对于人工智能泡沫的担忧一度引发市场大跌，人们在忐忑中迈向未来。

　　澳洲会计师公会华东和华中区委员会会长、澳洲资深注册会计师金科近日在接受21世纪经济报道记者专访时表示，人工智能产业目前确实存在局部过热迹象，但是否会演变成类似2000年互联网泡沫的系统性风险，还需观察几个关键信号，如CAPEX增速拐点、债务融资占比、盈利兑现率、政策监管动向等。

　　综合考虑人工智能产业目前的发展状况以及与实体经济的融合度，金科认为，重现互联网泡沫时期的剧烈破裂风险可能性较小，AI与互联网泡沫存在本质差异。

　　人工智能已经迈向现实，在千行百业生根发芽。澳洲会计师公会近日发布的《2025年商业科技应用调查》（以下简称《调查》）显示，过去12个月，中国内地企业的人工智能应用率与应用成熟度实现同步提升。65%的中国内地受访者预计，其所在企业未来12个月将进一步增加对AI技术的应用，较上一次调查跃升17个百分点。

　　展望未来，金科预计，人工智能会更广泛地在不同行业加快垂直化深度发展，更紧密地与行业特性和企业自身的商业模式结合。随着“十五五”规划的开展，“人工智能+”驱动的新质生产力发展会为中国内地的企业带来新的动能，催生更多创新的数智化新业态。

　　“人机协同”趋势进一步显化

　　《21世纪》：《调查》发现，企业正减少初级财会岗位、增加AI技能人才招聘。短期和长期AI对劳动力市场影响几何？

　　金科：短期影响包括岗位结构性调整，人才需求快速分化。我们的调查发现，受AI应用普及影响，32%的受访者表示，过去12个月企业减少招聘初级财会人员，与此同时，18%的企业积极为其财务部门扩招具备AI专业素养的人才。这一变化反映了AI正在重塑会计与财务行业的人才结构——重复性的工作职能加速自动化智能化，而具备技术与业务复合能力的人才需求迅速上升。这一趋势创造了新的职业发展机遇，也伴随对传统财会职能的技能提升要求与转型适应。

　　从长期影响看，业务流程转型和岗位重构，“人机协同”趋势进一步显化。放眼未来，数字劳动力将更深入地融入各类企业与岗位，企业需推进业务流程再造与岗位体系重构，构建更加智能自主、无缝衔接的未来业务流程。复合型人才将成为就业市场的主流需求，兼具财会专业能力、AI与数智技术素养、全球化经验与终身学习思维的人才将持续受市场青睐。

　　就业市场正逐步从“岗位替代”转向“价值升级”，人才将更聚焦支撑战略、支持决策、防控风险、跨部门协作等AI难以替代的高价值职能，形成“AI处理常规重复工作、人类专注核心价值创造”的人机协同新格局。

　　《21世纪》：中国内地企业AI应用正从广度与深度双向拓展，且自我开发与第三方技术结合程度领先亚太。你观察到企业在深化AI应用过程中面临哪些独特挑战？如何平衡自主开发与外部技术引进的关系？

　　金科：主要有三大挑战。首先是成本投入与回报不确定性。正如我们刚刚分享的，财务成本和投资回报率是最突出的制约因素，40%的中国内地受访企业将其列为科技应用首要挑战；中小企业对此更加敏感，49%的中小型企业担忧成本与低投资回报率。一方面，AI基础设施（如算力、定制化模型开发）前期投入大；另一方面，部分企业因缺乏清晰的投资回报评估框架，难以量化AI对业务的实际价值，有可能陷入“投入看不到回报”的困境。

　　二是技术与组织适配的挑战。《调查》结果显示，AI输出结果缺乏透明度与可解释性（21%）、对数据安全与隐私保护的担忧（16%）以及与现有技术系统深度融合的复杂性（14%）等问题均为AI的规模化落地带来了挑战。此外，技术挑战也与企业规模相关，大型企业通常拥有较成熟的IT基础，但其挑战在于如何将AI系统与现有复杂的技术架构进行深度融合（20%）；而中小企业则更多受限于技术人才短缺（34%），导致AI应用难以有效推进和规模化落地。

　　此外，合规与风险管控压力也不可忽视。随着生成式AI与公共大语言模型的广泛应用，企业面临的数据泄露风险上升，网络威胁也更为复杂。同时，全球范围内对数据隐私与安全立法的不断加强，要求企业在AI数据的采集、处理及使用全流程中确保合规。对于出海企业而言，各地AI治理规则的差异进一步提高了合规复杂度，企业需适配不同市场在数据隐私与AI伦理方面的监管要求，增加了运营成本与法律风险。

　　在自主研发与外部技术引进的平衡策略上，不同企业选择有差异。大型企业优先布局核心技术自主研发，基于自主可控的数智化平台进行深度集成与定制技术路线。同时，规划并升级面向未来的新一代ERP系统与核心基础设施，将AI能力打造为技术核心竞争力。

　　中小型企业受制于成本与资源限制，以引进成熟的外部标准化应用为主，优先选用轻量化第三方AI工具降低成本与试错风险。市场上不少针对典型财务场景的数字化产品和工具已经较为成熟稳定，可以满足大部分中小企的基本需求。

　　企业需要结合战略规划和业务需求，将资源集中用于与核心业务紧密关联的场景，综合考虑技术成熟度、成本预算、预期收益、政策要求、合规治理等关键因素。

　　AI与互联网泡沫存在本质差异

　　《21世纪》：英伟达最新财报超预期，对人工智能的狂热情绪仍在继续，但实际上，短期内人们可能高估了人工智能的影响，大部分企业并未盈利。你是否担忧泡沫风险？如果人工智能在很长一段时间是成本中心而益处有限，是否会出现类似互联网泡沫时期的风险？

　　金科：AI长期作为成本中心的风险推演，与互联网泡沫存在本质差异。我们的调查确实看到，约五分之二的受访者指出，科技应用对企业的投资回报率偏低，另外有五分之一的受访者指出人工智能的输出结果缺乏透明度或可解释性，这一问题在资源与技术人才有限的中小企业中更为普遍。人工智能产业目前确实存在局部过热迹象，但是否会演变成类似2000年互联网泡沫的系统性风险，还需观察几个关键信号，如CAPEX增速拐点、债务融资占比、盈利兑现率、政策监管动向等。综合考虑人工智能产业目前的发展状况以及与实体经济的融合度，重现互联网泡沫时期的剧烈破裂风险可能性较小，核心差异体现在三个维度。

　　技术落地的深度不同。互联网泡沫时期大量企业缺乏实际业务支撑，而AI已深度嵌入产业流程，例如，金融机构的风控模型、制造企业的智能制造、审计机构的数据分析，均已形成应用价值，即便短期不盈利，也通过效率提升、风险降低等方式创造隐性价值。

　　产业基础的扎实度不同。当前AI产业已形成“硬件-模型-应用”的完整链条，从芯片、开源模型的成本优化、到行业场景的定制化落地，构建了多层次的产业生态。目前一些开源模型也支持企业低成本、高性能靠近主流模型效果，缓解企业投入压力。

　　政策与监管的引导不同。“十五五”规划建议明确要求，加快人工智能等数智技术创新，全面实施“人工智能+”行动，相关配套政策也支持企业获取低成本资金，用于AI基础设施（如算力建设）、垂直领域大模型研发（如财务多模态大模型）等多种途径；同时“人工智能+”行动将催生智能原生（AI Native）新模式新业态，以及结果即服务（RaaS）、模型即服务（MaaS）等智能原生服务体系。放眼全球，各地的AI治理框架也正逐步完善，规范行业发展，减少盲目投机空间。

　　要降低泡沫风险、推动AI从成本中心转向价值中心，企业需把握三大关键。

　　锚定应用价值，避免技术跟风。企业应聚焦自身业务痛点选择AI场景，例如财务领域优先落地票据处理、成本分析等可量化效果的应用，而非盲目布局大模型；参考“投前明确价值指标、投后分阶段验证”的方法论，确保技术投入与业务价值强绑定。

　　平衡短期成本与长期能力。中小企业可通过“外部引进+轻量化定制”降低初期投入，依托公共算力平台与共性技术服务控制成本；大型企业可聚焦核心业务自主开发，同时通过生态协同共推行业进步，整合成本，避免单一企业承担过重的资金压力。

　　把握政策红利，对冲周期风险。借助“十五五”规划倡导的“全国一体化数据市场”“协同创新”等方向，参与产学研联合体、行业生态共建，既降低单个企业的转型门槛，又通过产业协同提升整体盈利概率，形成“风险共担、价值共享”的格局。

　　《21世纪》：在你专注的金融领域，生成式AI在提升效率的同时也引发一系列担忧。目前哪些金融场景已具备规模化应用条件？如何建立可信AI的治理框架？

　　金科：目前已具备规模化应用条件的金融场景。在金融服务领域，生成式的AI聊天工具已经广泛应用于银行、保险、证券等行业，通过全渠道触点高效连接客户，整合内部系统数据提供个性化咨询，增强客户黏性与服务体验；国内多家金融机构已经上线了智能编码助手，用于支持内部系统研发与代码生成；智能合同审核与自动化估值；智慧办公，用于会议纪要整理与报告撰写等。

　　风险管控领域，在信贷风控、量化投资等核心业务中，AI大模型和工具能够通过大数据分析提升风险识别精准度。其中，量化投资场景已实现成熟落地，如交易员助理、金融产品报价等，是当前金融科技发展的重点方向。此外，国内也有多家金融机构上线了基于生成式AI的反洗钱（AML）及合规内审（如KYC）智能应用。

　　财会审计领域，目前业内领先的各大会计师事务所正积极将大模型与生成式AI技术引入审计、税务与咨询业务，包括风险识别、审计数据分析、原始凭证和票据信息提取、异常检测，以及底稿、备忘录等交付物的自动生成等常见基础工作，显著提升业务处理效率。

　　如何构建可信AI治理框架？在治理机制上，从“被动合规”转向“主动构建”。企业从应对监管要求转向体系化治理，主动搭建覆盖数据采集、模型训练、应用落地全流程的治理框架，系统化防范数据泄露与合规风险，以可信治理赢得市场信任。

　　在治理举措上，筑牢合规防线，降低风险成本。企业需建立覆盖AI全生命周期的治理机制，包括数据采集合规性审查、模型透明度评估、隐私保护措施（如数据脱敏）等，出海企业需前瞻性研究目标市场的AI监管政策（如欧盟分级治理要求），将合规建设纳入战略规划。

　　公共部门要构建有公信力的AI治理框架，不仅要满足合规要求，还要为用户提供清晰的指导、信心和道德准则，明确界定哪些工具是允许使用的，以及可以使用的条件、如何审查和验证输出结果等，以确保适当的风险管理、隐私和问责机制。

　　《21世纪》：财务成本与低投资回报率被列为科技落地的主要障碍。在你直接领导和推动的数十款业内领先的数字化创新产品中，有哪些方法论可帮助企业在技术投入与商业价值之间建立可量化的关联？

　　金科：要搭建“投前–投中–投后”全流程评估框架。技术投入前锁定核心业务挑战，将技术价值与可量化业务指标绑定，通过咨询技术专家，就企业自身进行评估并选择最合适的解决方案。建立“对标成效”的投资回报评估框架，助力企业有效衡量绩效、收集反馈意见以评估成效，并推动与战略目标一致的持续改进，避免盲目投入。投中要从“方案可行”切换到“规模化可持续”，重点考虑技术可用性、业务渗透率、合规实时性、数据/模型漂移以及运维与成本等维度。投后开展定性定量分析，及时全面评估价值产出，形成PDCA（计划 - 执行 - 检查 - 处理）循环，根据业务变化与技术发展动态调整评估指标与投入策略。

　　分阶段验证，降低无效投入。中小企业可优先采用轻量化第三方AI工具，待验证价值后再逐步加大投入；大型企业可按“试点–推广–深化”路径推进，先选取一到两个典型场景（如财务、人力资源、市场、客服）落地，积累经验后再推广应用至更多职能部门并协同发展。此外，企业可同时依托国内各级政府部门的配套政策，针对科技创新的资金扶持，包括专项补贴、再贷款、利率等，缓解前期技术投入的成本压力。

　　《21世纪》：相比大型企业，中小企业更受困于技术人才短缺与投入回报不确定性。你会建议他们采取哪些差异化策略以低风险启动数字化转型？

　　金科：中小型企业需要聚焦核心业务，审慎投入。中小型企业因资源相对有限，更需要优先考虑能提升核心业务的技术方案，确保每一项投入都具有明确的业务价值和产出。

　　优选成熟、标准化解决方案。在业务流程适配的前提下，优先采用市场上经过充分验证的标准化数字解决方案。这类方案不仅采购与部署成本低、实施周期短，也可以显著降低项目试错成本，减少因技术成熟度不足、技术人才短缺而带来的失败风险，也可以避免承担无法预估的后期运维负担。

　　分阶段推进技术应用。以阶段性的方式分步推进AI投资，能够帮助中小型企业在成本可控的前提下逐步验证效果，避免“一步到位”带来的风险。

　　定期回顾技术应用表现。持续评估技术应用的实际表现，并与实施前进行对比分析，确保技术路线与整体业务战略保持一致。

　　提升员工数字素养。面对技术人才短缺，可通过“数字素养提升”与“场景化工具培训”提升员工使用数字工具的能力。让业务人员掌握如何与数字工具协作、在本职工作中善用数字化工具，往往比追求技术深度更切合中小企业的实际情况。员工的数字技能提升，也有助于减少企业数字化转型的阻力，形成“工具善用—效率提升—文化认同”的良性循环。

　　《21世纪》：数据质量不佳是大型企业科技应用痛点。在推动数据分析与商业智能（BI）软件落地时，你有哪些实践经验可破解数据孤岛、提升数据资产价值？

　　金科：大型企业要破解数据孤岛并提升数据资产价值，不在于某一个技术工具，而在于体系化能力的重建：从治理体系、生命周期管理到战略导向。只有当企业把数据视为重要战略资产，并以制度化流程化的方式管理，才能真正释放数据价值，使其成为推动企业运营优化与增长决策的关键动力。

　　数据治理是企业数字化转型的基础。高质量的数据是挖掘数据价值、形成数据资产的前提。数据治理是一套通过政策、标准、流程与组织架构，对数据资产进行全生命周期管理（采集、存储、处理、共享、归档/销毁）的系统性框架；其核心在于明确数据主权、确保数据质量、满足合规要求、降低操作风险，并为分析建模提供可信基础。缺乏有效治理，将导致“脏数据”流入模型，引发偏差决策、监管处罚及声誉损失；反之，可提升数据可用性与透明度，释放数据要素价值，驱动业务增长与持续创新。

　　构建数据生命周期管理机制。数据的治理需要持续进行，不仅在前期需要投入资源，还需要配套的流程与管控，将数据作为关键资产进行全生命周期管理，通过制度、流程与系统结合，确保持续的数据可控、可信、可用。

　　将数据战略与业务目标对齐。数据治理应服务于企业整体战略和业务发展。通过将业务目标（如KPI/OKR）拆解为具体的数据需求，明确所需数据的类型、质量与来源，形成“战略—业务—数据”的闭环管理，实现数据驱动业务决策。

　　强化数据基础与录入规范。在实施层面，需明确数据字典、字段定义与数据血缘，统一录入标准与校验规则，加强输入控制与处理逻辑管理，从源头提升数据质量，避免因基础不牢导致后期数据混乱、难以使用。

　　借鉴成熟方法与标准化方案：数据治理在行业内已有成熟的方法论与工具体系，如《数据管理能力成熟度评估模型（DCMM）》（GB/T 36073-2018）是我国在数据管理领域发布的首个国家标准，由工信部牵头、全国信标委大数据标准工作组于2018年3月发布，其覆盖8 大能力域，包括数据战略、治理、架构、应用、安全、质量、标准、生存周期，28个过程域和详细的等级标准可用于系统评估并持续改进组织的数据管理能力。

　　《21世纪》：结合你协助企业出海的经验，不同区域市场（如东南亚vs欧美）的数字化转型需求存在哪些差异？科技解决方案应如何实现“全球化与本地化”的平衡？

　　金科：成熟市场强调数字能力深化，而新兴市场更强调可用性与实操落地：在欧美等成熟市场，云基础设施、AI平台、网络安全体系和标准化SaaS生态较为完备，企业可以直接采用成熟的云原生解决方案，快速推进 BI、自动化、智能分析等高阶能力。但在东南亚、中东、南美等新兴市场，一些国家的云节点少、网络质量不稳、AI与数据安全平台的可用性不足，需寻找可替代、可本地部署或更轻量的方案，确保在基础设施条件有限的情况下仍能推进数字化运作。

　　本地政策与监管要求不同。监管差异是导致区域数字化路径不同的另一个关键因素，需根据所在市场要求因地制宜。例如，东盟各国的网络安全与数据合规呈“碎片化+趋严化”特征。以跨境传输为例，新加坡PDPA允许白名单+合同条款+个人同意三种方式并存，而泰国尚未发布充分性白名单，默认采用标准合同。欧盟GDPR则强调严格的数据隐私保护与跨境数据限制，需要嵌入符合欧洲标准的数据处理机制。近年来，欧盟更是进一步推出了《数字服务法案》（DSA）与《数字市场法案》（DMA）这套“双支柱”式法规，前者侧重内容安全与平台透明，后者侧重守门人反垄断，把欧盟数字市场从“丛林时代”推向“规则时代”。

　　为了实现“全球化与本地化”平衡，在科技架构上，集中管控与本地适配相结合。在保障全球数据标准与集中管控的前提下，允许区域灵活采用符合当地合规与业务特点的本地系统，既保持总部对全球的可视化，也保证当地能顺利运营。

　　在组织与人才上，可以建立中国总部+海外本地团队的双轨人才体系。在初始阶段，派驻国内核心管理者（特别是业务和财务负责人）领导搭建业务流程及科技应用支撑体系，推动初期落地。此后，逐步加强本地团队建设，培养兼具企业文化认同与本地洞察的团队，通过包括培养懂中文有潜质的留学生、与本地专业机构合作等方式，形成稳定的当地人才供给机制，实现持续运营。

　　《21世纪》：作为横跨审计、数据分析、AI创新领域的专家，你认为2026年企业最应前瞻性布局的技术方向是什么？请结合亚太地区技术演进节奏给出建议。

　　金科：在亚太地区，人工智能的普及仍将持续加速，并继续成为企业技术投资的核心方向。而在中国内地，人工智能预计会更广泛地在不同行业加快垂直化深度发展，更紧密地与行业特性和企业自身的商业模式结合。随着“十五五”规划的开展，“人工智能+”驱动的新质生产力发展会为中国内地的企业带来新的动能，催生更多创新的数智化新业态。从更前瞻性的角度看，空间技术和量子计算也正在亚太地区获得越来越多的关注度，一些组织和企业已经开始进行各种初期的商业化尝试。

　　从调研结果来看，在前瞻性技术布局方面，无论中国内地还是亚太区受访市场，前三位的结果都是一致的，分别是人工智能、数据分析和可视化软件、商业智能软件。2026年，我建议企业在这三方面的技术布局要进一步迈向系统化、战略化，从“用人工智能”到“用好人工智能”，从“数据使用”到“数据作为生产力”，从“保障安全”到“以安全驱动增长”，使技术真正服务于企业创新、增长与竞争力提升。