CFO与CIO跨界对谈，企业AI上线只是起点 | 「从数字化到AI」

在绿城中国，业务人员向AI提出的问题正在发生变化。最初，他们想知道上个季度销量的数字，现在，他们希望AI找出表现不佳的项目并分析原因，再从企业积累的案例中寻找改善办法。

随着问题的而深入，业务人员对AI的要求也越来越高。所以，数据口径、知识更新、结果核验和部门协作，都成了AI能否继续用下去的具体条件。

11月11日，由TMT研究院与ACCA联合发起的《从数字化到AI》系列内容第三期上线。

本期嘉宾是得物高级财务总监瞿孜文与绿城中国数字化建设中心总经理补声东，一位从财务场景推进AI应用，一位从集团层面统筹数字化建设，两条路径的交汇处，让我们看到了企业如何让AI的输出经得起长期价值检验的关键。

不同行业的AI推进策略不同

绿城先做集团层面的AI规划，再由各部门结合自身业务形成具体方案。随着一线尝试增多，数字化团队得以了解业务真正想解决的问题，也找到能够共同推进应用的人。

得物的顺序恰恰与之相反。财务部门先行探索，选择经营分析和管理报表作为切入点，之后再向费用审核、合同审核、现金对账等场景扩展，公司层面的统筹管理也逐步跟上。

推进策略的不同背后反映了企业对于AI认知的不同。例如瞿孜文介绍，经营分析原本由财务负责，已有相对稳定的分析逻辑、方法和数据集。对一个仍有许多未知的AI项目而言，这些积累提供了可以着手验证的基础。

规划与试点的先后顺序，需要结合企业的组织方式和业务基础来定。

例如补声东介绍，绿城在筛选项目时，会同时考虑经营价值、数据与流程成熟度、实施复杂度和风险可控性。需求提出得再迫切，如果数据口径尚未统一、组织流程也没有准备好，就需要先完成预研或基础工作，再判断是否进入试点。

数据治理是AI建设的基础

得物拥有大量交易和用户数据，但在建设财务AI应用时，仍然遇到了系统和数据相互隔离的问题。一笔订单从下单、发货、确认收货到商家结算，记录分布在不同的系统模块中。财务要理解完整的业务过程，就要先把这些记录连接起来。

而接通只是开始。数据入仓之后，还要梳理来源、版本、口径定义、业务语义，以及上下游使用关系。瞿孜文回顾，这部分工作占用了很长时间。而当数据可以用于自动编报和分析后，团队又发现，AI生成的分析与人的分析仍有差距。因此，团队还需要把分析视角、业务知识、相关指标及其关系整理出来。

“大模型是有着庞大的通用知识，但是它没有我们自己的业务知识或者财务怎么去看业务的这样的知识。”——瞿孜文

绿城面临的另一项挑战来自非结构化数据。同一个项目，在不同文件中可能使用不同的名称；客户信息则分散在来访录音、销售系统和服务记录中。如果无法识别这些记录指向同一个项目或客户，检索到的内容就可能不完整，分析也会受到影响。非结构化资料同样需要主数据、标签和关联关系的治理。

很有意思的是，数据质量还与考核方式有关。补声东分享，绿城在提高录入及时性的过程中，发现部分员工担心修改历史错误会影响考核，因而不愿纠正数据。团队随后调整安排，允许集中处理已经发现的问题。这个细节说明，数据治理需要制度配合：员工愿不愿意暴露错误、谁负责修正，都会影响系统最终能用上什么样的数据。

核验AI，增强可信度

对财务而言，一段解释听起来合理，并不足以作为使用依据。

在得物，能够固化的计算逻辑可直接交由系统执行，需要通过模型辅助处理数据时，则让模型生成Python代码，由程序完成计算。知识库回答也被要求给出规则来源，尽可能定位到具体章节和段落。

同时，还有多智能体交叉检验的设计。瞿孜文介绍，第二个智能体承担的是对前一个智能体工作过程的检查：调用了哪些数据，采用了哪些规则，又依据什么标准给出结论。

“我用另外一个agent，是去检查前一个agent它调用的数据来源……它计算这些数的时候用了哪些规则？它是依据哪一些标准来给出这样的结论的。”——瞿孜文

这种检查有助于发现依据和执行过程中的问题，但仍需要与风险分级结合。按照瞿孜文介绍的做法，资金等高风险场景中的AI产出必须经过人工复核；中风险场景设置交叉检查、异常转人工和内审抽查；影响较小的场景，则采用相应的自动校验安排。

可信度正是由这些细节逐步建立而成。绿城也在推进更细的来源追溯。目前，能够将回答定位到原始文档具体章节和段落的相关技术预研已经完成，准备进入试点。

上线之后，需要评测机制和价值验证

绿城在应用运营中观察到，用户最初问的往往是相对简单的问题，用了一段时间后，问题会变得更复杂，原先的测试就未必足以反映实际使用效果。

瞿孜文也指出，业务范围扩大、知识覆盖不足，或者前端规则已经变化而知识库尚未更新，都可能造成回答质量下降。因此，不能简单将这种现象归因于模型能力变差。

“项目在系统上线后就结束了，而产品的系统上线只是起点，你需要持续去运营它。”——补声东

持续运营需要具体的评测机制。补声东介绍，测试集除了最初设计的典型问题，还要纳入线上出现的错误，以及已知容易出错的挑战性问题。评测也要覆盖任务分派是否准确、答案质量、权限、安全合规、实用性和响应表现，并在改动、发布及上线后持续进行。

得物则会在知识新增或规则变化时重新测试，并安排定期测试。团队还整理了财务常用的专业表达，作为检索时的辅助，减少不同提问方式造成的理解偏差。这类维护工作看起来细碎，却直接影响应用能否长期稳定使用。

价值衡量也需要持续跟进。补声东将其分为三个层面：处理能力是否提升，管理是否改善，以及是否形成经营贡献。信息覆盖、识别准确率和响应时效，可以反映能力变化；风险能否更早发现、跨部门响应是否加快、同类问题是否减少，可以观察管理改善；成本、资金占用、利润和现金流的变化，则更接近财务能够验证的经营结果。

对能力提升的评价，还需要回到它如何改变决策与执行。回答更快、覆盖更多信息之后，企业还需要继续观察：使用者是否据此采取行动、流程的改善情况，以及最后的实际产出。区分不同层次的价值，有助于保留长期能力建设的空间，也让后续投入有更清楚的依据。

财务参与验证，也要参与定义问题

在得物，数仓团队安排数据BP与财务共同工作，配合财务BI团队推进数据治理；技术团队则支持知识库建设、文档处理和检索优化。财务需要提供真实的工作场景，判断业务价值，并与业务、数仓及BI团队对齐口径和计算逻辑。

这样的分工要求财务把需求说得足够具体。经营分析要解释哪些问题，费用审核依据什么规则，哪些异常必须交给人处理，都需要专业人员先作出判断。技术团队才能据此设计能够在复杂场景中长期运行的应用，也能够提出进一步的优化建议。

绿城将这种协作归纳为“三方共治”：业务牵引、技术保障、财务验证。建设过程中，则强调“三方共建”：数字化团队、总部职能部门与一线人员共同参与。

“我们的AI必须走到业务里面去，而不只是走在我们的管控里面。”——补声东

一线人员的参与，关系到应用是否回应了实际工作中的困难。补声东提到，他们会优先寻找门槛较低、能够较快见到回报的场景，并明确业务与数字化团队各自承担的指标和责任，减少合作中的顾虑。

财务的参与强度也需要分阶段安排。在绿城的实践中，金额较小的技术预研主要由数字化部门推进并报备；进入试点和推广后，财务再更深入地参与价值判断与结果验证。这样既考虑了探索阶段的不确定性，也让更大规模的投入得到相应审视。

工作会改变，专业经验需要有人整理和维护

谈到岗位变化，两位嘉宾都关注到信息汇总、进度跟踪和重复执行规则等工作受到的影响。补声东介绍，绿城正在尝试利用AI辅助生成经营报告，并将会议内容转为待办事项、汇总进度。这些应用会逐步改变原有岗位的工作内容。

瞿孜文则认为，需要跨部门沟通、推动共同目标，以及制定规则、输出经验的工作，仍具有重要价值。

新的职责也在形成。得物财务部门已经设置数据资产管理、流程管理和AI工具建设等相关组织安排；绿城业务部门开始出现AI流程设计的职责，并在讨论业务评测、智能体运营和数据管理应由谁专门负责。

这些变化与前面的数据和治理问题相互关联。业务知识需要有人整理，规则变化需要有人更新，测试问题需要熟悉业务的人设计，输出结果也需要有人审核并推动改进。财务人员的专业经验，正在这些环节中转化为团队能够持续使用的能力。

从两家企业的实践来看，AI应用越深入，业务、财务与技术越需要共同处理具体问题。下一步能走多远，要在每一次口径对齐、结果复核、流程调整和价值验证中继续检验。

企业 AI 从试点走向规模化，哪些应用值得继续投入？

12 月 7—8 日，来 2026 T-EDGE 创新大会北京场继续聊。

「查看议程及购票」

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App