在很多已经进入规模化阶段的跨境企业里，真正决定一张利润表能不能按时出来的，往往不是 ERP，也不是 BI，更不是最近刚接入的 AI，而是某一个“特别会算表的人”。
他可能在财务，也可能在运营、供应链或者 IT。平台数据从哪里导，他知道；海外仓回传的哪个字段能用，他知道；广告费、头程、尾程、平台佣金、退款、汇兑损益为什么总有几笔对不上，他也知道。
月底经营会前，老板问某个 SKU 到底赚不赚钱，运营说还有利润，财务说可能已经亏了，BI 看板又显示另一套结果。大家很少第一时间去翻系统逻辑，而是先找到他：“这个数你帮忙看一下。”
真正危险的时刻，往往出现在企业规模上来之后：平台越来越多，仓库越来越多，法人主体越来越多，币种和费用类型越来越复杂，而公司的很多关键经营规则，依然没有进入系统，仍然寄存在他的脑子里。
一旦这个人休假、离职，或者只是忙不过来，某张对账表、利润表、库存差异表就可能直接停摆。到这个时候，他已经不只是一个员工，更像是一段没有文档、无法复制、没有版本管理、谁也不敢随便重启的“人肉代码”。
这也是为什么，一些企业明明已经上线了 ERP、WMS、BI 和财务系统，甚至开始讨论 AI Agent，最后真正把这些系统串起来的，仍然是 Excel。
01
三套利润，往往不是谁算错了
当企业进入多平台、多主体、多仓、多币种经营后，“利润”这件事会迅速复杂起来。
运营需要的是快。一个 SKU 今天还能不能投放，一家店铺还要不要加预算，一个渠道是不是应该继续铺货，都不能等到财务月底结账以后再判断。所以运营会用当前已经拿到的销售额、采购成本、平台佣金、广告费和预估物流费来算利润。这个数字未必最终准确，但它必须足够及时。
财务需要的是准。物流实际账单、平台扣款、退款、汇兑损益、跨主体结算，很多费用只有在月末甚至更晚才能完整确认。因此财务看到的利润天然更晚，也更接近最终入账结果。
BI 原本应该解决两者之间的问题。它从 ERP、平台、广告、物流、仓储和财务系统中取数，希望形成统一经营视图。但如果底层没有统一的主数据、费用分摊逻辑、时间口径和利润口径，BI 并不会自动产生“真相”，它只是换了一个地方重新计算。
于是企业里很容易长期同时存在三套利润：运营利润、BI 利润和财务利润。三套数字都能解释，也都有自己的合理性。真正的问题不是谁算错了，而是公司无法稳定回答：为什么它们不同，它们之间应该怎样转换，以及哪个数字应该支持哪一种经营决策。
这时，那个最会算表的人就出现了。他知道哪些费用本月还没回来，哪些退款应该跨期处理，哪些海外仓账单要延迟确认，某个平台的 MSKU 如何映射到 ERP 里的 SKU，某个主体的费用应该分摊到哪个事业部。
他真正掌握的，并不是 Excel 公式，而是一整套尚未被系统化的经营规则。
02
企业最容易低估的，是“人肉接口”
在专业的数据治理语境中，由业务人员自行维护的电子表格、脚本和分析工具，常被归入 End-User Computing，也就是 EUC。它们通常运行在中央 IT 治理体系之外，但随着使用时间增加，可能逐渐成为关键业务流程的一部分。
Excel 本身并没有问题。临时分析、快速测算、业务验证，本来就适合在电子表格里完成。真正的风险出现在另一个时刻：一张原本用于辅助工作的表格，逐渐承担了关键经营流程，但组织没有意识到它实际上已经变成了一套生产系统。
如果一张利润表每天需要从五个系统导数据，依靠十几个公式、Power Query 或者手工映射才能生成；如果只有一个人知道哪些字段要改、哪些异常需要特殊处理；如果公式已经复杂到其他人不敢动，那么企业事实上已经拥有了一套系统。
只不过，这套系统没有测试环境，没有文档，没有权限治理，也没有灾备。
更值得注意的是，这种依赖不会自然随着企业采购更多软件而消失。很多时候，系统越多，“人肉接口”反而越重要。因为每增加一个系统，就增加一套字段、一套状态、一套时间逻辑和一批新的异常情况。
系统接口解决的是“数据能不能传过去”，但经营体系还要解决“这个数据到底是什么意思”。
海外仓可以回传 96 件库存，却不会自动告诉企业，这 96 件里多少是可售、多少已经被渠道预占、多少正在质检、多少属于另一个法人主体。平台可以回传一笔退款，却不会替企业决定，这笔退款应该在哪个月进入经营利润。BI 可以把所有数据放到一张看板，却不会天然知道，同一笔头程费用究竟应该按重量、体积、采购金额还是销售额分摊。
当这些规则没有被统一定义时，数据接得越多，中间越需要有人去解释。
03
真正的问题，不是“太依赖 Excel”
把问题简单归结为“企业太依赖 Excel”，其实并不准确。真正应该被追问的是：Excel 里到底承载了什么。
有些表格只是临时分析，没有必要系统化；有些表格则承载了商品映射、组织归属、利润分摊、库存状态、汇率转换、退款确认等关键经营规则。
后者一旦长期存在，就意味着企业最核心的一部分业务逻辑并没有进入正式系统，而是存在于员工个人的工作方法中。
从组织治理角度看，这会形成明显的关键人员依赖。这个人越能解决问题，公司越容易把更多例外情况交给他；交给他的事情越多，其他人越难接手；最终，一个高能力员工会逐渐变成企业数字化体系里的单点故障。
这也是很多规模化企业的一种隐性管理成本。表面上，公司只是多养了几个会做表的人；实际上，企业每天都在为跨系统找数、抄数、对数、解释差异和重复确认支付大量时间成本。
更麻烦的是，这些成本通常不会出现在任何软件预算里，因此很难被管理层准确识别。
05
当 AI 进入经营流程，这个问题会被放大
过去，企业可以让最懂业务的人充当“翻译器”。现在越来越多公司希望让 AI 参与经营问答、异常预警、利润分析甚至任务自动化，这时候同一个问题会以更加直接的方式出现：AI 应该相信哪一个数字？
如果运营利润、BI 利润和财务利润长期不一致，AI 无法凭空判断哪一套才是企业认可的口径。如果费用分摊逻辑藏在某个人的 Excel 里，模型拿到的数据里根本没有这条规则。如果仓库系统里的“可用库存”和平台里的“可售库存”定义不同，AI 即使读取了两个字段，也未必知道差异来自哪里。
这也是为什么，AI 经营智能真正要落地，前提不是企业接入了多少模型，而是企业有没有稳定的数据口径、规则体系和可追溯的业务链路。
金融监管领域长期强调数据血缘，也就是数据从来源、加工到最终使用过程必须具有可追溯性。虽然这类原则最早主要面向金融行业，但其中有一个基本逻辑对普通企业同样适用：自动化程度越高，底层定义越需要稳定。
过去一个错误口径，可能只是让分析师多花半天对账；当 AI 开始自动生成经营结论、触发预警甚至推动业务动作时，同样的错误会以更快速度扩散。
因此，企业真正进入 AI 阶段之前，有一项工作几乎绕不过去：把那些长期依赖个人经验完成的数据翻译和经营判断，逐步变成组织能够识别、系统能够执行、数据能够追溯的规则。
05
真正需要迁移的，是“会算表的人”脑子里的东西
解决“人肉接口”，并不意味着企业应该消灭 Excel，也不意味着必须推倒现有系统重来。更现实的路径，是识别哪些表格已经承载了关键经营规则，然后把这些规则逐步迁移出来。
第一步，是统一口径。什么叫经营利润，什么叫财务利润；头程什么时候使用预估成本，什么时候替换为实际成本；退款在哪个时间点影响利润；多币种使用什么汇率。只有定义稳定，数字才有稳定含义。
第二步，是建立可追溯关系。管理层看到某个 SKU 利润从 18% 下降到 15% 时，系统应该能够解释变化来自哪里，是物流实际账单增加、退款损耗、广告费用变化，还是汇率造成的影响。一个数字如果只能被展示，却不能被解释，就很难真正成为经营决策依据。
第三步，是把关键映射和规则系统化。SKU 和 MSKU 之间的映射、不同法人主体之间的归属、库存状态、费用分摊逻辑、内部交易规则，这些长期由老员工维护的关系，需要逐渐进入主数据、规则引擎和正式业务流程。
第四步，是让人工判断留下痕迹。复杂经营永远不会彻底消除例外。真正成熟的数字化不是追求“完全无人”，而是让人工在哪一步介入、为什么介入、做了什么修改，都能够被记录、复核和复用。
换成更直白的话说：人工不是问题，无法解释、无法接手、无法追溯的人工才是问题。
06
你的企业真的数字化了吗？
判断一家公司的数字化基础，可以问一个很简单的问题：如果公司里那个最会算表的人休假一周，会发生什么？
如果答案是，某张利润表没人敢动，月底对账必须等他回来，BI 和财务出现差异后没人知道应该从哪里查，新人只能复制旧公式却不知道为什么，那么这个人实际上已经成为企业数字经营体系中最关键的一条接口。
这种接口不会出现在 IT 架构图里，也很少被写入年度软件预算。但它往往是企业最昂贵、也最脆弱的一条接口。因为公司真正依赖的不是他的 Excel 技巧，而是他脑子里那套尚未被组织化的经营规则。
在小团队阶段，这种“人肉中台”甚至可能是一种高效率机制。但当平台、仓库、主体和币种不断增加，个人经验的带宽并不会同步扩张。最懂全局的人越来越忙，其他人越来越依赖他，最终形成一个典型悖论：系统越来越多，真正理解系统之间关系的人却越来越少。
数字化真正需要解决的，也许从来不是让这个人少做几张表，而是把他知道的事情从个人能力变成组织能力。当订单、库存、费用、财务和经营数据拥有统一的语言，当不同利润口径之间可以被解释和追溯，当异常情况不再只能依赖某个人的记忆处理，企业才真正拥有了一套可以持续扩张的数字经营基础。
彬匠科技想做的，也不是简单替企业再上一套系统，而是帮助规模化出海企业把散落在 Excel、个人经验和跨部门沟通里的经营规则，沉淀到业务中台、数据中台/BI 与 AI 经营智能之中。
让系统承接复杂业务，让数据能够解释经营，让关键规则不再只存在于某个人脑子里。到了那个时候，运营、财务和 BI 仍然可以从不同角度看利润，但它们之间不再彼此冲突。更重要的是，当 AI 开始参与企业经营时，它终于有一套可以真正理解和信任的数据与规则。
彬匠科技 · 企业数字化深度诊断
面向业务复杂度已超出标准化系统边界的企业，彬匠科技以一体化中台、BI与AI为核心，贯通全球市场、渠道、供应链、财务与组织协同，构建支撑可持续增长的数字经营底座。从深度咨询、方案设计到持续迭代，提供长期的经营工程服务，让系统适应企业，而不是让企业适应系统。
欢迎扫码添加资深顾问微信，预约 1 对 1 企业数字化架构与业财体系深度诊断。
