2026 年，每位推銷會計軟件嘅供應商喺 demo 嘅第一頁都會講「AI」。標籤嘅濫用程度高到買家根本聽唔到任何資訊——唔同供應商用同一個字代表完全唔同嘅嘢，由真正幫人慳幾千個鐘頭記帳工作嘅機器學習模型，到只係包裝十年前都已經喺度嘅靜態規則引擎嘅市場文案。
本文將香港中小企會計軟件 2026 年最常見嘅四種「AI」標籤分開來，逐一就真正嘅生產力問題作評估：佢慳到時間、轉移時間、定係製造咗以前唔存在嘅新時間黑洞（審視、修正、監督）？目標係畀你一套 demo 時可用嘅詞彙，將市場用語拆解成可測試嘅嘢。
「會計軟件 AI」實際指甚麼 — 四個類別
剝開市場文案，2026 年香港會計軟件嘅每個「AI」功能幾乎都落入四個分類之一：
- 自動分類——模型根據商戶名同金額，預測新交易屬哪個開支類別。
- 異常偵測——模型標示與公司歷史模式不符嘅交易。
- AI 輔助對數——模型提議銀行 feed 一筆同分類帳交易嘅配對，包括規則引擎錯過嘅非完全配對。
- 敘事報告生成——模型寫出管理帳目嘅平實語言摘要，通常作為「董事評論」PDF 段落。
四個類別處於成熟度光譜不同位置。分類同對數係成熟、有生產力嘅用途。異常偵測逐步改善但雜訊大。敘事生成最閃亮，但具體對香港中小企而言，係最值得懷疑嘅一類——語言模型輸出睇似流暢但經常不知不覺偏離底層數字。
交易自動分類 — 最成熟的用途
呢個係 AI 用例中生產力提升真實、失敗模式可承受嘅一個。模型由公司本身嘅歷史記帳學習邊位商戶對應邊個開支類別，然後為新交易預填預測類別。對典型中小企交易量而言，4 至 6 週嘅修正後，模型對重複商戶嘅準確度約 85–90%，對首次商戶約 50–60%。
呢啲準確度數字聽落唔算高，但生產力提升明顯，因為（a）多數中小企交易量來自重複商戶，（b）預測錯誤嘅邊際成本只係一 click 修正，而非由零重新輸入。一位以前每週由零分類 200 筆交易嘅記帳員，而家係審視 200 筆預先分類嘅草稿，修正其中 25–30 筆——呢項任務上慳咗大約 60–70% 時間。
有兩個香港特定失敗模式要留意。第一，雙語商戶名會令以拉丁文字訓練嘅模型混亂——同一商戶喺某啲對帳單以繁體出現、其他以拼音或英文出現，訓練不足嘅模型會視為唔同商戶而學唔到。第二，董事個人開支由公司卡過數製造模型解唔到嘅分類問題——呢啲必須人手標記為提取，而唔係開支，模型唔會代你做呢個判斷。
異常偵測 — 有潛力但雜訊多
異常偵測標示與公司歷史模式不符嘅交易——異常大筆嘅供應商付款、重複發票、從未出現嘅開支類別、異常時間入嘅交易。承諾真實：模型發現疲倦記帳員可能錯過嘅錯誤同欺詐訊號。
2026 年典型中小企分類帳上嘅實際表現係，異常偵測誤報率高。一間成長中業務有好多「異常」其實只係業務本身改變——首次聘用新供應商、首次海外出差、首次採購超過 HK$50k 嘅設備。模型分唔出「因為新所以異常」同「因為錯所以異常」。多數中小企用戶最後每週批量分流異常偵測警示，將大部分撥走。
不過異常偵測並非無用。有兩個情況已展示價值：
- 重複發票偵測——範圍緊收嘅異常偵測子分類，因此精準度高。捕捉到真實應付帳款錯誤同偶爾嘅供應商雙重收費。
- 糧務異常——標示重複糧務一行嘅異常變動（某人人工倍增、某人喺一個月內出咗兩次糧、離職員工仍收糧）。價值高，因為糧務錯誤嘅還原成本好貴。
將廣泛異常偵測視為「背景安全網」而非建立工作流程嘅基礎。針對性子功能——重複偵測同糧務異常標示——值得佢嘅成本。
AI 輔助對數 — 生產力甜蜜點
呢個正是 2026 年香港會計軟件嘅 AI 真正賺到飯食嘅地方。銀行 feed 提供一條銀行側交易流；分類帳有一條會計側交易流；模型提議配對，包括規則引擎錯過嘅非完全配對——銀行一行寫「FPS Transfer 8472」，分類帳寫「Customer ABC Limited Invoice 1024」，但金額啱、日期相差兩日內、而且模型之前見過呢位客戶嘅引用模式。記帳員確認或拒絕提議。
成熟實作喺典型香港中小企分類帳上，模型學習咗客戶／供應商引用模式之後，自動配對率達 70–80%。呢個數字比純規則引擎對數同數據上高幾個百分點，而呢條空隙好重要，因為自動配對率每提升 10 個百分點，人手對數工作就同比例減少。
買軟件前要驗證嘅前置條件：AI 輔助對數嘅好壞，取決於餵佢嘅銀行 feed。如果你嘅銀行覆蓋唔齊整——請參考銀行 feed 同自動對數指南了解 2026 年香港銀行逐家覆蓋現狀——AI 一層唔幫到你。先搞掂銀行 feed 質素，AI 然後再為你帶來明顯嘅額外生產力提升。
敘事報告生成 — 閃亮但要懷疑
2026 年好幾個供應商推出「AI 生成管理評論」——一兩段文字概述當月損益、標示差異、寫出董事友好嘅敘事。輸出睇落流暢；輸出未必準確。
結構性問題：語言模型生成嘅文字跟隨會計師寫評論嘅模式，而不論底層數字是否支持嗰個敘事。一個模型可以將收入描述為「較上月強勁增長」，當實際收入持平——只因為呢句喺訓練資料中經常與收入行一同出現。即使有錨定到實際數字，框架——點先算「強勁」、邊個差異「值得擔憂」、董事應「密切關注」邊樣——係生成嘅，可能誤導。
對依賴敘事快速了解業務嘅中小企而言，風險係流暢但錯誤嘅評論成為決策基礎。務實態度：自己睇數字，將敘事視為草稿骨架——做你自己段落嘅起點有用，當作完成輸出就危險。
如果供應商強調敘事生成，要問嘅問題係「畀我睇本月冇咩特別事發生時嘅同份報告」——平淡月份生成嘅流暢敘事，通常透露模型係填補模式而唔係報告事實。
買軟件前 demo 的測試清單
Demo 時實用嘅 AI 功能測試集：
- 分類測試：帶 30 筆你公司嘅真實交易，一半來自常用商戶，一半來自一次性。睇自動分類預填，數要修正幾多筆。如 demo 完成時對你常用商戶仍未達 80%+，問訓練資料集點建立。
- 對數測試：要求睇佢哋一位真實客戶（匿名）嘅銀行 feed 配對紀錄。自動配對率幾多？未配對行中有提議但未接受嘅佔幾多？「未配對連提議」嗰類正係模型做最有用工作嘅地方。
- 異常偵測測試：問交易量類似嘅典型中小企每週收到幾多警示。如答超過 5 至 10，誤報率將會主導。
- 敘事報告測試：要求睇平淡月份嘅樣本。對住底層數字批判式地讀。
凌峰會計如何提供幫助
Giga Accounting by 凌峰會計 內置 AI 輔助分類同 AI 輔助銀行對數作為平台標準功能——上文兩個生產力甜蜜點——將異常偵測視為針對性功能集（重複發票偵測、糧務異常標示）而非開放式警示流。敘事報告生成作為管理帳目嘅選用草稿骨架，唔係畀稅局或核數師嘅最終輸出。
如想用你公司嘅交易歷史測試 AI 分類同對數，聯絡我們，我哋可安排 30 分鐘喺你數據上 demo；或睇每公司劃一收費。AI 對數依賴嘅銀行 feed 基礎，請參考香港銀行 feed 同自動對數；AI 功能通常作為定價層門檻嘅更廣脈絡，請參考香港會計軟件定價；如以免費入門級先試，請參考香港免費會計軟件。
