百望股份 CTO 王志伟

当通用大模型的参数规模、榜单分数和通用知识不再是稀缺资源，行业开始思考一个更深层的问题：模型能不能真正走进企业的核心业务流程，让数据持续回流，让专业角色完成工作，并交由业务来验收？

在 2026 ITValue Summit 数字价值年会上，百望股份 CTO 王志伟把这个问题回答得相当具体。

百望是一家以电子发票起家的企业，十年间沉淀了超过 260 亿张交易凭证、累计交易金额超千万亿元，覆盖企业税号九千万以上。在王志伟的定义里，这些不同的数据类型，是同一笔交易从发生、结算、纳税到产业协同的完整链路。而每一张发票，都是企业与社会发生关系时留下的 " 数字 DNA"。这份横跨十年的积累，构成了百望转身 AI 的底座。

王志伟的核心判断是，行业模型并不是通用模型的缩小版，而是通用模型进入产业实景之后 " 长出来 " 的一套工作系统。他拆解了通用模型进入企业核心流程必须跨过的三道门槛——幻觉与事实风险、数据主权、成本问题。

在财税这种严谨场景里，模型不能只会 " 说得通 "，还必须配备事实校验器，对发票、税票、工商及企业经营行为进行交叉验证。企业高度敏感的交易与财务数据，也不可能坦然放上通用模型，私有化部署因此成为 " 企业敢不敢用 " 的技术前提。

从真实的交易数据打底，到定义垂类模型的五层能力，再到把考核指标从回答准确率转向异常发现率、申报差错率、人工审核命中率等业务结果，百望股份的数据飞轮路径是，真实业务产生交易数据，数据训练行业模型，模型支撑 AI 决策，决策产生业务结果，专家反馈再反哺高质量训练集。飞轮一旦转起来，便越用越好用。

如今，百望正从一家电子发票 SaaS 公司，转型为以真实交易数据为基石的 AI 公司，这条路的目标指向，是被他反复强调的那句，" 最终卖结果 "。

以下是王志伟的演讲实录，经编辑：

从上午到现在，我认真听了每一场分享，收获非常大，有一些非常有共鸣。后面一些材料，可能跟大家有共同的见解。印象最深的是，上午有一位嘉宾提到，垂类模型可能 " 不太行 "。我正好要分享这个，心里当时凉了一半。

不过那位嘉宾后来又说，有三种手段能把垂类模型做好、跨过三个门槛，这正好跟我后面要分享的有相同之处。

先介绍一下百望。我们是一家电子发票厂商，这十年来一直做票、税、单证这些相关产品。这些产品看起来背后是不同的数据类型，实际上是同一笔交易完整的链路——从一笔交易的发生，到结算，再到纳税，再到产业协同的完整过程。

今年，我们把真实交易和现在的财税知识结合在一起，看看如何能够构建出百望的垂类财税大模型。

接下来围绕三方面展开：第一，企业为什么需要垂类大模型；第二，百望如何做财税大模型；第三，财税大模型如何从 " 能回答问题 " 到最终 " 能交付一个业务结果 "。

过去三年，我们比较模型，看的是参数规模、榜单分数和通用知识；但未来三年，随着大模型深入到产业中，竞争的中心可能会变成：模型能不能进入到真正的业务中，能不能让数据持续回流，能不能让多个专业角色完成最终的工作，让业务来验收。目前模型能力正在快速商品化，回答一个常识性的问题越来越普遍，但是具有专业技能、工种经验的垂类智能体，还是越来越稀缺的。

我们的判断是：行业模型并不是通用模型的缩小版，而是通用模型进入产业实景之后，长出来的一套工作系统。

为了实现这一演进，大模型也必将进入到企业的核心流程中来。我们分析，通用模型进入企业的核心流程，有三个核心问题需要解决——其实这三个问题，上午和下午的不少专家都讲得非常一致。

第一个，是幻觉和事实的风险。财税场景下，并不是 " 只要能够说得通的解释 " 就 OK。如果这个地方出现问题，很有可能面临罚款，甚至有一些处罚，影响企业的信用。它是非常严谨的场景。在我们这个场景下的模型，必须具有事实校验器，能够把发票、税票、工商，以及企业经营这些行为，做一个交叉验证，来保证高可用。

第二个，是数据主权。财务、交易数据是企业高度敏感的资产，很多企业是不可能放在通用模型之上的，那样会面临巨大的数据安全问题。我们后面也会推私有化的部署方案，让模型在企业内网中独立运行，保证数据主权、AI 的主权，还是由企业自己所掌握。

第三个，是成本问题。一家企业如果一直调用外部通用模型的 Token，不管是在成本上还是在治理上，其实都非常不可控。这三点决定了，垂类能力和私有化部署，是企业 AI 的技术条件和技术前提。

对于幻觉问题，首先回答这个问题，大家有不同的视角，行业里也有不同的答案。在这个场合之下，我想说一个观点：我们首先要从模型所使用的训练数据上着手。模型所使用的训练数据如果不是真实的，如果是高度不确定性的，那它生成的模型必然会有更大的不确定性。

公开的知识能够告诉模型：税法怎么写，会计准则怎么解释，政策文件怎么规定。但它其实无法告诉模型，一笔交易在真实的交易实景中，这个企业的经营状况是怎样的。所以百望最有价值的数据，并不是发票本身，而是发票背后对应的商业事件，这才是它最大的数据价值。

每张发票都连接着交易对手、订单的合同，以及背后的这一系列商业行为。我们把票、税、单证这些数据串联起来，才能够理解一个企业的经营实景，以及它的上下游关系、它的财税特征。这也就是为什么把发票称为 " 企业经营数字 DNA" ——它不是简单的静态凭证，而是这个企业和这个产业发生关系的时候，留下的一个 " 可行的数据 "。对于财税大模型来说，这类数据肯定比网上公开的那一类数据，训练价值要高得多。

我们经常看一些模型讲 " 泛化 "。我们想到的模型，可能能够覆盖更多的问题；但企业真正需要的泛化，是把每一个能力变成每一个工种的专业能力，嵌入到不同的组织当中、不同的流程当中，能够被负荷、被追溯。如果模型只给一个答案，说不清楚为什么是这样、依赖的数据是什么，这对于企业来说是一个巨大的风险。

百望采用的路径是：真实的交易数据打底，规则、约束、行为证据链、记录过程，最后用业务结果来验收我们每一次回答、每一次执行。

这是我们的数据基础。模型最值得信任的基础，是值得信任的数据。截至目前，百望一共处理交易凭证超过 260 亿张，累计交易金额超过千万亿元，覆盖企业税号九千万以上，大型集团企业有三千多家，成长性企业三千万家，沉淀了四千多项企业的实际运营指标。

这一组数据，价值不仅仅在于规模，它有三个维度可以回报给大家：第一个是广度，能够看到不同上下游之间的交易关系；第二个是长度，我们做这一行已经十年了，积累了一个跨度超过十年的、整个企业经营脉络的关系数据；再一个是新鲜度，当这笔交易发生之后，我们大概能够 T+1 更新，保证足够的判断新鲜度，能够跟上正在发生的商业行为。

财税数据，可以成为中国企业经营的活样本。我们训练的，并不是只会聊天的、会背税法的聊天机器人，它能够从连续交易中识别事件发生的关系，以及连续变化的一个行业模型。

在微观上，我们经常会遇到 " 能不能评价一下这张发票是不是合理 " 这样的问题。我们判断的背后，要对它的交易背景、上下游关系、企业经营状况、税务的规则、历史行为、行业惯例等等，做统一的处理。我们所训练的垂类模型，大概包含五个层面的能力：第一，要有持续更新的行业知识；第二，能够确定性地表达行业规则；第三，是真实交易行为；第四，是嵌入企业的工作流；第五，是可以验收、可被追责的评价体系。缺任何一环，这个模型最终只是停留在演示层面。

这也是我们对一个垂类模型的新定义：他是行业版的工作系统——能够理解业务，调用规则，组织证据，并把判断变成下一步可执行的任务。

为了实现上面五层能力，这是我们训练的过程和思路。这一页因为大家都比较专业，我就不一一展开描述了——它能够调用实时数据，基于日常的积累，最终让我们数据保持一个更新；并且通过实时调用外部的数据，能够实时更新；并且能够通过 Agent、Workflow，把它串联成一个完整的任务。

我们有了一个初始的财税模型，让它持续更新，才是这个模型越用越好用的关键。行业是否好用的核心指标，我们也从回答的准确率，逐渐转向了业务结果的指标。在财税场景下，比如异常发现率、申报差错率、人工审核命中率，也是在应用模型的实践中来——百望把数据飞轮和垂类 AI、场景闭环，放到一起统筹考虑：真实的业务产生交易数据，再把这个数据用来训练行业模型，来支撑更多 AI 决策；决策又产生业务结果；最终专家反馈，再形成高质量的训练集。这个飞轮一旦转起来，越循环就越接近真实的业务。

下一个服务企业的专属能力，肯定离不开企业的专属数据——在企业内网独立运行，这样模型本身、它的数据、它的责任，都能够被企业所掌握。企业可以用自己的私有数据持续进行训练，再根据组织规模规划算力。这样我们就可以解决 " 企业敢不敢用 " 的问题。当数据不出域，数据权限、脱敏、审计都可被验证，业务部门才有可能把这个模型，用在他的真实关键业务流程中。只有数据不出域，企业才会拥有真正的 AI 主权。

有了财税大模型之后，我们大概用来解决哪些问题？我们大概分在四个核心任务中。

第一个，是合规和风险的管控。它通过票、款、货、账、税等等这些数据，形成风险线索，然后最终做判断依据。

第二类，是财税作业的一个流程执行。像处理发票、合同、业务数据，完成它的审核、申报等等。

第三类，是方案分析和决策辅助。在经营决策前，可以比较不同的财税成本和风险。

第四类，是经营分析和洞察。交易和财务数据，可以转化成各工种理解的经营信息，帮助企业探讨商机、探讨客户、探讨商品的变化。

这四类任务，指向了同一件事情：从发现、判断，到进入流程，再到辅助决策，最后可以 " 看见 " 这个企业的经营。

以付款环节为例。一笔付款，我们在看发票的时候，系统同时读取发票、供应商、交易对手方、订单、合同等等的数据，再由不同的工种——像销售、报销等等——组成的智能体协同，来完成这一项任务。系统会给出主体的核验、交易对手的分析、空壳公司的校验，以及产业链整个风险传导等等，最终形成一个结论。AI 承担的是 " 准备事实 " 和相应的责任，人仍保留授权和相应的责任。一笔付款，可以做到有根据、可校验，最终在事后可追溯。

这是我们在服务客户中的两个真实场景。第一个，是在央国企穿透监管的时候，需要把整个交易链连接起来，并且分析每个交易对手方的实际经营情况、是不是有经营风险，全部从整个链条上进行分析。这是我们实际已经有不少客户在使用的案例。在医药行业，也是同样的逻辑。

这是我们目前推得相对比较广的两个应用场景。这是现在的商业模式——前面的专家都已经提到过了，最终 " 卖结果 "。

百望正从一家电子发票 SaaS 公司，转型为以真实交易数据为基石的 AI 公司。我想这个转型，不是在原有的业务上贴上 AI 的标签——像 "AI 发票 ""AI 报税 "，并不是这样的。我们是把这十年来积累的数百亿张交易事实的发票，以及头部的财税行业经验，和服务三千万家企业的专业能力，重新编制成一套可以进入生产系统的智能基础设施。" 独行快、众行远 "，百望愿与大家一起，共赴产业 AI 的未来。（本文首发于钛媒体 APP，作者｜李程程）