想象一下，你当地的会计师事务所正悄悄地将你过去提交的每一张发票、每一次对账、每一项年终调整，都输入到一个私有的AI模型中——这个模型专门从数千家像你一样的客户的集体判断中学习。这并非一个思想实验。这正是美国十大会计师事务所之一的CLA与AI原生会计初创公司Digits刚刚宣布的计划：共同构建一个专有AI模型，基于CLA自身客户群进行训练，并在未来三年内向“数千名现有及未来客户”推广。
如果你曾思考过“AI记账”究竟是一个营销噱头，还是小企业记账方式的真正变革，那么这项合作便是一个很好的检验案例——因为它并非由一家试图颠覆会计师的激进金融科技初创公司发起，而是一家营收近20亿美元、拥有9000名员工的行业巨头，它押注于客户会计服务的未来将与过去截然不同。
CLA与Digits实际宣布了什么
CLA（CliftonLarsonAllen）是美国排名前十的会计师事务所，拥有超过120个办事处，客户涵盖本地小企业到大型私营公司。Digits则是一个较新的会计平台，其构建理念是“从总账层面原生融入AI”——这意味着其总账系统本身就是围绕自动分类、自动对账和月度结账设计的，而非在传统的复式记账系统之上后期添加AI功能。Digits已从Benchmark、GV和软银等投资者处获得融资。
目前，两家公司正在共同构建一个特定于该事务所的AI模型，该模型专门使用CLA自身客户的交易数据和工作流程进行训练。CLA记账员分类的每一张发票、CLA财务主管做出的每一项调整、人工审核员在Digits内应用的每一次修正，都成为训练信号，用于优化模型。CLA的计划是，首先在其客户会计与咨询服务（CAAS）业务部门内部推广由此产生的AI——该部门已为数万家私营企业提供外包记账、财务主管及CFO风格的咨询服务——之后再进一步扩大应用范围。
用Digits领导层的话来说，其愿景是：“AI不应只属于大公司。”其理念是，一家中型或小型企业，即使永远无法负担一个专属的数据科学团队，也能从基于数千家类似企业汇集并匿名化处理后的模式中训练出的模型中获益，并通过其已有的会计师事务所合作关系来获取这些服务。
为何一家传统会计师事务所会这样做（而非仅仅依靠初创公司）
多年来，“AI记账”主要是一个关于初创公司的故事——Bench、Pilot、Digits本身、Puzzle、Zeni、Docyt——这些公司试图说服小企业放弃他们的会计师，转而使用软件。而这项合作则颠覆了这一叙事。CLA并非被AI原生软件所颠覆，而是在接纳AI原生架构，并将其自身的专业判断融入其中。
这之所以重要，是基于一个简单的经济原因：记账和CAAS业务是CLA业务量最大、重复性最高的服务线，同时也是AI自动化能带来最清晰、最直接回报的服务线——交易分类、发票与采购订单匹配、异常标记、对账初稿编制。实现这些工作的自动化，可以解放CLA的员工，让他们将更多可计费时间投入到真正需要人工判断的咨询工作中：现金流策略、税务规划、交易结构设计。从事务所的角度来看，一个基于自身方法论训练的AI，是在不按同等比例增加人手的情况下扩大专业服务规模的一种方式。
对于小企业客户而言，实际的变化如下：不再是初级会计师每月手动对账一次，而是由一个基于CLA处理数千种类似情况经验训练而成的AI模型，持续完成大部分工作，人工仅负责审核例外情况，而非每个周期都从头开始。
这对使用传统会计师事务所的你意味着什么
如果你的记账、税务准备或咨询服务工作目前由一家中型或大型区域性会计师事务所处理，那么无论你的具体事务所是与Digits、其他AI供应商合作，还是内部自建，未来一两年内都有几件事值得关注。
询问哪些是实际自动化，哪些仍需人工审核。 “AI驱动”可能意味着“人工审核模型建议的100%内容”，也可能意味着“模型直接录入分录，人工抽查样本”。直接询问你的事务所，针对你的账户，他们的AI处于这个光谱的哪个位置，以及在错误进入你的账簿之前，他们是如何捕捉这些错误的。
询问你的数据去向何方以及如何使用。 一个“专门”基于一家事务所客户群训练的事务所专属模型，仍然意味着你的交易数据——无论是去标识化的还是未去标识化的——都将用于训练该系统，并服务于该事务所的其他客户。对大多数小企业来说，这是一个合理的权衡，但了解你事务所的数据处理和保留政策仍然是值得的，就像你会询问任何供应商一样。整个行业对此都存在现实担忧：今年的调查显示，越来越多的会计专业人士特别担心输入AI工具的客户数据的保密性，并且确实有相当数量的事务所承认，曾无意中将客户信息输入到没有保护措施的公共AI工具中。一个事务所拥有并训练模型（而非员工将你的数据粘贴到公共聊天机器人中）通常处于这个光谱上更安全的一端——但“更安全”并不意味着“零风险”，你有权提出这个问题。
预计定价讨论将发生变化。 随着AI承担了更多重复性的记账工作量，预计会有更多事务所将CAAS类服务转向基于成果或订阅制的定价模式，而非纯粹的按小时计费——Digits本身便是基于成果定价。这对可预测性有好处，但在签署任何新协议之前，了解实际包含的内容仍然非常重要。
更大的趋势：会计的每一个层面都在走向AI原生
CLA与Digits的合作并非孤立事件。四大及排名前二十的事务所在2026年全年都在达成类似的AI合作关系并构建专有工具，而独立的AI记账平台也持续推出自己的自动月度结账、异常检测和对账功能。几乎所有这一切的共同主线——从Digits的总账级自动化，到Expensify的AI助手集成，再到今年推出的每一个“AI CFO”产品——都是同一个理念：会计软件层本身正在被重构，以便AI模型能够直接读取、推理并处理你的数据，而不仅仅是向人类展示数据。
无论你评估的是哪家供应商或事务所，这一模式都提出了同一个根本问题：你究竟能在多大程度上验证AI对你的账簿所做的操作？一个基于数万客户调整数据训练而成的模型固然强大，但它也比一个可以逐行阅读的电子表格或纯文本分类账更加不透明。你的记账工作越是依赖于一个黑箱——无论是专有的还是其他的——你就越有必要以可独立审计、可导出、并可交给任何会计师（无论是否使用AI辅助）的格式，拥有自己的一份底层交易历史记录。
这正是纯文本记账旨在填补的空白。使用Beancount，每笔交易都存在于一个人类可读、版本控制的文本文件中——而非被锁定在供应商的专有数据库或事务所的专有模型中。你可以自行运行检查，将你的历史记录与上个月进行对比，并精确查看哪些内容发生了变化以及何时发生了变化，无论在此过程中是哪个AI工具（你的、你会计师的、或第三方的）接触过你的数据。将其与Fava等工具配对，用于可视化同一本账簿，你就能兼得两全其美：AI时代的自动化，加上你能够完全信任的记录，因为你能够完全看清它们。
在采用事务所训练的AI记账之前要问的问题
如果你的会计师宣布了类似这样的AI计划，一份简短的清单有助于看穿营销语言：
- 这个模型首先处理什么——分类、对账，还是更高风险的事项，比如税务处理？ 从实际已经实现自动化的部分开始，而不是最终路线图。
- 谁负责审核例外情况，审核频率如何？ 一个有明确审查节奏的指定人工审核员，比“系统会标记异常”这样的回答更可靠。
- 如果更换事务所或工具，你能否以可移植的格式取出你的数据？ 这是最重要的问题，而纯文本、可导出的记录使得很容易对这个问题回答“是”。
- 定价会变化吗，触发条件是什么？ 基于成果和订阅制的定价模式正变得普遍；弄清楚你实际支付的是什么。
- 事务所的数据保留和训练使用政策是什么？ 无论是否涉及AI，你都有权向任何处理你财务数据的供应商询问这一点。
无论谁在自动化你的账簿，请保持其可移植性
无论你的账簿是由四大的AI项目、中型事务所的专有模型，还是初创公司的总账原生平台来处理，基本原则都不会改变：对小企业来说，最安全的做法是拥有其自身财务历史的一份清晰、可审计、可移植的副本。Beancount.io 为你提供了这一点——透明的、版本控制的、任何会计师、任何AI工具或你本人均可读取且无供应商锁定的纯文本记账。 立即免费开始，无论你周围的工具如何演变，都能保持对你数字的控制权。