ChatGPT + QuickBooks/Xero：費用分類自動化

簡而言之： QuickBooks與Xero本身就用銀行規則確定性地分類了大部分交易，而這些規則的可稽核性是AI建議給不了的。把ChatGPT用在剩下那些棘手的部分——不認識的收款方、需要拆分的交易、異常複核——但絕不讓它成為把分錄寫進帳套的那一環，也絕不在沒有確認過條款的情況下把資料交出去。

費用分類是小企業最典型的時間黑洞：每一筆判斷都微不足道，一個月卻有好幾百筆，而且沒人願意做。「用AI自動化它」是顯而易見的賣點，大量內容會告訴你把銀行流水匯出貼進ChatGPT，就能拿回一份分好類的帳。示範裡確實如此。它沒說的是：你的記帳平台本來就已經確定性地自動化了其中大部分，剩下的那部分恰恰是需要判斷的地方，而交易資料是中小企業手裡最敏感的資料之一。本文講清楚AI真正能幫上忙的地方、平台內建工具明顯更好的地方，以及無論選哪條路都必須圍上的治理工作。

為什麼費用分類如此消耗中小企業的行政時間

量不是問題——30人的公司一個月也就幾百筆交易，不算什麼。真正讓它痛苦的是另外四件事。

收款方名稱毫無用處。 銀行流水送來的是「SQ \*THE COFFEE ACAD」這類字串，或者某個支付處理商的描述符，而不是商戶名，於是必須先由人認出它是什麼，才談得上做帳。這部分才是工作量的主體。

同一個商戶可能意味著完全不同的事。 在五金行的一筆支出，可能是辦公用品、可向客戶計費的成本，也可能是應資本化的資產。交易行本身說明不了是哪一種；只有花這筆錢的人知道，而那個人早已忙別的去了。

憑證要求因市場而異。 在中國大陸，一筆可稅前扣除的費用通常需要合規發票——沒有發票，光有一個類別標籤在稽查時幾乎沒有價值。新加坡的GST進項扣抵要求合規稅務發票；香港沒有GST，但利得稅的扣除標準依然適用。AI自信地給出一個類別，對底層憑證是否支撐這個類別，什麼都沒說。

它總是被攢成一批痛苦地做。 多數中小企業把分類推到月底或季底，屆時上下文已經消失，每一筆都更費時。這裡最有效的解法是節奏，不是工具。

AI適合放在哪裡——以及哪些地方平台內建規則更好

在評估任何AI層之前，最該先內化的一點是：QuickBooks Online與Xero本來就在做自動分類，而且是確定性的。 在一個已經跑得動的系統上再疊一個語言模型，往好裡說也只是橫向移動。

平台內建銀行規則 vs AI分類

兩個平台都允許你定義銀行規則——基於收款方、描述、金額或銀行帳戶的條件，自動設定科目、稅率、往來對象與追蹤類別。兩者也都會給出從你自己歷史中學到的建議，你手動編了十次的商戶，第十一次就會被自動編成同一類。兩者還都有單據擷取（Xero側的Hubdoc、QuickBooks的收據擷取），可從拍下的單據中擷取資料並與交易配對。

三個特性讓規則在適用之處更可取。它們是確定性的——同樣的輸入永遠得到同樣的輸出，當稽核問「為什麼這筆這麼記」時，這一點很重要。它們是可檢視的——規則是一個看得見的物件，你的會計可以複核，模型的推理過程做不到。而且它們已經包含在訂閱費裡。

它們失效的地方也正如你所料：沒有歷史紀錄的新收款方、需要跨類別拆分的交易、含混的描述符，以及期末那句「這到底是什麼」的複核。剩下的這一小撮——通常佔行數的10%–20%，卻佔掉大得多的時間比例——才是AI誠實的目標。

把ChatGPT接到記帳資料上

三條路徑，按投入與能力遞增排列。

匯出後分析。 把未分類交易匯成CSV交給ChatGPT，讓它對照你真實的會計科目表給出建議類別（也要把科目表一起貼進去，否則它會編出你帳套裡根本不存在、但聽起來很合理的科目名）。你複核輸出，再在平台裡入帳。不需要整合，不需要交出任何憑證，也是判斷這件事對你到底有沒有用的最快方式。

中介軟體。 自動化平台可以把QuickBooks或Xero接到一個AI步驟上，新交易流出去拿建議、再作為草稿流回來。自動化程度更高，同時引入了一個持有你記帳系統存取權的第三方——這是需要認真權衡的事，不是走形式。

直連API。 QuickBooks Online與Xero都提供基於OAuth的API，一個小型內部服務可以拉取未分類交易、呼叫模型、把建議寫回等待人工審批。控制力最強，工程量也最大，只有在交易量確實很大、或流程確實高度客製時才合理。

無論走哪條路，同一條規矩成立：AI提議，人來定奪。 沒有經過人工確認的分錄，不應該進入帳套。

一個完整範例：從銀行流水到複核完畢的帳

第一週，先把規則修好。 拉出三個月歷史，看哪些商戶反覆出現。每一個反覆出現的商戶都變成一條帶正確科目與稅務處理的銀行規則。這件事毫不炫目，卻正是真正節省時間的來源——多數中小企業從沒認真做過，做一次就能消掉每月工作量的大半。

然後把剩下的交給AI。 把規則沒抓到的部分匯出來。給模型你的科目表、一段關於這門生意的簡短說明，以及交易清單，讓它逐行給出建議類別，附帶把握程度，並對拿不準的打上標記。那個把握程度標記比類別本身更有價值——它告訴你該盯哪幾行。

一次性複核。 順著建議往下走，確認或修正，然後在平台裡入帳。每一次修正都是一條新銀行規則的候選，於是「剩餘量」會逐月縮小。這種複利才是真正的回報；AI這一環應該越來越短，而不是變成永久性基礎設施。

閉上憑證這個環。 凡是要作為稅前扣除或進項扣抵的，都要確認底層收據、稅務發票或發票確實存在並已附上。平台和模型都替不了你，而這恰恰是稽查時真正起作用的部分。

AI輔助分類 vs 平台銀行規則 vs 記帳會計

對重複交易的準確度 — 銀行規則完勝：確定、精確、可複核。AI在這裡加不了分，還會引入你並不想要的波動。如果你的交易裡重複項佔比很高，這就是全部答案。
對新增或含混行的準確度 — AI確實有用，因為它能從商戶名和業務脈絡推斷，而規則做不到。記帳會計仍然更好，因為他們了解你的業務——但他們在季底最後一天晚上十一點是不在線的。
可稽核性 — 規則與會計都留下能解釋的軌跡。AI建議無法以稽核能接受的方式自我解釋，所以那一步人工確認不是選配——它正是讓這條分錄站得住腳的原因。
判斷類問題 — 可扣除性、資本化門檻、某筆支出屬於個人還是公司，這些是帶有轄區差異與責任後果的專業判斷。模型會自信地作答，而且很可能是錯的。這類問題一律交給你的會計。
成本結構 — 規則已含在訂閱裡。AI這一環的成本是訂閱費或按token計費，再加上你的複核時間。記帳會計每小時更貴，但交付的也更多。多數中小企業最終落在「規則 + AI處理殘餘 + 期末請專業人士」的組合上。
投入成本 — 規則花一個下午，收益是永久的。匯出後分析的AI迴圈幾分鐘就能試。API整合要幾週，只有在證據表明更簡單的路徑確實是瓶頸之後才該做。

不可讓步的幾條

絕不自動入帳。 一條未經複核的AI編碼分錄，是一份等著在營業稅或GST申報裡層層放大的錯誤。入帳前必須人工確認，沒有例外。

保留AI建議的軌跡。 記帳平台記錄的是「哪個使用者入的帳」，而不是「哪個工具提的建議」。如果AI輔助編碼是你流程的一部分，就自己留一份紀錄——匯出檔案、建議、以及人工修正——這樣日後有人來問才答得上來。

絕不讓它碰稅務判斷。 可扣除性與稅務處理決策，屬於相關轄區的持照會計。這不是為謹慎而謹慎：失敗模式是一個聽起來像專業意見、流暢、自信而錯誤的答案，正因為它讀起來像專業意見，所以沒人質疑。

弄清你的資料在做什麼。 銀行交易會暴露供應商、薪酬、客戶與毛利。你使用的是OpenAI的哪個產品，決定了適用哪套資料處理條款，而消費者版與商用版並不相同——請確認你所用方案的當前條款，不要假設。

把這件事做對：財務資料治理、API金鑰，以及何時該讓IT介入

把記帳系統當作核心資產級應用對待。 它裝著銀行明細、薪酬數字與供應商關係，而且是長期標靶——發票詐騙與付款改道攻擊瞄準的正是接觸它的那些人。給QuickBooks或Xero以及與之綁定的信箱開啟多因素驗證，是單位價值最高的一項控制措施，而且免費。

每接一樣東西，影響半徑就擴大一圈。 每個中介軟體連接器和API整合，都是又一個持有常駐存取權的對象。使用專用的整合憑證而非某個人的登入帳號，把權限收斂到流程真正需要的最小範圍，定期複核已連接應用，並撤銷那些沒人記得核准過的。最後這一條，幾乎每次複核都能查出東西。

API金鑰是憑證，不是設定。 OAuth權杖與模型API金鑰出現在指令碼、試算表與聊天訊息裡的頻率高得令人沮喪。它們應當放進金鑰管理工具，按週期輪換，絕不進程式碼儲存庫。

必須有人對複核這一步負責。 讓整個設計安全的那項控制，就是有人在確認分錄。如果這個人正好就是建置它的人，而且沒人複查他的工作，那這項控制就只是名義上的。

對一套財務系統整合做一次安全評估，是一件範圍清晰的小工作，也正是我們資安團隊在做的事——檢查接了什麼、這些連接能觸及什麼，以及旁邊那個信箱是否防得住真正造成中小企業財務損失的釣魚。我們的AI+支援服務負責就緒度評估、工具選型，以及當「匯出後分析」不再夠用時的整合落地；託管IT支援則負責MFA推行、金鑰管理、已連接應用複核，以及讓財務系統站得住的存取權限治理。另一個治理形態相近的後台自動化案例，可參考我們那篇用ChatGPT與Notion產生SOP的指南。Brocent自2007年在北京創立以來一直服務亞洲的中小企業，總部位於新加坡，並自2016年起設有香港辦公室。

常見問題

把我們的交易資料放進ChatGPT安全嗎？

這完全取決於你用的是哪個產品與方案，而且應當確認當前條款而不是假設——商用版與企業版的資料處理承諾和消費者版並不相同。另外還要單獨想清楚：到底什麼才需要離開平台？交易日期、金額與商戶描述符通常已足夠用於分類，而在匯出前抹掉帳號與交易對手明細，不花任何成本。

這會取代我們的會計嗎？

不會，而且這樣想是代價高昂的誤判。它減少的是那些機械編碼工作——本來要麼由會計計費完成，要麼由你自己做得很糟。可扣除性、稅務處理、資本化與法定申報仍然是專業判斷，而在中國大陸，光是發票規則本身就讓當地專業能力成為必需。

那些可扣除性的判斷題怎麼辦？

每一次都交給你的會計。語言模型會就「這筆在你所在轄區是否可扣除」給出自信而流暢的回答，而它對答錯不承擔任何責任。用它來整理和歸納，不要用它來定奪。

怎樣保留AI分類的稽核軌跡？

把過程產物留下來：匯出的交易清單、模型給出的建議，以及入帳前人工所做的修正。把它們與期末工作底稿放在一起。記帳平台記錄的是「誰入的帳」，那是稽核看到的；而你自己那份紀錄，才是你能解釋「這條分錄是怎麼得出來的」的依據。

我們該上ChatGPT，還是先把銀行規則做好？

先把銀行規則做好。多數中小企業只有幾條設定了一半的規則，以及一長串今天就能用確定性方式自動化的高頻商戶。先做這件事，量一量還剩多少，再決定殘餘量值不值得上AI。通常是值得的——但範圍只有大家一開始想像的一小部分。

多幣別或多主體架構適用嗎？

兩個平台都原生支援多幣別，而且這件事應該繼續留在平台裡——換算與重估是會計功能，不是文字問題。對多主體集團，請讓AI這一環按主體分開跑：把合併後的交易清單丟給模型，它沒有可靠辦法把某一行歸到正確的法人主體上，而關係人編碼錯誤事後極難拆解。

從哪裡開始

在評估其他任何東西之前，先花一個下午做銀行規則——這是全文報酬率最高的一小時，而且它會告訴你殘餘問題究竟有多大。然後對那部分殘餘做一次「匯出後分析」，看看建議是否好到值得你花複核時間。如果答案是肯定的，而你開始把記帳系統與其他系統對接，那就到了該讓人檢查這些連接能觸及什麼的時候——歡迎聯絡我們，我們可以把它拆成一小段工作，而不是一個專案。