前三篇聊的是"看懂业务、解释数字、推动决策"。今天想聊一个更现实的问题：为什么很多公司的财务AI，试点很漂亮，规模化很尴尬。
我见过太多这样的场景：一个费用分析的AI小工具做得不错，领导也认可，于是决定"推广到全公司"。三个月后，别的团队用不起来，原因五花八门——口径不一样、数据拿不到、没人维护、出了错没人负责。最后大家的结论是"AI还不成熟"。
其实不是AI不成熟，是我们把"复制一个产品"当成了"规模化"。
规模化不是把试点复制一遍，而是让六个环节持续转动：场景—数据—知识—工具—反馈—治理。这六个环节咬合起来，才是一个飞轮。少了任何一个，轮子转两圈就停。
一、场景决定起点
很多项目一开始就走偏了，因为出发点是"AI能做什么"，而不是"业务哪里疼"。
选场景我只看三条：高价值、高痛点、可验证。高价值是指这件事做成了，对经营结果有影响，不是省两小时的事；高痛点是指这件事现在确实难受，有人愿意配合你；可验证是指做完之后能说清楚"到底有没有变好"，而不是靠感觉。
场景一旦定了，后面的数据要建到什么颗粒度、知识要沉淀哪一块，方向就自然清楚了。反过来，场景没定，数据治理就会变成一个永远做不完、也说不清价值的工程。
二、数据决定可信度
数据这一环，最容易被做成"为了集中而集中"。建了一个大池子，什么都往里灌，结果AI给出的结论没人敢用。
数据的目标不是"全"，是让结论可用、可解释、可复用。这背后其实就两件事：统一口径和统一维度。同一个"毛利"，业务口径和财务口径差三个点，AI再聪明也只能在错误的前提上做正确的推理。同一个"渠道"，A表按签约主体分、B表按流量来源分，跨表一比就出笑话。
我的经验是：口径和维度这两件事，宁可在场景开始前多花两周，也不要在结论出来后花两个月去吵。
三、知识决定理解深度
数据解决"算得对"，知识解决"看得懂"。
要让AI理解财务方法，得把五类东西沉淀下来：制度、框架、报告、语境、案例。制度和框架是规则，报告是表达范式，这两块大部分公司多少有一点。真正稀缺的是后两块——语境和案例。
什么叫语境？"这个季度营销费用超了，是因为总部要求提前打大促节奏"，这句话不在任何一张表里，但它是解释数字的关键。什么叫案例？"上次出现同样的异常，最后查出来是结算周期错位"，这是组织真正的经验资产。
这些东西过去存在老员工脑子里，人一走就没了。现在有机会把它变成可调用的知识。
四、工具决定能否进入流程
这一环是分水岭。
AI只会回答问题，是玩具；AI能查数、能归因、能生成报告、能触发提醒，才算进了真实流程。
区别在哪？前者需要人想起来去问它，后者是它在该出现的时间点主动出现在你的工作里——月结前它把异常科目列出来，预算超支到阈值它提醒责任人，例会前它把上个月的复盘草稿准备好。
一个不进流程的AI，使用频率会在新鲜感消退后断崖式下跌。这几乎是规律。
五、反馈决定能否进化
AI给出结果，人去验证、纠错、补充——这一步的产出必须回流到知识和规则里，而不是停在某个人的对话框里。
我特别强调这一点，是因为它决定了这套东西是"一次性交付"还是"复利资产"。同样一个错误，如果每次都靠人现场纠正，三年后还在纠正；如果每次纠正都写回规则，半年后它就不再犯了。
判断一个财务AI项目健不健康，我通常只问一句：这个月人工纠正的内容，有没有变成规则？ 答不上来，基本就是在原地打转。
六、治理决定能走多远
财务这个职能的特殊性在于，我们碰的是资金、合同、成本、薪酬这些高敏感信息。所以权限、留痕、复核、责任、风控这五件事，必须贯穿每一个环节，而不是等出了事再补。
治理不是给创新踩刹车，它决定的是这套东西能不能活到规模化那一天。一次数据泄露、一次没人认账的错误决策，足以让整个项目被叫停。
我的做法是：项目启动会上就把"谁能看什么、操作是否留痕、结论由谁复核、出错谁负责"这四条写清楚。写不清楚，就不要开始。
七、六个环节要持续咬合
把六环放在一起看，关系其实很清晰：场景牵引数据和知识，工具把能力嵌入流程，反馈修正整个系统，治理守住边界。
它们不是六个可以分头推进的项目，而是六块必须咬合的齿轮。现实中最常见的失败，不是某一环特别差，而是六环各干各的——数据部门在治理数据，业务部门在试用工具，谁都没错，但轮子就是不转。
八、飞轮转起来，试点才会变成能力
所以回到最开始那个问题。
真正值得复制的，从来不是某个AI产品，而是一套能持续转动、不断沉淀组织能力的机制。
产品会过时，模型半年换一代。但"我们如何选场景、如何统一口径、如何沉淀知识、如何把工具接进流程、如何让反馈回流、如何管住风险"——这套机制一旦跑通，换什么工具都能快速接上。
这也是我这三年最大的体会：财务AI的竞争，最后不是比谁的模型好，而是比谁的飞轮转得早、转得久。
附：什么是FDE？它对 CFO 有什么启发
写完这篇，很多人会问：飞轮听着对，但公司里谁来推？这就要说到一个这两年在科技圈很火的角色——FDE（Forward Deployed Engineer，前线部署工程师）。
它源自哪里？ 这个模式由美国数据公司Palantir 首创并跑通。Palantir 早年发现，把软件卖给政府和大企业之后，客户根本用不起来——每个客户的数据结构、业务流程、决策习惯都不一样。于是他们做了一件反常识的事：把工程师直接派驻到客户现场，和业务人员坐在一起，先用最土的办法把客户的问题解决掉，再把这些现场解法反向沉淀成产品的通用能力。这批人就是FDE。后来 OpenAI、Scale AI 等公司在推动 AI 落地时，也大量沿用了这个角色。
FDE 和传统实施顾问的区别在于：顾问交付方案，FDE 交付结果，并且负责把结果变成可复用的能力。
对CFO 的三点启发：
第一，稀缺的从来不是模型，是能站在现场把事做成的人。 财务AI落不了地，九成不是技术问题，是没有一个既懂业务现场、又懂财务口径、还能动手把工具接进流程的人。CFO 要找的不是"会用AI的财务"，是财务体系里的 FDE。
第二，这类人必须长在内部。 外部供应商的顾问再强，项目结束就走了，语境和反馈也跟着走了——飞轮的"知识"和"反馈"两环随之断掉。所以更划算的做法是，从业务财务里挑几个人，让他们深度参与整个落地过程，把能力留在组织里。
第三，先在一个场景做完整闭环，再谈复制。 这正是FDE 模式的精髓：不追求一上来就通用，而是在一个真实场景里把六环全部跑通，然后抽取其中可复用的部分。先做深，再做广——顺序反了，就会重蹈"试点很美、推广很难"的老路。
说到底，FDE 这个角色给财务的提醒很朴素：AI 不会自己走到业务现场，得有人把它带过去。
那个人，很可能就是你。
但“知道该站哪儿”和“真站上去”之间，还差一段可验证的路径。
我们为第一批愿意迈出这一步的CFO，打磨了「AI-FDE先锋会员体系」——不是教你用工具，是帮你把二十年的财务直觉，编译成AI时代的第一行可执行代码。
首发入口已经打开，只留给最先醒来的那批人。
得物高级财务总监瞿孜文对AI的思考：财务AI真正缺的，不是工具，而是落地机制
得物高级财务总监瞿孜文再谈财务AI：能看见异常的AI很多，能解释原因的AI很少
得物高级财务总监瞿孜文三谈财务AI：财务最该升级的，不是工具能力
