企业财务AI：正确落地之道

我交谈过的每一位营收十亿美元以上公司的CFO，都在两条战线上与AI格局周旋：

横向助手：给公司每个人配上Microsoft Copilot或Claude Cowork。问题在于，每位员工都在启动3个智能体，彼此之间毫无协作，三个月下来你花费了300万美元的令牌费用，其中80%的智能体要么已经停用，要么在生产环境中频繁崩溃。你最终留下一张300万美元的令牌账单，以及一个无人认领的技术债务坟墓。

点状解决方案：为应付账款引入一个新软件，为结账引入另一个，为费用再引入一个。这行不通，因为为所有人制造的软件并不适合你。它不理解你的AP流程有7个步骤，而不是4个，也不理解你的异常处理逻辑。结果，你的员工要么不用它，要么用了但投资回报率低于15%。更糟的是，员工抱怨这套新软件与他们原有的工作方式不同，半数人认为这是一种降级。噩梦。

我的工作是帮助CFO找到适合他们的两种方案的恰当组合。横向助手绝对有必要，但它服务于不同的目的。员工仍然有工作要做，这个助手旨在帮助一名员工完成十人的工作量。但你忽略了更大的图景：那些无需员工提示或使用就能自动完成工作的后台智能体。想象这样一个智能体：在发票到账的那一刻就读取它，将其匹配到正确的采购订单，要么结清，要么把那一张异常发票踢给唯一需要做决策的人，所有这一切都在你的团队打开笔记本电脑之前完成。一个智能体，每天早晨将昨天的银行活动与分类账对账，这样月结在月底开始前就基本完成了。一个智能体，自行追着每个供应商索要缺失的W-9或逾期付款，这样你团队里再也没有人需要写那种邮件了。没有人提示这些智能体。它们就在后台运行，当你上班时，工作已经完成了。

背景说明：我运营Varick Agents（@varickagents）。我们嵌入企业财务团队，部署能操作他们已在使用的工具的AI智能体。财务领域是我们看到结果最快、最可衡量的地方，因为工作重复性强，流程定义明确，而且手工版本的成本极容易量化。

本文的目标是展示我们如何为多家公司规模化地实现这一点，我们学到的需要避免的陷阱，以及我们在一切结束后如何衡量成功。另外：我们如何确保每年不在令牌上花费数百万美元，以及如何将幻觉率降至接近零。作为参考，我们曾将一个客户的月结从12天缩短到5天。同时，我们将错误率降低了72%。综合收入提升、成本节约和风险降低，价值获取高达每年4500万美元。每次都是同一套打法，即使你最终得到的智能体可能截然不同（这也是点状解决方案软件行不通的原因）。

财务领域AI实施失败率很高

在讲“怎么做“之前，先快速看一组数据。财务团队现状与潜力之间的差距很大，但到目前为止AI的结果相当糟糕。

• Gartner调查了183位财务领导者，84%已经实施或计划实施AI，但只有7%报告了高影响力。
• MIT的NANDA小组审视了300个部署案例，发现95%的企业级生成式AI试点项目未给损益表带来可衡量的回报。
• Gartner预计，到2027年底，超过40%的智能体型AI项目将因成本、价值不明确和风险控制薄弱而被取消。

所以当我说大部分都失败时，我指的是这些统计数据。下面我会解释原因，但作为对比，Varick在财务部门的所有实施都成功部署到了生产环境，并产生了可衡量的正投资回报率（平均5.5倍）。

再看工作本身：

• 三分之二的发票仍然需要至少一名人工处理。只有三分之一能直通处理（Ardent Partners, 2025）。在我们合作过的客户那里，每张发票在完全处理完毕前，通常需要3个或更多人经手。
• 一张人工处理发票的端到端成本为12.42美元。
• 半数财务团队结账需要超过一周（Ledge, 2025），其中94%在结账过程中的某个环节仍然依赖Excel。
• 14%的发票被标记为异常，而异常是应付账款中抱怨最多的单一痛点。这是我希望大家特别关注的数据。你的异常与下一家公司不同，这意味着没有通用的SaaS或产品能以你需要的方式解决这个巨大的痛点。财务职能对定制软件的需求从未如此之高，而幸运的是，AI正是实现这一突破的完美工具。

这些都不再是技术问题。而是工作流问题，是“人力胶水“问题。这个区别我将在下面更详细地阐述。

为什么横向助手（Claude Cowork、Microsoft Copilot）会失败

即使我们忽略令牌账单（每季度数百万美元），更大的问题是，即使是前沿模型在大多数情况下也会搞错财务工作。今年，当前沿模型（Fable、Opus、GPT 5.5等）被用于执行900多项真实财务分析师任务时，表现最好的模型准确率也仅为52%（Vals AI）。另一项研究让19个模型处理真实的会计科目表，最高准确率为66%（DualEntry）。在财务职能中，这样的准确度水平是灾难性的。就连微软自己的文档也说，不要将Excel Copilot用于数值计算或任何涉及合规性要求的事情，这很讽刺，因为他们先是把AI放进了你的电子表格。

幻觉并不只是邮件里有个错别字。如果你的AI幻觉出一个供应商，或者在内部往来抵消中出了错，那是真金白银流出去，还得找回来并冲销。缺乏可审计性也是一个巨大的问题。“AI说的“在SOX审计师那里行不通。

你的AI智能体需要被设置护栏和权限控制，这样它只能执行你允许的确切操作，而这些操作是通过全面的AI审计确定的。每个任务进一步被归结到最确定性的状态，这样模型只决定少数需要判断的步骤，而不是从头到尾包揽一切。只有这样，准确率才能保持在97%以上，并且智能体的操作痕迹可以呈现给审计师和管理层。

为什么更多点状解决方案会让情况更糟

所以你放弃了通用型产品，转而购买了一打专业产品：来自Ramp、Brex和Bill的AP智能体，来自HighRadius的催收模块，来自BlackLine和FloQast的结账智能体，所有这些都塞进了SAP和Workday的ERP里，外加一套新的AI原生ERP。你明白我的意思了吗？AI本应是你最终摆脱20个不同软件供应商的理由——每个都做不同的事。你需要一个贯穿现有系统的单一窗口。这些系统已经拥有智能体在其之上运行所需的一切，无需新平台。相反，我看到CFO们遗憾地引入了更多软件许可证，更多他们的团队需要登录和跟踪的界面，而最终几乎看不到任何效率提升。

什么才是有效的

每个在财务部门成功部署的案例都遵循同一哲学：一个位于你已经运行的软件之上和之间的“层“，而不是另一个需要团队登录的工具。它从你的软件（如NetSuite、Bill、Workday）中读取数据，在它们之间移动数据，并像你的团队一样完成工作。在需要协助的地方，它会标记出编辑内容供你的团队调整。

通过这样做，你增强的是操作者，而不是任务。目前，你的每个工具都自动化了工作的一部分，但没有人自动化那个中间的人——这个人正将一个数字从一个屏幕复制到另一个屏幕，检查两个数字是否匹配，不匹配时发送催办邮件，无人回复时进行升级。这个人就是“胶水“，而价值正存在于这块“胶水“之中：缩短周期时间意味着节省时间，生成更多收入，更快。

让我们把这个例子带回异常情况：想象一张没有采购订单的发票。现在，AP分析师必须先弄清楚是谁订购的，然后通过在收件箱中筛选找到正确的PO，进行匹配，最后才能推进处理。异常比你想象的更常见；这种情况每个月发生数百次。

然而，通过统一的智能体层，AI在异常出现的瞬间就捕捉到它，然后按供应商、金额、日期在PO系统中搜索，最后自己清除掉匹配无误的发票——就像你的分析师做的那样。当智能体不确定时，它会将最可能的两个PO发送给Slack上的分析师，请他们确定哪个是正确的。原本15分钟的挖掘时间变成了30秒的是或否判断，而且所有信息都已提前呈现。同样的重构也发生在银行对账、内部往来抵消、W-9追索、付款状态邮件和审计师的PBC清单中。

如何实际实施这个系统

我们每次都做5件事：

• 前置部署工程师嵌入你的部门，端到端映射每一个流程。 文档化的流程和SOP极少能捕捉到真实情况——也就是人们实际做的事情。例如：“出问题时我先查这个电子表格“和“我直接给Sarah发邮件，因为报警系统已经坏了3年。“一个真实的例子：“SOP说发票应在系统中匹配PO。“但实际上，它们是在系统中匹配，除非PO从未创建过，此时Brittany会发邮件给部门主管申请追溯创建，除非金额低于500美元，此时她会将其编码到该部门的一般费用行并标记为后续处理。如果你仅仅根据SOP构建智能体，它们第一次碰到Brittany的情况就会崩溃，而这恰好是上线的第一天。这就是为什么与员工坐在一起观察他们工作至关重要。这是服务（咨询）与软件（开发）之间的桥梁，同时也是成功部署智能体与盲目尝试随即迅速失败之间的区别。

• 在你团队已在使用的工具内部构建。 智能体像新员工一样操作NetSuite、SAP或BlackLine，登录进去，点击相同的界面，调用相同的API。你团队中没有人需要学习新界面，唯一让人注意到的就是堆积的工作变少了，异常处理得更快了，月结时间缩短了。

• 构建能做工作的智能体，而不是仪表盘。 大多数“财务AI“实际上是伪装成智能体的分析工具。不要落入这个陷阱。监控和报告来自于驱动它们的智能体操作。是的，在构建前衡量KPI有助于了解你是否真的在推动变革。但如果你产出的是一张仪表盘或聊天机器人，而不是一个后台智能体，你就把效率留在了桌面上。不要花好几个月去做相当于高级报表软件的东西。

• 仅在真正需要判断时才升级，前方设置一个会随时间改进的置信度门槛。 目标是将70%到85%纯模式匹配的工作从你团队手中拿走，这样他们的时间就只留给高杠杆、高判断力的决策。同时，每次他们对智能体的操作（批准、编辑或拒绝）做出回应，都在训练智能体，使准确率每周攀升，而不是停滞甚至倒退。这正是AI工程至关重要的地方；你的“框架“可以决定系统是持续改进还是逐渐失效。

• 从第一天起就为整个部门设计。 这绝对是企业在实施智能体时最容易被忽视的方面。想象每个操作者拿起一个“氛围编码“工具，只为自己那个角落构建一个智能体，但它无法超越其自身工作范围。这忽略了更大的图景。通常，他们的瓶颈位于上游。但上游团队又构建了自己的智能体，不与下游的沟通。很快，你就会有几十个智能体，各自局限于自己的活动，没有沟通，只有遍布组织各部门的技术债务。相反，要绘制整个组织的架构，理解谁是瓶颈源头，并以此为基础进行构建。

避免失控的令牌消耗和智能体幻觉

如何不在令牌上花费数百万美元： 一个好的AI智能体大部分并不是AI。我们交付的东西大约85%是普通代码，15%是模型调用。模型只用于真正需要判断的地方，比如从一张乱七八糟的发票上读取数值，或将异常分类到你已知的某个类别中，或草拟一份供人工批准的说明。而大部分工作是比较（数学）、查找（过滤）、路由（if/then/else语句）和过账（API调用）。相比之下，像Claude Cowork这样的产品几乎每个动作都由LLM随机决定。而我们拥有更快、更便宜、更准确的智能体。LLM只是解锁的工具。

如何将错误降至接近零： 三层保障。

• 确定性代码： 设计上就保证一致性，这也是其可审计性的来源。
• 评估（Evals）： 一套手动创建但自动更新的测试套件，既检查答案也检查智能体执行的路径，使我们能捕捉到误入歧途或产生不符合预期行为结果的智能体。
• 人工反馈： 你团队每一次的批准和修正都在训练系统，工作流的准确率在几个月内就会攀升到90%以上。我们看到GL编码从大约85%上升到97%以上，随着修正的积累继续提高。而且，由于采用的是代码和评估而不是黑盒，无论何时利益相关者或审计师问起“智能体为什么这样做？“你都能回答。横向助手做不到这一点。

如何衡量

幸运的是，当你有智能体驻留在你的记录系统上，贯穿每一个工作流和每一款软件时，你现在能够以最细粒度和最实时的方式追踪数据。很明显，80%的异常正在由智能体处理，而异常对账时间从4天降到了2小时。一些实际成果：

• 结账从12天缩短到5天
• 异常处理从每月130小时降至20小时
• 发票处理平均从每张20分钟降至不到1分钟

任何AI实施的价值获取只有三个重要类别：我是否节省了时间/金钱？我是否增加了收入？我是否降低了风险？将你衡量的所有内容归类到这三大类别中，并据此衡量价值获取和KPI，会很有帮助。

从哪里开始

找到你组织中的流程负责人，从他们开始。深入理解他们当前的流程（准备好与他们的子流程负责人、分析师、个人贡献者等交谈以获取更多信息）。弄清以下问题：

• 今天事情是如何运行的？工作流的“基因组“是什么？
• 每个任务的数据量和吞吐量是多少？
• 当前的错误率是多少？一个错误的成本是多少？
• 异常是如何处理的？涵盖哪些格式？

然后，利用你的发现，开始规划以下内容：

• 对于每个工作流，AI会做什么，不会做什么？每个流程在AI后的世界会是什么样子？
• 在价值获取的三个类别中，每个类别的可量化金额是多少？
• 每个构建需要多少时间和精力？每个构建的风险是什么？

比较价值获取与投资，你现在就有了优先级清单。

但归根结底