上期，我们讨论了高增长企业不能只看规模增长，还要把利润、现金流、预算和业务动作放在同一套经营逻辑中理解。业财一体化要解决的，也不只是财务核算问题，而是让业务、财务、数据和管理动作逐步对齐。
当AI进一步进入企业，问题也随之向前推进：AI可以承担哪些财务工作？哪些判断必须由人完成？AI如何真正进入企业经营场景？企业又该如何建设与之匹配的业财一体化能力？
在本期观远数据「35mm·数据帧」访谈中，财得得创始人徐薇老师围绕财务在AI时代的核心竞争力、企业中的AI应用，以及业财一体化三个阶段的落地路径，进一步分享AI进入企业后，财务如何从处理数据走向理解业务，并让分析进一步服务企业经营。
01 当标准化工作被AI接管 财务的价值向哪里迁移
徐薇观察到，在她接触的高增长企业和新锐品牌中，越来越多创始人亲自带队推动AI应用，他们关注的已经不只是某个岗位能节省多少时间，而是AI可能带来的组织架构、工作方式和生产力变化。过去，企业更多依靠"人+系统"完成工作；随着AI逐渐进入业务，未来的协作方式可能走向"人+AI+数据"。
这意味着，企业需要重新理解：当AI加入之后，原有的业务流程、岗位分工和协作方式将发生怎样的变化。在财务BP场景里，AI已经能够承担一部分基础任务，例如提取数据、进行简单加工，以及完成可视化报表的呈现。在标准会计知识学习、政策查询和知识提炼等不涉及企业敏感数据的场景中，AI也可以提供更及时的支持。
当数据整理、报表加工这些工作逐渐交给AI，我们开始重新思考：财务人不可替代的价值，究竟在哪里？
答案不在于继续和AI比拼数据处理效率，而在于理解AI无法独立处理的业务判断部分。财务BP面对的并不是一个完全标准化的分析环境。每家企业都有不同的业务模式、经营阶段和管理背景。同一个指标发生变化，在不同企业中，背后可能对应完全不同的原因。
AI可以依据已有数据和规则给出分析，但这些标准化结论是否适用于当前企业，还需要结合具体业务重新判断。正如徐薇所说，对差异化业务场景的理解，以及基于实际情况重新构建分析逻辑，仍然离不开人。
因此，当AI承担更多基础工作，财务的价值并不会消失，而是进一步向业务理解、问题定义和经营判断迁移。
与此同时，AI进入财务还有一条不能忽视的边界。财务数据是企业最敏感、最核心的数据之一。企业不可能简单地把所有业务和财务数据放入开放式AI工具。现阶段AI更适合进入业务分析、及时性分析和财务BP等场景，是在安全边界内，帮助财务更快地处理数据。
02 AI的应用价值 在具体业务场景中验证
重新明确人与AI的"分工"，只是讨论的起点。AI能否真正发挥作用，还要回到具体业务场景中验证。徐薇在访谈中分享了两个已经产生实际成效的场景，我们发现AI真正产生价值的地方，并不止于此。
场景一：云资源费用管理
在云资源费用管理场景中，互联网企业需要持续判断：哪些资源正在支撑有效产出，哪些资源没有创造价值，却仍在形成成本。
过去依靠人工管理，往往只能零散发现少数问题，很难持续监测全部资源使用情况。当然这并不意味着把云费用数据直接交给AI，问题就能自动解决。
企业首先需要理解具体业务场景，明确资源消耗与业务产出之间应该如何建立关系，并据此搭建分析模型。在这一基础上，AI能持续识别没有产出却占用大量资源的环节，再将问题落到具体项目中推动优化。这类应用每年可以帮助企业节省不少的云成本。
场景二：商品订货
在商品订货场景中，企业需要综合销售需求、商品供给和供应协同作出判断。
传统订货更多依赖人工经验，可能存在判断不够精准、处理效率较低、供应商协同不及时等问题。AI进入后，可以减少部分重复操作，更及时地结合销售需求辅助订货判断。
相比单纯降低人工成本，更重要的是提升订货决策的准确性，减少应订未订等情况，让商品供给更好地匹配销售需求，降低断货风险。
两个案例看似分别指向成本管理和商品供给，背后却遵循着相同的应用逻辑：先理解真实的业务场景，明确数据与经营结果之间的关系，再搭建分析模型；由AI持续识别问题，最终把分析结果转化为具体的优化动作。
如果企业希望把这种能力复制到更多场景，就不能只依赖零散的AI应用。它还需要一套能够持续连接业务事实、财务结果和管理动作的机制，这也将问题进一步带回业财一体化。
03 从数据、报表到分析 业财一体化要完成三次推进
徐薇认为，在AI进入企业之后，业财一体化会成为更重要的基础能力。
财务不仅要满足外部核算和规范要求，也需要回应企业内部的管理和决策需求。要让财务数据真正服务经营，不能只增加几张报表，也不能只接入一个AI工具，而要沿着数据、报表和分析三个阶段逐步推进。
第一个阶段，是数据的业财一体化。
过去，一些财务部门更像"来料加工部门"：业务提供什么单据，财务就记录什么结果。至于业务在单据形成前经历了什么，财务未必清楚。
但经营影响往往早于财务凭证。例如，企业签订委外加工合同、开展自有品牌定制时，即使完整的财务结果尚未形成，这批库存的下单责任已经属于企业。下单量是否合理、未来是否可能形成高库存和损耗，已经需要进入财务视角。
数据业财一体化要解决的是财务介入过晚的问题。企业需要从业务端直接沉淀财务数据，让财务不只在业务结束后记录结果，也能够从数据中看到业务发生了什么，以及业务策略落地后产生了怎样的经营影响。
第二个阶段，是报表的业财一体化。
数据进入财务视角后，还需要被业务和管理者理解。
资产负债表、损益表和现金流量表承担着统一口径和法定表达的功能，但不一定符合企业内部真实的经营分类。例如，财务报表中可能只呈现一项物流费用，在业务管理时还需要继续区分头程费用和尾程费用，只有拆到具体环节，企业才知道成本变化发生在哪里，应该从哪里开始调整。
因此，报表的业财一体化，是在业务数据和财务数据打通之后，进一步将传统财务报表转换为面向内部管理的管理报表：明确报表给谁看、需要传递什么信息，以及哪些指标能够帮助使用者发现机会和问题。这些指标需要从业务场景中提炼，也需要由业务和财务共同确认。最终形成的管理报表，既贴近不同角色的业务和决策场景，也能真正帮助其识别经营机会和需要改进的问题。
第三个阶段，是分析的业财一体化。
当业务能够看懂报表后，企业还需要继续回答：指标为什么变化，下一步应该做什么？
传统财务分析会关注资产报酬率、资产负债率等指标。这些指标对于整体控盘和对外披露具有价值，但落实到具体业务中，往往难以直接指导行动。企业需要进一步建设公司级经营分析体系，根据业务场景、决策场景和流程提炼关键指标。指标不是越多越好，如果同时呈现三四百个指标，业务反而难以抓住重点。更重要的是：指标反映的背后是业务动作。
例如，库存周转天数超标只是一个结果。要真正解决问题，还需要继续找到其背后的业务指标，并把这些指标对应到流程节点、责任部门、责任人和具体动作。完成这种连接后，企业面对的就不再是一个抽象的库存指标，而是几个需要优先处理的业务问题。分析的价值也从描述变化，进一步走向锁定动因和推动行动。
三个阶段之间存在明确的递进关系，数据业财一体化，让财务能够看到业务发生；报表业财一体化，让业务和管理者能够理解并使用财务数据；分析业财一体化，则让企业沿着指标继续找到问题原因和改进动作。
徐薇说道，对于高增长企业而言，按阶段推进并不意味着只能等待。一些迫切的经营问题，并不一定需要等到完整的数据基座建设完成后再开始。企业可以先通过建模开展应用级分析，快速解决当下问题；与此同时，继续投入数据基座、管理报表和指标体系的中长期能力建设。通过双线并行、滚动推进，让短期应用与长期基础逐步汇合。
结语
AI带来的真正变化，或许不是财务部门多了一种分析工具，而是财务参与企业经营的方式正在发生改变。
过去，财务更多在业务发生之后确认结果；未来，随着业务数据、管理报表和分析能力逐步打通，财务的边界正在从"把账算清楚"，进一步走向"帮助企业把生意想明白"。
当这些能力逐步形成，财务数据呈现的就不再只是收入、成本和库存等结果，而是企业为什么会形成这样的结果，以及接下来应该从哪里调整。最终被重新定义的，不只是财务工作的方式，也是企业理解和管理经营的能力。
想进一步体验 AI+BI 在业务分析中的落地效果，可以从这里开始。
