收益：
- 能够根据财务数据的敏感性对其进行分类并选择适当的工具和交易
- 能够通过匿名化个人和机密数据来安全地进行分析
- 能够建立和谐、透明和道德的框架，知道责任在于人
隐私、合规性和道德：财务数据的限制
至此我们已经看到了AI在财务会计方面是多么强大的助手。在本单元中，我们着眼于硬币的另一面：边界。财务数据是最敏感的数据类型之一。粘贴到错误工具中的财务报表、未公开的结果、客户的账户信息；它可能导致法律、道德和商业灾难。本单元教授在金融领域使用人工智能时不可协商的保障措施。了解这些规则是安全使用所有其他单元技能的先决条件。
为什么财务数据如此敏感？
三个原因：隐私（客户、员工、供应商数据属于个人数据范围，受到 KVKK 等法规的保护）、内幕信息（未披露的财务结果对于股票市场和竞争至关重要）和信任（如果您的财务数据泄露，则无法恢复客户和业务合作伙伴的信任）。您粘贴到公共人工智能工具中的数据将在该工具的服务器上进行处理；这些数据可能会在不保证公司数据保留的工具中的模型训练中使用或访问。
KVKK（个人数据保护法）是规范土耳其个人数据处理的法律；它限制将个人姓名、TR ID、帐户和联系信息等数据传输给未经授权的第三方。
提示：在将数据粘贴到人工智能之前，问问自己：“我会通过电子邮件将此数据发送给陌生人吗？”如果答案是否定的，请首先匿名或仅使用经过批准的企业工具。
一步一步：发送数据之前
- 分类。数据是公开的、内部使用的、机密的还是个人的？
- 验证工具。是公司/批准的吗？数据保留和培训政策是什么？
- 最小化。提供您工作所需的最少数据；剪掉多余的部分。
- 匿名。掩盖或删除姓名、身份证号、帐号等标识符。
- 也保留输出。生成的报告也可能是敏感的；请小心保存位置。
弱方法/强方法
糟糕的方法：将未报告的季度结果与客户名称和帐号一起粘贴到免费的网络工具中。
这既是KVKK违规、内幕信息泄露，也是商业风险。
强大的方法：1）使用经过认证的企业人工智能工具（保证数据保留）。2）匿名数据：“客户A”，“客户B”；最后 4 位数字被屏蔽或删除，而不是帐号。3) 仅提交分析所需的字段（如果不需要名称/地址，则省略）。4) 在公开结果之前，请勿将未公开的结果暴露给外部工具。5) 将输出保存到本地安全区域，而不是个人磁盘。
匿名化之前/之后
面积
原始（有风险）
匿名（安全）
客户名称
艾哈迈德·耶尔马兹·因萨特·A.Ş.
客户A
帐号
TR12 0006 ... 4501
***4501 或已删除
TR身份证
12345678901
已删除
金额/分析领域
1,240,000
1,240,000（受保护）
注：保留分析所需的数值数据；识别该人的区域被遮盖。这样，既完成了工作，又保护了机密性。
合规和问责框架
人工智能在金融业务中的使用是一个治理问题。谁可以使用哪个工具，哪个数据类可以进入哪个工具，如何验证和记录输出？这些应在书面政策中确定。
为我们公司制定一份“财务数据中的人工智能使用政策”草案。包括以下标题：- 数据分类（公开/内部/机密/个人）- 每个类别允许的工具和流程- 禁止的情况（未披露的结果、个人数据等）- 强制验证和审计跟踪步骤- 违规情况下的流程将此写为政策大纲；请注意，必须获得法律和合规部门的最终批准。
注意：责任不能转移给AI工具的提供者。如果模型产生的错误数据进入报告并扭曲了决策，则责任由使用和批准该模型的专业人员承担。 “人工智能做到了”并不是一种辩护。
验证：为什么每个打印输出都被认为是可疑的？
在金融业务中安全使用人工智能的黄金法则是考虑输出“可疑，直到证明并非如此”。这不是偏执，这是职业纪律；就像审计员不会在没有看到记录的情况下批准任何记录一样。模型说话的流利程度和自信程度并不能证明其准确性；相反，最危险的错误是以最令人信服的方式呈现的。
在实践中，设置三层验证：（1）算术层——重新计算总和和百分比或让模型重新计算和比较。 (2) 源层——将每个数字与其来自的表进行匹配。 (3) 逻辑层——结果在业务上下文中是否合理？如果像“保证金为90%”这样的结果对于行业来说是不可能的，即使算术上是正确的，也表明输入错误。
分三层检查此财务分析：1）算术：重新计算所有总计和百分比，标记不匹配的2）来源：将每个数字与<source>表匹配，将不匹配的写为“未验证”3）逻辑：将在业务上下文中不合理（极高/低）的结果标记为“可疑”确认；只需分别检查并报告三层的结果即可。
虽然这种纪律看起来像是浪费动力，但它实际上可以保护您免受更昂贵的错误的影响：基于错误的数字做出错误的决定。
道德：透明度和偏见
有两个道德问题很突出。透明度：必要时应向利益相关者明确分析是在人工智能支持下进行的。偏差：模型基于历史数据；例如，它可能会重复过去信用/风险评分方面的不公正现象。通过人类判断和财务决策的公平性来过滤人工智能输出是道德上的当务之急。
迷你箱
案例 1 — 粘贴泄漏。一位分析师将尚未发布的季度业绩粘贴到一个免费工具中，并要求提供摘要。由于没有公司政策，这些数据失去了控制。尽管结果没有提前泄露，但该事件引发了调查并迫使公司制定了经过公司认证的车辆政策。教训：便利不能胜过隐私。
案例 2 — 使用匿名化。一个会计团队想要进行客户收集分析，但姓名是保密的。他们将客户伪装成“A、B、C”，并仅使用金额和日期数据。分析非常有效，没有泄露任何个人数据。隐私和实用性同时实现。
案例 3 — 不可委托的责任。报告中的错误率来自人工智能输出，未经验证就提交给管理层。当判定错误时，“车辆是这样计算的”的抗辩不予采纳；该责任属于批准该报告的财务经理。教训：验证和责任在于人。
情况 4 — 通过三层身份验证捕获。在一位分析师的报告中，AI 计算出一项业务的“毛利率为 91%”。算术层正确，源层匹配；但当逻辑层发挥作用时，很明显，利润对于该行业来说是不可能的。根本原因：部分成本栏被错误地转移到其他业务线。如果只考虑算术，错误就会消失。教训：合理性测试是准确性的第三层，通常也是最关键的一层。
常见错误
- 将敏感数据粘贴到未经批准的工具中。侵犯隐私和合规性的最常见方式。
- 将未公开的结果引入外部工具。存在内幕信息泄露的风险。
- 绕过匿名化。如果不需要识别人员身份的区域，则应将其遮盖。
- 将责任转移给车辆。 “人工智能做到了”并不是一种辩护；而是一种辩护。审批人负责。
- 在没有书面政策的情况下工作。如果不清楚谁可以将哪些数据放入哪个工具中，则无法管理风险。
综上所述
- 财务数据敏感；由于隐私、内幕信息和信任风险，并非所有数据都会进入每个工具。
- 在发送前对数据进行分类、验证介质、最小化和匿名化个人标识符。
- 保留分析所需的数值数据；识别该人的区域被遮盖；商业和保密是相辅相成的。
- 人工智能的使用是一个治理问题；需要书面政策、强制验证和审计跟踪。
- 责任不能转移到车辆上；透明度和针对偏见的人类判断是道德上的当务之急。
应用任务
以您拥有的真实财务数据为例（涉及客户/供应商）。首先进行“数据分类”，然后利用匿名表中的逻辑屏蔽个人字段，只留下分析所需的内容。然后，根据政策草案提示，为您的团队制定简短的人工智能使用政策，并根据您自己的组织调整至少三个项目。
清单
- [ ] 我已对数据进行了分类（公开/内部/机密/个人）。
- [ ] 我仅使用经批准/机构的工具并检查其政策。
- [ ] 我最小化了发送的数据；我删除了不必要的字段。
- [ ] 我对识别该人的字段进行了匿名化处理。
- [ ] 我没有将未公开的结果推送到外部工具中。
- [ ] 我接受并确认我对输出负责。