关于资产评估行业质量标准缺失对人工智能适配影响的分析报告type
Post
status
Published
date
Apr 28, 2025
slug
content-7e4e8b2a-9d3c-4f16-85a1-2c9e6b3d8f1a
summary
随着数字经济的蓬勃发展和人工智能（AI）技术的日趋成熟，传统资产评估行业正迎来前所未有的转型升级契机。然而，资产评估行业在质量控制方面普遍缺乏明确、统一且具有强制性的标准体系，行业管理呈现出较大的柔性。这种现状导致评估过程的规范性不足、评估成果的差异性显著，不仅影响了评估质量的稳定性和一致性，更严重阻碍了人工智能技术在评估流程中的有效适配与应用。对于致力于推动行业数字化、智能化的政策制定者而言，深刻理解这一核心问题至关重要。本报告旨在从制度设计、监管方式、从业者行为习惯以及技术演进需求等多个维度，深入剖析当前资产评估行业质量标准缺失的原因及其对AI适配的具体影响。
tags
category
icon
password
一、 资产评估行业质量控制现状与问题
1.1 底稿质量控制缺乏统一强制标准
当前，我国资产评估行业在核心环节——工作底稿的质量控制上，并未建立起一套全国统一且具备强制约束力的标准规范。尽管财政部和中国资产评估协会（中评协）已发布一系列评估准则和操作指南，但其中大部分属于原则性规定或推荐性指引，并非对所有类型评估机构都一体适用的硬性要求。例如，《资产评估基本准则》虽强调规范评估行为、保证执业质量，但其内容相对宏观笼统。更具体地，中评协于2017年发布的《资产评估机构业务质量控制指南》明确要求具备证券评估资质的评估机构必须遵守，而对于数量庞大的其他各类评估机构，则仅要求“参照”执行。这意味着，强制性的质量控制高标准主要局限于证券期货相关评估业务领域，大量从事非证券类评估业务的机构（尤其是中小型机构）并未受到同等的外部强制约束。
这种“双轨制”或差异化要求直接导致了行业内部质量控制水平参差不齐。在此指南出台之前，中评协虽也发布过针对中小评估机构的《资产评估专家指引第7号——中小评估机构业务质量控制》（2012年），但其定位明确为“专家建议”，允许机构自行选择参照执行或根据自身情况采取其他做法。这种灵活性使得不同机构在工作底稿的编制深度、证据收集的充分性、复核程序的严格性等方面存在巨大差异。部分机构可能建立了较为完善的内部质控体系，而另一些机构则可能仅满足最低限度的合规要求，甚至有所欠缺。由于缺少全国统一的“硬杠杠”，评估报告及其支撑底稿的详实程度、逻辑严谨性、依据充分性等核心质量要素难以保证行业范围内的基本一致。
1.2 柔性管理导致质量管理相对松散
中国资产评估行业长期以来实行的是一种相对柔性的管理模式，其制度设计体现为行政监管、行业自律和机构自主管理相结合的原则（如《资产评估行业财政监督管理办法》所示）。财政部门负责宏观规则制定和必要的执法检查，中评协等行业组织承担自律管理职能，而评估机构自身则对其执业质量负有主体责任。这种模式赋予了评估机构较大的自主决策空间，允许其根据项目具体情况和自身能力灵活选择评估方法和质量控制措施。
从积极层面看，这种柔性有助于适应评估对象的多样性和复杂性，鼓励评估师发挥专业判断力。然而，过度或缺乏约束的灵活性也带来了质量管理上的普遍性松散问题。由于缺乏统一、明确的强制性标准作为参照基线，评估的具体执行过程和底稿编制缺少一致的框架指导，导致不同机构、不同评估师的做法和标准各异。正如业内分析和媒体评论所指出的，“评估标准不统一，缺乏通用评估框架，不同机构方法各异，结果差异大”，这已成为行业痛点。当质量提升主要依赖行业自律和机构自觉时，部分机构可能出于成本、效率或短期商业利益的考量而降低质量控制标准，形成“劣币驱逐良币”的风险。这进一步加剧了评估工作底稿和最终报告质量的参差不齐，降低了整个行业质量管理体系的透明度、可预测性和整体公信力。
需要指出的是，监管部门已意识到行业质量问题，并开始逐步加强监管力度，例如财政部近年来反复强调对评估行业实施“严监管、零容忍”政策，加大对违法违规行为的查处力度，意在推动行业提升执业质量，维护市场秩序。尽管如此，在缺乏明确、统一质量标准的前提下，强化监管更多地表现为事后惩戒和个案处理，难以从根本上系统性地解决普遍存在的质量标准不统一、整体质量水平有待提高的问题。总体而言，当前资产评估行业的质量控制仍以指导性、原则性规范为主导，缺乏足够的硬性约束和统一标尺，导致行业质量管理的刚性不足、柔性空间过大。
二、 缺乏标准对AI技术有效应用的制约
资产评估行业现行的、以高度柔性为特征的管理模式，与缺乏统一质量标准的现状相结合，对人工智能技术的有效应用构成了显著制约。这里的“标准缺失”不仅指最终评估结果的衡量标准，更深刻地体现在对评估过程规范性、尤其是对判断推理过程的记录与留痕要求的缺失。AI系统，特别是旨在辅助专业工作的系统，其有效运作往往依赖于相对规范化的流程和结构化的信息输入。当前行业现状与AI技术特性之间的矛盾，给AI的应用带来了多重挑战：
2.1 评估流程与记录非标准化，阻碍AI学习与辅助
不同评估机构和评估师在具体操作中流程各异，更关键的是，现行标准对工作底稿中记录判断依据、推理过程的详尽程度要求不高。许多环节依赖评估师的专业判断，但其背后的逻辑链条和所依据的细微信息，往往没有被完整、规范地记录下来（即缺乏充分“留痕”）。这种流程和记录的高度非标准化，使得AI系统在分析历史案例时，难以学习到评估的深层逻辑和关键决策点。AI也难以在缺乏清晰、结构化过程信息的条件下，对现有流程提供有效的智能化辅助（如风险提示、逻辑校验等）。正如对新兴的数据资产评估领域的分析所揭示的，一旦评估标准和方法不统一，评估结果便容易充满主观性和不确定性，缺乏过程记录的透明度，AI算法在这种“黑箱”或“灰箱”操作较多的领域难以有效发挥其分析和辅助决策的能力。
2.2 评估底稿质量参差不齐，导致AI分析基础不可靠
AI系统进行有效分析的前提是高质量、一致性的数据输入。这里的“数据”不仅包括最终的数值，也包括支撑这些数值的过程信息和判断依据。在缺乏统一强制标准和留痕要求下，当前大量资产评估工作底稿的过程记录质量堪忧，普遍存在记录不完整、逻辑链条不清、关键假设依据缺失等问题。如果将这些过程信息缺失或质量低劣的底稿作为AI的分析对象，AI系统不仅可能学不到有价值的知识或规律，反而容易被噪声数据误导。人工作业中的随意性和过程记录标准的缺失，使得底稿数据的“深度”质量难以得到有效保障，AI也就无法从中获取足够规模的、可信赖的、结构化的过程知识来源，其分析和判断的价值自然大打折扣。行业信息化规划也曾指出，目前评估执业数据来源有限、采集标准不统一，数据缺乏有效的共享和统筹管理，这其中也隐含了过程记录标准不一的问题。
2.3 缺乏统一评价标准（含过程标准），使AI效能难以衡量与提升
AI系统的应用效果需要有明确的评价标准来进行衡量和持续优化。在资产评估领域，如果行业本身就没有一套公认的、细化的质量衡量标准（包括对过程规范性的要求），那么即便引入AI进行辅助，也难以判断其对评估质量（不仅仅是结果，也包括过程的规范性、风险控制等）或效率的实际贡献。在人工评估实践中，不同评估师对同一资产给出不同价值结论的情况很常见，其过程的严谨性也可能存在差异。目前行业主要依赖专家经验判断或后续市场检验，缺乏一套即时的、客观的硬性标准来判定哪个结果更“准确”或哪个过程更“规范”。在这种背景下，AI给出的结果或过程建议，难以找到统一的标尺进行衡量。更重要的是，缺乏明确的过程标准，也意味着无法为AI设定清晰的学习目标（例如，学习符合规范的操作流程），难以通过反馈来提升其性能，使其更好地服务于提升评估整体质量的目标。
2.4 现有工作模式与AI运行逻辑冲突，阻碍规模化部署
当前评估实践中，由于缺乏对过程留痕的硬性要求，评估师享有较大的灵活性，可以在需要时进行“事后解释”，若无问询则可省略详细的过程记录，这在一定程度上降低了即时的工作负担。然而，AI工具（即使是辅助型）为了保证其结果的可解释性、可复现性和潜在的合规审查需要，其运行逻辑往往要求更清晰、结构化的输入和更完整的事前或事中的过程记录。这种AI运行逻辑与当前人类评估师灵活、有时是“事后补充”的工作模式存在显著差异。从业者可能会认为，为了配合AI，需要执行更严格的程序、进行更详细的记录，这实质上改变了他们习惯的工作方式，并感知为增加了工作量，即使AI的长期目标是提高效率或质量。这种工作流程上的摩擦，是阻碍AI工具（特别是需要深度嵌入流程的工具）被广泛接受和规模化部署的重要原因，因为它触及了从业者的核心作业习惯。
综上所述，资产评估行业现行的管理模式具有高度柔性，加之缺乏统一的质量标准（特别是对过程规范性和记录留痕的要求），这与AI技术有效发挥作用所需的环境存在根本性的冲突。柔性管理下普遍存在的流程不确定性、过程记录的不一致和质量不可靠性，以及标准缺失导致的人类工作模式与AI运行逻辑的冲突，使得AI系统在数据获取、模式学习、结果评估、流程整合和规模部署等多个环节都面临巨大障碍，成为制约AI技术有效赋能资产评估领域的主要瓶颈。建立统一标准，特别是明确过程记录要求，是发挥AI潜力的关键前提。
三、 缺乏质量标准导致AI应用困难的深层原因分析
从更深层次来看，缺乏统一的质量标准（包括过程标准）之所以严重阻碍AI在资产评估行业的应用，可以从以下四个维度进行剖析：
3.1 制度设计层面：预留过多灵活性，牺牲了标准化与透明度基础
从顶层制度设计来看，监管机构为资产评估行业设定了一个相对宽松的监管框架，更加强调行业自治和机构根据具体情况灵活应变的能力。虽然这种设计的初衷是为了适应评估标的物种类繁多、情况复杂各异的现实需求，但也直接导致了行业层面统一质量标准的缺失，特别是对操作过程透明度和记录规范性的要求不足。现有的法律法规（如《资产评估法》）和部门规章，并未细化到规定统一的、操作层面的质量标准细节，包括工作底稿必须如何详细地记录推理过程、数据筛选逻辑等。这意味着国家层面缺少一套对评估作业全过程质量进行具体规范和约束的“度量衡”。这种制度上的“留白”，为实践中的多样化甚至低标准操作留下了空间，导致各机构的质量体系建设水平和实际执行效果参差不齐。当试图将AI技术应用于评估流程时，由于制度本身没有提供清晰的质量基线（含过程要求），AI的辅助作用难以衡量，其输出结果也无从与制度要求有效对接，“AI辅助是否合规、有效”成为一个难以回答的问题。同时，制度设计对行业自律的倚重，在缺乏硬性标准约束的情况下，也难以有效推动全行业形成合力，共同建设高质量的数据基础设施（包含过程数据）和标准化流程规范，使得AI应用缺乏坚实的制度土壤和行业共识。
3.2 行业监管层面：缺乏执法依据（含过程依据），难以有效引导和监督AI应用
在监管实践中，由于缺乏一套明确、统一、具有强制力的质量标准（特别是对过程记录的要求）作为执法检查的具体依据，监管部门在日常监管中难以及时、准确地发现和纠正评估机构存在的质量问题，尤其是过程中的不规范行为。当前的监管模式更多地依赖于对已经发生的、后果严重的重大违规行为进行事后调查和惩戒，而对于普遍存在的、日常性的评估质量差异和过程记录不到位问题，则很大程度上被视为行业自律或机构内部管理的范畴。当质量标准模糊不清，特别是过程要求缺失时，监管人员也缺乏客观、一致的标尺去评判一家机构的工作底稿是否“合格”或“高质量”（不仅仅是结果，也包括过程的合规性）。因此，即使未来引入AI系统来协助审核评估报告或工作底稿，监管者也难以设定统一、清晰的审核规则（包括对过程记录的检查规则）来指导AI模型的训练，或者准确判定AI给出的审核结果是否符合监管要求。值得注意的是，正如前文所述，财政等监管部门近年来已开始强调提升执业质量的重要性，并通过加大执法检查频次和力度来促进行业改进。然而，如果行业自身没有形成一套公认的、细化的质量规范（含过程规范），执法检查往往只能聚焦于发现明显的、个案性的违规问题，而难以从根本上提升整个行业的平均质量水准和标准化程度。同理，监管层也难以针对性地制定出AI技术在评估业务中应用的准入标准、风险控制要求或效果评价体系，因为缺乏可供参照的行业基准（含过程基准）。标准的空白使得监管在面对AI这一新技术时，显得力不从心，难以有效引导和规范其健康发展，形成了“监管滞后于技术”的局面。要让监管真正成为AI在评估领域应用的保障力量而非阻碍，前提是必须建立起客观、统一的质量标准（覆盖结果与过程）作为判断是非优劣的共同依据，而这在当前条件下尚未完全具备。
3.3 从业者行为层面：习惯固化、标准认知不一与对工作模式改变的抵触
评估师和评估机构的日常执业行为深受行业风气、现有规范环境以及长期形成的作业习惯影响。在缺乏统一、严格质量标准（特别是过程记录标准）的环境下，从业者往往会形成各自一套相对固化的工作方法和标准认知。有时为了满足委托方的特定需求、追求更高的业务效率或仅仅是图省事，可能会在工作底稿记录、证据收集、逻辑推导等方面牺牲一定的规范性和严谨性，尤其是省略详细的过程记录和推理步骤。这种做法之所以能够存在，很大程度上是因为现行标准对此要求不高，且存在“事后解释”的空间。评估师习惯了这种灵活性，如果无人问询，则无需投入额外精力进行详细记录，从而降低了即时的工作强度。
当引入AI系统辅助工作时，情况发生了变化。如前所述，AI工具的有效运行往往需要更结构化、更完整的数据输入，并可能要求对操作步骤进行更清晰的记录（留痕），以便于AI理解、分析并生成可解释的结果。这实质上要求从业者改变“灵活应变”、“事后补充”的习惯，转向更加规范、同步记录的工作模式。一部分从业人员可能会因此感到不适，认为这显著增加了前期的工作负担，限制了他们习以为常的专业判断“自由度”，甚至可能主观地认为AI系统及其带来的流程变革过于“刻板”、“不切实际”。这种对改变现有工作模式和增加感知工作量的抵触，是AI应用推广的重要阻力，其根源在于现有标准对过程规范性的要求过低。
此外，由于从业者在实践中做法各异，缺乏统一的过程记录习惯，导致积累的历史业务数据在过程维度上充满了“噪声”和不一致性。这直接造成了用于训练AI模型（即使是辅助模型）的数据样本质量低下，使得模型难以学习到行业公认的、正确的评估逻辑和规范流程。而且，如果评估师群体内部对于“什么是高质量的评估工作”（包括过程质量）缺乏统一的认识和标准，那么在为AI系统提供反馈或进行人机协作时，也无法保证标准的一致性，这将进一步影响AI的性能和应用效果。
在标准缺失的灰色地带，一些从业者可能存在的低质量甚至违规操作，也可能因AI带来的透明度提升而受到挑战，从而引发抵触。
综上，从业者层面缺乏统一标准（特别是过程标准），不仅造成了实际操作行为的散乱和数据质量的低下，更重要的是，它固化了一种与AI运行逻辑相冲突的工作模式。这种模式上的冲突，以及由此带来的对工作量增加的担忧和对改变习惯的抗拒，使得人机协作的信任基础和实践路径难以建立。
3.4 技术演进层面：缺乏数据基础（含过程数据）、评价体系与规模化动力
从AI技术自身发展的角度来看，资产评估行业质量标准（含过程标准）的缺失，显著阻碍了相关AI技术的研发、迭代和最终的落地应用。
首先，AI系统的开发，特别是需要理解业务逻辑的系统，不仅需要结果数据，更需要大量高质量、结构统一的过程数据作为“燃料”。然而，当前评估行业的数据现状是高度碎片化、非标准化且质量参差不齐，尤其是在过程记录方面。各评估机构的数据通常存储在各自独立的系统中，格式各异，难以有效整合形成具有行业代表性的“大数据”。更重要的是，缺乏统一的数据采集、记录（特别是过程记录）和存储标准，导致即使能够汇集数据，也需要投入巨大的前期成本进行数据清洗、转换和规范化处理。行业内普遍缺乏可供AI研究者和开发者直接利用的、包含丰富过程信息的标准化评估案例库或数据集。这使得AI研发工作（尤其是需要理解评估逻辑的AI）起步困难，成本高昂，并且往往不得不局限于与个别机构合作，进行“小作坊式”的定制开发，难以形成可规模化复制和推广的模型与解决方案。缺乏标准化的数据基础（特别是过程数据），AI就如同无米之炊。
其次，没有统一的质量标准（含过程标准），也就意味着缺乏一套公认的、客观的评价指标体系来衡量AI算法的性能和效果。技术研发人员难以准确判断其开发的AI模型是否真正有助于提高评估的质量（包括过程规范性）、效率或准确性，也难以在不同模型或技术路径之间进行有效的横向比较。目前，对AI评估工具的评价往往只能依赖于少数试点机构内部设定的、可能各不相同的指标，缺乏行业层面的共识和权威认证，这使得技术的优劣难以得到客观证明，也阻碍了优秀技术的识别和推广。
可以说，行业标准的缺失（特别是过程标准的缺失），使得评估领域的AI技术在很大程度上仍停留在局部探索和试验阶段，难以形成真正意义上的行业级应用和生态。反过来，这种缺乏清晰应用前景和规模化潜力的局面，又会降低技术供应商和投资者的投入意愿，形成恶性循环。
此外，在法律和合规层面，由于缺乏明确的标准（含过程标准），任何AI评估工具给出的结果或建议都可能面临对其有效性、可靠性和合规性的质疑。在标准明确之前，使用AI进行评估可能被视为一种风险较高的尝试，技术开发者和应用机构都可能因此顾虑重重，这进一步限制了技术的试错、迭代和推广空间。
值得庆幸的是，行业主管部门已经开始意识到技术融合与标准化的重要性。例如，在数据资产评估这一新兴领域，财政部发布的《关于加强数据资产管理的指导意见》中就明确提出了要建立健全数据资产评估标准体系，包括构建相应的评估标准库、规则库、指标库、模型库和案例库，以支撑评估业务的信息化和智能化。这一思路和方向，同样适用于并迫切需要应用于整个传统资产评估领域：只有先行建立起标准化的底层业务规则和数据体系（包含对过程记录的要求），AI技术才能获得坚实的应用基础，真正发挥其潜力，大显身手。
总结而言，在制度设计、行业监管、从业者行为和技术发展等多个相互关联的层面上，资产评估行业当前普遍存在的质量标准缺失问题（深刻体现在过程规范和留痕要求的不足），都对AI技术的有效应用形成了系统性的制约。制度上缺乏顶层设计和统一规范，监管上缺少明确的评价和执法依据，从业者层面习惯于与AI运行逻辑相冲突的工作模式并抵触改变，技术层面则缺乏必要的数据基础（尤其是过程数据）、评价标准和发展动力。这些因素相互叠加、相互影响，共同导致了AI技术在当前中国资产评估行业难以充分发挥其应有的价值和作用。建立统一标准，特别是强化过程规范和留痕要求，是释放AI潜能、推动行业升级的关键一步。
结语
对于正处在转型关键期的中国资产评估行业而言，建立并严格执行统一的、高水平的质量控制标准，已成为一项紧迫的任务。这不仅是规范市场秩序、提升行业整体公信力、满足经济社会高质量发展需求的内在要求，更是有效拥抱和利用人工智能等前沿技术、实现行业跨越式发展的核心前提。本报告深入分析了当前行业内普遍存在的强制性标准缺失（尤其体现在过程规范和记录留痕要求的不足）、管理模式过于柔性等问题，这些问题已导致执业质量良莠不齐，并对AI技术的有效融入形成了显著的制约。其深层原因在于现有工作模式与AI运行逻辑的冲突，以及制度、监管、行为、技术等多个层面的障碍。
认识到这些挑战是推动变革的第一步。未来，资产评估行业若要成功实现数字化、智能化转型，迈向更高质量的发展阶段，就必须正视并解决标准缺失这一根本性问题。只有当行业建立起明确、统一、且覆盖过程与结果的质量标准，特别是强化过程规范和记录要求后，才能为人工智能技术的深度应用提供必要的基础设施和环境，弥合人类工作习惯与AI运行逻辑的鸿沟。一个标准明确、数据规范（过程可追溯）的评估行业，将能更好地利用AI等技术提升效率、控制风险、增强专业性，从而更好地服务于国家经济社会发展大局，并在全球评估技术发展浪潮中占据有利地位。
参考资料：
- 财政部《资产评估基本准则》及相关规定
- 中国资产评估协会《资产评估机构业务质量控制指南》（中评协〔2017〕38号）
- 中国资产评估协会《资产评估专家指引第7号——中小评估机构业务质量控制》（中评协〔2012〕218号）
- 《资产评估行业财政监督管理办法》（财政部令第86号，根据财政部令第97号修改）
- 《中国资产评估行业信息化规划（2018-2022）》（提及行业标准化问题）
- 第一财经等媒体关于数据资产评估难点（含标准问题）的报道
- 相关行业媒体或研究报告中对评估标准不统一现象的评论分析
- 财政部《关于加强数据资产管理的指导意见》（财资〔2023〕141号）（其中涉及构建标准化评估体系的要求）