ARTICLE · 1095792
上了半年财务AI,财务部悄悄改回了 Excel
不是模型不行，也不是数据不够多。卡住财务 AI 的是三座山——而这三座山会互相加固。
这两年，几乎每个老板都被问过同一个问题：财务要不要上 AI？
不少老板的答案是：上。预算批了，系统部署了，启动会也开了。
然后就没有然后了。
半年之后再去看，财务部还在手工导表、手工对账、手工做月报。那套系统挂在浏览器的一个标签页里，谁也想不起来点开。
我们复盘过手上这类项目，卡住它们的从来不是技术，也不是钱。
是三座山。而且这三座山会互相加固。
第一座山：数据不给——不是不想给，是不敢给
表面上，是各部门舍不得把数据交出来。往深了问，是不敢。
不敢的理由有三层。
第一层，怕暴露过去的问题。 历史账不干净、有票无票混着走、公私账户不分——自己心里清楚，交出去等于摊到台面上。
第二层，怕暴露口径不一致。 这一层最普遍，也最容易被低估。
我们服务过一家医药集团，旗下有制药厂、有销售公司，互相之间大量内部交易。以前各家自己发明算法：研发费用怎么分摊、渠道费用怎么入账、内部调拨按什么价——全是"土政策"。
结果是：年底每家都说自己赚钱了，集团合并报表是亏的。
这种数据你交给 AI，它学到的就是"每家都在赚钱"这个假象。它算得越快，错得越离谱。
所以我们进场做的第一件事不是装系统，是做 14 个预算规范文件，把口径全部写死。
口径不统一的数据，喂给 AI 只会得到更快、更自信的错误答案。
第三层，怕失去话语权。 数据在谁手里谁说了算。这条没人会承认，但它真实存在。
第二座山：组织不用——不是最落后，是最不能错
这一座最反直觉。
推进财务 AI 阻力最大的，往往不是最落后的部门，而是最不能出错的那个部门——财务部。
为什么？
因为财务部的天职是"不出事"：账要平、税要合规、审计要过得去。而 AI 是个新东西，它可能出错，而且出错的方式你事先不知道。
一个财务经理的处境很清楚：用 AI 省下的时间，不进他的考核；用 AI 出的错，全算在他头上。
那他为什么要用？这不是保守，是算清楚了。
再往深看一层：AI 要落地，必须有人对"算出来的结果对不对"负责。但大多数公司里，这件事没有主人——IT 说这是业务的事，财务说这是系统的事，业务说这是财务的事。
我们给上海一家工业软件公司做的，是把研发立项的规则改掉：所有新项目立项前必须交《商业计划书》，财务深度介入测算，算不过账的当场毙掉。
改之前，35% 的项目上线就死；改之后，降到 10% 以内。
这套道理放到 AI 上完全一样：先定责任，再谈工具。
第三座山：员工不理——不是不愿意，是算不清账
一线的账最好算。
一个做了六年的对账员，每天的工作是核对平台流水、支付宝、微信。天津一家电商公司，光干这个的就有 3 个人，每月结账要拖到 15 号以后。
现在告诉她：以后系统自动对账，半天干完。
她心里算的是一笔很简单的账：
省下来的时间，算我的绩效吗？——不算 系统算错了，是我复核没到位吗？——是 那我为什么要用它？
这不是员工不拥抱变化，是激励没接上。
还有一个更隐蔽的问题：AI 会把人藏起来。
以前谁勤快谁偷懒，看加班就知道。现在一个人用 AI 一天干完三天的活，你反而看不出他到底强在哪。管理者不会算这种看不见的功劳，员工也就不愿意创造它。
三座山不是并列的，是一个死循环
这一条是理解财务 AI 的关键：
数据不敢给 → AI 算不准 算不准 → 组织更不敢用，用错了谁担责 组织不敢用 → 员工更没动力维护数据 数据更不干净 → 回到第一步
转一圈，每个人都做了对自己最优的选择，合起来就是"系统没人用"。
所以搬山不能只搬一座。只做数据治理，组织不认账；只改考核，数据是脏的；只买系统，三座山原地不动。
破解要靠三个角色，缺一不可
第一个：懂财务 + 懂业务 + 懂 AI——决定做什么
这个人干的活，是回答"先上哪个场景"。
这件事只有既懂财务口径、又懂业务真实流程的人做得对。IT 不懂费用报销里的潜规则，财务不懂系统怎么建，业务只管自己方便。没有这个角色，项目会从"老板想看的报表"，一路缩水成"IT 能做的功能"。
第二个：懂数据 + 懂财务——决定算得准不准
不是把数据导进数据库就叫治理。
江苏一家海工装备企业，我们做的是把一艘船的建造拆成几百道工序，为每道工序核定标准工时、标准用料、标准制造费用，做成一本"标准成本字典"。
有了它，材料损耗率从 8.5% 降到 3.2%。
更重要的是：有了这本字典，系统才能自动回答"这一单该花多少钱"。 没有它，你喂十年数据，它也算不出这个数。
数据治理落到最后，就是给数据定规则。
第三个：懂业务 + 会用 AI——决定算完谁来动
前两个角色解决"能不能算"。这一个解决"算出来之后干什么"。
深圳一家连锁餐饮，80 多家店。我们做的是把房租、人工、折旧这些固定成本，和食材、水电这些变动成本彻底拆开，算出每家店每天必须卖多少钱才能保本。达不到，店长挨板子；连续 3 个月不达标，触发关店预警。
后来关停 5 家长期亏损的门店，每年止损近 300 万。
注意这一步的价值不在算，在算完之后有人拿它做决定。
一句话：产品经理决定做什么，数据治理师决定准不准，分析师决定谁来动。
老板自己要做的三件事
这三个角色市面上几乎没有现成的，得从你自己的团队里长出来。但有三件事只有老板能做，做不了这三件，招再多人也白搭。
第一件：定场景，别一上来就全面铺开。
先挑最容易的那种。
区别在哪儿？前面这些数据现成、规则清楚、错一次不致命；后面这些，数据散在十个部门、规则本身还在吵、错一次就是几百万。
第二件：把数据的边界划清楚，让"不敢给"少一层。
"不敢给"的三层里，口径不统一是你一句话能定的——先统一口径，再上系统；话语权也是你一句话能定的——数据归口到一处。历史遗留问题确实是真问题，需要先做处理。
但换个角度想：这件事你本来就要做，AI 只是把它提前了。
第三件：改考核，不然没人动。
用 AI 省下的时间，算不算绩效？AI 出错，追不追究复核的人？这两个答案，决定了员工是真用还是假装用。
工具不会自己改变行为，考核才会。
你现在可以自查三个问题
- 你公司的财务数据，口径统一吗？
同一个"毛利"，销售部和财务部算出来是不是一个数？不是，先别上 AI - 有没有人专门对"AI 算得对不对"负责？
如果答案是"大家一起用"，那就是没人负责 - 用 AI 省下的时间，进不进员工的考核？
不进，系统就是摆设
三个问题有一个答不上来，问题就不在 AI，在这三座山。
说明：文中涉及企业信息已做脱敏处理，数据为项目实际结果。