AI赋能评估行业高质量发展

　　中国会计报记者吴进

　　随着人工智能技术的迅猛发展，以大模型为代表的AI(人工智能)工具正逐步渗透到资产评估全流程，为行业突破瓶颈、实现高质量发展提供全新可能。

　　正如业内人士所言：“AI不是替代评估，而是重新定义评估。从数据整合到风险防控，从效率提升到价值重构，AI正推动资产评估行业迈向‘数据驱动、人机协同’的高质量发展新阶段。”

　　 AI重塑资产评估全链条

　　资产评估具有专业性强、工作量大的特点，涉及复杂模型计算与大量数据处理。传统评估方式依赖专家经验难以满足市场对效率与公平的需求，需要在传统基础上拓展创新。而AI技术的融入，正从根本上重构评估流程。

　　北京天健兴业资产评估有限公司信息化总监、雄安智评云数字科技有限公司总经理袁勇表示，AI大模型在文本理解、深度思考、数据收集与分析等方面具备天然优势，使其在资产评估的信息整合、重复性工作优化及趋势推理三大核心环节展现出显著价值。

　　他介绍称，信息收集与整合是评估基础。传统模式下，人工收集分散的结构化、非结构化数据(如产权文件、行业分析报告)，不仅耗时长，且覆盖维度有限。而AI大模型通过多源异构数据实时抓取与对齐、非结构化信息智能解析，能将数据整合周期缩短，覆盖维度从“人工可及范围”扩展到跨行业、跨时空的关联数据。

　　在重复性工作优化方面，AI可通过规则引擎与机器学习，自动完成一些标准化任务，让专业人员聚焦复杂资产估值逻辑设计、特殊交易背景分析等更高价值的判断。而在趋势推理与预测层面，AI的大数据处理能力打破人工分析的局限。“评估不是对历史数据的简单总结，而是对未来价值的预判。AI能迅速处理海量数据（603138），自动筛选分析，缩短评估周期的同时，减少主观经验对趋势判断的干扰。”袁勇说。

　　北方亚事资产评估有限责任公司首席评估师温云涛则从风险控制视角，进一步细化AI应用场景。首先是数据收集与预处理，通过智能网络爬虫、光学字符识别(OCR)和自然语言处理(NLP)工具从扫描的审计报告、评估报告、招股说明书等专业报告以及上市公司公开披露信息中提取关键内容，并进行清洗、标准化和标注，解决传统人工录入“错漏多、格式乱”问题。

　　其次是欺诈检测，基于历史数据训练的AI模型可识别偏离正常模式的异常数据。例如，聚类算法可发现具有可疑相似特征的资产组、神经网络可检测非线性模式暗示的操纵行为、时间序列分析可标记与特定资产相关的估值趋势突变，触发人工调查的早期预警。

　　再其次是市场趋势分析，通过关联大规模数据集，AI模型可绘制渐变的市场价值曲线。评估机构可利用这些数据频繁地校准模型，提高评估结论的及时性和相关性。AI模型可作为早期预警工具，提醒项目团队、质控人员、机构管理者注意潜在估值泡沫。

　　“AI在信用与交易对手风险评估、内审合规监控中也发挥着重要作用。通过编译客户的历史合规记录、财务数据、市场争议等信息，AI可生成动态风险评分，辅助评估师判断合作方可靠性。同时，自然语言处理(NLP)技术和其他AI技术可用于自动化审查评估报告和内部控制是否符合监管要求，实时监控国内外法律法规及监管变化，确保合规性。”温云涛说。

　　挑战与应对措施

　　尽管AI和深度数据挖掘在风险控制中的应用前景非常广阔，但在实施过程中，技术、组织、伦理、法律和系统性层面的挑战仍不容忽视。

　　温云涛从技术落地的细节层面进行列举。比如，在数据质量与可用性方面，单一机构历史数据规模较小，外部行业数据获取成本较高，不同机构、平台或地区的数据格式不一致、欠活跃市场或小众资产类别的历史数据缺失、低质量输入(如OCR错误识别或人工输入差错)等。在模型透明度和可解释性方面，许多AI模型(尤其是深度学习模型)作为“黑箱”运行，其内部决策过程难以解释，影响报告可信度。在人才与组织准备度方面，评估行业需要既懂评估准则又通数据科学、机器学习、金融和合规知识的复合型人才，而传统机构的人才储备明显不足。

　　法律伦理风险与成本压力也不容忽视。网络安全法、数据安全法、个人信息保护法等数据隐私法规限制个人或专有数据使用，特别是在行为画像中；算法偏差可能导致长线失误；当基于AI的决策出现问题时，责任归属不明确。AI系统的开发、维护成本高昂，中小型评估机构难以负担，将加剧市场集中度并扩大技术鸿沟。

　　袁勇指出“数据与技术壁垒”的核心困境。“AI大模型的训练依赖高质量行业数据集，但资产评估数据多涉商业机密，难以跨机构共享；私有化大模型训练成本高昂，中小机构难以承受；加之商业数据API(应用程序编程接口)调用费居高不下，这些因素共同构成制约AI大模型在资产评估行业落地的关键。”

　　同时，行业竞争格局可能因AI发生重塑。掌握AI技术话语权的科技企业，若凭借其在资金、数据以及技术等方面的优势跨界进入评估领域，可能对评估机构造成降维打击。头部评估机构通过构建数字化体系形成技术壁垒，也可能加剧市场集中度。袁勇坦言，评估行业中价值创造的核心将从人力密集型的经验输出模式转变为算法迭代速度和数据规模所形成的循环模式，倒逼行业从“经验驱动”向“算法数据驱动”转型。

　　面对挑战，行业需从多维度破局。袁勇认为，推动行业转型的核心方向是AI应成为“转型引擎”。评估机构可从交易服务者转向经济治理参与者、价值跟踪者、主动估值服务商。比如，通过实时追踪资产质量、构建风险预警框架，为国资监管提供决策支持；中小评估机构可利用AI平权契机，将资源集中在特定领域或细分市场，积累经验和案例，提供专业细致服务，打造细分赛道领先地位。

　　人机协同是关键原则

　　“在AI时代，要构建人机协同新范式。AI是为专家赋能，并非替代专家。大模型虽然擅长模式和规则，但高度依赖经验、市场感觉、特定情境判断的复杂问题的解决，比如最终参数选取的细微调整、特殊交易背景下的价值判断等，仍需要人类主导。清晰界定人机协作边界至关重要。”袁勇说。

　　他表示，评估人员要转变观念，积极拥抱AI变革，将其视为专业能力升级的机遇，而非替代威胁。具体而言，评估人员可以朝着“AI训练师”的方向转型，将复杂的评估专业知识、逻辑规则与判断标准有效迁移到大模型中，但需要评估专家与AI工程师进行深度协作。要提升自身数据分析能力、模型应用能力，掌握基础编程技能，比如运用基础编程指挥多智能体解决评估问题。

　　此外，评估师的角色应向“价值解读者”转变。在AI时代，对评估师的要求更侧重复杂判断、客户沟通、业务理解，以及驾驭AI工具的能力。通过强化专业学习、培养沟通技巧和关注市场动态，为客户解读评估结果，提供有价值的建议。

　　温云涛也表示，未来是“AI+人类”的协作时代。AI处理数据整合、参数计算等基础任务，评估师专注于特殊情境解释、复杂逻辑设计，形成“人机互哺”的工作流。

　　实时自适应风险监控也将普及。随着数据管道的整合和AI模型的响应性增强，流数据处理(如IoT传感器、产权交易数据或资本市场数据)、根据市场波动或突发事件更新的动态风险评分体系的应用将进一步扩大，机构将从静态周期性风险审查转向连续实时监控。

　　行业专用AI模型、联邦学习和隐私保护学习的更广泛应用同样值得关注。下一代估值风险工具将围绕行业专用架构构建，基于大规模的估值数据集训练，以捕捉监管语言、市场动态和资产特征的细微差别。而联邦学习将使众多机构能够在不传输敏感信息的情况下联合训练模型。差分隐私和同态加密也将成为高风险金融环境的标准。

　　“AI与ESG(环境、社会和治理)指标的整合将成新热点。随着ESG考量在估值实践中日益突出，AI将通过卫星图像、新闻舆论和非政府组织报告等非传统数据源评价气候风险、社会影响和治理质量，辅助评估资产价值。”温云涛说。

　　在他看来，为有效利用这些趋势，评估机构及评估专业人员可采取以下措施。比如，在团队建设与协作方面，组建结合风险管理、数据科学、法律和评估职能的跨职能AI工作组；促进行业协作与数据共享，共同开发行业级风险指标与AI伦理基准。在基础设施与技术应用方面，投资可扩展数据基础设施，搭建云存储、API等现代化架构；从小处着手，优先开展低风险、高影响的AI应用试点。在人员与管理层面，定期开展培训，提升全组织AI素养；实施透明的AI治理，建立模型验证等框架保障合规；持续监控更新AI模型，通过再训练、压力测试和情景模拟的协议，确保风险控制工具的有效性。

　　来源：《中国会计报》