收益：
- 能够利用人工智能总结损益表、资产负债表和现金流量表，并将其转化为有意义的见解
- 能够通过包括角色、上下文和输出格式的结构化提示将原始财务数据转换为管理语言
- 能够执行检查步骤，根据来源验证 AI 摘要中的每个关键数据
您面前有一份损益表、资产负债表或现金流量表。数字是正确的，等式成立，但总经理在会议上转向你并问“这意味着什么？”他问道。这就是人工智能 (AI) 为会计和金融专业人士最快创造价值的地方：将原始图片转化为决策者可以理解的故事。
在本单元中，我们将学习像“高级分析师助理”一样使用人工智能。但让我们从一开始就设定一个框架：人工智能不是计算器。大语言模型（LLM，一种像人类一样生成文本的人工智能）理解数字，解释它们，并将它们放入叙述中；但它不保证算术运算。因此，本单元的核心有两件事：编写良好的提示（您向模型提供的指令）并根据源验证每个输出。
AI如何“解读”财务报表？
该模型将表视为纯文本数组，而不是像 Excel 中的网格。 “B4 单元格”或“那一列”的概念对他来说并不存在；它会读取您写的任何内容。因此，您提供的数据组织和标签越多，解释就越准确。
每次都明确地告诉他三件事：
- 数据 — 项目名称和编号，带有周期标签（例如 2025 / 2024）。
- 背景——公司的行业、货币、时期、特殊情况（如果有）（一次性收入、汇率影响）。
- 目标受众——简报将针对谁？董事会、银行、税务局和团队的语言完全不同。
提示：与其说“解释此表”，不如说“向没有财务背景的总经理分 5 点解释此表”。随着目标受众变得更加清晰，输出的深度和语言就会到位。
一步一步：从原始绘画到洞察力
可靠的评论流程由以下五个步骤组成：
- 通过标记来粘贴数据。让每一行都有它的名称和句点。首先纠正混合复制的数据。
- 定义角色和输出格式。 “你是一名企业财务分析师”+“用这些标题回答。”
- 设置限制。 “仅使用数据中的数字，对于不存在的数字写‘无数据’。”
- 要求公式透明度。在括号中显示每个比率/百分比的计算结果。
- 验证并链接到操作。手动验证至少一个帐户，然后添加“做什么”部分。
弱提示/强提示
使用相同的数据会得到两个不同的结果：
弱提示：解读本利润表。 [桌子]
这往往会产生“收入增加了，支出也增加了”这样肤浅的回答；这对你在会议中没有任何用处。
强烈提示：您的角色：企业财务分析师。任务：分析以下 2025 年和 2024 年比较损益表。背景：该公司是一家食品制造公司，货币为 TL。输出格式：1) 三句话执行摘要2) 3 个最显着的变化（金额 + 百分比 + 可能原因）3) 管理层应提出的 2 个关键问题约束：仅使用 <data> 块中的数字。不生成表中没有的任何数字；如果缺失，请写“无数据”。在括号中显示每个百分比的计算结果。<数据>净销售额：2025 年：48,200,000 | 2024 年：39,500,000 销售成本：2025 年：31,300,000 | 2024 年：24.100.000 营业费用：2025 年：9.800.000 | 2024 年：8.200.000 净利润：2025 年：4.900.000 | 2024年：5,100,000</数据>
这个提示；注意到净销售额增长约 22%，但净利润却下降，并询问“成本增加是否吞噬了销售增长？”这就提出了一个问题。这正是管理层希望听到的洞察力。
人工智能在三个基本表中的作用
表
人工智能的力量
您需要验证
损益表
利润分析、时期比较、趋势叙述
百分比和总计的准确性
资产负债表
解释流动性/负债比率、项目关系
比率公式应用正确
现金流量表
解释活动/投资/融资之间的区别，现金消耗解释
项目被分类到正确的部分
迷你箱
案例 1——成本侵蚀利润。一家纺织公司的净销售额从3950万增加到4820万（增长约22%），但净利润从510万减少到490万。 AI 指出，销售成本增加了 30%（2410 万 → 3130 万），毛利率从 39% 下降至 35%。评论：“营业额在增长，但盈利能力正在减弱；原材料成本必须受到严格审查。”凭借这一单一见解，分析师向采购团队提出了一个议程。
案例 2——误导性增长。某服务公司损益表中的“其他收入”项目突然增加了2M。 AI 指出，这可能来自一次性资产出售，不应与营业利润混淆。通过向董事会解释这一区别，首席财务官避免了“我们的业务做得很好”的错误看法。
情况 3 — 手动捕获错误。实习生查了一下AI的总结“营业费用增加了5%”：(9.8 − 8.2) / 8.2 ≈ 19.5%。该模型给出了错误的百分比。如果没有核实，报告中将包含5%。这个案例说明了为什么“每个百分比至少确认一次”规则是不可协商的。
“不要产生不存在的数字”规则
金融解释中最危险的错误是模型捏造了令人信服的数字，这称为幻觉（当模型自信地产生实际不存在的信息时）。你可以用两句话来显着减少这个：
约束：仅在 <data> 块中使用数字。计算任何比率或总额时，请在括号中注明您使用的公式（例如毛利率 = 毛利润 / 净销售额）。将数据中没有的标记为“无法计算”。用“假设”标签分隔您不确定的评论。
控制提示也有效：
根据源表检查以下财务摘要。将每个数字断言与表相匹配；将表中不匹配或没有等效项的每个表达式列为“未验证”。<summary>...</summary><table>...</table>
注意：不要闭着眼睛使用AI给出的百分比。当它说“净销售额增加了 22%”时，请正面验证至少一项：(48.2 − 39.5) / 39.5 ≈ 22%。如果它们匹配，信心就会增加；如果不匹配，则整个输出都是可疑的，应该从头开始请求。
将评论与行动联系起来
一份好的财务摘要不仅仅是“发生了什么”，而是“要做什么”。将其添加到提示中：
添加“建议”标题作为最后一部分：对于每个重要发现，建议财务团队可以采取的具体行动（例如要求相关成本项目的细目分类）。建议应仅基于数据，不应包含猜测。
常见错误
- 粘贴没有上下文的表格。如果没有时期标签、货币和行业，该模型会做出错误的假设。
- 将百分比放入报告中而不进行验证。该模型在算术上可能是错误的；最危险的错误是默默地错误的数字。
- 没有指定目标受众。同一份总结并不适合董事会和银行；语言和深度因目标而异。
- 期待模型得到“最终结果”。 AI提供解释和可能的原因；原因的确定性只能通过数据来证实。
- 将一次性物品视为正常收入。毫无疑问地将“其他收入”的跃升表述为增长是具有误导性的。
综上所述
- 人工智能是一个强大的助手，可以将原始财务状况翻译成决策者的语言；但由于它将表格视为文本，因此您必须以带标签、定期且有序的方式提供数据。
- 清晰说明角色、背景、目标受众和输出格式的强大提示将肤浅的评论转化为准确的见解。
- “仅使用数据中的数字”和“显示公式”的限制显着降低了产生幻觉的风险。
- 根据来源验证每个关键百分比和总数；手动确认至少一项计算可以测试整个输出的可靠性。
- 好的总结从“发生了什么”转向“要做什么”；在提示中包含具体的、基于数据的推荐部分。
应用任务
获取您的（或样本）比较损益表。用你自己的数据填充上面的“强提示”模板并运行它。然后：(1) 手动计算模型给出的每个百分比一次，(2) 标记不正确的百分比，(3) 在控制提示下检查摘要。最后，准备一个由三项组成的“执行摘要”和一个“建议”部分，并将其准备到可以发送给同事的质量。
清单
- [ ] 我通过标记项目名称、期间和货币来提供数据。
- [ ] 我在提示中指定了角色、上下文、目标受众和输出格式。
- [ ] 我添加了“仅在数据中使用数字”约束。
- [ ] 我希望它显示每个百分比/比率的公式。
- [ ] 我手动验证了至少一个帐户并更正了不匹配的帐户。
- [ ] 我用“做什么”建议部分完成了摘要。