2026年10月12日下午,北京资产评估协会行业发展战略委员会、行业信息化建设委员会、惩戒委员会联合举办的“数智化评估转型与AI监管”沙龙在协会五层会议室举行。会议以“数智化评估转型与AI监管实践分享和研讨”为主题,聚焦AI在并购重组、评估报告检查、风控与监管中的实践应用,重点研讨AI工具定位、人机协同边界、执业质量控制、合规责任和行业数智化转型路径。北京注册会计师资产评估行业深改办副主任逄俊出席会议并作开场致辞,北京资产评估协会副会长、北京天健兴业资产评估有限公司董事长孙建民出席会议并作总结发言。会议由北京资产评估协会行业发展战略委员会委员、中联资产评估集团有限公司总裁助理陶涛主持,圆桌对话由北京资产评估协会惩戒委员会副主任委员、中发国际资产评估有限公司副总经理毛维涛主持。北京地区资产评估师、从业人员等近100人参加会议。
现将本次沙龙主要成果综述如下:
一、开场致辞:把握机遇,守住专业底线
逄俊在开场致辞中指出,“人工智能+”行动加快推进,Agent智能体等技术正逐步进入并购重组标的筛选、评估报告审核、风险预警识别、业务数据处理等资产评估执业场景,为行业提质增效提供新路径。面对审核专家资源紧缺、复核工作量大、复杂项目核查难度高等现实问题,AI可以承担信息归集、格式校验、风险初筛等重复性工作,释放专业人员精力。
同时,她强调技术是一把“双刃剑”。AI应用带来模型幻觉、输入数据质量参差不齐、输出结果合规性难以把控、技术应用边界模糊等执业风险。新发布的《资产评估机构业务质量控制指南》(中评协〔2026〕6号)《资产评估职业道德准则》对行业运用人工智能提出明确要求:不得以技术应用替代专业判断;逻辑应清晰可解释,数据处理全过程应留痕可追溯,输出结果应真实可验证;评估专业人员应始终保持职业怀疑。她提出两点期望:一是理性定位AI工具价值,坚守评估专业底色,坚持人机协同,不能直接采信AI输出作为执业结论,对AI给出的参数与结论要逐项核验、审慎研判并完整留痕;二是充分开展交流研讨,凝聚行业实践共识,围绕场景选型、风险防控、人才培养、监管适配等沉淀可复用、可借鉴的实践思路。
二、主题演讲:从场景落地到风险监管
(一)董甫耸:AI在并购重组中的应用——每个人打造自己的数字员工
中联企业管理集团有限公司首席技术官董甫耸以“AI在并购重组中的应用——每个人打造自己的数字员工”为题,从AI使用范式演进、数字员工构成、Skill方法、并购场景案例和落地路径五个层面展开分享。
第一,AI使用范式正从“聊天问答”走向“自主执行”。 董甫耸将AI应用划分为三个阶段:第一阶段是大模型聊天问答,一次一个回合,经验留在聊天记录里;第二阶段是带知识库的问答,能查询企业文档和业务数据,但仍是“你问我答”;第三阶段是Agent时代,即“Harness+Skill”,从“问它”变成“派活给它”,由AI自己执行、自己校验、交付结果。他认为,这不是个别产品的功能变化,而是整个行业使用范式的迁移。
第二,数字员工由大模型、Harness、Skill和知识库四个部件构成。大模型是“大脑”,负责理解、思考、推理、规划和生成;Harness是“手脚”,负责连接外部世界、调用API和工具、执行任务;Skill是“技能”,负责任务分解与编排、领域专业技能调用、多步骤任务执行;知识库是“记忆”,提供企业知识、文档数据检索和长期记忆。四者结合,形成能思考、会行动、懂业务的数字员工。
第三,Skill是“一份能挂脚本的技能说明书”,核心是“模型负责判断,脚本负责算准”。Skill在载体上表现为一个文件夹,包含指令文件SKILL.md、可执行脚本、参考资料、评分标准和输出模板。其分工有两层:第一层是指令,由模型阅读,说明任务目标、使用场景、执行流程、评分标准和注意事项;第二层是脚本,由机器计算,把财务计算、硬门槛和权重固化在代码中。例如毛利率门槛20%就硬编码为20%,模型“觉得差不多”也过不去;权重写在脚本里,改一行数字,全团队下次执行就是新口径;“注意”一节则把踩过的坑写进制度。
第四,为什么需要Skill?董甫耸指出,直接问大模型存在四方面局限:每次问法不同输出不同;复杂任务需要5—6轮对话;新人和老手输出质量不一致;经验无法积累为组织知识资产。Skill的四大价值在于标准化、自动化、可积累、可进化。他用一个对比说明:提示词模式是“每次口头嘱咐”,Skill模式是“写进制度的操作手册”;提示词模式依赖个人手动输入、结果不稳定、需频繁人工校验,Skill模式则自动按需加载、方法论固化、内置自动打分和不达标重做的闭环,且执行与打分由不同智能体分别承担,“裁判不是运动员”,避免模型自己给自己打高分。他还提到,Agent Skills已作为开放标准发布,同一份Skill可跨平台通用,正在成为行业“通用语言”。
第五,并购全流程中的AI应用场景。董甫耸展示了并购全流程七个环节:战略规划/标的搜寻、标的筛选评估、尽职调查、估值建模、交易方案设计、合规审核/文件起草、整合(PMI)。其中前四个环节和合规审核已“可用”,交易方案设计和投后整合仍在“探索中”。他重点分享两个案例:并购标的筛选和估值建模,一个管“找得全、筛得准”,一个管“算得对、用得顺”。
案例一:标的筛选——Skill是用出来的,不是写出来的。
标的筛选的痛点有两层。业务层是筛选标准不统一、覆盖面有限、过程不可追溯;进化层是经验留在个人脑子里,人走经验走,一个人踩的坑全团队无法共享,新人只能靠老人带。根本原因在于缺少一种可供全团队共同构建、持续积累的产出物。
解决方式不是写代码,而是和Skill Creator对话。懂业务的人用自然语言描述自己的筛选流程,几轮对话后就能生成结构完整的Skill。生成的Skill分两层:指令层由模型读,包含筛选维度、执行流程和评分标准;脚本层由机器算,包含权重、硬性门槛和打分函数。权重写在脚本里而非提示词里——改一行数字,全团队下次执行就是新口径。
分享中演示的筛选Skill经历了V1到V3的迭代:V1只有行业、规模、区域三个条件,筛出来“看着都行”,排不出优先级,还混进了常年亏损的公司;V2加入财务门槛和四维评分模型,却在接触高分标的后才发现实控人涉诉、对赌未解除;V3增加风险排雷环节,涉诉失信、对赌质押、行政处罚、专利纠纷一票否决。三个版本的进化没写一行代码,每次只是把踩过的坑用一句话告诉它。而新人第一天使用,就自动规避了团队踩过的所有坑。
更进一步,Skill可以升级为Workflow:任务分发、并行筛选、独立打分、合并对标、达标输出;不达标则自动打回,换思路、换数据源重新寻找。执行和打分分开之后,分数才是真的。此时它已不再是一个问答工具,而是一个有分工、有质检、有返工机制的小型数字团队,而人只做一件事——定标准。
案例二:估值建模——懂业务的人自己造工具
估值建模的痛点是建模耗时、口径不一、调参反复改表。其路径分三步:先和中联超智Harness对话,把DCF假设逻辑、可比公司选取标准、折现率取值习惯讲清楚;再沉淀为估值Skill,固化假设框架、计算逻辑、检查清单和输出模板;最后输入标的数据,自动完成建模、敏感性分析并输出报告。
更令人耳目一新的是,业务人员还可以直接通过对话生成自己的HTML估值工具——现场演示中,拖动折现率滑块,估值结果实时联动;不满意,再说一句话,马上就改。以前是“业务提需求、IT做产品”,现在懂业务的人,自己就能把需求做成产品。
第六,企业落地路径:从一个“特别痛”的点切入。
分享最后落到企业如何系统化推进。中联超智平台被定位为企业级数字员工的孵化与运行平台,提供统一的Harness环境、组织级Skill库和企业知识库——平台提供“身体”,业务团队提供技能和经验。落地方法被概括为五步:选痛点、做第一个Skill、用起来迭代、升级Workflow、沉淀技能库。好切入点的判断标准有三条:高频、规则相对清晰、价值可量化。
最后他用三句话总结:AI已经从“问答”进入“干活”的时代;Skill让经验变成可积累、可闭环校验的组织资产;从一个痛点开始,每个人都能打造自己的数字员工,今天就能做出第一个属于自己的V1。
(二)袁勇:AI在资产评估报告检查中的研究与实践
北京资产评估协会行业信息化建设委员会副主任委员、北京天健兴业资产评估有限公司信息化总监袁勇以“AI在资产评估报告检查中的研究与实践”为题,围绕AI 落地研判、业务场景聚焦、技术路径选型、工程化落地、治理降本、应用成效等维度,系统阐述天健兴业在 AI 辅助资产评估报告检查领域的研究与实践。
1.在行业契机方面,AI应用正当其时。政策指引、技术迭代、场景创新与行业经验积累,为AI落地创造了有利条件,但行业要警惕 AI 应用流于宣传噱头。天健兴业基于数千份审核记录开展量化统计,找准业务突围方向:形式规范性、技术参数与测算过程属于报告问题高发领域,据此锚定评估模型检查、文本规范检查、逻辑关联检查、合法合规检查、风险分级提示五大高价值应用场景。
2.在技术架构方面,搭建“LLM 推理引擎+RAG知识底座 +Agent Skill技能包+Harness工程平台”Agent技术栈。为突破AI幻觉难题,企业打造融合模型库、数据库、规则库、语料库的“四库”审核专用知识平台。针对资产评估行业缺少统一标准化测算模型的行业痛点,自研“智汇核验”表格核查工具,把估值测算表拆解至单元格级别,对测算底稿开展CT级核查,单一评估方法可覆盖2800余个风险监测点位;依托RAG知识库搭配标准化提示词工程,打通表格核验与文本核验,实现两类能力深度协同。
3.在质控流程方面,建立人机协同的新型质量控制工作流。系统部署需求解析、数据整合、风险提示、冲突处理等多类智能体,与人类专家复核流程联动衔接,清晰划定人机分工,坚守评估师专业判断的核心地位。双盲实测结果表明,智能体工作流在错误发现率、审核耗时两项指标上显著优于纯人工审核。当前这套核验系统已为行业监管部门、协会、央国企产权管理等主体提供技术服务。
4.在成本治理与行业生态方面,倡导升级行业经验共享模式。行业共享不应局限于数据、模型层面,更要推动MCP 服务工具、领域RAG知识库、提示词库、专业Skill技能包的能力与服务共享,推动资产评估行业迈向生态化协同。天健兴业依托深厚评估业务积累与数字化研发实力,以AI技术助力评估报告提质增效,同时严守技术风险,保障AI应用可控合规。
(三)孙永强:AI辅助下的风控与监管
北京资产评估协会惩戒委员会委员、中和资产评估有限公司副总经理孙永强以“AI辅助下的风控与监管”为题,从AI的本质与定位、AI带来的变与不变、AI的能与不能、AI辅助下应如何操作以及机构实践五个方面展开分享。他指出,AI已深入资产评估工作全流程,从数据整合到风险防控再到价值重构,正推动行业迈向以数据驱动、人机协同的高质量发展阶段;与此同时,国资监管部门正在利用AI模型对国有资产交易行为进行穿透式监管,监管力度和效率空前提升,评估机构和专业人员必须更好认识AI、利用AI提高风险控制能力。
第一,AI的本质与定位:高效辅助工具,不是专业判断的替代者。孙永强认为,AI本质上仍是一种效率工具,以海量数据为支撑,在人类设定的规则框架下输出所需结果,帮助提升工作效率、解决复杂问题;当前AI还没有自主意识,不会独立思考,无法完全替代人类的创造性和价值判断,其输出结论质量的高低取决于“喂”给它的数据广度和质量。他引用新版《资产评估机构业务质量控制指南》第五十三条指出,资产评估机构及其专业人员运用人工智能、大数据等数字化技术辅助评估时,不得以技术应用替代专业判断。因此,AI能帮助算得更快,但不能帮助判断“算得对不对”,发挥的是“智能辅助”作用。
第二,AI带来的变与不变。孙永强指出,AI带来的变化是提高工作效率、降低出错概率、提升执业质量,通过数据智能、模型分析和自动化审查,提升风险识别精准度和合规审查效率,辅助监管方进行动态监控。AI改变不了的是准则要求评估专业人员拥有的专业判断能力、职业怀疑态度、独立客观公正原则和执业经验,以及评估法赋予评估师和评估机构的权利义务与法律责任。针对“AI是否会取代评估行业”的讨论,他认为AI真正取代专业判断“这条路还很远”。
第三,AI的能与不能。AI能做的主要有三方面:一是信息整合和行业参数快速归集,按项目需求检索各行业收益率、折现率、行业平均毛利率、资产损耗率、设备残值率、不动产租金水平、空置率等核心参数,整合公开市场数据、行业年报、统计公报和权威研报,替代人工逐条翻阅筛选;二是底稿与报告内容匹配自查,辅助核对底稿数据、测算过程与报告正文披露内容的一致性,快速发现数据前后矛盾、披露不全、逻辑断层等低级错误,减少复核压力;三是市场趋势分析与早期预警,通过关联大规模数据集绘制市场价格曲线,帮助评估人员校准模型、提高评估结论的及时性和相关性,并提醒项目团队、质控人员和机构管理者注意潜在估值泡沫和投资风险。
AI不能做的有四方面:一是对项目风险的判断以及评估程序合规性的把控,资产评估是专业判断很强的技术性工作,AI只能辅助提高效率,合规把控需要专业人士;二是现场尽调与事实认定,AI无法现场核实资产真实状态、权属瑕疵、使用情况和损耗程度等非标准化信息;三是核心参数的取舍判断,AI无法结合评估目的和类型合理选取评估方法,也无法根据经济行为最终确定合理评估结论;四是承担最终责任,评估报告具有法律公信力和追责属性,报告结论、风险披露、合规表述的最终责任由签字评估师和评估机构承担,AI无法承担。
第四,AI辅助下应如何合规操作。孙永强结合新版《资产评估机构业务质量控制指南》和《资产评估职业道德准则》(中评协〔2026〕7号)提出四层要求:一是第五十二条要求评估机构建立信息技术控制制度,确保使用的软件、模型和算法符合法律法规和评估准则要求,做到逻辑清晰可解释、数据处理全过程留痕可追溯、输出结果真实可验证;二是第五十三条要求不得以技术应用替代专业判断,不能照搬照抄,谨防“垃圾进、垃圾出”,对AI给出的参数和提示要逐项核验合理性、对异常值进行分析判断,并将复核过程写进工作底稿;三是第五十四条要求落实人工复核机制,审慎分析评估参数与评估结论合理性,在工作底稿中完整记录复核过程,清晰界定人机协同边界,明确评估师需要完成哪些工作、利用AI获取哪些信息、责任如何划分;四是新版职业道德准则第五条新增“保持应有的职业怀疑”,不仅要对被评估单位提供的基础数据进行职业怀疑,对AI输出的风险提示、异常预警及合规结论也要进行人工复核、研判和最终把关,并保留完整复核留痕,以应对监管审查。他强调,准则条款尚未正式实施,各机构应提前进行针对性调整,包括内部制度设置和具体要求。
第五,机构实践:ValuxData平台与报告核查四大核心能力。孙永强介绍,中和评估自1999年起专注资产评估数据及软件研发,拥有25年行业数据积累,从“中和明识资产评估数据库”、评估资讯网、三师汇、CAVS辅助评估系统发展到2026年的ValuxData平台,融合人工智能技术提升数据服务的精准性、全面性和智能化水平。报告核查形成四大核心能力:一是智能识别,自动解析Word、PDF、Excel等多种送审文件,自动阅读报告并提取报告类型、资产类型、价值类型、评估方法、评估目的、基准日、价值类型、所属行业、报告日等关键信息,动态匹配生成专属核查清单;二是知识数据驱动,内嵌法规准则库、专业数据库、参数与指标库、专家经验、核查规则和动态更新机制,实现基于规则的推理和智能判断;三是全维度核查,覆盖逻辑性、合规性、数据支持、计算过程、一致性、预测合理性等维度,进行穿透式核查与错误定位,不仅看“数对不对”,更关注“数是怎么来的、逻辑通不通”;四是深度分析,基于报告本身、知识和数据,集成AI大模型进行深度分析,自动聚合问题并生成多维度核查报告,按高风险、中风险、低风险分级提示,审核人员重点关注高风险问题。
孙永强指出,AI工具提供的数据质量取决于数据库的质量,单个机构数据积累有限,行业应努力建立高质量统一数据资源,整合各机构数据库,使行业数据来源更丰富、深度更深。最后他强调,AI是强大工具,要善于利用AI提升执业质量和效率,但更要清晰“人机协同”的边界,始终将专业判断和职业道德作为基石。
三、圆桌对话:聚焦应用痛点、规范边界与责任划分
毛维涛主持圆桌对话,北京资产评估协会行业信息化建设委员会副主任委员、北京中企华资产评估有限责任公司副总裁李永刚,北京资产评估协会惩戒委员会委员、北京国融兴华资产评估有限责任公司常务副总经理张志华,以及董甫耸、袁勇、孙永强等五位嘉宾,围绕AI应用的数据准确性、中小机构能力鸿沟、质控关口前移、安全与责任、黑箱风险及人机协同边界等问题展开研讨。
关于AI筛选标的数据准确性与Skill价值,董甫耸认为,数据来源包括企业内部知识库和互联网信息,内部知识库可保证数据真实性,并作为校验外部数据的依据;应通过多维互联网数据与企业内部数据交叉验证、行业数据交叉验证Skill给出置信度,并对数据源头、计算过程和结果进行溯源,最终仍需评估专家和并购专家判断。他表示,Skill并非被大模型覆盖,而是承担组织管理、监督、计算与检索、多智能体协作和独立打分等职能;大模型能力越强,越需要相应的管理、监督和组织方式,Skill也需要持续迭代进化。
关于中小机构能力鸿沟与质控关口前移,袁勇认为,个人和机构对AI替代的担忧可以理解,类似会计电算化,工具使用需要业务人员提炼业务逻辑;基础能力提升后,行业应用能力和提示工程方法论仍掌握在专业人员手中。中小机构应分层分级、分需求分重点应用:大机构可智能开发或与第三方平台共建,小机构可根据业务特点使用公共平台,但需明确数据使用规范,核心资产可打包为Skill。关于事前预防与事后检查,他表示事后检查容错率更高,当前先从报告检查切入,积累数据库、模型库和经验,目标是将AI方法应用于事前预防,在可控范围内逐步介入正向操作;审核阶段数据规整、规则清晰、见效快,是较好的切入点。
关于AI辅助工具的优势、短板与规范使用,李永刚认为,智能体已开始“竞争上岗”,评估师需要拥抱技术、不断进步;数字员工特别适合知识管理型行业,文本处理优势明显。中企华已开发覆盖洽谈投标、数据收集、评估测算、报告撰写、存档备案等流程的数字员工,并在电子底稿检查、中企华项目知识库等方面探索。AI应用的最大短板之一是信息安全,专业工作应使用私有化或个体化部署、经过安全验证的平台;责任主体仍是评估师和评估机构,智能体是辅助工具,机构内部需界定工作边界,避免智能体做一遍、人再重复做一遍。数据资产方面,应关注数据确权、入表和“可用不可见”等共享机制,行业数据整合具有可能性。
关于“黑箱”风险及规避办法,张志华认为,黑箱是指输入数据、输出结果,但不了解整个计算过程;传统评估要求逻辑严密、程序清晰、底稿完整,而大模型参数规模大、推理过程难以解释,可能带来工作底稿不可解释、合规性受质疑、数据关联与业务实际背离、法律责任划分不清和泄密等风险。解决之道在于明确AI可用与不可用边界,将重复性工作交给AI,将模型选取、专业判断交给评估师;建立AI使用制度,项目人员和负责人借助AI辅助需说明技术思路并经公司审批;数据信息全过程留痕,加大人工复核,防止对AI过度依赖和人的惰性。
关于AI审核责任与留痕,孙永强认为,在当前法律、经济和监管环境下,AI工具定位仍是辅助评估机构工作的工具,责任主体是资产评估机构和资产评估专业人员;资产评估法和评估准则规定的法律责任主体明确,目前处罚案例尚未出现引用数据平台担责的情形。人工复核推翻AI提示的风险点,应有合理分析、证据和过程记录,按评估程序形成档案底稿并留痕,以证明结果公允性和程序准确性。未来若AI工具被赋予一定法律角色,责任体系可能变化,但当前责任仍在机构和评估师。
在自由提问环节,袁勇还就知识库衔接、模型库和规则库执行问题作出回应。他表示,知识库衔接涉及结构化、半结构化和非结构化数据的排序召回,结构化数据召回率更高,公司智能体尽可能进行结构化数据召回;模型库通过拆解收入、成本等结构形成规则并组合,传统编码模型正逐步转为MCP服务等方式;规则库将多年审核意见拆成逐条规则和锚点,当前用大模型方式转化率约90%,模糊部分由平台辅助;要判断大模型是否执行某条规则,需以工作流为主体,由代码脚本执行可控制环节,大模型做适配判断,同时通过外部测试和溯源降低排错证伪难度。
四、会议总结:AI平权与行业引领
孙建民作总结发言。他表示,AI对资产评估行业带来巨大变革,惩戒、战略、信息化等委员会必须回答AI对行业的影响问题,三个委员会组织此次高质量讨论值得肯定。他提出,AI带来了“平权”机会:中小机构虽然不一定有人力物力开发系统,但只要了解并学会驾驭AI,就可在很多场景与大机构处于同一条跑道,例如发言稿撰写、航空公司评估项目模板和技术方案获取等,借助AI可弥补经验和资源不足。他勉励中小机构不要灰心,AI提供了新的机会。同时期待北京资产评估协会和各专门专业委员会继续站在行业潮头,引领行业数智化转型。
五、会议共识:坚持人机协同,稳妥推进转型
综合来看,本次沙龙形成以下共识:
第一,AI是辅助工具,不是专业判断的替代者。AI可提升效率、降低差错,但不能替代评估师独立专业判断;必须坚持人机协同,落实人工复核、逐项核验和全过程留痕,守住执业底线。
第二,AI落地应从高频、规则清晰、价值可量化的痛点场景切入。通过Skill、Workflow、知识库和多智能体协同,把个人经验转化为组织资产,实现标准化、自动化、可积累、可进化。
第三,评估报告检查是当前较易见效的切入点。可在模型检查、文本规范性、逻辑关联等场景先行突破,再逐步向事前预防和全流程质量控制前移。
第四,风控与监管须高度关注AI应用风险。应针对模型幻觉、数据质量、黑箱不可解释、信息安全、责任划分等问题,依据新版质量控制指南和职业道德准则,建立AI使用制度、复核机制和留痕机制,明确责任主体仍是评估机构和评估师。
第五,行业应推动数据、模型、服务和能力共享。通过MCP服务工具、特色RAG库、提示词工程库和特色Skills等,帮助中小机构跨越能力鸿沟,实现“AI平权”,稳妥推进北京地区资产评估行业数智化转型。

