این پژوهش با هدف بررسی کاربرد مدل‌های هوش مصنوعی نسل جدید، به‌ویژه مدل‌های زبانی بزرگ (LLMs)، در مدیریت ریسک مالی و حسابداری انجام شده است. با گسترش هوش مصنوعی مولد، مدل‌هایی مانند GPT و BERT ظرفیت‌های جدیدی برای پردازش داده‌های ساختاریافته و غیرساختاریافته، استخراج اطلاعات مالی، پیش‌بینی ریسک و پشتیبانی از تصمیم‌گیری ایجاد کرده‌اند. پژوهش حاضر با رویکرد ترکیبی و از طریق مرور نظام‌مند مطالعات، تحلیل تطبیقی مدل‌ها و بررسی کاربردهای عملی، نقش LLMها را در حوزه‌هایی از جمله ریسک اعتباری، انطباق مقرراتی، انتخاب ویژگی، شبیه‌سازی اقتصادی، گزارشگری مالی و تشخیص ناهنجاری بررسی می‌کند. یافته‌ها نشان می‌دهد که LLMها با توانایی استخراج اطلاعات از متون مالی و ترکیب داده‌های متنوع، می‌توانند مکمل مناسبی برای مدل‌های سنتی مدیریت ریسک باشند. همچنین، استفاده از مدل‌های تخصصی و تنظیم‌شده با داده‌های اختصاصی، ترکیب LLMها با روش‌های سنتی و به‌کارگیری داده‌های مصنوعی می‌تواند ظرفیت این فناوری را در کاربردهای مالی افزایش دهد. در مقابل، چالش‌هایی همچون کیفیت داده‌های آموزشی، سوگیری الگوریتمی، تفسیرپذیری، حریم خصوصی، الزامات نظارتی و وابستگی به داده‌های اختصاصی، محدودیت‌های مهمی برای استفاده گسترده از این مدل‌ها ایجاد می‌کنند. بر اساس نتایج، استفاده از LLMها به‌عنوان جایگزین کامل روش‌های سنتی توصیه نمی‌شود؛ بلکه رویکرد ترکیبی مبتنی بر LLMها، مدل‌های کمی و نظارت انسانی می‌تواند چارچوب مناسب‌تری برای دستیابی به تصمیم‌های دقیق‌تر، شفاف‌تر و قابل‌اتکاتر در مدیریت ریسک مالی فراهم کند.