AI 幫我看財報，第一年就發現了問題
前两个门槛，AI 可以帮忙跨过；第三个门槛，才是 AI 真正无可取代的地方——它没有部位，所以它不会替公司说话。
二、我的 AI 财报工作流：四步骤搭起来
先说结论：一年下来我最大的体悟是——AI 财报分析的成败，八成取决于「你怎么喂它」，而不是「你用哪个模型」。以下是我最后稳定下来的四步骤流程。
2-1 第一步：先把资料「结构化」再说
一开始我犯的最大错误，是直接把整份 PDF 财报丢进去，然后问「请问这家公司有什么问题」。
结果当然很惨。
模型会挑几个看得懂的数字，用很流畅的中文写出一段「公司营收稳健成长，毛利率维持水准，整体财务结构健全」的废话。因为一份几百页的 PDF 里，它有九成的内容在描述「公司做了什么业务」，只有一成是数字。而模型天生喜欢「叙述性文字」，不喜欢「表格数字」。
后来我改成这样的做法：
这一步非常土，非常不 AI，但它是整套流程的地基。如果你的数字是散的，AI 给你的答案也会是散的。
2-2 第二步：用「提问框架」取代「帮我分析」
第二个关键转变：不要说「请帮我分析这份财报」，要说「请用这五个角度，逐一检视这份财报，每个角度给我三个观察，并指出资料不足之处」。
前者会让模型自由发挥，后者会让模型被迫在框架内工作。我后来把提问框架固定成六大类：
成长品质：营收成长的来源是什么？是价格、数量，还是并购？
获利含金量：营业利益与税后净利的差距，主要来自哪里？
现金验证：营业活动净现金流与税后净利的长期关系如何？
资产效率：应收帐款、存货的周转天数有没有恶化？
财务体质：负债结构、利息保障倍数、短期偿债能力。
这六类框架一固定下来，我发现 AI 的答案品质立刻稳定了。因为我不是在问「你觉得如何」，而是在问「这个角度你看到什么」。
2-3 第三步：要求 AI 给出「反方观点」
这一步是我整年下来觉得最有价值的设计。
每次 AI 给我一段「这家公司看起来不错」的结论，我会紧接着追问一句：
「如果有一位看空这家公司的分析师，他会拿这份财报里的哪三个数字来反驳你？请具体引用数字。」
几乎每一次，它都能找出东西来。有时候是「业外收益占比过高」，有时候是「应收帐款增速远高于营收增速」，有时候是「存货周转天数连续三年上升」。
这一招之所以有效，是因为它绕过了模型的「讨好倾向」。你直接问「有什么问题」，它会说「整体看起来还好」；但你要求它扮演反方，它就会认真去找碴。同一个模型，换个角色设定，产出品质天差地远。
2-4 第四步：人工复核，并留下追踪纪录
最后一步，也是我认为绝对不能省的一步：每一个 AI 提出的异常，我都要回到原始财报去核对一次。
这一年里，我至少遇过十几次「AI 引用的数字是对的，但解读方向错了」的情况。例如它说「应收账款大幅增加，显示收款能力恶化」，但实际上那一年公司刚好并购了一家子公司，应收帐款是合并进来的，不是本业恶化。
所以我的做法是建一个「异常追踪表」：AI 提出的每一个疑点，都登记下来，标注「已核实 / 部分属实 / 系解读错误 / 待观察」，年底回顾。
一年下来，这张表本身就是我最珍贵的研究资产。
三、第一年，AI 帮我发现的四个问题
以下是我这一年实际遇到的四类问题。为了让说明具体，我会用一些示意性的数字（非特定公司，仅为讲解用途），让你理解 AI 是怎么把「看起来没事」变成「其实有事」的。
3-1 问题一：营收在长，但「营收品质」在退
这是 AI 第一年帮我抓到的第一个问题，也是最典型的一个。
某家公司当年营收年增 18%，新闻稿写得很漂亮。我原本的直觉是「还不错」。但当我让 AI 对照资产负债表后，它指出：
应收帐款年增 45%，增速是营收增速的 2.5 倍；
应收帐款周转天数从 62 天上升到 78 天；
应收帐款占总资产比重，从 14% 上升到 21%。
这三个数字放在一起，故事就变了：公司为了冲营收，放宽了信用条件，货卖出去了，钱还没收到。营收是「认列」出来的，现金是「还没」进来的。
这就是所谓的「营收品质下降」。营收数字本身没错，但它的含金量变低了。
更关键的是，这类问题单看损益表看不出来。损益表只告诉你「卖了多少」，资产负债表才告诉你「钱收回来没有」。而 AI 最擅长的，恰恰就是这种「跨表交叉比对」——这件事人类也做得到，但很花时间，容易漏。
3-2 问题二：存货与应收帐款的「时间差陷阱」
第二个发现更有意思，因为它牵涉到「时间差」。
AI 在检视某家公司时指出：存货周转天数从 95 天上升到 130 天，同时应收帐款周转天数也在上升。单看这两个数字，可能会解读成「景气不好，货卖不出去，钱也收不回来」。
但当我追问「这两个变化发生的时间点，跟营收变化的时间点，顺序是什么」，AI 给出了一个不一样的角度：
存货周转天数先上升（第 1 年）；
营收随后大幅成长（第 2 年）；
应收帐款周转天数接着上升（第 2 年到第 3 年）。
这个顺序，比较像是「公司提前备货 → 接单出货 → 帐款尚未回收」，而不是「卖不出去」。也就是说，同样一组恶化中的周转天数，在不同的时间顺序下，可能是完全不同的故事。
这一点让我印象很深。因为传统上我们说「存货周转天数上升是警讯」，但警讯之所以是警讯，往往取决于它发生在什么时间点、跟什么事件相邻。而这正是 AI 可以帮上忙的地方：它可以帮我把三到五年的数字排成时间轴，然后问「你觉得这个顺序说明了什么」。
当然，这个解读我必须自己回原始资料验证。后来确认那一年公司确实在扩产备货，方向是对的。但如果没有 AI 帮我把时间轴排出来，我大概只会看到「存货变多」就紧张，或者干脆没看到。
3-3 问题三：业外收益撑起来的漂亮 EPS
这是整年度我认为最重要的一个发现。
某家公司当年 EPS 表现亮眼，YoY 成长两成多。我原本的结论是「获利能力提升」。但当我要求 AI「拆解税后净利的来源结构」后，答案让我有点坐不住：
那一年 EPS 里面，有将近一半来自业外收益——包括处分不动产利益、汇兑利益、以及按权益法认列的投资收益。而本业的营业利益，其实是小幅衰退的。
也就是说，这家公司当年「赚的钱」有一半不是靠本业赚的。这种获利，明年不一定会再有。
我把这个发现写进追踪表后，做了一件事：把这家公司过去五年的「营业利益占税前净利比重」画成一条线。结果发现这条线从五年前的 85%，一路掉到当年的 52%。
一条线，胜过千言万语。这就是 AI 帮我做到的：它没有告诉我「这家公司不好」，它只是帮我把「净利」这个单一数字，拆成了「本业」跟「非本业」两半。剩下的判断，我自己做。
后来我养成一个习惯，每次看到 EPS 创新高，第一个问题一定是：
「请把这家公司近五年税前净利，拆成本业利益与业外损益两部分，并算出各年营业利益占比。」
这个提问，大概帮我省下了未来十年会犯的同一类错。
3-4 问题四：净利很美，现金流很诚实
第四个发现，是「盈余品质」的经典检测：营业活动净现金流 vs. 税后净利。
AI 帮我算出一个比率：某家公司近三年「营业活动净现金流 ÷ 税后净利」分别是 1.05、0.82、0.61。也就是说，帐上赚的钱，实际收回来的现金比例在下降。
单一年度 0.61 不一定是问题，可能只是营运资金增加。但三年连续下滑，就是一个值得追的讯号。接着我让 AI 进一步拆解：「请指出营业活动现金流下滑，主要来自哪几个科目的变化」，它列出了存货增加、应收帐款增加、应付帐款减少三项。
三项合起来的意思是：公司为了成长，垫在营运资金上的钱变多了，而这些钱短期内不会回来。
这不是「公司作假帐」那种戏剧性结论，而是一个更平淡但更有用的结论：这家公司的成长，是需要不断投入现金才能维持的成长。这类公司一旦外部融资环境收紧，就会立刻感受到压力。
如果没有 AI 帮我把三年数字排在一起算比率，我大概只会看到「EPS 不错」就结束了。
四、AI 财报分析的五个真实限制（别把它当神仙）
讲完好处，必须讲限制。这一段是我认为整篇文章最重要的部分，因为市面上关于「AI 看财报」的文章，八成都在吹捧，很少有人老实说清楚它做不到什么。
4-1 限制一：它天生会「顺着你的话说」
大型语言模型的训练目标，本质上是「产生让人满意的回答」。这个特性在聊天时很讨喜，在财务分析时却很危险。
我自己实测过：同一份财报，我用「我觉得这家公司体质不错，你觉得呢？」去问，它列出一堆正面观察；我用「我怀疑这家公司的应收帐款有问题，你怎么看？」去问，它立刻找了三个数字支持我的怀疑。
这就是所谓的「顺从偏误」。它不是在分析，它是在配合你分析。
解法：永远给出对称的提问。不要问「这家公司有没有问题」，要问「请分别列出支持看多与看空的各三个数字证据」。让它同时扮演两边，你才有办法看见全貌。
4-2 限制二：数字抓对，推论可能错
这是我踩过最多次的坑。
AI 从表格里抓数字的能力，这两年进步很多，只要格式干净，准确率相当高。但「从数字推到结论」这一步，它就常常出错。原因很简单：推论需要脉络知识，而脉络不在财报里。
举例来说，AI 看到「毛利率下滑」，很自然会推论「成本上升」或「削价竞争」。但实际上可能是：公司改变产品组合、会计政策调整、或者新并入了一个低毛利的部门。
解法：把 AI 的每一个结论，都当成「假设」，而不是「答案」。假设需要验证，答案不需要。这个心态一转换，你就不会那么容易被它牵着走。
4-3 限制三：资料时效与来源，永远是最大的坑
很多人以为 AI 会「自己上网抓最新财报」。这件事在多数情况下是错的，或者至少是不可靠的。
除非你使用的工具明确支援联网检索，并且能锁定官方来源（例如公开资讯观测站、交易所网站），否则模型给你的数字，可能是它训练资料里的旧数字，也可能是它「合理推测」出来的数字——后者最可怕，因为它看起来完全像真的。
解法：所有数字，一律以官方财报为准，AI 只负责「算」与「比」，不负责「找」。你自己把数字贴进去，让它做交叉比对与比率计算，这是最安全的用法。
4-4 限制四：它没有「产业常识」与「人情世故」
AI 不懂这个产业。它不知道某个行业的应收帐款周转天数 90 天是常态，另一个行业 30 天就叫危险；它不知道某家公司的董事长换了三次；它不知道某个客户占营收四成这件事意味着什么。
这些「产业常识」与「人情世故」，是人脑的主场，也是你相对 AI 最大的优势。AI 负责找出数字之间不一致的地方，你负责判断这个不一致重不重要。
我后来会把「产业背景」写进提示词里，例如：「这个产业的平均应收帐款周转天数约为 60 到 75 天，请以此为基准检视。」效果明显好很多。
4-5 限制五：它不能替代会计师与法律责任
最后一点，也是必须讲清楚的：AI 不是会计师，不是审计师，也不是投顾。
它能帮你发现「数字之间的不一致」，但它不能查核凭证、不能判断会计处理是否合规、更不能保证财报没有重大不实表达。如果你的用途涉及投资决策、税务申报、或任何法律责任，务必回到专业会计师与合格分析师的意见。
本文所有内容都是个人实作心得，不构成任何投资建议。
五、把 AI 从「答案机」改造成「提问机」
5-1 我的 12 个黄金提问模板
这一年下来，我筛选出十二个最常用、产出品质最稳定的提问。你可以直接照抄。
提问模板
主要目的
请把近五年营收成长率拆解成「价格 × 数量 × 并购」三部分，并指出各项贡献估计。
检视成长品质
请把近五年税前净利拆成本业利益与业外损益，并算出各年营业利益占比。
检视获利含金量
请计算近五年「营业活动净现金流 ÷ 税后净利」比率，并指出趋势变化。
检视盈余品质
请计算应收帐款周转天数、存货周转天数、应付帐款周转天数，并做三年趋势比较。
检视营运资金效率
请比较营收增速与应收帐款增速，若前者低于后者，请说明可能原因。
抓营收品质下滑
如果有一位看空分析师，他会拿哪三个数字来反驳？请具体引用。
强制反方观点
请列出这份财报中，三处数字之间「彼此矛盾」或「不易解释」的地方。
找异常点
请从附注中找出所有涉及关系人交易、重大承诺、或有负债的段落，并摘要风险。
公司治理讯号
请说明会计师查核意见类型，以及今年与去年是否有差异。
查核风险
10
请把利息保障倍数、流动比率、速动比率、负债比算出，并指出三年趋势。
财务体质
11
请指出这份财报中，你「无法判断」的部分，以及需要哪些额外资料才能判断。
暴露资料不足
12
请用一句话总结这家公司今年最大的财务变化，并说明你的依据是哪两个数字。
强迫收敛结论
这十二个模板，我建议不要一次全问。一次问三个，逐步追问，效果最好。因为模型在多轮对话中，会逐渐建立对这家公司的「脉络理解」，后面的答案品质会明显上升。
5-2 三段式提示词范本（可直接复制）
除了模板，我后来固定用一种「三段式」结构来下提示词：
第一段｜角色与限制：「你是一位严谨的财务分析师，只能使用我提供的数字，不得推测未提供的资料。若资料不足，请明确指出。」
第二段｜资料：「以下是某公司近五年关键财务数字（表格）……」
第三段｜任务与格式：「请依以下五个角度逐一分析，每个角度给出三个观察，并在最后列出你无法判断的三件事。」
这个结构的关键在于第一段的「限制」。少了它，模型会大方地帮你「补资料」；有了它，它会开始说「这部分我没有资料」，而那正是你最需要听见的话。
另外一个我个人很爱用的小技巧：在最后加一句「请用条列式回答，不要写前言与结语」。这样可以省掉一半的客套文字，让输出更浓缩。
六、一年之后：我实际得到什么、失去什么
老实说，这一年下来，我没有因为 AI 而「抓到哪家公司的弊案」，那种戏剧性情节不存在。我得到的是更平淡但更实在的东西。
得到的：
建立了一套可重复使用的「异常追踪表」，今年的疑点，明年可以直接对照。
失去的：
这样算划算吗？对我来说，划算。
七、给想开始的你：一份 30 天上手计画
如果你看到这里，也想试试，我建议不要一开始就搞大工程。以下是我会重新走一次的三十天路线：
一个月后，你就有自己的一套流程了。这比看十篇教学文有用得多。
八、结语：AI 是放大镜，不是水晶球
回到标题：AI 帮我看财报，第一年就发现了问题。
但如果要我老实说，它发现的那些问题，其实一直都在那里。应收帐款早就在恶化、业外收益早就占了一半、现金流早就不如帐面净利。只是以前的我，没有工具、没有时间、也没有动机去看。
AI 做的事情，是把这些问题从「几百页 PDF 的角落」搬到「我的眼前」。它没有变魔术，它只是把我的注意力，从「营收成长 18%」这个漂亮数字，转移到「应收帐款成长 45%」这个不漂亮数字上。
所以我的结论是：AI 是一支放大镜，不是一颗水晶球。
放大镜不会告诉你该买什么、该卖什么，它只会让你把原本模糊的地方看清楚。而看清楚之后要做什么决定，还是你自己的事。
这一年，我最大的收获不是「少亏了多少钱」（这个我没法证明），而是我发现——原来我一直以为自己在做研究，其实是在做「签收」。而 AI 让我第一次真正开始做研究。
如果你也想开始，就从挑一家你手上的公司，把它近三年的应收帐款、存货、营业现金流摊开来，然后问 AI 一句：「这三个数字之间，有没有说不通的地方？」
相信我，你会看到一些你原本不想看到的东西。而那，正是它最有价值的地方。
免责声明：本文为个人使用 AI 辅助阅读财报的实作心得分享，所有数字均为示意性质，非特定公司实际数据，亦不构成任何投资建议、财务建议或法律建议。财报解读涉及专业判断，正式决策请谘询合格会计师、分析师或相关专业人士。
欢迎在「雅宝社区 · 顶客论坛」留言分享你自己的 AI 财报工作流，或你在第一年踩到的坑。
```
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →