愈來愈多人嘗試用ChatGPT、Gemini或Claude摘要年報、分析財務數據。這些工具確實省時，但有一件事如果你沒注意，工具給你的答案反而會把你帶錯方向。

長庚大學全台首創 AI EMBA，校長湯明哲表示不是教 AI 技術本身，而是需要領域知識加上 AI 應用，知其所以然。於是從行銷、財務、策略、會計、創業等面向談 AI 應用，邀請哈佛商學院終身教授王常懿（Charles C.Y. Wang）授課，用一個他親身追查過的案例，說明這件事有多容易被忽略。

2021年第一季，特斯拉（Tesla）公布創紀錄的單季獲利。同一季，比特幣價格飆漲。而Tesla在稍早已公開宣布將15億美元現金轉入比特幣。

王常懿看到這個時間點的重疊，想確認一件事，那季的獲利，有多少來自比特幣？

他在財報裡找了很久。那段說明沒有以文字形式出現在股東簡報裡，而是以圖片形式嵌入文件。如果AI沒有視覺辨識能力，連掃描財報的工具都可能漏掉它。

「公司把資訊揭露在哪裡、用什麼形式呈現，本身就是一種訊號。」王常懿說。讀財報不只是在讀數字，還在讀一家公司選擇怎麼說話。

王常懿長期研究公司治理與財務報告，三年前開始在研究中使用大型語言模型。他的觀察是，AI確實降低了執行成本，但並未降低判斷難度。如果你缺乏正確的問題意識，AI給你的可能只是精美卻具誤導性的數字。「工具加速的，是你原本就有的能力，不是替代它。」

你看到的獲利，不一定是公司真正賺到的錢

王常懿在課堂上長期使用一個分析框架：核心盈餘（core earnings），定義是公司最具重複性的營業利潤。這個概念在華爾街行之有年，背後邏輯直接：能穩定重複的獲利，才能預測未來現金流，才能作為估算合理股價的基礎。

這讓「這家公司賺了多少」，必須跟著一個追問：這筆錢明年還會有嗎？

2020年，Tesla首度報告全年GAAP正獲利，EPS轉正，市場視為里程碑。但拆解獲利來源，當年有相當比例來自販售「零排放車輛積分」（ZEV Credits）。這是美國法規要求傳統車廠維持一定電動車銷售比例、未達標者必須向Tesla購買的配額收入。隨著各大車廠陸續推出電動車，這個需求預計將逐漸縮減。

只看EPS，Tesla那年「終於賺錢了」。往下一層看，主要獲利來源不是賣車。兩個結論，對評估長期投資價值，導出截然不同的答案。

帶著「這筆錢明年還會有嗎」這個問題意識再去讀財報，AI才能幫你找到真正有用的東西。沒有這個問題，工具加速的只是資訊收集的速度。

AI 能找到數字，但不會告訴你這個數字重不重要

那些「今年剛好發生、明年不會再有」的收益，不會放在財報顯眼的位置。

王常懿整理出五類常見的非經常性項目：

1.企業併購的整合與重組費用
2.停業損益
3.法律和解金
4.退休金費用
5.外幣損益

這五類中，約有一半直接出現在損益表上；另一半分散在財報附註或管理層討論章節的純文字敘述裡，沒有表格、沒有標題。上市公司年報動輒超過百頁，靠人力逐頁比對幾乎無法做完整。

AI真正有用的地方，就在這裡，把分散在百頁裡的資訊收攏成清單。但前提是，你得先知道這五類項目是什麼、可能出現在財報的哪個位置，才能判斷AI交出的清單是否有遺漏。

Tesla比特幣的例子也說明了另一層問題，揭露形式本身可能就是障礙，選對工具之前，你得先知道這類揭露方式的存在。財務素養的作用，不是讓你自己算出核心盈餘，而是讓你知道該往哪裡懷疑。

財務素養，是讓你知道該懷疑什麼

王常懿對比了兩種使用方式。

第一種是把整份年報丟進AI，直接問「幫我找出核心盈餘」。你會拿到一個看起來完整的數字，但無從驗證計算過程，這正是問題意識缺席時，AI最容易產出的那種答案，看起來有模有樣，但若你沒有背景基礎，就難以驗錯。

第二種分三步驟。

第一步，請AI從損益表、現金流量表、財報附註與管理層討論章節中，找出所有非經常性損失與費用，列出每一項的名稱、金額與出處，並要求自我檢查一遍。

第二步，用相同格式單獨處理非經常性收益，損失與收益分開問，因為兩者在財報中的揭露位置往往不同，合併問容易遺漏。

第三步才進入計算歷程。你的問題得從淨利出發，加回非經常性損失、扣除非經常性收益，並要求AI以程式碼執行運算，而非直接加總。

王常懿指出，AI直接加總超過26個數字時，準確率可能大幅下降；改用程式碼執行，準確率可回到接近99%。（編按：此數據來自課堂分享，目前尚未見同儕審閱文獻確認。）

三步走完，你拿到的不是結論，而是一張有出處、有細項的清單。這才是你真正開始發揮人類價值的地方，清單裡有沒有你看不懂的項目？有沒有金額異常的一筆？如果一家公司今年沒有重大併購，清單裡卻出現一筆重組費用，那就是需要繼續追問的訊號。

王常懿的三步問法，本質上是一套讓AI負責整理、讓人負責判斷的分工設計。問題是，多數人使用AI的方式剛好相反，把判斷交給工具，把整理留給自己。

財務素養的門檻，是讓你在AI給出答案的那一刻，知道哪裡該停下來懷疑。你對這家公司的基本認識，才是讓清單從資訊變成洞察的那一步，也是AI做不到的那一步。

核稿編輯：陳書榕