这两年,财务人学AI的热情很高。
有人收藏了几百条提示词,有人报了十几门工具课,也有人每天研究哪个模型写分析更快、哪个插件做表格更漂亮。
可回到真实工作里,问题往往没有发生根本变化:资料还是要到处催,口径还是对不上,报表还是反复修改,老板看完分析还是会问一句:“所以,我们接下来到底要做什么?”
7月13日,新华社在一篇关于AI智能体落地的报道中,给出了一个很值得注意的判断:国内AI智能体正在从“技术可用”迈向“商业可赚”。
这六个字,对企业意味着AI要开始交付经营结果;对财务人意味着,我们不能再把“会用AI”理解成会和模型聊天。
未来真正值钱的,不是谁写出的提示词更漂亮,而是谁能把专业判断、业务规则和执行动作,装进一套可以持续产生结果的系统。
一、企业为什么不再满足于“AI能用”
站在个人角度,一份报告从三个小时缩短到半小时,已经很让人兴奋。
但站在企业角度,它还会继续追问:省下来的时间去了哪里?错误率有没有下降?回款有没有变快?库存损失有没有减少?风险是不是更早被发现?
如果这些问题都回答不了,再精彩的AI演示,也很难变成长期预算。
这就是“技术可用”和“商业可赚”的分水岭。
“技术可用”关注的是模型会不会做;“商业可赚”关注的是企业因此得到了什么。
一套AI工具可以生成经营分析,但如果没有人根据分析采取行动,它只是在更快地生产文档。
一个财务智能体则应该走完整条链路:主动读取数据,按照规则识别异常,找到对应责任人,生成处理建议,记录反馈,再在下一轮检查结果。
它交付的不是一段文字,而是一个可追踪的业务结果。
二、以回款为例,看看“会分析”和“能交付”的区别
假设一家企业有几百个客户,每周都要更新应收账款和逾期清单。
普通AI用法是:财务导出应收账款表,上传给模型,让它分析哪些客户逾期。
这当然比人工筛选快,但工作到这里并没有结束。
真正的回款智能体,至少要完成六步。
第一步:把资料收齐
读取应收账款明细、销售合同、开票记录、银行回款、客户信用政策和销售跟进记录,并标出缺失字段。
没有合同付款节点,AI就不知道客户是否真的逾期;没有银行到账数据,系统就可能对已经付款的客户继续催款。
第二步:按规则判断
不同客户的信用期、分期节点、质保金比例和争议款处理方式不同。
AI不能看到“未收款”三个字就自动判定风险,而要按照企业确认过的规则计算应收日龄、逾期天数和风险等级。
第三步:给出异常证据
不是简单列出“客户A逾期30天”,而是把合同条款、发票、到期日、历史沟通和未解决事项放在一起,让财务和销售知道这条预警从哪里来。
第四步:推动责任人处理
低风险事项可以自动生成提醒草稿;涉及客户争议、价格调整、退货、坏账迹象的事项,转交销售负责人和财务负责人确认。
第五步:跟踪结果
记录谁承诺了什么时间回款,是否按期到账,未到账的原因是什么,下一步由谁继续跟进。
第六步:沉淀经验
如果某类客户总在验收环节延迟,问题就不只是催款,而可能是合同条款、交付资料或项目管理出了问题。
智能体要把重复出现的原因汇总出来,推动企业修改前端流程。
你会发现,真正创造价值的不是“AI识别了一笔逾期”,而是它把发现问题、推动处理、验证结果和改进规则串成了闭环。
分析只是起点,结果才是企业愿意持续付钱的地方。

从资料、规则、预警到责任人和回款结果,最后还要把经验送回规则库。
三、财务智能体能创造的价值,最后要落到四本账
企业做AI,不能只讲先进,也不能只讲“解放财务人”。
至少要算清楚四本账。
1. 工时账:到底省了谁的时间
原来需要几个人、每周多少小时?引入AI后,哪些步骤被自动完成,哪些步骤仍需要人工复核?
如果只是财务少做一小时,却让业务多填三张表,这不叫提效,只是把工作转移了。
2. 损失账:少犯了哪些错误
漏开发票、重复付款、折扣过期、合同条款遗漏、异常费用未发现,这些都可以转化为具体金额。
减少一笔真实损失,通常比生成十份漂亮报告更容易证明价值。
3. 现金账:资金周转有没有改善
回款提前了几天?逾期金额下降了多少?闲置资金是否减少?付款计划是否更合理?
现金流是最诚实的经营指标,也是财务AI最容易与老板对话的语言。
4. 资产账:经验有没有留在企业里
老财务知道哪些供应商要重点查、哪些费用最容易错、哪些客户总在月底压款。
如果这些经验只存在个人脑子里,人一离职,组织就要重新交学费。
当经验被写成规则、例外、案例和复核清单,它才会从个人手艺变成企业资产。

工时、损失、现金和知识资产,缺少量化就很难从演示走向长期预算。
四、OpenAI税务智能体案例,真正值得学的不是“86%”
今年5月,OpenAI公布了一个税务智能体案例。
OpenAI与Thrive Holdings为Crete旗下30多家会计师事务所共同开发Tax AI。试点处理约7000份税表,帮助从业者节省约三分之一的税表准备时间,并提高了整体处理能力。
其中一个数据很吸睛:上线初期,只有25%的税表能够达到75%的字段正确完成度;六周后,这一比例提升到86%。
但我认为,最值得财务人研究的不是86%这个结果,而是它怎么改进。
当会计师修改一个字段时,系统不只是保存最终答案,还记录原始资料、AI提取结果、修改动作和最终申报结果。
重复出现的错误会被整理成测试题,再交给系统定位原因、提出修改并通过回归测试。
换句话说,会计师每一次复核,都没有白做。
他的专业判断被转化成了系统下一次进步的燃料。
这才是AI在专业服务领域最重要的底层逻辑:
不是让机器绕开专家,而是让专家的每一次判断都能够被记录、复用和放大。

人工纠错不是系统的终点,而应成为测试、改进和再次验证的起点。
五、财务人要升级的,不是提示词,而是三种能力
当AI从工具走向智能体,财务人的能力也会被重新定价。
第一种:定义结果
不要只说“帮我做应收分析”,而要说清楚这项工作的目标:识别逾期风险、推动责任人处理,并把高风险应收控制在什么范围。
AI可以完成任务,但人必须定义什么叫完成。
第二种:表达规则
什么情况自动通过?什么情况必须预警?金额超过多少要升级?哪些证据缺失就不能入账?哪些例外需要谁批准?
这些问题说不清楚,AI就只能靠猜。
财务人的经验越能被表达成字段、条件、阈值和例外,越容易形成杠杆。
第三种:推动业务
系统发现问题之后,谁去和销售、采购、运营沟通?谁判断这是一笔短期波动还是长期风险?谁决定要不要调整价格、信用政策和资源投入?
AI可以整理证据,人仍然要做取舍、沟通和担责。
这三种能力,才是财务人在智能体时代真正的护城河。

定义结果、表达规则、推动业务,决定了AI能不能真正进入经营。
六、不要一上来做“万能财务智能体”
很多企业一谈AI,就希望做一个什么都能干的数字员工:能报销、能记账、能分析、能报税、还能回答老板所有问题。
目标越大,规则越模糊,失败越快。
更务实的方式,是从一条最小闭环开始。
可以选择下面一项:
然后连续问五个问题:输入资料是什么?判断规则是什么?AI可以执行什么?哪里必须人工复核?最终用什么指标证明结果?
先让一条流程跑通,再复制到下一条。
企业不需要一个看起来无所不能的AI,它需要一个能把具体问题持续解决好的系统。
写在最后
AI智能体进入“商业可赚”,并不意味着每个智能体都能赚钱。
它只是把市场的评价标准变得更现实了:不再看你调用了哪个模型,而是看你能不能把技术嵌进业务,把专业变成规则,把动作变成结果。
对财务人来说,这既是压力,也是机会。
重复操作会越来越便宜,但能够定义问题、设计流程、控制风险、推动业务的人,会越来越贵。
我是林婷,注册会计师、高级会计师,也是一名实战派数字化顾问。
在财研汇,我们关注的从来不是多学一个热闹工具,而是怎样把财税专业、业务理解、AI能力和真实项目连接起来。社群里的导师和伙伴各有专长,大家互相补位、共同接单、共同复盘,把一个人的经验沉淀成一群人可以复用的能力。
工具解决一次任务,系统创造长期复利。
从今天开始,别再只收藏提示词。选一项真实工作,把它做成能够持续交付结果的闭环。
资料来源:
本文为行业观察与数字化方法分享,不构成针对具体企业的财税、法律或投资意见。

