毕马威 全球金 融人工 智能

2026 决策 优势：人 工智能如 何为财务

毕马威。创造不同。 KPMG国际 | kpmg.com

内容

17

03

数据质量与劳动力 缺口

前言

19 从 采用 到绩 效

04 执 行 摘 要

05 人 工智能 是决策 引擎， 而非成

• 20

• 21

• 22

结论

十二、 治理与 控制建 立信心

KPMG如何提供帮助

15

保证准备差距

方法论

© 2026 版权由一家或多家KPMG国际实体拥有。KPMG国际实体不向© 2026 版权由一家或多家KPMG国际实体拥有。KPMG国际实体不向客户提供服务。版权所有。 2

前言

金融领域内的AI应用在过去两年中增长了超过一倍。 根据我们的2026年调查，许多组织如今看到了显著的业务回报。最大的增长集中在特定领域，同时，在实现规 模化绩效的组织与那些仍在投入但未产生相应影响的组织之间，已出现明显的差距。

本报告《2026年金融科技》探讨了这些收益的来源及其驱 动因素。 该报告基于我们2024年关于金融报告中的AI研 究，将关注范围扩展至整个财务职能——包括治理、控制 和劳动力。研究数据来自对13个行业、20个国家共1,013 位高级财务领导人的调查。

金融领域的动态与KPMG 2026年第一季度全球人工智能脉搏 调查在企业层面的发现相呼应：人工智能的成熟度正超越将 其转化为绩效的操作能力。 2026年金融调查反映了这一点 。相对于市场而言，技术和金融服务组织的代表性过高，这 意味着头条采用的数字部分是由进展最快的部门塑造的。在 重要的层面，注意到了部门之间的差异。

各行各业，金融领导者们正共同面对一系列运营问题：人 工智能在哪些领域带来了最强的性能提升，是应引领还是 跟随其应用，如何衡量人工智能的交付成果，如何加强对 其的管控，以及如何构建由人类和人工智能共同组成、能 够支撑其发展的整体人才队伍。这些问题正实实在在地在 董事会会议室和财务职能部门中展开讨论，而非停留在理 论层面。

一个主题尤为突出：在人工智能领域进展最快的组织，是 将信任——治理、控制、人工监督——视为构建绩效的一 部分，而非合规的成本。 这构成了KPMG可信人工智能框架 的核心，也是理解后续发现的关键线索。

本报告基于事实和数据，分析了当前人工智能在金融领域哪 些方面正在提升绩效、哪些方面尚未提升，以及取得成效的 领导者们采取了哪些不同的做法。

尼克·麦克艾伦 KPM G国际财务顾问全球 主管

斯特凡·斯托克勒 K PMG国际审计创新与 人工智能全球主管

斯特凡·施滕德 KPM G国际税务与法律人 工智能全球主管

对1,013位高级领导进行的调查 | 20个国家 | 13个行业 | 收入1.25亿美元以上（美国为5亿美元以上） | 于2026年3月进行

执行摘要

决策优势

表现并非一致。 治理和控制更强的组织报告的结果明显更 好——在某些情况下，其显著改善的比率是无这些条件的组 织的三到六倍。正式追踪与AI相关的关键绩效指标（KPI） 的组织表现优于未追踪的组织。同时具备鉴证准备能力的组 织也优于仅进行追踪的组织。人工监督仍然至关重要，尤其 是在信任AI输出结果决定是否采取行动的情况下。通过治理 、控制和监督来落地的信任，是领先者脱颖而出的关键。

金融领域对人工智能的采用范围广泛。 超过四分之三的组 织正在利用人工智能进行财务规划、报告和商业分析。71% 的报告称，人工智能在他们的财务领域达到了或超出了投资 回报率的预期。但采用范围广和表现优异并非一回事。报告 称人工智能超出预期的组织比例仅为23%——这个比例比总 体满意度数字所暗示的更小群体要小。这与KPMG 2026年第 一季度全球人工智能脉搏在企业层面的观察相呼应：人工智 能的采用速度超过了组织将其转化为大规模企业整体绩效的 能力。

自2024 年以来 ，金融 领域75% 与30%的 主动式A I使用率

76% 的组 织正 在积 极利 用人

70%的 人报 告称 ，过 去一 年中

运营约束是一致的。 数据质量和完整性是最常被提及的障 碍和机遇。大多数组织正在提升现有团队的技能，但只有2 8%的人在重新思考他们需要的人才类型。培训人员使用人 工智能工具与构建人机一体化总工作模式之间的差距尚未 弥合。

引人注目的是收益正集中在哪里。 最大的改进体现在决策 质量、预测准确性和响应能力上。这些领域判断密集，而 非交易流程。部署了自主AI的组织报告称，在关键财务指 标上的表现至少提升了32%，在预测准确性和投资回报率（ ROI）上更是接近提升了40个百分点。金融领域的AI正作为 决策引擎在运行，而非成本杠杆。

人工智能是指让机器通过编程来 模拟人类思考和学习的智能。

生成式人工智能是指能够从大数据集 中学习并创建新内容（如图像、文本 和语言）的先进神经网络。

自主智能（或半自主智能）是指能够 自主或半自主地规划、推理、行动和 学习以实现目标的系统。

这三类在调查中分别进行了测量。 采用成熟度、绩效结果和部署模 式因类型而异。若研究结果针对某一特定类别，文中会加以注明。

来源：KPMG全球金融领域人工智能报告，2024年（样本量=2,900）和2026年（样本量=1,013）。2024年至2026年的比较在方向上具有可比性；各轮次的问卷范围有所不同。有关问卷层面的详细信息，请参阅方法论部分。

人工智能是决 策引擎，而非 成本杠杆

© 2026 版权由一家或多家KPMG国际实体拥有。KPMG国际实体不向© 2026 版权由一家或多家KPMG国际实体拥有。KPMG国际实体不向客户提供服务。版权所有。 5

人工智能应作为决策引擎，而非成本杠杆

金融领域对人工智能的多数假设始于效率：更快的结算、更少的错误、更低的成本。但数据 却揭示了另一番景象。金融职能中人工智能的活跃使用率在两年内已从30%提升至75%。

但采用的速度快于组织规模化实现企业级价值的能力。 传 统的投资回报率衡量方式——即收入增加、成本节约—并不能捕捉到人工智能在金融领域当前实际创造价值的地 方。

当具有能动性的AI能够创造可衡量的价值时，它通常集中 在增长能力、响应速度和改善客户体验上。

率先取得进展的组织并非是那些最广泛采用人工智能的组 织——事实上，大多数组织已经采用了。 它们是那些进入 部署的协调阶段、将人工智能引导至最需要判断力的工作 中的组织：规划、预测、风险评估。

该发现与KPMG 2026年第一季度全球人工智能脉搏调查结果 相似：在企业层面，竞争优势已从采用人工智能转向统筹 人工智能。

关于金融领域的人工智能，讨论的焦点已发生 变化。 两年前的问题在于人工智能能否发挥作 用，如今的问题则在于它应该被部署去做什么 。那些真正理解其价值并取得成功的组织，是 利用人工智能来提升判断力，而不仅仅是加速 任务。真正的回报就在于此。

斯特凡·斯托克勒 K PMG国际审计创新与 人工智能全球主管

36% 35% 32%

增长潜力 客户体验

更 响应性

金融领域代理式AI最具引 用价值的可衡量来源

人工智能正在改进金融业 服务企业的方式，而不仅 仅是其内部运营方式。

财务团队正以更快的速度 响应变化的环境和业务需 求。

成熟度阶梯：财务职能在人工智能部署中的位置

各阶段组织占比，按AI类型划分（n=1,013）。代理式AI比AI和生成式AI各多两个阶段。

8% 10% 12%

17%

38%

37%

人工智能（AI）总体而言 生成式人工智能

24% 14%

35% 18%

29% 22% 19% 12%

代理型人工智能

自主AI专属阶段

未针对人工智能（AI）或生成式人工智能（Gen AI）进行衡量

没有计划 规划 驾驶 部署 扩展 编排 / 指挥 / 策划

发展多智能体

注意：'无计划'部分因尺寸限制未标注。总计因尺寸限制未标注。由于四舍五入，总计可能不等于100%。

KPMG 2026年金融AI（无权重）。统计说明：A6a，基准=过去6个月在代理式AI方面取得进展的受访者（n=867）。成熟度阶梯：A3/A4/A5，n=1,013。

金融业将人工智能用在关键领域

27分 差距

人工智能在判断密集型工作中创造了最大收益：规划、预测、风险评估。

医疗保健和消费者领域在决策质量、效率接近度和预测准 确性方面，由银行和科技带来的双位数利润差距。 仅预测 准确性方面的差距就达到27个百分点。原因并非在于努力 或雄心，而是数据：来源分散、整合缓慢以及遗留系统限 制了人工智能可以发挥作用的基础。

性能提升主要集中在决策密集型工作中：决策质量（70%） 、决策速度（71%）和预测准确率（64%）。 交易流程也在 改进，但提升幅度较小。

预测准确率：银行业 vs. 医疗保健业

过去12个月内报告有中度或显著改善的机构百分比

依赖判断的工作在财务职能上积累了最多的潜在弱点。 它 基于不一致的数据、投入不足的工具以及嵌入数字中的手 动判断。在此方面，人工智能有更多获益的机会，并且当 它发挥作用时，有更大的杠杆效应来创造收益。

71%

银行

对金融领导者而言，这意味着很明确。 AI在金融领域的最 大回报来自于提升判断力，而非削减交易成本。下一个制 约因素并非技术。而是治理：即信任AI产出的所需控制措 施。

44%

医疗保健

银行与科技部门在提升运营效率和预测精度方面发挥着引 领作用，而结构化数据与监管规范已为人工智能所需的基 础奠定了基础。

金融领导者正在寻求从人工智能中获得真正的决策优势——而非进行实验 。 微软与KPMG携手，正帮助组织现代化其数据资产，建立恰当的治理机制 ，并负责任地扩展人工智能应用，从而让洞察力更快地从数据流向决策。

税务和财务职能一直运行在不一致的数据、零散的系统和最了解这些数字的人的手 工判断之上。 人工智能正是为了解决这些问题而构建的。那些真正取得进展的职能 ，是利用人工智能来重建基础，而不仅仅是自动化已有的工作。

比尔·达夫 财务副总裁 微软公司

斯特凡·施滕德 KPM G国际税务与法律人 工智能全球主管

KPMG 2026年金融AI（样本量=1,013，未加权）。A1[预测准确性]，面向企业（T2B）=中等程度+显著提升，按行业划分。银行业样本量n=138；医疗保健业样本量n=32（基数较小，仅作趋势判断）。

一些领域正在分化/脱钩。

生成式人工智能与代理式人工智能之间的区别是实质性的：它们各自从事着不同的 工作。

生成式人工智能已在各行业报告与分析领域持续带来效益， 但真正的性能飞跃正体现在自主智能被部署用于跨工作流程 进行规划、推理和行动，从而获得更大自主权。

绩效差距悬殊且高度集中：处于协调和多代理阶段的组织 ，在平均分上比仍处于早期规划阶段的组织高出32分，而 在最重要的指标——预测准确性和投资回报率上，差距接 近40分。

六项中的五项医疗保健试验。 差距最大之处在于基础工 作要求最干净的数据：接近效率、预测准确性、投资回 报率。

当基础工作已实现标准化，例如减少错误时，利差会收窄。 而 在金融领域操作最为有效的地方，利差则会扩大。

我们的研究表明，这一差距不会自行缩小。 那些更早建立 清洁数据和严格管控的行业，现在正不断加大每一项人工 智能投资的力度。领先优势正在扩大，而非缩小。

这一优势并非平均分布。 银行业在六大金融指标中的五项 中表现领先，包括运营效率和预测准确性，这反映了监管 机构对清洁、及时数据的压力。技术和金融服务组织在代 理部署方面更为领先，这反映了其数字化成熟度以及优化 资本配置的竞争压力。在其他行业，创新投资在流向财务 部门之前，会先用于运营或研发。

三十二 点优势

自主部署AI与未部署AI

报告中度重或显著改善的机构百分比，A1指标平均值

76%

代理部署者

Non-deployers

44%

来源：KPMG 2026年金融AI（样本量=1,013，未加权）。行业调整：按行业划分A1，T2B为温和+显著改善。代理调整：A1×A5，按A1指标平均计算。

部署者 = 放大、编排、多代理阶段（n=537）。非部署者 = 没有计划、规划阶段（n=146）。

行业差距表现：差距最大的领域

按指标划分的最高和最低表现领域。按差距大小排序。总平均值用勾号标出。

65%

高效率 医疗保健

银行

47% 76%

64%

预测精度 医疗保健

银行

44% 71%

64%

ROI

医疗保健

银行

47% 70%

• 70%
• 71%

决策质量 医疗保健

银行

56% 77%

决策速度 医疗保健

银行

61% 78%

62%

62%

减少错误 医疗保健

技术

50% 65%



表现最差的部门 • 表现最佳部门 各行业总体平均数

29 intp

破加

27 intp

破加

23 intp

破加

21 intp

破加

16 intp

破加

15 intp

破加

KPMG 2026年金融领域人工智能（样本量=1,013，未加权）。 按行业划分的A1，面向企业（T2B）为中等程度及显著改善。医疗保健行业样本量n=32，具有方向性。 排除样本量小于30的行业：保险（n=27）、政府（n=24）、生命科学（n=10）、私募股权（n=2）。

在金融领域，人工智能发展领先的并非是投入 更多的行业。 而是那些已经具备人工智能所需 纪律性的行业：拥有干净的数据、严格的控制 以及注重证据的文化。一旦人工智能建立在这 样的基础之上，其收益便会不断叠加。

布莱恩·麦克高万 全球 可信人工智能领袖 普华 永道国际

治理与控制 建立信心

cli © 2026 版权由 KPMG International 的一个或多个实体拥有。KPMG International 的实体不提供任何服务。 版权所有，侵权必究。 10

治理与控制建立信心

治理常被视为人工智能采用的阻力，但数据显示恰恰相反。

拥有更强控制力的组织表现更佳，并且更有信心地进行 规模化扩张。 这是KPMG可信人工智能框架的核心前提： 通过治理、控制和人工监督赢得的信任，才是将人工智 能从实验阶段推向规模化应用的关键。本节中的证据为 这一前提提供了经验证据支持。

性能数据、审计追踪和可解释性提升了分子。 它们共同将 信任从主张转向证据——而证据正是使人工智能得以规模 化发展的基础。

能够高效且无干扰地生成与人工智能相关的审计证据的组织 ，其显著改善的报告率比无法做到这一点的高三到六倍。 这 一差距在我们测量的每一项财务指标上都存在：从错误减少 方面的33%对比6%，到规模化方面的信心提升42%对比14%。

33%

6%

Assurance-ready

非准备就绪的组织

确保准备就绪正成为比单独的KPI追踪更能预示绩效提升的 指标。 数据使KPMG的一项信念可见：信任——通过治理和 控制来具体实施——是绩效的直接驱动因素。

毕马威值得信赖 组织 人工智能框架

报告显著减少错误 报告显著减少错误

德勤可信赖人工智能框架正展示着其可能性。 已 建立控制、证据和监督机制的组织报告了最显 著的绩效提升。信任正成为进步的引擎。

此发现之下是其产生的操作规范：测量、人工监督，以及 将信心转化为证据的审计追踪。

对人工智能的信任并非一项软性特质。 它建立在可信 度、可靠性和人类理解的基础上，并通过治理与控制 机制来降低风险、支持规模化发展而得以实现。

萨曼莎·格洛德 KPMG国际全 球风险服务主管及全球可信人 工智能领导者

指标范围跨越3倍至6倍。该模式适用于误差减少、效率提升、预测准确性和投资回报率。

KPMG 2026年金融领域人工智能（样本量=1,013，未加权）。 A10 [审计准备就绪] T2B同意（样本量=829）与B2B反对（样本量=66）×A1，T1B仅显著改 善。“准备就绪”是指组织同意他们能够高效且无干扰地生成与人工智能相关的审计证据。

毕马威值得信赖的人工智能框架（首次发布于2023年，针对自主型人工智能于2025年更新）基于三大原则——以价值观为导向、以人为本、值得信赖——并通过 十条道德支柱进行具体化：公平性、透明度、可解释性、问责制、数据完整性、可靠性、安全性、安全性、隐私和可持续性。

衡量即信心

衡量依然重要。我们的调查显示，正式追踪人工智能相关关键绩效指标的组织表现优于那些 不追踪的组织。无论这种追踪是内部的还是得到独立鉴证的，它才是将衡量转化为信心的关 键。但数据明确指向一个层级：知道要衡量什么是有帮助的；而拥有采取行动所必需的控制 措施和证据，才是产生结果的关键。

半导体：构 建人工智能 的控制环境

一家跨国半导体公司正在部署生成式人工智能 ，但缺乏明确的安全、安全或隐私控制方法。 K PMG构建了一个定制的风险和控制矩阵，该矩 阵映射到ISO 42001、NIST AI RMF和NIST CSF 2.0，并通过SOC 2鉴证评估了供应商的合规性 。现在，客户已拥有部署生成式人工智能的信 心和规模化部署的基础。

衡量依然重要。 我们的调查显示，正式追踪人工智能相关 关键绩效指标的组织表现优于那些不追踪的组织。无论这种 追踪是内部的还是得到独立鉴证的，它才是将衡量转化为信 心的关键。但数据明确指向一个层级：知道要衡量什么是有 帮助的；而拥有采取行动所必需的控制措施和证据，才是产 生结果的关键。

人类监督是其中的关键因素。 在被调查的组织中，有33%正 在增加“人在回路中”的监督，这是对人工智能相关问题 的直接回应。在金融领域，监管审查和专业判断塑造着每 一个产出，人工智能工作流程中的人类参与能产生更可靠 的结果，并建立规模化所需的信任。

衡量、控制和监督描述了实践中准备好接受保证的财务职 能是什么样子的。 组织是否已经建立了那项基础设施是一 个不同的问题，而答案则区分了领导者与其它人。

KPMG 2026年金融AI（样本量=1,013，未加权）。 A2 [KPI追踪，投资回报率] × A1 [投资回报率]，T2B=中等程度+显著改善。追踪者数量n=588，非追踪者 数量n=425。

10 点 提 升

关键绩效指标（KPI）追踪者与非追踪者对投资回报率（ROI）的影响

过去12个月内，报告投资回报率有中度或显著改善的 组织百分比

68% Non-trackers 58%

KPI 追踪器

随着财务职能迅速从中心化转向由代理驱动的 决策模式，自动化变革的步伐使得对人工智能 生成结论的信任变得至关重要。 独立鉴证在使 董事会、投资者和监管机构能够信赖人工智能 驱动的财务报告方面发挥着关键作用。

史蒂夫·切斯 KPMG国 际人工智能与数字化创 新全球主管

保证准备差 距

© 2026 版权由一家或多家KPMG国际实体拥有。KPMG国际实体不向© 2026 版权由一家或多家KPMG国际实体拥有。KPMG国际实体不向客户提供服务。版权所有。 13

保证准备差距

60% 42%

本研究中，信心准备是表现提升的最强预测指标。不到一半的所有组织都具备这一条件。

具有能动性AI领导力的群 体在准备就绪方面表现出 强烈的信心，即便在领先 水平上，仍存在显著差距 。

所有组织都为人工智能 驱动的金融流程做好了 充分的准备。

驱动对准备就绪状态的需求的漏洞在两年内没有改变。 网络 安全、数据质量和准确性是我们2024年调查中金融领导者最 关心的问题。这些问题在2026年仍然是首要关注点。发生变 化的是风险敞口：人工智能不再处于实验阶段，并且随着采 用率的提高，做错所付出的代价也相应扩大了。

在我们2024年的报告中，审计中的AI是审计师的基础要求 。 到2026年，对所有人而言，保障就绪度正成为基础要求 ——尽管不到一半的组织拥有它。

差距在于衡量标准之下。 大多数组织追踪结果，但较少组 织建立了审计追踪、文档和证据来解释这些结果是如何产 生的。只有29%的组织正式追踪人工智能应用失败的原因。 其结果是可见性不完整：组织能看到人工智能在交付什么 ，但无法知道它为何失效或存在哪些风险。

确保准备状态已从内部规范转变为商业要求。 监 管机构、董事会和外部审计师不再询问是否在 使用人工智能。他们询问的是组织能否证明其 治理方式。能够证明的正在扩大规模，无法证 明的则面临风险。

百分之四十二这个数字是一个全市场的脆弱性。 领导层中 百分之六十这个数字表明，即使是最高级的组织仍在构建 这项基础设施。

银行业务：第三方人工智能的预保障准备

尼尔·莫里斯 KPMG国际 A ssurance全球主管

该银行的财务报告依赖第三方供应商提供的、未经明确保证路径的人工智能估值。 KPMG的预保证准备评估涵盖了人工 智能的治理、数据来源和模型设计——此举为银行提供了透明度，也为供应商指明了保证路径。

42%的机构已做好充分审计准备（A10 [审计准备] T1B，样本量n=1,013）； 60%的AI代理领导者处于“编排”和“开发多智能体系统”阶段（A5阶段，样本量n=314）。29%的机构正式追踪AI采纳 失败情况（A2 [关键绩效指标追踪—采纳失败]，样本量n=1,013）。2024年与2026年的漏洞对比：KPMG全球金融AI2024报告（样本量n=2,900），Q25（对AI使用的担忧），以及2026年报告（样本 量n=1,013），Q12（最关注的漏洞）。问题措辞和选项有所不同，对比结果仅作趋势参考。“审计准备”指机构认同其能高效且无干扰地生成AI相关审计证据（A10 [审计准备]）。

数据质量与 劳动力缺口

cli © 2026 版权由 KPMG International 的一个或多个实体拥有。KPMG International 的实体不提供任何服务。 版权所有，侵权必究。 15

数据质量与劳动力缺口

数据质量与劳动力能力是两个截然不同的障碍，各自需要不同的应对措施。数据是结构性约 束：在非监管领域，大多数企业多年来对数据治理投入不足，其结果是数据泛滥、来源各异 ，以及信息被锁定在个人硬盘上。劳动力能力是第二个约束：它决定了该职能能否围绕人工 智能重塑其运营节奏，而不仅仅是培训用户。这两者都需要领导力、远见和信念。

数据质量是本研究中最常被提及的障碍，也是最常被提及 的机会之一。 36% 的组织认为，提高数据质量、集成和系 统互操作性是它们从金融 AI 中获取更多价值最大的机会 。挑战在于，金融团队往往不知道从何开始。所衡量的指 标并不总是与关键指标相符，资源有限，而且很少有组织 实施了框架或 AI 工具来帮助确定优先级。

在部署人工智能之前等待获得干净的数据是一种不会奏 效的策略。 正在取得进展的功能将优先清理其人工智能 用例所依赖的关键数据，而不是整个数据集。

他们正让代理式人工智能改变“好数据”的含义：代理式 人工智能可以直接切入源系统并直接处理属性，而不是在 “中间”处理数据。

只有极少数组织采取了全员视角。 百分之三十八的组织正 在提升其财务人员的技能。

以及内部审计团队对人工智能赋能流程的重视； 只有28% 的企业正在招聘不同技能的人才。主流策略是在现有岗位 上对员工进行再培训，而不是重新思考谁应该属于这个职 能。

数据熟练度正成为最关键的能力需求：即评估数据质量、解 读输出结果并以业务可采取行动的方式沟通发现的能力。 正 在赶超的组织正在提升现有团队技能，同时引进具有不同数 据导向的人才。但数据熟练度并非唯一差距。随着人工智能 压缩复杂决策可用时间，财务领导者还需要道德判断力来知 道何时应采取模型结果，以及批判性思维来审视看似正确的 输出。

这些都是不同的约束，需要不同的应对。 接下来的四个优 先事项描述了在实践中拥有两者都意味着什么。

36% 38% 28%

数据质量 提升技能 差异化招聘

该研究中最常被引用的 机会与脆弱性

投资于培训现有财务团 队进行人工智能流程的 组织

各组织重新思考其财务 部门所需的人才类型

两年前，数据和人才是金融领域人工智能面临 的主要障碍。 如今，它们依然是。那些有望取 得进展的功能，正是那些认识到这些问题各不 相同，需要不同应对措施的功能。数据质量并 非技术解决方案。员工能力并非培训计划。这 两者都需要深思熟虑的领导力，而非渐进式的 修补。

尼克·麦克艾伦 KPMG国 际财务顾问全球主管

来源：KPMG 2026年金融领域人工智能（n=1,013，未加权）。36% 选择A9 [数据质量机会]；38% 选择A13 [提升技能]；28% 选择A13 [招聘不同技能人才]。均为多选。

从收养到绩效

这项研究的结果讲述了一个一致的故事：人工智能正在金融领域创造 回报。 那些捕捉这些回报的组织，正是那些投资于其运营环境的企业 ：以决策为导向的应用场景、强大的管控措施、衡量纪律，以及具备 与人工智能协同工作能力的员工队伍。

这些条件对应着KPMG可信赖人工智能框架所覆盖的三个领域：准备就 绪与合规、风险转型以及风险监控，这些领域均以财务职能术语进行 表述。 对于希望弥合差距的财务领导者而言，有四个优先事项尤为 突出。

| |

|---|

围绕价值而 非任务重构 人工智能

将AI投资集中于其产生最强回报的 领域：规划、预测、风险评估和商 业分析。 优先考虑那些人类判断对 结果至关重要的用例。

将衡量标准 融入执行过 程

超越追踪关键绩效指标（KPI）， 致力于构建能够使衡量结果具有 可操作性的保障准备基础设施。 衡 量带来的绩效收益是真实的，但 当其与用于应对数据所揭示问题 的控制措施相结合时，这种收益 会成倍增加。

将治理和控制视为 入场券

同时部署人工智能，并投资于治理 、审计追踪和证据捕捉。 控制力更 强的组织扩展速度更快，并取得显 著更好的成果。反之亦然：缺乏这 些，组织将面临中断、监管延误以 及利益相关者信任的侵蚀。控制力 建立信心，信心实现扩展。

塑造整体劳动力队 伍，而不仅仅是培 训

提升技能是必要的，但不足以应对 挑战。 财务职能需要能够驾驭组织 智能、财务专长和数据熟练度交叉 领域的人才，他们还需要具备伦理 判断力、批判性思维和风险管理能 力，以应对比以往任何时候都快的 决策。首席财务官应考虑未来几年 员工队伍的结构和组成将如何变化 ，并制定一份适当的人力资源计划 ，每六到九个月更新一次。

这四个优先事项是相 互关联的。

以决策为导向的人工智 能在得到稳健控制的支 持时，能产生更优的结 果。

当测量嵌入其中时， 控制更加有效。

仅当劳动力具备解读 、质疑和基于人工智 能产出采取行动的能 力时，测量才有效。

那个强化循环驱动了 持续表现。

正在建设该项目的组织 正在抢占先机。

结论：将人工智能作为财务能力进行落地实施

金融领域对人工智能的采用现已十分普遍。区分不同组织的关键已不再是是否在使用人工智能，而是是否以能够持续改进决策和绩效的方式进 行落地应用。

本报告的研究结果表明，人工智能在金融领域的最大潜在 价值在于将其视为一种运营能力，而非工具集合或孤立的 应用案例。 那些持续获得绩效提升的组织正将人工智能导 向判断密集型工作——规划、预测、风险评估和商业分析 ——在这些领域，改进的洞察力、速度和信心最为关键。 在这些组织中，人工智能扮演着决策引擎的角色，而非成 本杠杆。

同样的结构模式也体现在数据和员工能力上。 数据质 量差限制了人工智能可以处理的内容，而数据流畅性、 批判性思维和道德判断方面的不足则限制了输出结果如 何被解读和应用。培训用户使用人工智能工具是必要的 ，但不足以应对。处于领先地位的金融职能正在重塑工 作方式——将干净、与决策相关的数据同能够质询人工 智能输出并快速运用专业判断的人员结合起来。

这些要素相互强化。 以决策为导向的人工智能在得到稳健 控制的支持时，能取得更佳效果。控制措施在测量嵌入其 中时最为有效。只有当人们具备根据测量结果采取行动的 能力时，测量才能真正驱动结果。它们共同构成一个集成 化的运营模式，将人工智能的采用转化为持续的性能。

然而，仅靠采用是不够的。 研究中观察到的性能差距 反映了人工智能的运行环境。治理能力、控制措施和保 障准备度更强的组织持续表现优于那些没有这些能力的 组织。信任——通过可测量性、可审计性、可解释性和 人工监督来实现——并非合规的副产品；它是规模化的 前提条件。当信任薄弱时，人工智能的输出结果会遭到 质疑、使用受限或受到约束，从而限制了人工智能所能 带来的价值。

“所以呢”对于财务领导者来说很明确。 将人工智能落 地需要对财务职能的运作方式做出审慎的选择。当组织 做到以下几方面时，就会创造价值：

• • 将AI投资集中于关键决策性工作，而非仅关注交易 效率
• • 从一开始就在AI部署中嵌入治理、控制和保障
• • 建立能够产生证据而非仅仅是指标的衡量体系
• • 培养能够质疑、解读AI驱动洞察并采取行动的员工 队伍

金融领域的AI发展已进入拐点。 竞争优势将越来越多地属 于那些围绕AI调整其财务运营模式，并能随着AI变得越来 越强大、越来越自主、越来越深入地嵌入日常决策中而持 续保持这种调整的组织。

© 2026 版权由 KPMG International 的一个或多个实体拥有。KPMG International 的实体不向客户提供任何服务。版权所有。 18

KPMG如何提供帮助

毕马威实时系统 评估

值得信赖的人工智能服务 金融转型 KPMG 克莱拉

构建扩展人工智能所需的治理、 控制和保证准备能力

KPMG可信人工智能服务帮助组织以 值得信赖、可解释且可辩护的方式 设计、实施和运营人工智能。 这些 服务从一开始就将治理、控制、衡 量和人工监督嵌入到人工智能赋能 的财务流程中。通过评估人工智能 系统是否符合道德、监管和保证预 期——并帮助组织提供可靠的证据 、审计追踪和文件——可信人工智 能服务直接解决了研究中发现的保 证准备度差距。信任成为绩效的推 动者，而非规模的制约。

随着组织在金融和报告职能中加速应 用人工智能，它们在管理治理、控制 及监管预期方面面临着日益增长的复 杂性。 KPMG人工智能实时系统评估（ RTSA）通过在人工智能系统开发生命 周期早期嵌入风险和控制考量，帮助 组织应对这些挑战。RTSA通过提供及 时的实施前洞察，涵盖人工智能治理 、业务流程变更、数据完整性、网络 安全及IT控制，使组织能够更早地识 别和应对风险，降低昂贵的补救成本 ，并增强对人工智能赋能财务报告的 信心。这种主动方法支持更明智的决 策、更顺畅的人工智能应用以及更高 效的审计结果，随着人工智能成为核 心流程的有机组成部分。

将财务运营模式与人工智能赋能 的决策相结合

毕马威的财务转型服务支持财务领 导者重新设计运营模式、流程、数 据基础和员工能力，以有效运用人 工智能。 这包括重塑规划、预测和 绩效管理流程，现代化数据资产， 并建立具备数据熟练度和判断力的 财务团队，以支持人工智能辅助的 决策。财务转型并非将人工智能视 为技术附加，而是协调系统、治理 和人员，使人工智能融入财务运作 方式——从而实现更快速、更高质 量的决策和可持续的绩效改进。

将人工智能嵌入核心财务职能和保 证工作流程中

毕马威克莱拉是毕马威的全球云审 计与鉴证平台，将数据、分析和人 工智能直接集成到财务与鉴证工作 流程中。 它将财务数据、风险评估 、控制测试和文档记录整合于单一 环境，使人工智能能够支持规划、 风险评估和财务报告等判断密集型 活动。通过高级分析、人工智能赋 能的交易评分以及集成式生成式人 工智能工具等能力，毕马威克莱拉 帮助组织从周期性分析转向持续性 洞察——在保持强有力的审计追踪 和人工监督的同时，助力提升决策 质量、一致性和信心。

德勤数字税务 门户 (Déqín S hùzhèng Ménhù )

在税务及相关金融活动中安全且规模 化地落地生成式人工智能

KPMG税务数字门户是一个统一的云 端平台，将税务数据、工作流程和 分析功能整合于同一处。 该平台内 置了生成式人工智能能力，能够支 持在重复性的税务和财务流程中进 行更快速的分析、研究、文档审阅 及判断支持。通过在KPMG设计的受 控环境中运行生成式人工智能，数 字门户使组织能够在保障数据安全 、一致性和合规性的前提下，实现 效率与洞察力的提升——从而满足 财务职能中强调的信任与保障要求 。

© 2026 版权由一家或多家KPMG国际实体拥有。KPMG国际实体不向© 2026 版权由一家或多家KPMG国际实体拥有。KPMG国际实体不向客户提供服务。版权所有。

19

方法论

已 对1 013

20 个 国 家

13 个 领 域

2.5 亿+美 元收 入

公司高管及资深领导者，其所在组织年收入不低于2. 5亿美 元（美国公司年营收不低于5亿美元）。参与者于2026年3月 通过线上方式完成了调查，覆盖美洲、欧洲、中东和亚太地 区的20个国家及地区。

注意：由于四舍五入或多选题的原因，总计可能不会达到100%。未加权数据。如需按部门或区域进行分析，请提出要求。

© 2026 版权由 KPMG International 的一个或多个实体拥有。KPMG International 的实体不向客户提供任何服务。版权所有。

受访者简介

受访者包括来自财务、风险与审计、技术以及综合管理领域的C级高管及其直 接下属，他们都直接了解其所在组织在财务职能中的人工智能使用情况。

行业：包括科技与电信、金融服务、工业制造、医疗健康、能源与自然资源、消 费者与零售以及政府与公共部门在内的13个行业。 科技与金融服务合计占样本的 58%（分别为36%和22%）。

地理区域：美洲、亚太地区及欧洲、中东和非洲。

分析性定义

人工智能是指让机器通过编程来模拟人类思考和学习的智能。

生成式人工智能是指能够从大数据集中学习并创建新内容（如图像、文本和语 言）的先进神经网络。

自主智能（或半自主智能）是指能够自主或半自主地规划、推理、行动和学习以 实现目标的系统。

这三类在调查中是分别进行测量的。 如果发现是针对某一特定类别的，则 会在正文中注明。

20