هدف این مقاله، تحلیل کاربرد فناوری‌های هوش مصنوعی و داده‌کاوی در فرآیند برنامه‌ریزی و بودجه‌بندی مالی با رویکردی پژوهشی و کاربردی بود. پژوهش در ابتدا به مرور نظریه‌های پشتیبان، مدل‌های مفهومی و روش‌شناسی دقیق شامل تحلیل داده‌های ثانویه و آزمون مدل‌های یادگیری ماشین پرداخت. مدل‌های مختلف از جمله درخت تصمیم، شبکه‌های عصبی و SVM مورد استفاده قرار گرفتند و با استفاده از شاخص‌های خطا (MAE، RMSE، MRE) مقایسه شدند. نتایج تجربی نشان داد مدل ترکیبی PSO-SVM با کاهش معنادار خطا نسبت به روش‌های سنتی، بهترین عملکرد را از خود نشان داد. همچنین تحلیل حساسیت متغیرهایی مانند ROI و نوسانات هزینه‌های عملیاتی نشان داد که مدل‌های پیشرفته در مواجهه با شرایط محیطی پویا پایداری بیشتری دارند. در بخش بحث و تفسیر، یافته‌های این تحقیق با پژوهش‌های پیشین مانند مطالعات Sharma، Sabharwal و Changalva مقایسه شد و سازگاری نظری آن‌ها تأیید گردید. دلالت‌های کاربردی مهمی برای مدیران مالی، دولت‌ها و نهادهای سیاست‌گذار از جمله لزوم پیاده‌سازی زیرساخت‌های داده‌محور، تربیت نیروی متخصص و بهره‌گیری از مدل‌های قابل تفسیر ارائه شد. در نهایت، پژوهش با پیشنهاد چارچوبی مفهومی برای ادغام فناوری‌های هوشمند در فرآیندهای بودجه‌بندی و پیش‌بینی مالی، نقش کلیدی AI را در آینده اقتصاد دیجیتال برجسته ساخت.