2025年8月7日，北京注册会计师协会举办“数智赋能・人才重塑——人工智能时代下注册会计师行业人才变革分享会”。本次会议汇聚行业科技精英，深入探讨AI技术对注册会计师行业的重塑作用，聚焦人才能力重构与培养路径，为推动行业人才培养的优化与转型提供了重要思路。
北京注册会计师协会副会长李晓英、北京注册会计师资产评估行业深改办主任汪宁、澳洲会计师公会代表处首席代表孟文静、香港会计师公会北京办公室首席代表张勤等领导和嘉宾，北京注册会计师协会人才工作委员会委员、会计师事务所代表等近150人参会。
会议由北京注协人才工作委员会委员、安永华明会计师事务所华北区人力资源负责人谷圣夫主持。北京注协人才工作委员会主任委员、毕马威华振合伙人张晏生作开场致辞，毕马威中国信息技术审计服务主管合伙人董常凌、德勤中国创新及数字化服务主管合伙人金科、安永华明会计师事务所科技风险与数据智能服务合伙人张翠玲、信永中和会计师事务所审计总监黄婷婷、金山云企业服务总经理谢振杰、国新数据有限责任公司副总经理薛贵、大华管理咨询合伙人谢力等业界专家分别就人工智能在注册会计师行业的应用实践、人才培养创新路径等议题进行了精彩分享。
现将研讨会成果综述如下：
一、张晏生开场致辞：AI重构行业逻辑，人才变革成发展关键
张晏生在致辞中深刻阐述了人工智能对行业的深远影响，并提出了未来人才培养的方向与路径。
张晏生提出，要重视人工智能带来的变革与挑战，人工智能正在重塑全球产业格局，重构行业底层逻辑。在注册会计师行业，AI的应用正在改变传统的工作模式：审计抽样被全量分析取代，风险预判从经验驱动升级为算法驱动，传统岗位面临高替代率，注册会计师行业在数据建模、算法审计、伦理治理和人才培养等领域面临重大挑战。这种变革不仅是技术层面的进步，更是对行业专业能力框架和职业评价体系的全面重构。注册会计师行业正经历百年未有的深刻变革，如何在这一背景下抢占人才投资先机，成为行业亟需解决的问题。
他提到行业面临的政策支持和行业机遇。2025年的政府工作报告明确提出“人工智能+”行动，旨在推动数字技术与实体经济深度融合。国务院常务会议审议通过的《关于深入实施人工智能+行动的意见》进一步强调，要优化人工智能创新生态，加强人才队伍建设，为产业发展提供支持。人社部也发布通知，要求从2025年起在专业技术人才中广泛开展人工智能通识教育，培养适应数字化转型的高素质人才。这些政策为注册会计师行业的转型提供了有力支持，同时也对行业提出了更高的人才培养要求。
面对人工智能时代的挑战，张晏生提出了未来注册会计师人才培养的三大方向：一是数字化能力的提升。未来注册会计师不仅需要精通财务和会计知识，还需具备数字化思维和技术运营能力。人工智能、大数据、区块链等技术的应用，要求从业者能够将财务知识与技术能力相结合，以适应行业的变革。二是跨学科的知识融合。AI的普及使得注册会计师的服务范围不再局限于传统财务领域，而是扩展到更广泛的商业场景。因此，从业者需要具备多元化的知识储备，以满足客户日益复杂的需求。三是创新能力的培养。虽然AI可以替代重复性工作，但创造力、判断力和决策能力仍是人类的独特优势。未来的注册会计师需要具备更强的创新意识和解决问题的能力，才能在复杂多变的商业环境中提供更有价值的服务。
在技术快速发展的同时，如何确保“科技向善”成为行业的重要议题。张晏生强调，未来的注册会计师不仅要掌握技术，还需具备数据思维、伦理意识和战略视野。行业需要通过多方合作，构建开源开放的生态体系，推动人机协同的共生模式，确保技术应用在效益与伦理之间取得平衡。
张晏生呼吁行业同仁在变革浪潮中保持开放与合作，通过持续的人才培养和能力提升，确保行业的核心竞争力。作为行业人才工作委员会，未来将继续发挥桥梁作用，整合政府、企业、院校资源，推动行业可持续发展。他期待通过本次分享会的思维碰撞，凝聚共识，探索出一条符合中国特色的注册会计师人才升级之路，我们要以数字为翼，以人才为基，携手开启行业高质量发展的新篇章。
二、董常凌：人工智能时代下的人才变革，行业驱动人才能力重构
董常凌在演讲中围绕人工智能（AI）技术对注册会计师行业的深刻影响，从技术驱动行业变革、人才能力重构的三个维度（意识、技能、行业协同）以及“科技致善”人才生态构建三个方面，深入探讨了AI技术对注册会计师行业的深远影响及其应对之道。他指出，AI技术正重塑注册会计师行业的价值定位、工作模式及人才需求，行业需通过意识升级、技能融合和协同创新应对挑战，最终构建以“科技致善”为核心的人才新生态，实现技术赋能与社会价值的平衡。
（一）技术驱动行业变革
董常凌首先分析了AI技术对注册会计师行业的双重驱动作用。一是外部驱动，即企业客户对AI的期望。当前，企业客户对会计师事务所在审计工作中应用AI技术提出了明确期望。根据毕马威2025年全球调研数据显示，超过60%企业希望注册会计师通过AI提升数据分析效率，50%以上企业要求评估其AI治理成熟度。这种外部需求正推动审计角色从传统的“事后纠错”向“事前预警与实时洞察”转变。二是内部驱动，即行业自驱转型。行业内部也在主动拥抱变革，将AI技术深度融入风险评估、控制测试等核心审计程序，显著提升了工作效率和精准度。这种转型带来了组织架构的重构，中后台团队开始通过AI集中处理事务性工作，而前台人员则转向更具专业性的任务，人力资源配置呈现出“立体分层”的新格局。AI促进了管理能力的提升，实现项目进度透明化与风险预警实时化，优化了事务所的运营效率，但面临监管与伦理挑战，行业需明确AI应用的合规边界（如证据获取、底稿生成），防范技术滥用对审计独立性的侵蚀。
然而，AI技术在注册会计师行业的落地应用仍面临诸多挑战。高昂的部署成本和不确定的投资回报构成了首要障碍，技术快速迭代带来的沉没成本压力也不容忽视。更为关键的是，AI的“黑盒”特性、“幻觉”问题以及潜在的数据安全风险，都可能影响审计工作的可信度。此外，现行审计准则对AI特有风险的覆盖不足，监管步伐难以跟上技术迭代速度，这些都需要行业共同应对。
（二）人才能力重构的三维度
董常凌提出，应对AI冲击需从意识、技能、行业协同三个维度重构人才能力。首先是意识层面的转变，注册会计师需要清醒认识AI的局限性，坚守职业怀疑态度，避免陷入技术“伪精准”的陷阱。同时要强化数据安全合规意识，将相关法规要求内化为日常工作的准则。最重要的是确立人机协同的主导意识，实现从“流程执行者”到“分析决策者”和“AI模型驾驭者”的角色转型。
其次，在技能方面，跨领域融合能力变得至关重要。注册会计师不仅要掌握数据分析和AI工具应用技能，如提示工程和模型微调，还需要补充网络安全、合规管理等跨学科知识。高阶分析能力和批判性思维同样不可或缺，这能帮助注册会计师识别AI输出的潜在问题，确保专业判断的准确性。
第三，在行业协同方面，需要建立适应AI时代的安全标准和行业规范，将技术应用指南与日常审计流程深度融合。人才培养机制也需要创新，在传统资质认证基础上增加AI技术相关考核，并通过实战训练提升应用能力。行业协会、会计师事务所和科技公司应当加强合作，共同解决算法偏见、责任界定等技术落地过程中的复杂问题。
（三）“科技致善”人才生态构建
董常凌特别强调“科技致善”的理念，认为AI的核心价值在于通过技术赋能人才，实现可靠、公平、前瞻的社会价值。随着行业吸引力提升，兼具专业判断力和技术理解力的复合型人才正在汇聚。新兴职位如AI审计专家、数据分析师的出现，为职业发展开辟了新路径。人才能力的跃升不仅体现在数据洞察力的增强，更表现在人机协同能力的提升，这包括明确责任边界、培养技术批判性思维和伦理决策能力。
最终，AI技术将帮助注册会计师行业突破传统服务边界，使专业人才从财务验证者转型为战略洞察者，提供更具前瞻性的风险预警和价值建议。这种变革不仅提升了行业履行“看门人”职责的能力，更将“科技致善”的影响力扩展到维护资本市场稳定和保护公众利益的更广阔领域。
董常凌总结提出，在这场由AI技术驱动的行业变革中，人才始终是核心要素。通过意识重塑、技能提升和行业协同，注册会计师行业正在构建一个以“科技致善”为核心理念的新生态。这个生态不仅能够适应技术浪潮的冲击，更能确保专业服务持续创造可靠、公平、前瞻的社会价值，为资本市场的健康发展做出长远贡献。这一转型过程既是行业的自我革新，也是对社会责任的重新诠释。
三、金科：AI大模型时代的未来注册会计师培养
金科的演讲主题为“AI大模型时代的未来注册会计师培养”，基于其在德勤亚太区数字化赋能及人工智能服务领域的丰富经验，探讨了AI大模型对注册会计师行业的影响及未来人才培养路径。他的发言内容主要围绕三个方面展开：AI大模型在事务所领域的应用现状与趋势、未来注册会计师的核心能力与培养路径，以及新时代注会行业人才发展的建议。金科指出，AI技术正在深刻改变审计工作的模式，未来注册会计师需具备数字化、跨学科复合能力及国际化视野，同时强调职业道德与终身学习的重要性。
（一）AI大模型在事务所的应用现状及趋势
1.人工智能技术的发展演进
金科首先回顾了人工智能技术的发展历程。他指出，从20世纪四五十年代开始，人工智能经历了从规则驱动到数据驱动的重大转变。特别是2015年以来，随着云计算、大数据和深度学习技术的突破，人工智能进入快速发展期。2022年底ChatGPT的横空出世，标志着AI技术进入大模型时代，这一突破被业界称为“AI的iPhone时刻”，对整个财会行业产生了深远影响。
2.AI在审计领域的应用阶段
德勤将AI在审计领域的应用划分为三个阶段：
辅助工具阶段（Facilitator）：这一阶段AI主要作为效率工具，帮助完成数据采集、文本识别等基础工作。德勤2015年开发的Argus系统就是典型代表，它能快速识别、抽取和分析大量文本信息。
协同者阶段（Collaborator）：AI开始具备预测和建议能力，可以与注册会计师形成协作关系。如德勤的Omnia平台能够进行异常检测、风险评估等复杂分析。
整合者阶段（Integrator）：未来3-5年，随着通用人工智能（AGI）的发展，AI将全面融入审计流程，实现实时风险感知、自动化证据收集等高级功能。
3.生成式AI的创新应用
金科重点介绍了生成式AI在审计领域的六大应用价值：
（1）加速流程和洞察沟通：快速汇总合同和文档信息。
（2）提升响应速度：虚拟助手提供专业咨询。
（3）聚焦高价值工作：AI完成初步数据审核。
（4）及时提供相关信息：自动生成审计通讯初稿。
（5）减少人工操作：自动化数据转换和清理。
（6）增强数据分析：自然语言探索定量数据。
德勤Omnia平台通过集成这些GenAI能力，显著提升了审计效率和质量，也因此荣获2024年“AI创新方案”大奖。
（二）未来注册会计师的核心能力及培养路径
1.未来注册会计师的七项核心能力
基于德勤的人才标准框架，金科提出了未来注册会计师需要具备的七项核心能力：
分析敏锐度：包括数据收集、准备、分析和可视化全流程能力。注册会计师需要从简单的数据搬运工转变为能够通过数据分析提供商业洞察的专业人士。
高效沟通：在数字化审计环境下，注册会计师需要与技术人员、业务部门等多方进行有效沟通，清晰表达专业见解。
项目管理：随着审计项目复杂度提升，注册会计师需要具备更强的项目管理能力，确保项目按时高质量完成。
管理变革：面对快速变化的技术环境，注册会计师需要保持开放心态，主动学习和适应新技术。
质量与风险管理：在AI辅助下，注册会计师更需要坚守职业道德，确保审计独立性和数据安全。
战略思维与问题解决：从传统的程序执行者转变为问题解决者，能够从财务数据中发现商业价值。
技术理解：对AI、大数据等颠覆性技术有基本认知，能够与技术团队有效协作。
2.分级培养路径
德勤针对不同职级的审计人员设计了差异化的培养方案。
初级人员：重点培养基础数据分析能力，包括数据收集、清理和基本可视化。要求掌握常用分析工具，理解数据安全和隐私规范。
高级人员：需要独立完成复杂数据分析，采用合适的分析方法得出结论，并能通过可视化有效呈现分析结果。
经理级：领导团队开展分析工作，评估数据质量，在数据不足时与利益相关者沟通，并持续优化分析流程。
高级经理：简化复杂业务问题，指导团队开展创新性分析，从数据中获得深刻洞察。
合伙人及总监：引领高级数据分析，将专业见解转化为商业价值，指导团队构建高级可视化方案。
3.技术能力培养
金科特别强调技术能力的重要性：初级人员需要了解技术工具对业务的影响，高级人员要掌握新兴技术工具的应用，管理层要评估技术对业务的适用性，合伙人层级需要引领技术创新应用。德勤通过文化变革，使全体员工都积极学习新技术，从“技术恐惧”转变为“技术拥抱”。
（三）新时代注会行业人才发展建议
基于德勤的实践经验，金科提出了六点人才培养建议：
1.提升数字化及AI专业技能
数字化能力已成为注册会计师的核心竞争力。国内财经院校已在教学改革中加强大数据、人工智能和编程等课程，新一代财经人才需要掌握Python、SQL等工具，熟练运用AI审计平台。
2.培养跨学科复合能力
未来注册会计师需要突破传统财会知识边界，融合数据科学、信息技术等多学科知识。德勤正在推动“会计+数据科学”的复合型人才培养，使注册会计师能够从业务伙伴的角度提供增值服务。
3.强化职业道德与职业判断
在AI时代，注册会计师需要特别警惕技术的局限性，如AI可能产生的“幻觉”和错误。保持职业怀疑态度，审慎评估AI输出结果，确保审计质量。
4.提高沟通协作与领导力
数字化审计项目往往涉及多方协作，注册会计师需要提升跨部门沟通能力。高级审计人员还要培养领导力，带领团队应对复杂项目挑战。
5.培养国际化视野
随着中企出海成为趋势，注册会计师需要熟悉国际会计准则和各国财税政策。获取ACCA等国际资质认证，提升在国际财务领域的影响力。
6.坚持终身学习
在技术快速迭代的今天，注册会计师必须保持持续学习的态度。通过专业培训、学术研讨会等方式，及时掌握行业最新动态和技术发展。
金科最后强调，技术变革不会淘汰专业人才，但会淘汰不会运用技术的人才。注册会计师行业需要主动拥抱AI技术，将其作为提升专业服务能力的工具。德勤的实践表明，技术与专业的深度融合，不仅能提高审计效率和质量，还能拓展服务的广度和深度。未来，随着AI技术的进一步发展，注册会计师的角色将从传统的账务审核者转变为商业价值的发现者和创造者。行业人才培养需要着眼长远，既要夯实专业基础，又要培养技术素养，打造适应智能化时代的新型专业人才队伍。
四、张翠玲：AI赋能审计战略转型及人机协同数字员工能力建设
张翠玲的演讲主题为“AI赋能审计战略转型及人机协同数字员工能力建设”，基于安永华明会计师事务所的实践经验，系统阐述了AI技术如何重塑审计行业底层逻辑，推动审计服务向智能化、实时化转型，并详细介绍了安永在人机协同数字员工能力建设方面的探索与实践。她的发言内容主要围绕三个方面展开：AI如何重塑审计行业底层逻辑、AI应用面临的关键挑战及应对策略，以及安永在AI战略规划和数字员工能力建设方面的具体实践。张翠玲强调，在AI时代，会计师事务所需要构建“智能科技+专业洞见”双引擎驱动的审计服务新范式，同时要重视多样化人才队伍建设，把握AI带来的转型机遇。
（一）AI重塑审计行业底层逻辑
1.审计服务新范式：智能科技+专业洞见
张翠玲指出，AI技术正在深刻改变审计行业的底层工作逻辑。安永提出“智能科技+专业洞见”双引擎驱动的审计服务新范式，将大数据与AI技术全面融入审计流程，推动审计工作向智能化、实时预警方向转型。这种新范式主要体现在四个方面：
（1）审计方法变革：从传统的抽样审计转向全量数据审计，实现动态监控全流程。张翠玲以业财一致性核查为例，说明全量审计能够发现抽样审计难以察觉的根本性问题，如收入确认和成本分摊中的差异原因。
（2）效率与准确性提升：AI技术能够高效处理全量数据，减少人为错误，提升风险评估的精准性。安永的实践表明，AI可以大幅提高审计证据获取、底稿编制和报告生成的效率。
（3）连续审计实现：AI技术支持动态监控和实时预警，使外审也能采用传统上属于内审范畴的连续审计方法。张翠玲分享经验称，第一年采用连续审计方法后，第二年更新数据源即可直接出报告，极大提高了审计效率。
（4）价值创造转型：审计从合规验证转向价值创造，为企业提供战略见解，成为企业战略伙伴。节省下来的审计时间可用于提供数据洞察、税务咨询等高价值服务。
2.技术驱动的审计转型实践
安永在审计转型方面的具体实践包括：
（1）智能审计分析工具：如财务可视化分析工具新增的智能做账模式异常识别功能，通过分析记账人员行为模式，识别异常做账习惯和业务流程变更。
（2）全栈式大模型平台：安永推出的EY METIS平台，整合了自主研发的RAG系统、企业级数据分析引擎、智能合规审计矩阵等核心组件，将行业专业知识转化为智能决策辅助解决方案。
（3）专业AI助手应用：如函证助手“安小函”、会计准则查询助手等，极大提升了审计人员的工作效率。这些助手基于安永的专业知识库，能够快速响应实务问题，如电子函证操作、会计准则解释等。张翠玲特别提到，2025年安永引入DeepSeek R1 671B千亿级参数大模型后，认知智能应用取得显著进步，进一步推动审计服务从“合规验证”迈向“价值创造”。
（二）AI应用关键挑战及应对策略
1.投资资源限制问题
张翠玲指出，AI应用面临的首要挑战是投资资源限制，主要包括：
（1）算力资源投入：训练复杂AI模型需要高性能服务器等新基建投资，即便是应用开发也需要基础的软硬件资源投入。
（2）系统对接成本：AI系统与企业内部信息系统的对接调试成本高昂，只有完成对接才能实现理想的智能代理效果。
（3）数据基础建设：高质量的数据是AI应用的基础，数据抓取能力及数据中心的建设存在大量隐形成本。张翠玲举例说明，直接使用大模型分析财务数据效果不佳，必须结合私有数据中心才能发挥最佳性能。
（4）人才队伍建设：多样化人才队伍的招募、培养和激励体系设计需要大量投入，包括业务专家、产品经理、开发工程师、数据分析师等。
（5）人才需求与结构问题:人才问题是AI应用的核心挑战之一。一是专业技能的综合需求，审计行业需要既懂AI技术与数据分析，又能识别财务异常的综合型人才，专业要求极高。二是角色协同配合，各角色需要密切协作才能保障AI审计项目顺利实施，如何培养这种协同能力是关键。三是培训体系建设：需要建立定期AI培训机制，帮助员工提升技能，紧跟行业发展趋势。四是外部人才吸引，吸引AI复合型人才需要提供具有竞争力的薪酬与职业发展机会。
张翠玲特别探讨了审计团队构成的变化趋势：“是IT工程师通过AI学习审计知识更容易，还是注册会计师通过AI将核查逻辑转化为代码更容易？”她认为，简单的30%工作可以互相替代，但复杂部分仍需双方密切配合。这要求会计师事务所培养和招募多样化人才，并建立有效的协同机制。
（6）其他关键挑战：
数据合规与道德规范：AI应用需严格遵守数据保护法，获得客户授权，算法设计应遵守道德规范，保护隐私。
算法公平与透明：需要确保算法公平性，消除数据偏见，定期评估算法表现，提升透明度以满足监管要求。
创新机制问题：需要建立配套的创新管理机制，促进不同岗位和部门之间的协同创新。
张翠玲强调，尽管面临这些挑战，必要的AI投资仍不可或缺，因为数字化转型是一个需要原始积累的迭代过程。她建议会计师事务所制定2-3年的AI建设规划，包括项目群、投资匡算及实施路线图等。
（三）AI战略规划与数字员工能力建设
1.事务所AI应用整体规划
安永的AI战略规划包括五个关键要素：
（1）能力与应用架构：基于业务需求设计AI能力与应用架构、技术架构、数据架构等。
（2）项目群规划：明确当前差距，制定未来2-3年AI建设项目群。
（3）治理与运营体系：设计支持AI体系运作的治理架构、组织机制、核心流程等。
（4）安全与合规体系：构建AI安全与隐私保护、风险、合规、伦理与道德层面的管理体系。
（5）关键应用场景：梳理对内及对外的关键AI业务应用场景，评估业务价值和建设优先级。
2.AI能力建设思路
安永的AI能力建设采用统一底座平台策略：
（1）Firm层面的AI统一底座平台：对内赋能团队工作效率提升，对外支持客户智能化应用需求。
（2）五项基础能力：底座平台提供基础资源、工程平台、安全管控、数据管理和通用应用能力，各业务线可按需构建专属应用。
（3）知识向量库与RAG工程组件：这是安永的重要投资方向。知识向量库专门用于存储和检索非结构化数据的向量嵌入，大大提升了文本、图像等非结构化数据的处理能力。RAG(检索增强生成)工程组件则解决了大模型部署后的工作流设计和模型校正问题。
3.数字员工能力建设实践
安永将AI应用分为三种类型，逐步推进数字员工能力建设：
（1）辅助型应用：人类完成绝大部分工作，AI提供信息或建议。如知识问答系统、智能生成助手等。
（2）协作型应用：人类和AI协作工作，AI完成初稿，人类修改确认。如合同撰写、代码编程、数据分析等。
（3）代理型应用：AI全权代理完成工作，人类仅需设立目标、提供资源和监督结果。如数字员工系统。
张翠玲详细介绍了安永在数字员工能力建设方面的具体实践：
（1）智能审计助手：如函证助手“安小函”、会计准则查询助手等，极大提升了审计效率。这些助手基于安永的专业知识库，能够快速响应实务问题。
（2）智能报告生成工具Business 360：这款安永自主开发的工具支持管理层用自然语言获取和分析企业关键指标，自动生成详尽的报告和分析，为业务决策提供支持。
（3）合同审查助手：利用自然语言处理和知识图谱自动提取合同核心条款，生成结构化摘要，标记高风险条款；基于历史数据预测条款风险概率；实时监控合同执行节点，自动触发异常提醒。
（4）AI收款助手：通过机器学习优先处理需要跟进的账户和发票；根据客户付款历史和互动模式推荐个性化行动方案；自动发送催款通知，显著提高收款率。
张翠玲特别强调，数字员工不仅包括替代内部工作的AI应用，也包括为客户构建的数字员工能力体系。她预测，未来70%的工作将被数字员工替代，会计师事务所需要思考在这一趋势下的定位和发展策略。
4.人才结构转型
安永在人才结构转型方面的实践包括：
（1）数字化人才招募：安永大陆审计团队新员工中，非商科背景占比达18%，STEM专业占比16%；数据分析团队(DA)近四年新员工中STEM专业人才占比超过50%。
（2）现有人才升级：通过培训将传统研发工程师升级为能够部署AI模型的技术人才，缓解AI人才短缺问题。
（3）专业认证体系：关注ISACA推出的新兴技术认证(CERT)和AI系统审计师认证(CAISA)，为员工提供AIGC治理和风险管理的能力培养框架。
5.AI安全合规体系
安永建立了严格的AI安全合规体系：
（1）数据管理：统一存储AI应用数据，按业务线和领域分别授权管理，确保数据安全。
（2）风险管控流程：对外服务的LLM需走内部审批和备案流程；对AI应用场景进行风险评估；禁止使用外部AI系统处理工作；严格控制训练数据使用。
（3）组织架构：设立AI项目管理负责人、安全合规团队、高阶设计团队等，明确各职能分工。
（4）管理制度：制定人工智能管理政策、供应商管理办法、数据使用指引等一系列规范文件。
张翠玲总结提出，AI技术正在重塑审计行业的每一个环节，从风险评估、证据获取到底稿编制和报告生成。会计师事务所需要把握这一转型机遇，构建“智能科技+专业洞见”的双引擎驱动模式。安永的实践经验表明，成功的AI转型需要：明确的战略规划，制定2-3年的AI建设路线图，平衡短期收益与长期投入；扎实的能力建设，投资建设统一AI底座平台，开发符合审计专业需求的智能应用；渐进式的人才转型，通过招募数字化人才和现有人才升级相结合，构建多样化人才队伍；严格的安全合规，建立完善的AI治理体系，确保技术应用的合规性和伦理性。
展望未来，随着数字员工能力的不断提升，审计行业的工作方式和人才结构将持续演进。会计师事务所需要在这一过程中找准定位，既要利用AI提升效率，又要保持专业判断的核心价值，最终实现从合规验证到价值创造的转型升级。
五、黄婷婷：AI的变与我们的顺势而为
黄婷婷的演讲主题为“AI的变与我们的顺势而为”，围绕人工智能时代审计行业如何选择与培养人才展开。她首先分析了AI技术对审计行业的影响，指出审计业务转型已不是“变得更好”的问题，而是关乎行业存亡的必然选择；随后阐述了AI在审计中应用的底层逻辑与实施路径，强调这是一项需要方法论创新、技术适配和专业知识储备的系统工程；最后提出了人工智能时代审计行业所需的人才类型及培养策略，主张“精英路线”与“群众路线”相结合，通过总体规划与点状创新推动行业发展。
（一）人工智能在企业端的应用现状
黄婷婷首先介绍了人工智能在企业端的应用现状。根据对央国企、金融机构和政府AI采购的跟踪研究，目前企业应用主要集中在硬件设施（占比57.5%）和本地化部署（37%明确用于DeepSeek部署），而深层次应用如辅助或替代人工仍处于从0到0.1的探索阶段。应用场景分布上，行业解决方案占13.77%，科研探索占9%，内容生成占8.38%，知识管理/智能问答占6.6%，合规/分析/风险预警占4%。
这种应用格局的形成源于两个关键因素：硬件投入依赖资金支持，而深层次应用则需要业务专家的深度参与。业务专家需挖掘应用场景、提炼行业知识并“喂养”给AI系统，否则硬件部署难以有效盘活。当前企业应用AI面临的主要痛点包括：定制化服务占比大导致毛利率低、多系统间数据质量参差、AI幻觉问题以及创造实际利润的能力仍需验证。
（二）审计行业的“因变而变”
黄婷婷指出，审计行业正面临“因变而变”的挑战。客户在组织模式、业务模式和数据量方面的数字化、智能化水平快速提升，而审计技术和工具（如Excel的长期使用）却进步缓慢。若不能把握AI技术机遇进行体系化创新，审计专业能力可能被时代淘汰。
审计业务转型已不仅是提升效率的问题，而是关乎行业存续的必然选择。这种转型的核心在于：在满足社会公众要求和法律法规合规性前提下，实现稳定审计成果输出。具体包括三个环节：安全保密地获取数据（依赖技术专家）、围绕审计目标处理数据（需要既懂技术又懂业务的跨学科人才）、对AI输出成果进行复核（依靠业务专家确保稳定性）。同时需兼顾成本因素，平衡收益与效率。
（三）人工智能在审计中的应用逻辑与路径
基于上述底层逻辑，黄婷婷提出三个重要推论：
推论一：应用方式
专业服务业中AI应用主要有两种形式：知识交付（如知识检索，提升单兵作战能力）和结果交付（AI独立完成部分工作）。但长期来看，AI仍需要业务专家进行后端专业化加工才能完成最终交付。
推论二：人机协同
AI可承担前端检索工作，但专业化的系统梳理和成果交付仍需人类专家。审计行业需要可解释、可追溯的AI技术，模型的不可解释性是重大应用障碍。
推论三：实施过程
AI在审计中的应用必然是“建用互进”的渐进过程：需要底层方法论创新（如从抽样审计转向全量审计）、新审计准则制定、可理解技术选择以及审计工具系统创新。这是一项复杂系统工程，离不开行业专家参与，无法一蹴而就。
实施路径可概括为“一条主线、两个方向”：主线是全量审计方法论的突破；两个方向分别是选择适配审计的技术（可理解、可追溯、成本合适）和强化专业能力（系统化梳理行业知识并训练AI）。全量审计将改变数据获取范围和处理技术，进而引发审计组织与流程的机制创新。实践表明，引入AI技术后，全量审计能力将有质的提升。
（四）人工智能在审计中的应用难点
黄婷婷分析了AI在审计应用中的主要困难：
1.行业特性限制
审计行业利润率水平决定了投入方式，相较于企业端的硬件采购，事务所更适合从知识库建设等轻投入起步；客户行业差异导致AI应用需兼顾通用性与个性化，形成“多样性困境”。
2.基础准备不足
全量审计需要方法论创新，但目前行业缺乏有创造力的引领者；知识储备和规则化提取工作参差不齐，影响AI训练效果；客户数据保密性和质量限制也制约了AI应用。
3.实施复杂性
需解决多系统间数据质量问题，克服AI幻觉，并确保应用能真正实现降本增效和风险管控目标。这些挑战需要专业知识储备、跨界人才支持以及AI工程化方法的持续提升。
（五）人工智能时代的人才选择与培养
面对AI变革，黄婷婷将行业人才分为四类：
1.建设期的关键人才
引领者：具备创造力与想象力，能设计AI应用蓝图、创新方法论和工具。这类人才需通过选拔获得。
行动者：有超凡实践能力，能在引领者指导下扎实落地方案。
跟随者：完成标准化工作，可通过培养获得。
理性批判者：提出问题与不同声音，保持团队清醒。
2.长期发展策略
精英路线：识别、培养引领者与行动者，激发其洞悉专业与技术本质的能力。
群众路线：营造开放创新文化，鼓励“点”状创新，通过“百花齐放”积累进步。信永中和已通过集思广益挖掘AI应用场景，取得良好效果。
黄婷婷总结认为，AI时代已来，审计行业和个人都应拥抱技术、积极行动。未来审计将呈现“软件加智能体”的应用形态，随着全量审计方法论创新、技术进步和准则演变，智能体将在审计流程中无处不在并不断整合。行业需坚持“专业与技术齐飞”，通过精英与群众路线相结合，使每位注册会计师成为“水大鱼大”时代的受益者。这一转型虽道阻且长，但顺势而为必将开创审计新格局。
六、谢振杰：对财务行业AI人才培养的思考——从工具使用者到智能共创者
谢振杰的演讲主题为“对财务行业AI人才培养的思考——从工具使用者到智能共创者”，从技术公司视角探讨了AI技术趋势、财务行业人才转型方向，并分享了金山云与信永中和的合作实践。他系统阐述了AI发展的四个阶段（感知、生成、代理、具身），指出财务行业人才需从“工具使用者”转型为“智能共创者”；分析了当前财务人员面临的AI应用困境，提出“会提问、精使用、懂边界”的新型人才画像；最后介绍了金山云与信永中和在智能财务领域的合作成果，包括Fin-Agent财智助手等落地应用。
（一）AI技术发展趋势与行业影响
谢振杰引用英伟达黄仁勋的观点，将AI发展划分为四个阶段：
感知AI：突破数字世界门槛，具备计算机视觉、语音识别等“看”和“听”的能力，如OCR技术在财务报告处理中的应用。这一阶段尚未突破物理世界局限，主要解决数据获取问题。
生成式AI：以内容生成为核心（如DeepSeek、ChatGPT），但仍停留在数字世界。当前许多企业仅将其视为“玩具”而非生产力工具，存在幻觉问题——生成看似专业实则错误的结论。
代理式AI：具备更强推理决策能力，能使用工具、访问网站。2025年被视为“智能体元年”，但需结合行业专家知识与企业数据才能从玩具变为工具，这涉及数据治理等核心问题。
具身AI：AI与物理实体结合（如机器人、自动驾驶），实现感知、理解和行动。这是最难阶段，需以前三阶段为基础，目前约半数AI企业聚焦此领域。
谢振杰强调，AI与人类关系应从“工具-合作-协作-共情-共进化”递进，而非简单取代。他引用数据指出：66%用户未核验AI输出准确性导致工作失误（毕马威调查）；40%雇主认为缺乏AI技能是整合主要障碍（PwC报告）；61%CEO正积极部署AI代理（IBM调研）。这些表明技术应用与人才能力间存在显著鸿沟。
（二）财务行业AI应用困境与人才挑战
谢振杰分析了财务行业两类典型员工的AI应用困境：年轻员工天然具备AI使用意愿和习惯，但缺乏“专业嵌入”训练，易将AI幻觉当作结论。例如在审计报告中直接采用未经验证的AI生成内容。资深员工拥有深厚专业素养，但对AI工具缺乏信任，使用意愿不足，仍将其视为聊天玩具而非专业工具。这种分化导致AI应用出现两极：一方面初级员工过度依赖AI而丧失专业判断，另一方面资深员工拒绝AI而错失效率提升机会。谢振杰以自身经历为例指出，AI虽能提升初级员工效率（若有分析工具将大幅增效），但高级专业能力（如合伙人级判断）仍需人类主导，关键在于建立“交叉互动、并进发展”的人机关系。
（三）新型人才画像与培养路径
基于技术趋势和行业痛点，谢振杰提出AI时代财务人才的三项核心能力：
会提问：能提出AI可理解的问题，最大化激发其能力。提示词工程将成为新专业甚至新职业，问题的质量直接影响输出的专业性、系统性和结构化程度。
精使用：精通AI工具选择与最优人机协作方式。财务人员无需深入技术细节（如GPT版本差异），但需根据场景选择适配工具（如长文本处理、音视频分析等专项优势模型）。
懂边界：明确人类是价值决策中枢，AI仅是辅助工具。如审计报告签字、贷款审批等关键决策仍需人类负责，但要避免资深员工因不信任而完全排斥AI建议。
为实现这一转型，企业需推动“从要我用→我要用”的文化变革。谢振杰分享了中国银行案例：通过AI授信系统，初级员工每周报告工作时间减少50%，切实体现“基层减负”效果。他引用微软数据指出，AI前瞻企业员工更易投入复杂有意义工作，对公司发展感知更清晰。这需要以真实业务场景为训练场，目前28.91%企业已开展AI培训试点（新京报调查），65%组织推动人机协同（IBM数据），预计2026年达78%。
（四）业务与技术融合的平衡之道
谢振杰特别强调“懂业务”与“懂技术”复合型人才的稀缺性。据《智算与大模型人才白皮书》，2025年全国数字人才缺口超2500万，既懂行业又懂技术者异常匮乏。他以自身职业转型为例（从德勤到互联网公司），指出专业服务机构与技术公司存在文化鸿沟：底层AI算法人才难适应四大企业文化，反之亦然。
解决这一矛盾需要双轨并进：
在业务侧深入理解行业发展规律、企业战略和数据特质。大模型已掌握会计准则等基础知识，关键在教会其洞察行业差异（如不同企业数据反映的经营状况）。
在技术侧把控可行性、成本与数据安全。面对多元技术路线（如各类大模型），需选择兼顾合规性与经济性的方案，尤其保护企业核心数据。
谢振杰认为，理想的平衡型人才应具备：懂技术，判断技术落地可行性、把控边界、感知成本；懂业务，理解行业规律、战略目标、业务流程和数据质量。
（五）金山云与信永中和的合作实践
2024年11月，金山云与信永中和签署战略合作协议，融合专业服务与前沿技术，主要合作内容包括：
AI工厂建设：金山云构建集训练、开发、运营为一体的人工智能工厂，联合信永专家打造行业大模型与原生应用。
产品孵化：在贸易风险审核、财务、合规领域率先突破，共同服务央国企、金融机构等头部客户。已落地案例包括：
中国银行项目：通过“行外生成模拟数据+行内微调”解决数据保密问题，实现客户经理、AI产品经理与技术团队的高效协作。
央企集团智能财务：面向CFO开发“Fin-Agent财智助手”，具备四大功能，即洞察式智能提问、可视化指标中心（内置+自定义指标）、自然语言深度交互、经营视角模板管理。实现三大价值，一是自主思考，业财分析自动化；二是主动预警，风险实时预警；三是异常跟踪，持续性风险监控。
谢振杰总结提出，技术公司的使命是降低AI使用成本，帮助财务行业拥抱变革。通过专业机构与技术企业的深度合作，可加速实现从“工具使用者”到“智能共创者”的转型，最终达成“碳基生命与硅基生命共情”的更高阶段。
七、薛贵：“AI+”背景下的财务数字化转型趋势及人才培养
薛贵的演讲主题为“‘AI+’背景下的财务数字化转型趋势及人才培养”，从央企实践视角系统阐述了财务数字化的发展阶段、转型路径及人才培养新模式。他首先分析了技术驱动→数据驱动→模型驱动的数字化转型三阶段特征，详细解读了业务数据化、数据资产化等六大转型趋势；随后以司库体系建设为例，展示了AI在资金管理中的三层级应用体系；最后提出“四维赋能”人才培养策略，强调财务人员需构建技术力、业务力、战略力三维能力矩阵，通过人机协同实现从核算员向战略决策伙伴的转型。
（一）财务数字化转型趋势分析
薛贵指出，企业数字化转型呈现技术驱动阶段（网络化/信息化）、数据驱动阶段（数字化）、模型驱动阶段（智能化）三阶段演进特征，基于此，薛贵提出六大具体转型趋势：
1.业务数据化
识别价值管理对象，通过“管理需求分析→业财场景解构→基础数据连接”实现对象、规则、过程数字化，构建企业级数据图谱。例如将采购、销售等业务流程全部转化为结构化数据。
2.数据资产化
构建包含数据资源目录、架构、模型、流向、质量的完整治理体系。央企实践表明，需建立统一数据标准（如财务数据平台贯通两级系统），解决“技术先进但数据难获取”的困局。
3.资产价值化
依托云原生和中台架构搭建智慧共享平台，通过五种数据连接方式、两种入湖标准实现数据赋能。例如某集团将销售、采购等系统数据汇聚形成“数据湖”，支撑智能分析应用。
4.业财融合
通过全业务报账、预算管理、电子档案等系统打通业务到财务的信息通道。薛贵特别强调全面预算管理体系的价值——中石油等企业通过“事前预测-事中控制-事后评价”全生命周期管理，实现业财深度协同。
5.财务共享
建立业财资税档一体化的全业务报账系统。典型案例包括：应用OCR技术实现90%以上单据自动识别；通过“免垫款、免贴票”流程使差旅报销效率提升300%；电子会计档案系统实现采、存、管、用全周期管理。
6.财务智能化
运用AI技术改善会计信息质量。实践案例包括：智能稽核系统实现101项检查点自动审核；智能结算机器人使对账效率提升80%；“智能两金压控”系统使存货周转天数缩短15天。
薛贵认为，智能化阶段的核心是从流程驱动转向数智驱动，通过“数据+模型+算法”实现实时洞察与科学决策。当前挑战在于AI投资成本高（如300万/台的硬件投入）、技术迭代风险大、专业场景应用效果待验证等。
（二）司库管理体系建设的AI实践
以国务院国资委推动的司库体系建设为例，薛贵详细阐述了AI在财务领域的落地路径：
1.客户痛点
央企普遍存在“体系范围广、资金分散（集中度仅65%）、监管难、融资成本高（存贷双高）、业财融合差”等问题。某房地产板块央企因现金流断裂风险，亟需智能化解决方案。
2.三层级应用体系
感知层：通过全账户自动整合、跨银行/币种视图动态可视化，某集团资金集中度从65%提升至92%。
认知层：部署智能分析引擎，实现异常交易100%拦截，风险预警响应时间从72小时缩短至2小时。
汇智层：构建决策推演模型，使融资成本降低1.2BP，债务结构优化方案生成效率提升90%。
3.关键技术
支付指令区块链存证：确保每笔交易可追溯，已应用于20家银行直连支付。
实时动态预警矩阵：监测负债率、担保授权等30+指标，某能源集团借此规避5亿元潜在损失。
智能归集策略：通过金额阈值触发自动归集，闲置资金利用率提升40%。
4.安全体系
采用“三横三纵”防护架构（网络/系统/数据层+访问控制/行为审计/灾备恢复），结合SM4国密算法加密，保障年处理10万亿资金流的安全。
薛贵特别强调司库系统的生态化延伸：某军工集团通过对接民航、税务等第三方云服务，使商旅管理效率提升90%；某跨国企业建立跨境资金归集特殊机制，外汇风险管理成本降低60%。
（三）人工智能时代财务人才培养新模式
面对AI变革，薛贵提出财务人才需实现三大转变：从核算型转向战略型、从单一技能转向复合能力、从被动执行转向主动创新。具体培养体系包括：
1.理念变革
技术融合：Python/SQL成为基础技能，某央企要求80%财务人员通过关键技术认证。
数据思维：通过军工行业分析案例，展示如何从全域数据（如库存周转、采购周期）挖掘经营风险。
跨界协作：财务与IT共建数字孪生实验室，联合开发风险预测模型。
2.实施策略（四维赋能）
复合知识建构：技术栈（机器学习）、业务力（行业洞察）、战略力（资本运作）三维能力模型。某集团CFO学员需完成200小时智能制造工厂实地调研。
实战平台搭建：数字孪生实验室模拟智能报销等12个场景；跨部门项目制要求财务人员参与供应链优化等实际课题。
持续学习生态：微课程库覆盖AI伦理等前沿主题；“导师陪跑计划”安排资深CFO一对一指导高潜人才。
个性化路径：设立专业线（财务工程师）与管理线双轨通道，建立技术力/业务力/战略力评估矩阵。
3.落地攻坚
技术迭代：建立技术雷达站，季度更新前沿动态；敏捷开发模块化课程（如RAG技术专项）。
数据安全：加密沙盒环境实现数据“可用不可见”，审计追踪系统记录全部模型训练过程。
组织变革：开展AI工具体验营消除恐惧；设立算法审计委员会确保AI决策合规。
4.人机协同范式
分工定位：人类专注战略判断（如跨国并购评估）、伦理风险评估；机器负责7×24小时风险监测、方案生成。
工作流设计：以资金决策为例，机器生成多套方案→财务总监筛选→人机联合风险推演→输出最终报告。
组织进化：新增AI训练师岗位；财务部转型为数据决策中心，某央企已实现60%常规决策由AI辅助完成。
薛贵总结指出，未来五年财务人才发展将遵循“筑基→融合→生态”三步走战略：2025年前完成关键技术认证；2027年实现业财数据中台全面贯通；2028年输出行业智能财务标准。他强调：“当机器能7×24小时处理海量数据时，人类的核心价值在于战略眼光和伦理判断——这是AI时代财务人才的护城河。”
八、谢力：从数字到数据——注册会计师职业进阶与人力资源管理变革
谢力的演讲主题为“从数字到数据——注册会计师职业进阶与人力资源管理变革”，从数据架构视角系统分析了注册会计师行业的转型路径。他首先剖析了现实世界到智慧世界跃迁中的四大数据断点（物理边界、组织边界、系统架构、数据质量），提出通过行业知识图谱和数据标准建设实现数据链整合；随后重构了AI时代会计师事务所的选育用留机制，强调“柔性团队+能力图谱”的新范式；最后定义了注册会计师作为“数据架构师”的新定位，提出批判性思维、第一性原理和解耦连接思维三大核心能力。
（一）从现实世界到智慧世界的四大数据断点
谢力指出，人工智能实现从混沌现实到智慧决策的跃迁需经历五个阶段：现实世界→信息世界（概念模型）→电脑世界（逻辑模型）→数据世界（物理模型）→智慧世界（算法模型）。当前阻碍这一进程的关键在于四大数据断点：
1.物理边界断点
现实世界数字化过程中的采集障碍。传统信息化因数据使用手段有限（如仅能处理少量结构化数据），企业缺乏将业务全面数字化的动力。随着OCR、多模态大模型等技术普及，拍照即可将文档转化为结构化数据，使数据采集成本降低80%以上（如发票识别效率从3分钟/张提升至3秒/张）。
2.组织边界断点
跨企业数据孤岛问题。典型表现为供应链上下游企业间系统不互通，如某汽车制造商需手动汇总300家供应商的订单数据。当前通过电子海关等政府项目及链主企业主导的供应链协同平台，部分行业已实现采购/销售数据自动交互，但全行业覆盖率仍不足30%。
3.系统架构断点
企业内部系统间的数据壁垒。某央企案例显示，其使用的58个业务系统中，73%存在数据标准不统一问题——同一“客户”字段在CRM系统定义为营业执照名称，在ERP系统却记录为合同签约主体。RPA技术虽能实现表层数据搬运，但无法解决底层逻辑差异。
4.数据质量断点
未经治理的脏数据导致的AI幻觉。审计实践发现，企业财务数据常见问题包括：凭证摘要模糊（如“付款”占比42%）、辅助核算缺失（达35%）、跨期业务人为调账（约28%）。通用大模型处理此类数据时，输出错误率高达40%以上。
（二）数据链整合的三大实施路径
针对上述断点，谢力提出三种解决方案：
1.行业垂直大模型
需投入数百万训练成本，但面临技术迭代风险——某会计师事务所训练的审计风险模型在GPT-4 Turbo发布后准确率下降12个百分点。更可行的路径是“通用大模型+行业插件”，如某四大所开发的存货监盘插件使盘点效率提升60%。
2.行业知识图谱建设
不同于简单案例堆积，需注册会计师将低知识密度信息提炼为高价值关系网络。例如：将10万份应收账款坏账案例转化为“行业-账龄-回收率-担保方式”的量化关系图谱，使AI辅助判断准确率从68%提升至89%。
3.数据标准体系构建
包括三个层级。国家层面，如财政部XBRL标准（2015/2018）、九部委电子凭证标准（2025）、中注协审计数据规范（2023/2024）；行业层面，如某快消行业联盟制定的“渠道费用-销售收入-库存周转”关联标准；企业层面，如主数据管理（MDM）系统建设，某集团通过统一“供应商主数据”使对账效率提升40%。
谢力特别强调数据标准与AI效能的关联。当企业数据标准化程度达到70%以上时，AI工具的投资回报率可提升3-5倍。反观当前现状，央企数据标准化率平均为45%，民营企业则不足30%。
（三）会计师事务所人力资源管理新范式
面对AI变革，谢力重构了“选育用留”全周期管理机制：
1.人才选拔
能力模型：在传统会计技能外，增加SQL/Python（权重30%）、学习敏捷性（25%）、逻辑思维（20%）评估。
测评革新：采用动态AI测评系统，某试点事务所通过分析2000个咨询项目中的15万条行为数据，构建“数字敏锐度”预测模型，使高潜人才识别准确率提升35%。
2.培养体系
分层设计：基础层（AI工具操作）、业务层（场景定制）、战略层（算法审计）。
实战导向：数字孪生实验室模拟异常交易识别等12个场景，参训人员平均决策速度提升50%。
知识沉淀：建立“行业模块-业务对象-风险规则”的三级知识库，某审计团队通过结构化沉淀300个制造业案例，使新员工培养周期缩短40%。
3.团队配置
柔性组织：按项目需求动态组合行业专家（占比20%）、数据工程师（30%）、传统注册会计师（50%）。
人机协作：AI处理标准化工作（如凭证抽查），人类专注职业判断（如关联交易识别）。
4.激励机制
价值重构：知识贡献（如标准建设）占绩效考核权重提升至40%。
双轨晋升：专业线（初级注册会计师→数据架构师）与管理线并行，某事务所实施后核心人才流失率下降28%。
（四）注册会计师的新定位：数据架构师
谢力提出，未来注册会计师的核心角色将从“数字处理者”转型为“业务逻辑的数据架构师”，需具备三大底层思维：
1.批判性思维
突破传统审计程式化操作。典型案例：某上市公司通过业务流程埋点自动完成“三单匹配”，使注册会计师得以聚焦采购审批权限等实质性风险，发现隐性关联交易涉及金额1.2亿元。
2.第一性原理
回归业务本质解构数据关系。以存货跌价准备为例，不应简单按账龄计提，而应构建“产品生命周期-市场价格-替代技术”的关联模型，某高科技企业借此发现账面减值不足问题涉及利润虚增8000万元。
3.解耦与连接思维
将企业业务解构为标准化数据组件。实践案例：某会计师事务所开发“供应链金融审计模块”，通过组合“订单-物流-资金”数据单元，使供应链融资风险识别效率提升70%，发现某汽车经销商虚构交易涉及金额4.3亿元。
谢力总结道，当AI能7×24小时处理海量数据时，注册会计师的独特价值在于：将混沌业务抽象为可计算模型的能力（抽象权重40%）、在数据迷雾中发现异常模式的洞察力（30%）、平衡商业逻辑与合规要求的判断力（30%）。这种“人类智能+人工智能”的协同模式，正在重塑行业价值分配格局——在某国际所的收费结构中，传统审计服务占比已从2015年的85%降至2025年的45%，而数据架构咨询收入年均增长达62%。
九、汪宁总结：以人才变革护航行业高质量发展
汪宁代表协会对各位专家的精彩分享和人才工作委员会对会议的精心筹备表示衷心的感谢。他指出，7位嘉宾围绕能力重构、人机协同、数字员工、智能共创等核心议题展开深度探讨，共同勾勒出AI时代人才培养的路径与方向。汪宁强调，AI对行业的颠覆性影响已成为共识，人才培养需与技术发展深度融合，以重塑人才能力为核心，推动行业高质量发展。
汪宁进一步强调了AI时代人才重塑的三大关键方向：
其一，技术驾驭能力是基础。从业者需成为AI的主导者，而非被动使用者，要熟练掌握智能审计、数据分析及可视化工具的操作，独立完成数据处理与结果解读，同时理解机器学习模型的基本原理，能针对性地向技术团队反馈工具改进建议，确保在AI应用中牢牢把握主动权。
其二，批判性思维是关键。AI是行业赋能者而非替代者，其生成的结果只是“参考答案”而不是“标准答案”，无法替代人的专业判断和法律责任。在AI时代，注册会计师需具备更高的专业素养，能评估算法可靠性、对异常结果溯源分析、判断风险性质，并从财务数据中挖掘AI难以察觉的深层信息，实现专业能力与AI技术的互融互促。
其三，伦理合规是底线。防范技术滥用、正确处理质量与效率关系是AI应用的前提。这不仅需要建立完善的行为规范与制度约束，更要通过文化培育形成行动自觉，将伦理合规嵌入AI应用的全流程，确保AI始终服务于坚持诚信执业、维护市场公平的根本目标。
汪宁总结了人才重塑的三大实施路径。系统性的人才培养，首先需强化战略引领，将AI人才培养上升至战略层面，列为“一把手工程”，制定专项行动，描绘清晰的培养路线图，加强人才全生命周期管理，做到人才投资优先保障、人才结构优先调整，呼应国家“AI+”战略部署。
其次，要创新培养方式。结合AI要求对人才进行重分类，区分引领者、行动者、追随者等，构建新的人才培养体系；针对性开发AI技术应用核心模块与沉浸式交互学习工具；组建注册会计师与数据科学家联合的“混合编队”，在实战中推动融合成长；深化校企联合，构建产学研一体化网络，实现前沿成果与实践应用的无缝衔接。
最后，需建立特殊人才激励机制。打破论资排辈，为AI人才开辟快捷上升通道；加大资源投入，将人工智能研发与应用成果纳入绩效考核体系；同时建立容错机制，鼓励大胆创新，为人才松绑赋能。
与会者一致认为，AI已成为行业发展躲不开、绕不开的关键变量，未来行业核心竞争力将聚焦于算力与算法模型的比拼，人工智能应用水平可能成为企业竞标条件，监管部门也可能借助AI实现全量检查。在此背景下，人才成为提升AI应用水平的核心要素。
会议呼吁，以本次会议为新起点，全行业需共同重视并创新AI人才培养模式，通过系统性举措培育适应时代需求的专业人才，为行业高质量发展源源不断注入新动能。
