论证见《数据质量胜过模型:没有已核对的数据基础，财务领域的 AI 就是一场昂贵的实验》。

AI 真正发挥价值的地方:情景分析与预测

一旦你有了一套已核对的模型和一个确定性计算引擎，真正有价值的应用场景就打开了，而且正是控制人员真正想要的那些。假设情景模拟。滚动预测。“如果最大客户延迟 30 天付款，同时投入成本上涨百分之四，我们的契约条款空间会怎样?”

让 CFO 信任输出结果的关键区别在于:AI 负责调度问题、用通俗语言解释结果，但数字来自一个针对已核对模型运行的确定性引擎，而不是来自语言模型的“脑子”。相同的输入，每次都得到相同的输出。可复现的情景，审计师可以重新跑一遍。我们在《用 AI 做情景分析和滚动预测:CFO 能信任的假设情景模拟》一文中讲述了具体机制。

这一层实际是如何运作的

Rexfin 正是为了成为这样一层而构建的。它连接到你的会计与财务数据平台(QuickBooks、Xero、NetSuite、Sage、你的数据仓库),或者连接到上传的报表，并建立一套与总账挂钩的已核对财务模型。在此基础上,AI 检索数字，通过一个确定性引擎(而不是通过模型本身)运行计算，模拟各种情景，并产出可以追溯到源头的洞察。

这种分离正是核心所在。语言模型负责语言:理解问题、叙述答案。数字则被检索和计算，并附带来源信息。这正是让输出结果符合 GoBD 可追溯性要求、经得起《人工智能法案》审视，而不只是在演示中令人印象深刻的原因。你可以在产品原理和支持的集成页面进一步了解这套架构。

结论

自主化财务并不受制于模型的智能程度，而是受制于当有审计权限的人问起一个数字从哪来时，你能不能捍卫它。先解决溯源和核对问题，把算术留在语言模型之外，合规的故事(GoBD 和《人工智能法案》都一样)基本上就能自己写出来。跳过这一步，你不过是把生产一堆将来要收回的数字这件事自动化了。

如果你想看看能追溯到源头的数字，以及可以按需重现的情景，请预约演示,并带上你最棘手的核对问题。