复旦大学：2026中国企业财务AI应用指数报告

中国企业财务AI应用指数复旦大学管理学院财务与人工智能研究课题组2.本资料仅限会员学习使用，如他用请联系版权方；3.会员费用作为信息收集整理微信扫码长期有效1.进群福利：进群即领万份行业研2.每日分享：6+份行研精选、3个行业主题3.报告查找：群里直接咨询，免费协助查找4.严禁广告：仅限行业报告交流，禁止一切无关信息加入后无限制搜索下载(已存60万份，每月更新1万+份)2026中国企业财务AI应用指数课题组成员邱婧马邦兴吴苏怡张春依王啸林2026年9月总序中国企业财务AI应用总览 5 6 7一、两类企业财务AI应用的总体特征 7 7 8 9二、上市与非上市企业AI工具多样性对照 9 上篇上市公司财务AI应用指数 二、上市公司财务AI应用 2.3多维企业画像：三个一级指数的分组对比 2.4“高准备一低应用”转化错配与工具趋势 主要结论 31管理与政策建议 附录数据处理与指标口径 下篇非上市企业财务AI应用指数 1.1数据来源 1.2指数构建与测度方法 40二、非上市企业财务AI应用 412.1非上市企业财务AI应用的总体特征 2.2五个一级指数深度解析 2.3多维企业画像：五个一级指数的分组对比 2.4“高准备一低应用”转化错配 三、结论与建议 主要结论 60管理与政策建议 61总序前言2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》(国发股上市公司2023—2025年完整年报和CSMAR数据库，从技术基础、AI转型准备和AI本报告作为两份独立研究的导引，旨在为读者提供整体视角，概述两类企业的核心·样本：661家A股上市公司(2023—2025年年报)·框架：技术基础—AI转型准备—AI应用水平三维测度·框架：技术基础—AI转型准备—AI人才发展—AI成熟度—AI应用障碍五维测度下文将概述两份报告的主要发现，并通过五类共同工具的对照分析，揭示两类企业上市公司财务AI应用主指数均值为26.78分(满分100分),样本集中于21—40分区间，整体处于早期探索阶段。三个一级指数呈梯度分布：AI转型准备指数最高，为34.74分；技术基础指数次之，为27.65分；AI应用水平指数最低，为17.96分。这一得分次序显示，上市公司在财务AI链条各环节上的位置并不均衡，越靠近应用落地的一端从转化结构来看，AI转型准备指数平均领先AI应用水平指数16.78分，准备得分领先应用得分超过30分的公司达191家。这里的“领先超过30分”按连续差值划分，而后文四类分组则以两项指数各自的样本中位数为界，二者并非同一分类标准。按中位数划分，高准备一高应用企业181家、高准备一低应用企业150家、低准备一高应用企业150家、低准备一低应用企业180家，四类数量相对接近。其中，22.7%的公司处于高准备一低应用状态，说明准备向财务场景落地的转化间隔并非个别现象，而是广泛存在于具有不同行业与规模特征的企业群体之中。非上市企业财务AI应用主指数均值为22.83分(满分100分),89.7%的企业处于0一97.55分(该指数采用反向计分，分数越高表示障碍越少)。这种“人才先行、应用滞后”的模式表明，尽管非上市企业在AI人才培养方面已经取得一定进展，89.7%的受访者已经在学习AI工具技能，但这些人才优势尚未充分转化为实际的技术部署和业务应用。从基础条件建设、转型准备到实际应用落地，非上市企业仍有较大的提升空间。值得注意的是，非上市企业的转化结构与上市公司形成鲜明对比。应用水平不低于转型准备的问卷记录达260条，占59.50%,整体表现为“多数实现转化、少数存在明显错配”的结构。这一现象表明，非上市企业的财务AI应用并不完全依赖于系统性的前期准备。部分企业可能绕过大规模基础设施建设和正式转型规划，通过购买成熟软件服务、部署局部智能工具或对现有财务系统进行轻量化改造，实现较快的应用落地。综合来看，两类企业呈现出不同的财务AI应用特征与转型路径。上市公司信息系统更规范、资源投入能力更强，整体表现为准备领先应用，转型准备平均领先应用水平16.78分，“高准备一低应用”的转化错配广泛存在。非上市企业则呈现出相反的转化结构，59.50%的企业应用水平已经不低于转型准备水平，部分企业借助成熟的外部工具这一反差意味着转型成效并不单纯取决于资源禀赋，更取决于数据、流程与组织能否跟上投入的步伐。上市公司面临的挑战在于如何打通从准备到应用的转化链条，非上市企业面临的挑战则在于如何在人才优势基础上系统性提升技术基础和应用深度。两类企业的不同路径与结构性差异，为理解财务AI应用的多元模式提供了重要线索，也为后在完成两类企业各自的结构分析之后，本节转向跨样本对照，比较两类企业在五类共同工具上的表现。为保证可比性，两端采用完全一致的工具类别定义与计分方式，上市端统计年报文本中五类工具的有效财务语境命中，非上市企业端来自437条问卷记录中的共同工具回答。对照从两个视角展开：平均得分刻画共同工具多样性的总体水平，相对排名则按各自样本中不同工具的表现排序，观察两类企业最常用与最少用的工具类如图1所示，在共同工具多样性的平均得分上，上市公司年报样本为12.51分，非上市企业问卷样本为25.35分。需要说明的是，两端得分的生成方式不同：上市公司得分来自公开文本中可识别的工具命中，受披露习惯约束；非上市企业得分来自受访者填报，更接近使用情况的自我报告。两端的平均得分应理解为各自样本覆盖工具类别综合程度的度量，具体工具的先后次序仍需结合相对排名作进一步判断。生成式AI生成式AI3OCR票据识别4财务流程自动化RPA5财务软件AI模块1财务软件AI模块2数据分析工具4OCR票据识别5生成式AI如图2所示，在上市公司样本中，财务软件AI模块居第1位，数据分析工具居第2位，财务流程自动化RPA与OCR票据识别分居第3位和第4位，生成式AI居末位。非上市样本的排序恰好首尾倒置，生成式AI升至第1位，财务软件AI模块降至第5位，数据分析工具则在两端均居第2位。这种首位与末位的对调，直观体现了系统嵌入式部署与通用工具切入两条不同的财务AI应用路径，为理解两端的应用结构差异提供了直接线索。上市公司的财务AI更多随既有财务软件的智能化升级进入业务流程，非上市企业则更常核心发现：核心发现：上市公司偏向系统嵌入式的财务软件AI模块，非上市企业偏向通用型、轻量化的工具；统一的类别定义与计分规则，使这种结构差异能够被直接观察。这一工具路径差异与两端的转化结构相互印证：非上市企业呈现“多数实现转化、少数存在明显错配”的结构，上市公司则整体表现为准备明显领先于应用的格局。两端在五类共同工具上的得分差异与排名结构，共同指向系统嵌入式部署与通用工具切入两条不同的财务AI应用路径。上市公司的财务AI更多依附于既有财务信息系统的升级改造，财务软件AI模块居首位与此相符；非上市企业则更常从门槛较低的通用工具起步，生成式AI居首位即是印证。需要特别说明的是，两端得分的生成方式存在本质差异。上市公司得分来自公开年报文本中可识别的工具命中，受披露习惯与披露口径约束；非上市企业得分来自受访者填报，更接近使用情况的自我报告。因此，两端的绝对得分不宜直接比较高低，而应理解为各自样本覆盖工具类别综合程度的度量。相对排名的对调与路径差异的识别，才是本序言概述了上市与非上市企业财务AI应用的总体特征与结构性差异。两类企业在资源禀赋、信息披露、组织结构和转型路径上的差别，决定了其财务AI应用呈现出不同上篇基于661家A股公司2023—2025年完整年报和CSMAR数据库，构建了“技术··上市公司财务AI应用的整体水平如何?三个维度之间存在怎样的结构性差异?·哪些行业的财务AI应用走在前列?哪些行业仍有较大提升空间?·不同所有制、不同城市等级、不同规模的企业在财务AI应用上有何差异?·“高准备一低应用”的转化错配是如何形成的?如何打通从准备到应用的转化链条?对于希望了解以下问题的读者，建议阅读下篇：··非上市企业财务AI应用的整体水平如何?与上市公司相比有何特点?·非上市企业在AI人才发展方面表现如何?人才优势是否转化为实际应用?·非上市企业在推进财务AI应用过程中面临哪些障碍?上市两类企业的财务AI应用状态，弥补了单一视角的局限；第二，采用一致的工具类别定义和计分规则，使跨样本对照成为可能，揭示了两类企业在财务AI应用路径上的结构性差异；第三，通过多维度的分组分析和对照分析，为理解财务AI应用的多元模式提供财务AI应用的深入发展，需要企业、行业协会、监管部门和研究机构的共同努力。企业应根据自身的资源禀赋和发展阶段，选择适合的转型路径；行业协会和服务机构可据此设计针对性的支持方案；监管部门可进一步细化披露口径，缩小“已应用但文本不可识别”的测量偏差；研究机构则可通过持续追踪和动态比较，观察财务AI应用的演进趋势，检验不同转型路径的实际成效。希望本研究报告能为推动财务AI应用的健康发展上篇前言2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》(国发在众多企业形态中，上市公司为观察这一进程提供了独特样本。连续的年度报告和相对规范的信息披露制度，使企业的数字技术基础、投入行动和财务语境应用能够在较长时间跨度内被持续追踪；与此同时，上市公司在规模、行业和组织结构上差异显著,其数字化建设往往同时受到资本投入、监管要求、集团管控和业务复杂度的多重影响，远非单一的工具采购数量或专利数量所能概括。正因如此，以公开年报为主要载体的上市公司样本，为构建可比较、可追踪的财务AI测度提供了难得的观察条件。判断一家企业的财务AI走到了哪一步，归根到底要看AI是否进入核算、资金、税务、成本和财务分析等内部职能流程。遗憾的是，现有关于企业人工智能和数字化转型的测度多从研发创新、技术资产、数字基础设施或管理层战略关注等角度展开，能够回答企业是否具备技术条件、是否形成投入意愿，却很少触及流程层面的实际使用。财务职能高度依赖数据标准、权限控制和审计留痕，技术“买进来”并不等于流程“用起来”——在财务场景下，基础、准备与应用三者之间完全可能存在明显的阶段性差异。补上这一测度缺口，正是本报告的出发点。沿着“具备什么一是否行动一应用到什么程度”的逻辑链，本报告构建“技术基础工具环境和AI资产部署；AI转型准备刻画管理层数字创新规划以及软件、硬件新增投资；AI应用水平刻画年报中可识别的财务AI应用频率和工具类别广度。投入条件、组织准备与业务落地由此被纳入同一分析链条，“基础一准备一应用”之间的传导是否顺畅、断点出现在何处，都可以在同一标尺下被直接观察。本报告的上市公司分析样本最终由661家公司构成，其背后是多源数据的交叉使除总体得分外，本报告还从行业、所有制、城市等级和员工规模等维度刻画企业画像，并进一步分析转型准备与应用水平之间的错配结构。通过这些分析，可以识别哪些企业已经具备较好的数字基础，哪些企业正在增加规划和投入，以及哪些企业尚未把准备行动转化为财务流程中的可识别应用。关于上市公司与非上市企业在财务AI应用路径本报告上市公司部分使用两类公开数据，一类是2023—2025年A股上市公司完整年报TXT文本，另一类是CSMAR数据库中的人工智能投资水平表、管理层数字创新导向AI工具多样性三项文本类指标，CSMAR三表则用于计算AI部署基础、数字创新规划和AI投入行动三项非文本指标。文本披露与账面数据相互印证，使同一家公司在数字技术条件、转型投入行动和财务语境应用三个层面均有对应的可观测指标。在此基础上，本报告以“六项二级指标三年均值均非0”作为入样规则，任一项二级指标的三年均值为0即不进入样本，最终形成661家公司的分析样本，后文各项结果均按此样本计算。从构成维度来看，三个一级指数各由两项二级指标构成，六项指标分别测度企业财务AI进程的不同侧面。技术基础指数中，数字工具覆盖统计年报内五类共同数字技术的有效覆盖类别，反映企业现有的数字工具环境；AI部署基础以AI软硬件期末账面价值占期末总资产之比，反映AI资产的账面沉淀强度。AI转型准备指数中，数字创新规划以管理层数字创新导向指标刻画战略规划强度，AI投入行动以AI软硬件新增投资占期初总资产的比例刻画当年实际投入。AI应用水平指数中，财务AI应用频率为每万词年报文本的有效财务AI邻近共现次数，回答“披露多不多”;财务AI工具多样性为五类共同工具中有效命中的类别占比，回答“涉及几类工具”。上述六项二级指标的具体计算口径、文本识别规则与人工复核流程统一在附录中列示，供读者对照复核与后续研究沿用。在指标计算上，本报告先按公司取2023—2025年三年均值，再在最终样本的1%和99%分位进行缩尾，以降低极端值对标准化结果的影响。缩尾后的指标按Min-Max公式统一映射到0—100分区间，使不同量纲、不同来源的指标具有可比的得分尺度。在权重设置上，三个一级维度等权合成主指数，维度内部的两项二级指标同样等权，避免单一指标对总得分产生过大影响，主指数的具体计算公式如下。财务财务AI应用主指数=(技术基础指数+AI转型准备指数+AI应用水平指数)÷3主指数同样位于0—100分区间，得分越高，表明企业在技术基础、转型准备和财务语境应用上的综合表现越好，三个维度的得分结构也由此具备直接可比性。图1上市公司财务AI应用主指数分布如图1所示，上市公司财务AI应用主指数呈现明显的低分段集中分布特征，均值为395家，占59.76%。另有195家公司处于0—20分区间，占29.50%。进入41分以上的公司明显减少：41—60分区间55家，占8.32%;61—80分区间14家，占2.12%;81—100分区间仅2家，占0.30%。这一分布格局表明，上市公司财务AI应用整体上仍处于早期探索阶段，41分以上的公司合计仅占10.74%。绝大多数公司的得分聚集在满分100分的下半区，意味着能够将数字基础、转型准备与财务场景应用贯通起来的公司仍然稀缺，距离财务AI的深度融合与流程级应用仍有较大提升空间。右尾如此稀薄的分布也提出了一个需要分层回答的问题：得分偏低究竟源于基础不牢、准备不足还是应用未起，下文将从三个一级指数逐一解析。2.1.2三个一级指数的平均得分图2三个一级指数平均得分技术基础指数AI转型准备指数AI应用水平指数27.65如图2所示，三个一级指数的平均得分形成清晰的梯度排序，AI转型准备指数最高，为34.74分，技术基础指数次之，为27.65分，AI应用水平指数最低，为17.96分。这一得分次序显示，上市公司在财务AI链条各环节上的位置并不均衡，越靠近应用落地的一端平均得分越低，准备端与应用端相距最远，三个一级指数呈“准备最高、基础居从总体格局来看，上市公司财务AI进程呈现准备领先、应用偏低的结构，三个环节中转型准备居首、应用落地居末。转型准备由数字创新规划和AI投入行动构成，其得分明显高于应用水平，意味着多数公司已经把AI列入议程并付诸投入，但准备动作尚未充分转化为财务场景中的可识别应用。这一落差可能意味着基础、准备与应用之间存在转化间隔，也可能部分来自年报文本对内部应用的识别边界，两种解释在公开数据下难以截然分开。后文将在2.4节结合准备与应用的错配结构和五类工具的年度披露趋势，对图3六项二级指标平均得分技术基础AI转型准备AI应用水平技术基础维度字创新规划43.96转型准备维度AI投入行动25.5财务AI工具多财务AI应用频率样性28.740应用水平维度别为47.62分和43.96分，AI投入行动和财务AI工具多样性居中，分别为25.52分和28.74分。与之相比，AI部署基础和财务AI应用频率明显偏低，分别仅为7.67分和7.17分，与得分最高的数字工具覆盖相距悬殊。值得注意的是，同一维度内部的两项指标同样高低错落，披露类指标的得分普遍高于资产三个一级指数之间的相关系数进一步揭示了维度之间的联动关系，技术基础与AI转型准备的相关系数为0.560,技术基础与AI应用水平为0.272,AI转型准备与AI应用水平为0.172。相关系数沿“基础一准备一应用”的链条逐级递减，显示基础端与应用端之间的关联明显弱于基础端与准备端之间的关联。这意味着，拥有数字工具和IT资产基础的公司更可能同步形成规划与投入，而单独的规划或投入并不会自动转化为财务场景中的落地应用，从准备走向应用还需要其他条件的配合。此外，财务AI工具多样性采用技术基础指数综合反映企业在数字工具环境与AI资产部署方面的既有条件，回答三维框架中“具备什么”的前置问题。该指数均值为27.65分，在三个一级指数中处于中间位置。这一维度同时容纳两类性质不同的基础：一类是年报文本中可识别的数字技术应用条件，另一类是财务报表中实际入账的AI软硬件资产，两类基础之间的落差构成理从构成维度来看，技术基础指数由数字工具覆盖与AI部署基础两项二级指标构成：前者刻画企业已配备的数字工具环境，得分为47.62分；后者以AI软硬件期末账面价值相对于期末总资产的强度测度，得分仅为7.67分。两项指标的分化表明，661家公司在数字工具的配备与披露上已形成一定广度，但AI相关软硬件尚未在资产负债表中沉淀为覆盖得分明显高于部署得分的结构，可能部分源于会计确认方式的差异。企业日常使用的软件服务、云算力租用与外部模型调用通常直接费用化，计入当期损益，不会形成可单独识别的AI资产；只有自行开发或购置的软硬件，才会以资产形态进入资产负债表。因此，7.67分的部署基础得分并不意味着企业缺少AI技术条件，而可能意味着AI能力更多以费用化支出和外部服务的形式存在，尚未成为报表上可见的资产。这一确认差异在比较企业间技术基础时需要特别留意，后文将结合披露口径问题作进一步讨论。AI转型准备指数综合反映企业在管理层数字创新规划与AI新增投资方面的行动准备，回答三维框架中“是否行动”的问题。该指数均值为34.74分，为三个一级指数中最高。准备维度连接着已有的技术基础与未来的应用落地，是观察转化链条的中间环节；但平均得分只能反映准备的总体水平，规划与投入在企业内部是否同步推进，需要拆开指标进一步观察。从构成维度来看，AI转型准备指数由数字创新规划与AI投入行动两项二级指标构成：前者基于管理层数字创新导向信息测度，得分为43.96分；后者以AI软硬件新增投资相对于期初总资产的强度测度，得分为25.52分。规划得分高于投入得分的格局表明，样本公司在战略与计划文本中表达的数字创新意愿，总体上领先于当年实际发生的AI资产新增投资。审慎起步型审慎起步型154家(23.3%)661家176家(26.6%)协同推进型155家(23.4%)176家(26.6%)AI投入行动行动先行型协同推进型审慎起步型规划先行型以样本中位数为界数字创新规划(左低→右高)比例经四舍五入，合计可能不为100%如图4所示，本报告以两项指标各自的样本中位数为界，将661家公司分为四类，观察准备阶段内部是否同步。规划与投入双高为协同推进型，共155家；规划高而投入低为规划先行型，共176家；投入高而规划低为行动先行型，共176家；双低为审慎起步型，共154家。四类公司数量相对接近，规划先行与行动先行两种类型并存，表明企业进入AI实施阶段的节奏存在明显差异，规划披露、预算安排与资产入账之间可能存在时AI应用水平指数综合反映企业在财务业务流程中可识别的AI应用程度，回答三维框架中“应用到什么程度”的问题。该指数均值为17.96分，在三个一级指数中得分最低，意味着从基础与准备走向财务场景落地，是样本公司当前最明显的短板环节。与此同时，应用水平得分基于公开年报文本识别，其高低同时受实际应用程度与披露详尽程度影响，解读时需结合指标构成与业务场景加以区分。从构成维度来看，AI应用水平指数由财务AI应用频率与财务AI工具多样性两项二级指标构成：前者以每万词有效财务AI邻近共现次数测度，得分为7.17分；后者以五类共同工具中形成有效财务语境命中的类别数测度，得分为28.74分。两项指标分别回答“披露多不多”与“披露涉及几类工具”两个问题，避免单纯计数无法反映工具结构、从财务业务链条来看，不同环节的可识别难度并不相同。基础核算与共享环节规则明确、标准化程度较高，智能凭证、票据识别与自动对账等应用较容易在年报文本中被识别。资金预警、税务风险筛查等风控环节对数据接口和权限控制要求更高，识别难度随之上升；预算预测、成本异常归因与管理层分析支持等决策环节更依赖数据治理与流程重组，在公开文本中最难被捕捉。应用水平指数得分偏低，既可能反映应用本身仍然有限，也可能反映深层应用尚未以可识别的文字形式呈现。指数衡量的是财务语境中可技术基础指数26.525.924.922.621.920.1AI转型准备指数48.648.638.236.533.333.231.731.728.8专业服务AI应用水平指数医疗/医药这种差异符合行业资产结构与数据基础的逻辑。在项目制、资产密集、业务链条较长的情境下，财务数据标准化与跨系统整合的成本更高，AI工具进入财务流程需要更长的改造周期，化工/能源与房地产/建筑等行业的应用得分相对靠后与此相符。金融业长期积累的数据分析与风险管理能力，则可能解释其在应用维度上的相对靠前。互联网/科技行业兼具技术供给方与应用方的双重身份，其全面领先既体现行业本身的技术属性，也反映人才与数据资源的集聚程度。行业分组同时交织着规模与所有制结构的差别，上述解释属于机制层面的可能推测，不宜据此技术基础指数其他其他AI应用水平指数20.3国有企业35.626.329.4这种差异符合所有制组织特征的逻辑。国有企业的转型更多受规划驱动，国资云与集团管控框架下的统一部署推高了准备得分，数据安全与审计留痕要求又使其公开披露相对审慎，应用得分因而偏低。民营企业决策链条较短，智能报销、开票与对账等轻量化场景往往率先形成局部应用。外资企业应用得分最低，可能与其披露口径和文本表述习惯有关，也可能受该组样本构成影响，本报告对此作谨慎度的比较揭示的是不同类型组织的能力结构差异，而非所有制本身图7不同城市等级企业的三维指数比较一线新一线二线三线及以下技术基础32.1AI转型准备37.6AI应用水平19.2技术基础28.7AI应用水平19.0技术基础27.2AI转型准备33.8AI应用水平16.8技术基础20.5AI转型准备30.8AI应用水平16.1技术基础AI转型准备AI应用水平值得注意的是，梯度在转型准备维度上相对平缓，三线及以下城市的准备得分仍达到这种差异符合区域数字生态的逻辑。一线城市在IT服务生态、专业人才供给与财务共享服务中心建设上积累较深，为准备向应用的转化提供了更有利的外部条件。中西部地区企业的转型规划并不弱，三线及以下城市30.83分的准备得分即是印证，但从准备走向流程落地，仍可能受制于技术资源供给与专业人才存量。总部注册地与实际经营地的分离，也可能影响城市分组的解释力。城市层级之间的梯度更多反映基础条件与转化能力的差距，而非转型意愿的明显不足，相关差异同样应作描述性理解。图8不同员工规模企业的三维指数比较51—200人201—1,000人5,000人以上技术基础18.0AI转型准备25.4AI应用水平10.7技术基础27.5AI应用水平18.5技术基础28.4AI转型准备35.6AI应用水平18.3技术基础27.2AI转型准备37.9AI应用水平17.4技术基础AI转型准备AI应用水平这种差异符合规模双刃剑的逻辑：规模较大的企业拥有更充足的资金、数据与人才资源，能够承担系统建设的固定投入；但其系统架构更复杂，流程改造链条更长，跨部门协调成本同步上升。准备得分最高而应用得分未同步领先，正是这种张力的体现。中小企业则相反，决策与实施链条较短，可以借助轻量化工具快速试点，但技术基础与持续投入能力相对有限，51—200人企业的全面偏低与此相符。规模与财务AI应用之间并非简单的线性关系，上述机制仅为可能的解释，分组差异本身仍是图9五类共同工具年度披露率6.99%7.19%0.39%0.44%0.19%0.33%0.17%0.15%AI模块三年分别为6.99%、7.53%和7.19%,在各工具类别中最高且保持平稳。其余四类工具的披露率均处于低位，其中OCR票据识别三年分别为0.11%、0.20%和0.27%,财务流程自动化RPA分别为0.19%、0.24%和0.33%,均呈逐年微升态势。生成式AI的披露率由0.06%升至0.17%后于2025年回落至0.15%,数据分析工具三年分别为0.39%、0.44%和0.40%,在低位小幅波动。值得注意的是，披露率并不等同于使用率：年报文本识别依赖相对规范的工具表述，新型工具的部署往往先以项目名称、供应商服务或管理流程描述的形式出现，统一的财务AI术语尚未形成。这意味着部分已经进入内部流程的应用可能未被文本识别捕获，公开披露率因而可能低估企业内部的真实使用水平。与此同时，财务软件AI模块披露率持续领先的事实从侧面印证，上市公司的财务AI应用更多依附于既有财务信息系统的升级改造，而非独立工具的外生引入。在解释上述年度结果时，本报告将三年间的变化界定为“可识别披露”的变化，而非企业内部实际使用的同比变化。图10准备一应用四类错配结构低准备一低应用180家(27.2%)高准备一高应用181家(27.4%)低准备一高应用150家(22.7%)高准备一低应用150家(22.7%)比例经四舍五入，合计可能不为100%准备指数和AI应用水平指数各自的样本中位数为界，高准备一高应用企业181家，占27.4%;高准备一低应用企业150家，占22.7%;低准备一高应用企业150家，占22.7%;低准备一低应用企业180家，占27.2%。其中，150家高准备一低应用企业是观察转化错配的核心群体：它们已具备相对较高的规划与投入水平，但尚未形成同等水平的财务AI应用。上述错配格局的形成，可能有技术、组织和披露三个层面的原因，三者并非彼此孤立，而是往往交织作用于同一家公司。第一，技术层面，ERP、CRM、SRM等经营管理系统与财务系统尚未完全打通，数据口径不一致、数据质量不足以支撑模型运行，AI工具难以进入核心财务流程。第二，组织层面，财务流程的标准化改造与复合型财务人才的配置未能与投入行动同步，规划与预算虽已形成，承接应用落地的流程基础和人才基础仍然薄弱。第三，披露层面，出于数据安全、合规要求和商业机密的考量，已经发生的内部应用不一定见诸年报文本，公开披露可能滞后于实际应用进度。由此可见，准备得分高并不等于财务AI已经成熟落地，因为转型准备衡量的是企业表达的规划意愿与投入行动，而应用水平衡量的是财务语境中可识别的实际使用。两者之间隔着数据治理、流程再造与组织适配的完整转化链条，评价上市公司的财务AI进程不能只看投入端的强度，更需要观察投入能否穿过这一链条，转化为可持续、可验证的业务能力。唯有转化链条上的薄弱环节被逐一修复，准备端积累起来的规划与投入优综合本报告的分析，可以看到，上市公司的财务AI应用已经越过要不要使用人工智能的讨论阶段，进入如何把准备转化为应用的关键阶段。本报告以661家上市公司2023—2025年的完整年报文本和CSMAR数据库为基础，构建了“技术基础—AI转型准备一AI应用水平”的三维测度框架。在此框架下，报告系统考察了上市公司财务AI应用的总重心需要相应调整。当规划与投入已经形成一定强度，继续增加规划文本与预算安排的边际意义开始下降，制约应用水平的关键环节转向数据治理、流程重构与场景闭环。财务AI应用水平的提升，越来越取决于企业能否统一数据口径、打通业务系统并重塑财务最后需要说明本报告的测度边界：文本指标反映的是上市公司公开年报中可识别的财务AI应用披露。未命中可能来自未应用，也可能来自未披露、表述概括或信息位于年报之外，低得分不应被直接解释为没有应用。行业与所有制、城市等级与员工规模的分组差异均为描述性结果，可能同时受到样本构成与披露习惯的影响，不作因果解释。明确上述边界并不削弱指数的价值，统一且可重复、可更新的公开数据标尺，仍能为企业对标、行业观察与后续调研核验提供起点。综合上述结论，上市公司财务AI建设宜逐步从技术导向转向价值与场景导向。据第一，“高准备一低应用”企业宜优先在结果易验证的场景中打通“数据一模型一流程一责任”闭环。资金预警、票据处理、自动对账和税务风险筛查等场景规则明确、数据基础较好且效果便于核验，适合作为从准备走向应用的突破口，通过快速验证形成可复制经验，再向预算预测、经营分析等环节延伸。对这类企业而言，继续扩大前期投入的优先级，应让位于检验既有投入能否产生可观察且可复核的业务结果。第四，中小规模上市公司可借助轻量化工具开展快速试点，避免在重投入路径上与大型企业直接竞争。员工规模分组显示，中小规模公司的技术基础与持续投入能力相对有限，但决策链条短、组织调整灵活，借助成熟的SaaS服务和标准化财务软件，能够以较低固定投入解决明确的业务问题。先解决票据、报销、对账等具体痛点，比一次性铺开全面转型更为可行，也更符合其资源约束条件。识别”的测量偏差。当前SaaS服务、云算力租用和外部模型服务等支出通常直接费用化，在报表与年报文本中难以单独识别，部分实际发生的应用由此沉淀为披露空白。可在披露指引中明确此类AI相关支出与应用的列报要求，使公开文本更准确地反映企业财附录数据处理与指标口径技术基础维度包括数字工具覆盖和AI部署基础两项二级指标：前者为企业年报中五类共同数字技术形成有效披露的类别数乘以20,后者为AI软件与AI硬件期末账面价值之和除以期末总资产。AI转型准备维度包括数字创新规划和AI投入行动：前者采用管理层数字创新导向指标，后者为AI软件与AI硬件新增投资之和除以期初总资产。AI应用水平维度包括财务AI应用频率和财务AI工具多样性：前者为每万词有效财务AI邻近共现次数，后者为五类共同工具中形成有效财务语境命中的类别数除以5。B.文本识别与共同工具口径年报文本在进入统计前先进行断行还原和分词处理，随后在15词窗口内识别财务词与技术词的邻近共现；同一语境中的词项按匹配位置去重，并依据人工复核规则剔除若干类明确错配，包括对外销售产品、主营金融业务、收费稽核、人员履历，以及“成本、预算、上市、资本”等宽泛词引起的误命中。共同工具多样性仅保留与非上市问卷一致的五类工具；上市端统计的是公开披露，披露缺失不直接解释为未使用。C.标准化、样本与解释边界各指标先计算公司三年均值，再在最终样本的1%和99%分位进行缩尾，并以Min-Max公式转换为0—100分；一级维度和主指数均采用等权算术平均。最终样本规则为六项二级指标三年均值均非零，该规则聚焦于六项指标均有可用观测的公司，未入样公司不应直接解释为低应用公司。非上市端的共同工具统计基于437条问卷记录，缺失回答按0处理；由于问卷未设置企业唯一标识，相关结果只作记录层面的描述性对照。上市公司得分底表、共同工具年度类别覆盖率、共同工具对照统计及非文本指标公司原样本均由本项目数据处理流程生成；计算过程使用证券代码一年度键合并各来源数据，并保留原始值、标准化值和有效年度信息，以供复核。下篇人工智能正在从技术研发领域走向企业经营一线，重塑企业的数据组织、业务流程与决策机制。财务作为数据密集的职能环节，与经营活动、信息系统和资源配置紧密相连，率先成为观察技术落地成效的重要窗口。在这一进程中，非上市企业构成了我国企业群体的绝大多数，它们在国民经济中承担着就业创造、创新推动和产业链配套的关键角色，其财务AI应用的深度与广度，直接影响着人工智能技术在实体经济中的渗透效期缺乏系统性、可量化的观察窗口。企业对AI技术的采用程度、转型准备的充分性、人才储备的适应性，以及实际应用中的障碍与瓶颈，往往散见于零散的案例分析或局部调研，难以形成全局性认识。这种信息不对称不仅使企业自身难以准确定位在行业中的相对位置，也使政策制定者、行业协会和服务机构缺乏有效的决策参考。2025年9月，课题组率先发布了《2025年财务人员AI运用现状调查报告》(即业财务AI应用指数仍然具有不可替代的必要性。第一，调查报告侧重于描述性统计，呈现“多少企业在用AI”“多少财务人员感到担忧”等比例数据，而指数体系旨在将多维信息整合为标准化的综合测度，使企业能够以统一的分数标尺衡量自身的AI应用水平，并对标同行业、同规模、同地区的其他企业。第二，调查报告的观察视角主要聚焦于个体层面的财务人员，包括他们的态度、行为与职业预期，而指数体系则将分析单元提升至企业层面，从技术基础、转型准备、人才发展、应用成熟度和应用障碍五个维度系统刻画组织整体的AI应用能力结构。第三，调查报告提供的是一次有价值的截面快照，而指数体系则为持续追踪和动态比较提供了可复制、可更新的测度框架。未来通过定期调查，可以形成时间序列数据，观察企业财务AI应用的演进趋势，检验不同转型路径的实际成效。第四，2026年初世界银行在7个国家开展了针对私营企业的调查，这为我国非上市企业与海外同行的跨国比较创造了新的契机，同时也对测度框架的标准化和可比性提出了更高要求。构建一套具有清晰维度和统一量纲的指数体系，是实现这一跨国对标的前提条件。简言之，调查报告回答的是“现状是什么”,指数体系回答的是“处于什么位置、短板在哪里、如何改进”。二者互为补充，共同构成对企业财务AI应用状况从构建非上市企业财务AI应用指数，正是为了填补这一测度空白。本指数从技术基础、AI转型准备、AI人才发展、AI成熟度和AI应用障碍五个维度，系统刻画非上市企业财务AI应用的综合状态。这一框架的设计遵循以下逻辑：技术基础反映企业“具备什么条件”,转型准备回答“是否采取行动”,人才发展衡量“能力是否匹配”,成熟度呈现“应用到什么程度”,应用障碍则揭示“面临哪些制约”。五个维度相互补充，共同构成从投入准备到实际应用、从能力基础到约束条件的完整观察链条。本指数的价值在于三个方面。第一，为企业提供自我诊断的参照系。通过指数得分和维度分析，企业可以识别自身在技术建设、战略规划、人才培养和应用落地等环节的优势与短板，对标同行业、同规模企业的相对位置，从而明确改进方向。第二，为政策制定和行业标准建设提供数据支撑。指数的分组比较揭示了不同行业、所有制、地区和企业规模之间的结构性差异，有助于识别需要重点支持的领域和群体，为精准施策提供依据。第三，为学术研究和持续追踪建立基础框架。本指数采用可复制、可更新的测度方法，未来可通过定期调查形成时间序列数据，观察企业财务AI应用的动态演进，检验不同转型路径的有效性。需要说明的是，本指数基于问卷调查数据构建，反映的是受访企业对自身AI应用状态的主观评估和客观描述。这一数据来源的优势在于能够直接观察企业内部的实际工具使用、战略规划和应用障碍，但也受到样本范围、受访者认知和填报准确性的影响。因我们希望，本指数能够成为观察我国非上市企业财务AI应用进程的一个可持续更新的测度工具。企业可据此对标自身位置，监管机构与政府部门可据此观察行业推进情况，行业协会和服务机构可据此设计针对性的支持方案。在人工智能加速渗透企业经营的大背景下，建立对这一进程的持续观察和系统理解，对于推动技术与业务的深度融非上市企业数据来源于问卷调查。问卷调查于2025年7月15日至2025年8月15日开展，由复旦大学管理学院财务与人工智能研究课题组通过问卷网发布，并通过微信群、邮件、微信公众号等渠道进行问卷发放，调查对象主要为非上市企业的财务人员。问卷主要围绕企业财务AI应用现状展开，涵盖企业技术基础、AI转型准备、AI人才发展、AI应用成熟度以及AI应用障碍等方面，同时收集企业规模、所属行业、所有制性质和所在地等基本信息。本次调查共收到437份问卷，作为后续非上市企业财务AI应用指数构本项调查得到了复旦大学会计硕士(MPAcc)专业学位项目和复旦大学管理学院商业知识发展与传播中心的大力支持，在此谨致谢忱。关于问卷设计、抽样方法、数据收集过程及描述性统计等详细信息，可参见课题组此前发布的《2025年财务人员AI运—40—扫码获取《2025年财务人员AI运用现状调查报告》全文本报告基于企业财务与AI应用问卷，从技术基础、AI转型准备、AI人才发展、AI成熟度和AI应用障碍五个维度构建非上市企业财务AI应用指数。五个维度分别刻画企业开展AI应用所具备的技术条件、面向AI转型的规划与行动准备、财务人员适应AI发展的能力基础、AI在企业实际业务中的应用深度，以及企业在AI共同反映企业财务AI应用的综合水平。具体而言，AI技术基础指数由AI工具采用程度和生成式AI部署方式构成，反映企业开展AI应用所具备的工具和部署基础；AI转型准备指数综合企业AI战略规划、未来应用规划、优先应用领域和已采取行动，反映企业由规划走向实施的准备程度；AI人才发展指数从AI技能学习、岗位转型、支持需求以及财务人员专业背景等方面，衡量企业财务人才适应AI转型的能力基础；AI成熟度指数综合AI工具多样性、使用频率、应用场景覆盖、部门覆盖和战略整合程度，反映AI在企业中的实际应用广度和深度；AI应用障碍指数则综合个人与组织层面的AI应用障碍，并采用反向计分，障碍越少，指数得分在指标计算过程中，各问卷题项按照其实际含义进行赋分，并统一转换至0—100分区间。对于多选题，根据实际选择数量占有效选项总数的比例计算得分；对于具有明显程度或顺序关系的题项，则按照选项所代表的AI应用或准备程度进行赋分。在一级指标—41—财务AI应用主指数=20%×AI技术基础指数+20%×AI转型准备指数+20%×AI人才发展指数+20%×AI成熟度指数+20%×AI应用障碍指数主指数同样位于0—100分区间，得分越高，表明企业在技术基础、转型准备、人才发展、应用成熟度以及克服应用障碍等方面的综合40-20分40-20分41.9%20-40分40-60分10.3%60-80分0.0%80-100分0.0%值为22.83分(满分100分),标准差为13.29分。具体来看，41.9%的企业主指数处于0-—42—20分的低水平区间，47.8%处于20-40分的较低水平区间，两者合计占比高达89.7%,表明绝大多数非上市企业的财务AI应用仍处于初级阶段。中等水平(40-60分)的企业仅占10.3%,而60分以上的企业则为零。这一分布格局表明，非上市企业财务AI应用整体水平偏低，虽然部分企业已经开始探索AI技术在财务领域的应用，但真正进入较高应用水平的企业极为稀少，距离全面、深入的AI应用仍有较大提升空间。图2五个一级指数的平均得分AI人才发展指数68.17AI应用障碍指数97.55AI转型准备指数20.50AI成熟度指数19.85如图2所示，非上市企业财务AI应用的五个一级指数得分存在极为明显的差异。AI人才发展指数得分最高，为68.17分，表明企业在AI人才培养和技能发展方面已经形成相对较好的基础。AI应用障碍指数得分为97.55分(该指数采用反向计分，分数越高表示障碍越少),表明绝大多数非上市企业在推进财务AI应用过程中面临的障碍相对较少。AI技术基础指数得分为25.35分，处于中等偏低水平。AI转型准备指数和AI成熟度指数得分相对较低，分别为20.50分和19.85分，反映出企业在AI战略规划、转型准备以这一得分格局揭示了非上市企业财务AI应用的结构性特征：人才基础相对较好，应用障碍相对较少，但技术基础、转型准备和应用成熟度均处于较低水平。这种“人才先行、应用滞后”的模式表明，尽管企业在AI人才培养方面已经取得一定进展，且面临的障碍不多，但这些人才优势尚未充分转化为实际的技术部署和业务应用。从基础条件建设、转型准备到实际应用落地，非上市企业仍有较大的提升空间，需要系统性地解决技术基础薄弱、战略规划不足、应用深度有限等关键问题。—43—80—100分9.4%60—80分13.3%0—20分44.2%40—60分14.4%20-40分18.8%比例经四舍五入，合计可能不为100% (满分100分),标准差为28.44分，表明企业间的技术基础差异较大。具体来看，44.2%的企业AI技术基础指数处于0-20分的低水平区间，18.8%处于20-40分的较低水(40-60分)的企业占14.4%,较高水平(60-80分)和高水平(80-100分)的企业分别占13.3%和9.4%,合计占比22.7%。总体来看，多数非上市企业已经开始在财务工作中引入AI及数字化工具，但不同工具的普及程度存在较大差异。当前企业的应用主要集中于生成式AI、数据分析和票据识别等使用门槛相对较低、应用场景较为明确的工具，而与财务系统深度融合的AI模块和流程自动化工具覆盖率仍有进一步提升空间。这表明非上市企业已经具备一定的财务AI技术基础，但整体仍处于由单点工具使用向更加系统化、集成化应用逐步发展的阶段。40—60分9.4%20—40分33.9%0—20分56.8%60-80分、80-100分占比为0,未显示扇区比例经四舍五入，合计可能不为100%分布特征，均值为20.50分(满分100分),标准差为11.21分。具体来看，56.8%的企业 (40-60分)的企业仅占9.4%,而60分以上的企业则为零。这一分布格局表明，非上市—45—从构成维度来看，AI转型准备指数由四个维度等权合成：企业AI战略规划周期、未来AI应用规划、AI优先应用领域选择、以及已采取的应对行动。调查数据显示，在学习AI工具技能方面，89.7%的受访者已经采取行动，表明个体层面的学习意愿强烈；但在企业层面的战略规划方面，仅有17.1%的企业制定了1年以上的AI发展规划，其中制定3年以上长期规划的企业仅占5.0%。这种“个体积极、组织滞后”的反差，反映出非上市企业在AI转型过程中面临的组织层面准备不足的0-20分0.5%40-60分32.0%分段集中分布特征，均值为68.17分(满分100分),标准差为17.81分。具体来看，37.1%的企业人才发展指数处于80-100分的高水平区间，24.9%处于60-80分的较高水平区间，两者合计占比62.0%;32.0%处于40-60分的中等水平区间；而处于40分以下较低水平的企业仅占6.0%。这一分布格局表明，非上市企业在AI人才发展方面已经形成了较为良好的基础，绝大多数企业已经开始重视AI相关人才的培养与能力建设。从构成维度来看，AI人才发展指数由AI技能学习、岗位转型、支持需求以及财务人员专业背景四个方面构成。调查数据显示，在应对行动方面，89.7%的受访者已经在学习AI工具技能，58.4%计划转向管理或战略岗位，36.2%正在考取专业证书；在支持需求方面，82.4%的受访者希望获得人机协作指南，69.1%需要财务技能培训。这些数据表明，个体层面的AI学习意愿强烈，人才发展基础相对扎实。然而，人才优势尚未完全转化为应用成熟度，如何进一步将人才能力与实际业务场景相结合，仍是非上市企业面40—60分5.0%20—40分43.9%0—20分51.0%60-80分、80-100分占比为0,未显示扇区比例经四合五入，合计可能不为100%AI成熟度指数综合反映企业在AI工具多样性、使用频率、应用场景覆盖、部门覆盖以及战略整合程度等方面的实际应用深度。如图6所示，样本企业的AI成熟度指数呈现—47—看，51.0%的企业成熟度指数处于0-20分的低水平区间，43.9%处于20-40分的较低水的阶段。中等水平(40-60分)的企业仅占5.0%,而60分以上的企业则为零。这一分布从构成维度来看，AI成熟度指数由五个方面构成：AI工具多样性、使用频率、应用场景覆盖、部门覆盖以及战略整合程度。调查数据显示，在工具多样性方面，企业平均使用1.27种AI工具，44.2%的企业尚未使用任何AI工具；在应用场景方面，企业平均覆盖2.27个应用场景；在部门覆盖方面，企业平均覆盖1.49个财务职能部门。这些数据表明，即便已经开始使用AI工具的企业，其应用范围也相对有限，尚未实现跨场景、跨部门的系统化部署。AI技术从初步尝试向实际业务流程深度融合仍需要较长时间，非上市企业财务AI应用的整体成熟度有待显著提升。0-20分0.0%40-60分0.5%0.9%60-80分4.6%94.1%94.1%碍指数呈现明显的高分段集中分布特征，均值为97.55分(满分100分),标准差为7.79分。具体来看，94.1%的企业障碍指数处于80-100分的高水平区间(即面临较少障碍),4.6%处于60-80分区间，两者合计占比高达98.7%;60分以下的企业仅占1.4%。—48—从构成维度来看，AI应用障碍指数由个人层面障碍和组织层面障碍两部分构成。调查数据显示，在个人层面，5.9%的受访者面临公司未统一部署的障碍，3.0%存在数据安全顾虑；在组织层面，3.4%面临技术人才短缺，3.2%面临投入成本过高，3.0%面临数据基础薄弱，1.8%缺乏战略规划或尚未看到明确价值，1.4%存在合规风险顾虑。虽然单一障碍的占比看似不高，但多种障碍的叠加效应仍需要引起重视。这表明，推动非上市企业财务AI应用，仍需关注战略规划、技术人才、数据基础、投入成本和合规风险等多维度的制约因素，防患于未然。从行业分布来看，非上市企业财务AI应用的五个一级指数呈现出较为明显的结构性差异。技术基础方面，零售/贸易行业得分最高，达到24.11分，信息技术业为21.70分，能源/环保行业为21.22分，相对居前；建筑/房地产行业仅为13.33分，明显低于其他行业。AI转型准备方面，信息技术业和能源/环保行业得分较高，分别为23.81分和23.11分，而零售/贸易行业仅为17.65分。AI人才发展指数的行业差异更为突出，信息技术业以72.1分居首，制造业为71.5分，能源/环保和建筑/房地产分别达到71.0分和70.5分，各行业最高，信息技术业、金融业和能源/环保行业均在24分左右，而建筑/房地产行业上述行业分化的背后可能存在不同的形成逻辑。第一，零售/贸易行业在技术基础和成熟度方面均处于较高水平，这可能与零售贸易企业近年来积极推进数字化转型、电子商务和智能物流有关，较为完善的客户数据和交易系统为AI进一步嵌入财务流程提供了基础。第二，信息技术业的AI人才发展指数达到72.1分，在各行业中处于领先位置，且转型准备也达到23.81分，表明行业本身的技术属性有利于财务部门形成较强的AI应—49—均处于较低水平，反映出部分非上市建筑与房地产企业可能仍面临信息系统建设不足、业务数据分散以及财务数字化投入有限等问题。图8五个一级指数的分行业分析技术基础转型准备人才发展□成熟度27.1321.7023.8172.1环保21.22金融业制造业70.071.520.869.566.8专业服务如图8所示，非上市企业财务AI应用并未表现为某一行业在五个维度上的全面领先，而是呈现出较为明显的“优势错位”特征：零售/贸易行业在技术基础和成熟度方面表现突出，制造业和信息技术业在AI人才发展方面具有相对优势，而建筑/房地产行业在技术基础和成熟度方面相对滞后。与此同时，各行业的AI应用障碍指数普遍处于较上述结果对非上市企业的启示在于，财务AI能力建设并不存在完全统一的行业路径。对于建筑/房地产等技术基础和成熟度相对不足的行业，当前重点可能仍在于完善财务信息系统、提高数据标准化程度并夯实数字化基础；对于制造业、信息技术业等人才条件相对较好的行业，则需要进一步推动人才和技术资源向具体财务场景转化；而对于零售/贸易等已经具备一定技术基础和应用成熟度的行业，如何降低AI应用过程中的实际障碍、形成可复制和可推广的应用场景，可能是进一步提升财务AI应用水平的关按所有制分组比较，非上市企业的财务AI能力呈现出较为明显的结构性差异。国有企业在技术基础和成熟度方面表现相对突出，得分分别为19.6分和25.6分；民营企业的AI转型准备得分为22.7分，高于国有企业的17.9分，同时AI人才发展得分达到69.0分，也略高于国有企业的67.6分。外资/合资企业各维度表现较为均衡，技术基础、AI转型准备、AI人才发展和成熟度分别为19.2分、19.1分构在人才发展和成熟度方面相对偏低，分别为65.9分和22.4分。总体来看，不同所有制主体并不存在单一类型全面领先的情况，而是在技术基础、转型准备、人才发展和应用上述分化可能源于不同所有制主体在组织资源、决策机制与数字化建设路径上的差异，并集中体现在两个方面。第一，国有企业通常具备较为稳定的信息化投入和组织资源，长期积累的财务系统与数字化基础有利于AI工具进一步嵌入业务流程，因此在技术基础与成熟度方面表现相对较好；但其AI转型涉及数据安全、系统兼容、审批授权与内部治理等多重要求，可能在一定程度上提高新技术部署和组织调整的协调成本。第二，民营企业的决策机制相对灵活，更容易根据业务需求快速调整资源配置和推进AI项目，这可能解释其在AI转型准备和人才发展方面的相对优势。外资/合资企业则整体表现较为均衡，反映其在制度化管理、数字化基础与人才配置之间可能形成了较为稳定的能力图9五个一级指数的分所有制分析同时，对上述差异的解读仍需注意样本结构与指标含义的边界。不同所有制企业在规模、行业分布和数字化发展阶段等方面可能存在系统性差异，因此组间得分并不能完全归因于所有制本身。尤其是“其他”类型企业在AI转型准备和人才发展方面分别达到31.3分和76.8分，明显高于主要所有制类别，但这一结果可能受到该组样本数量及构成差异的影响，不宜直接理解为其财务AI能力整体领先。因此，所有制维度的比较更适合用于识别不同类型组织的AI能力结构与相对短板，其背后的形成机制仍有待结合企业规模、行业等因素进一步分析。按企业所在地分组的结果显示，非上市企业财务AI能力在不同城市层级之间呈现一定的梯度差异。一线城市、新一线城市、二线城市和三线及以下城市的企业的技术基础得分分别为19.1分、19.9分、16.7分和10.4分，其中新一线城市相对领先，三线及以下城市明显偏低；AI转型准备得分分别为19.9分、21.6分、21.8分和20.8分，城市间差距相对有限。人才发展方面，新一线城市以72.3分居前，二线城市为70.1分，一线城市和三线及以下城市分别为66.8分和67.9分。成熟度方面，新一线城市达到25.0分，一线城市为23.4分，而二线城市和三线及以下城市分别下降至18.2分和17.0分。总体来看，城市层级差异更多集中于技术基础与成熟度，而非AI转型准备。上述地区差异可能反映了数字基础设施、技术服务供给与人才资源在不同城市层级之间的不均衡分布，并集中体现为三个方面。第一，一线和新一线城市数字基础设施、软件服务商及专业人才相对集聚，为企业财务系统建设和AI工具落地提供了较好的外部二线城市的AI转型准备达到21.8分，与一线和新一线城市相比并不逊色，人才发展得分也达到70.1分，但成熟度仅为18.2分，表明较强的转型意愿和人才条件尚未完全转化为实际应用能力。第三，三线及以下城市的技术基础仅为10.4分，明显低于其他城市层级，但AI转型准备仍达到20.8分，说明其短板可能更多集中于数字化基础、技术服务供给以及AI应用落地条件，而非转型意愿本身。技术基础转型准备人才发展成熟度障碍指数21.6新一线城市一线城市19.923.4二线城市20.8三线及以下城市境外其结果可能受到样本数量与样本构成影响，因此更适合作为补充参照，不宜与境内城市在简单的规模递增关系，50人以下企业得分最高，为70.2分，5000人以上企业则为上述规模差异可能反映了企业资源禀赋、组织复杂程度与AI部署方式的不同，并集中体现为三个方面。第一，大型企业通常拥有更完善的信息系统、数据基础和数字化投入能力，能够承担财务共享、数据平台和智能化工具建设所需的固定投入，因此其技术基础和成熟度随着规模扩大总体提升。第二，中等规模企业尤其是201—1000人企业的AI转型准备达到22.6分，反而高于大型企业，这可能与其组织结构相对灵活、转型需求较为迫切有关，在具备一定资源基础的同时，其决策与实施链条尚未过度复杂。第三，5000人以上企业虽然技术基础与成熟度明显领先，但转型准备得分相对偏低，可能意味着随着组织规模扩大，系统整合、跨部门