根据去年的行业报告显示，尽管许多企业的财务团队已尝试借助人工智能工具与创新技术优化财务规划策略，但在实际执行过程中，多数团队仍受困于数据孤岛、手动工作流及运营成熟度不足等问题。这一现象背后的关键启示在于：技术已然触手可及，真正让企业停滞不前的，从来都不是技术本身。

过去两年，大型语言模型已悄然融入财务人员的日常工作，从分析市场趋势、解释预测变动，到起草财务报告、排查数据错误，应用场景日益广泛。然而，当话题聚焦于能够自主执行任务、触发工作流、从财务系统调取数据、运行预测模型、检测异常并升级处理的智能体时，真正实现落地应用的企业却依旧寥寥。大多数组织仍停留在试点阶段，未能形成实质性的业务影响力。这一现象的根源究竟是什么呢？

打开网易新闻 查看精彩图片

PART 1 对数据质量的较高要求

多年来，数据质量与标准化一直是财务转型领域的高频议题。然而现实是，许多企业仍在这一基础环节上步履维艰。尽管当下的AI技术已具备处理多格式数据的能力，但其对数据质量的要求依旧是无法回避的前提。随着人工智能技术的持续演进，传统的生成式AI（GenAI）正逐步向能够自主规划、执行并优化工作流程以完成复杂任务的代理式AI（Agentic AI）过渡。为使代理式AI真正发挥价值，企业需在各部门间建立统一的定义与单一事实来源，这无疑对数据质量提出了更高的要求。

但现实是，没有哪家企业的数据能做到100%准确，尤其是大型并购型企业。关键在于识别真正具备价值驱动作用的数据，并确保它们得到一致的定义与捕获。对于企业现阶段而言，与其耗费大量时间和精力清理所有数据，不如聚焦于那些能够支撑关键决策的核心数据源。例如智达方通EPM系统在设计预算汇总机制时，更加强调在数据汇总过程中实施严格的数据审核，通过自动汇总规则实时收集并汇总各层级数据，同时保障数据的准确性。这种思路的价值在于：不是等数据完美无瑕后再行动，而是通过系统化的数据治理机制，在数据流转过程中持续保障质量。

PART 2 代理式AI的系统思维

如前所述，代理式AI与传统AI的核心区别在于，它不仅能分析数据、生成洞见，更能触发决策与任务执行。这种行动力的实现，需要端到端流程被清晰定义并形成文档——异常情况需提前明确、升级转型路径需保持清晰、数据治理框架需搭建到位。若无法解释某一数据的生成过程，或无法说明某个工作流被触发的原因，用户对其的信任便会迅速崩塌。

针对此，财务团队可选择单一领域（包括收入与需求预测、运营支出规划、现金流预测、情景规划等，这些领域需涵盖盈利能力影响、数据可及性、流程可重复性、治理准备度及高管支持力度等维度）进行深耕，构建纵横联通的架构。这意味着，代理式AI的实施首先应解决运营模式设计问题，其次才是技术部署问题。企业需将代理式AI视为运营模式的一部分，通过FP&A、IT与业务部门的协同运营，而非将其作为孤立的技术插件。

PART 3 突破人员与文化壁垒

如果说数据与技术架构构成了硬性约束，那么人员与文化同样是难以突破的挑战。当新工具被引入时，团队自然会产生排斥与质疑情绪。因此，企业需具备前瞻性思维，提前制定清晰的变革管理计划，通过持续的沟通与培训，帮助财务人员理解代理式AI的价值，消除对技术替代的担忧，营造“人机协作”的文化氛围。另一方面，AI转型应以人为本进行规划，将AI定位为激发价值的工具而非人员的替代品，同时投资于员工技能提升，保持可持续的推进节奏，并将员工体验纳入衡量指标。

PART 4 推动AI从试点走向生产

另外，我们还会发现一个新的问题：为何如此多的AI项目止步于试点阶段？这往往并不出在技术验证环节，而是卡在从验证到生产的过渡阶段。在实际操作中，技术是真实可靠的，意图也是诚恳的，但进展却在潜力与生产之间的过渡点停滞不前。常见的障碍包括：试点被嵌入财务模型而非真实业务流程；成功标准模糊，缺乏与业务价值对齐的量化指标；投资力度与转型雄心不匹配等等。

要实现从试点到生产的跨越，企业需构建一套完整的落地机制。试点项目的设计应紧密贴合实际业务场景，并制定明确清晰的成功标准，以便客观衡量试点效果，为后续推广提供依据。同时，企业要根据转型目标合理分配资源，确保投资力度与转型的规模和深度相匹配；建立跨部门协作机制，共同解决试点过程中出现的技术难题和流程障碍。

以智达方通EPM系统为例，其在AI功能集成方面已构建起较为完整的应用矩阵。该系统依托DeepSeek大语言模型的语义解析能力，能够从完整的元数据（metadata）中智能识别并提取与用户问题高度相关的数据项、维度及层次结构，支持复杂语义理解，精准捕捉用户意图中的关键要素，并自动生成优化的查询结构。智达方通将AI能力深度嵌入FP&A的日常操作流程中，用户只需通过自然语言描述需求，系统即可自动生成对应的分析视图。这种交互门槛的降低，是代理式AI能够被业务人员真正有效运用的重要前提。

代理式AI在FP&A领域的应用逐步展开，其本质并非单纯的技术升级，而是对运营模式的一次重构。数据治理、流程定义、治理框架、人员心态——这些非技术要素，决定着技术价值的释放程度。对企业而言，当前最务实的行动并非追逐最新的大语言模型，而是诚实地审视组织的数据就绪度、流程清晰度与文化接受度，选择一个真正关键的领域深耕，让人工智能融入团队的工作节奏。