乐于分享
好东西不私藏

有了Codex,财务人真的不必再学Excel了

有了Codex,财务人真的不必再学Excel了
系列 · 财务AI工具箱
有了Codex,财务人真的不必再学Excel了

Excel会继续存在,但它不应该再决定一个财务人的生产力上限。

这篇文章的观点可能有点爆炸:

财务人完全不需要再把大量时间投入Excel技能。Excel只是输入和输出的载体,中间的处理过程可以全部交给AI。

我不是说Excel明天会消失。

企业仍然会发Excel,财务仍然会收Excel,很多最终成果也仍然需要以Excel交付。但“继续使用Excel”和“继续学习如何亲手操作Excel”,已经是两件不同的事。

过去,财务人必须先掌握工具,才能解决问题。现在,你可以先讲清楚问题,再让Codex自己决定用什么工具完成。

过去:你的能力受限于你会多少Excel
过去的工作方式
  • 先查应该使用哪个函数
  • 研究XLOOKUP和SUMIFS
  • 学习Power Query
  • 复杂一点再学VBA
  • 公式报错后逐个排查
现在的工作方式
  • 告诉Codex你有哪些文件
  • 说明你最终想得到什么
  • 补充财务规则和判断标准
  • 让AI选择实现方式
  • 检查结果并继续修改

以前遇到一个陌生任务,你首先会问:“这个要用什么函数?”

过去先学习工具才能解决问题;现在可以先定义问题,再让AI完成技术实现。

现在更好的问题是:

我有什么+我要什么+怎样才算正确

至于中间使用VBA、JavaScript、Python,还是生成一套新的Excel公式,其实没有那么重要。

你不需要知道厨师用了哪一口锅。你需要判断端上来的东西是不是你要的,味道对不对,能不能给老板吃。

Codex改变的,不只是写公式的速度

普通聊天机器人通常会告诉你公式应该怎么写。Codex这类编程智能体更进一步:它可以读取工作目录中的文件、编写处理程序、运行程序、检查输出,再根据错误继续修改。

对财务人来说,这意味着你可以把整个任务交出去,而不是只让AI回答某一个公式问题。

VBA、JavaScript、Python或Excel公式只是实现路径,不再是财务人必须亲自掌握的目标。
五个财务案例
案例一:多表合并与科目匹配

你提供:十几家主体导出的总账、统一科目表和映射要求。

Codex处理:识别不同表头、统一字段、清洗科目编码、匹配科目并列出无法确认的项目。

你负责:判断映射逻辑是否符合业务,以及哪些项目需要人工决定。

案例二:支付渠道对账

你提供:渠道流水、内部交易记录、结算文件和手续费规则。

Codex处理:建立一对一、一对多和跨日匹配逻辑,输出已匹配、部分匹配和异常交易。

你负责:定义容差、判断异常原因和确认处理动作。

案例三:预算差异分析

你提供:预算、实际、组织架构和重要性标准。

Codex处理:统一数据、计算差异、定位主要贡献项,并生成分析初稿。

你负责:判断哪些差异值得管理层关注,并补充业务背景。

案例四:应收账龄分析

你提供:应收明细、客户信息、回款记录和销售负责人。

Codex处理:重算账龄、识别长期挂账、按客户和销售归类,生成跟进清单。

你负责:结合客户关系和实际业务,决定哪些项目应优先处理。

案例五:管理层HTML财务报告

你提供:财务数据、分析结论、品牌风格和读者对象。

Codex处理:生成图表、排版和可打印的静态HTML报告。借助设计类Skill,最终呈现甚至可以比常规Excel和PPT更清晰。

你负责:确定故事顺序、删掉无关信息,让管理层一眼看见重点。

最终成果不必局限于Excel:同一组数据可以被转化成更适合管理层阅读的网页报告。
未来真正重要的,不是Excel技能

当中间的技术过程可以被AI接管,财务人的核心能力会重新排序。

第一,想清楚你到底要解决什么问题

“做一张表”不是目标。“找出哪些渠道造成结算差异,并明确下一步处理责任人”才是目标。

第二,判断手里的数据够不够

AI再强,也不能从一张汇总利润表里准确拆出价格、销量和产品结构影响。你要知道还缺什么数据。

第三,判断结果是否合理

你不需要亲手写每一行代码,但必须能够核对总额、抽查样本、检查口径,并发现明显违背业务常识的结论。

第四,决定结果怎样呈现

同一份分析可以输出成Excel明细、异常清单、管理层网页或三页PPT。选择什么形式,取决于谁要使用它、下一步要做什么。

第五,把数字讲成经营故事

老板不关心你用了多复杂的函数。他关心利润为什么变化、风险在哪里、接下来应该做什么。

那是不是完全不需要懂技术?

不需要把“会写Excel函数”当成核心竞争力,不等于可以放弃检查。

你可以不懂Python语法,不会写VBA,也记不住复杂公式,但至少要能够回答:

  • 输入数据是否完整?
  • 计算口径是否符合财务要求?
  • 输出结果能否与源数据勾稽?
  • 异常项目有没有被平均数掩盖?
  • 这份结果能否支持真正的管理动作?
边界说明:本文的“不必再学Excel”,指不必继续把背函数、练操作和掌握某种实现技术作为主要学习目标,不代表可以在不了解财务逻辑、数据口径和验证方法的情况下盲目接受AI输出。
AI降低的是工具门槛。真正拉开财务人差距的,将是问题定义、财务判断、结果呈现和讲故事的能力。

相关学习资料