1500万美元的教训:一个幻觉数字如何毁掉一笔交易

Term sheet 已经签署，法务正在起草成交文件，汇款原本应该在周四到账。

周一，领投基金的一名助理用 AI 助手过了一遍公司的数据室，想为合伙人会议整理一份最终的指标摘要。它把标注为“Q4 经常性收入”的一行数字当成年度数字来读，并在此基础上算出了 ARR。模型给出的结果大约是公司真实运行速率的四倍。增长看起来好得不真实，利润率也高得离谱。一直力推这笔交易的合伙人拿到的摘要，与团队两个月前搭建的模型对不上，一时间没人能立刻说清哪个数字才是对的。

正是那个空档期，也就是几个小时内没人能自信地说出哪个数字正确的那段时间，才是这笔交易真正的死因。不是虚高的数字本身，而是它无法快速追溯到源头以自证清白。

这家公司是虚构的合成案例，但机制是真实的。一个季度数字被当成年度数字读取，会让某项指标恰好虚高 400%,而这种具体的失败模式已经在真实报告中出现过。一个被广泛引用的案例中，一份 AI 生成的预测把季度收入误认为年度数字，使核心指标虚高 400%,并促成一笔融资在成交前几天崩盘。如果你曾眼见一笔交易因为对账问题而告吹，你就会知道这种情况有多可信。

为什么尽职调查是幻觉最不该出现的地方

大多数 AI 错误是可以补救的。发现错误数字，改正它，然后继续推进。但尽职调查不一样，它运转的基础是信任，而信任是不对称的:建立需要数月，毁掉只需要一个错误数字。

当基金分析师发现一个对不上账的数字时，他们不会认为这只是一次无心的工具错误。他们会认定这家公司的建模粗糙，或者更糟，怀疑有人动过手脚。讨论的焦点会从“你们的增长有多快”转变为“这份数据室里的东西还能不能信”。在流程的这个阶段，这样的转变是致命的。你没有机会在汇款前三天重新赢得信任。

SaaS 领域还存在一个二阶问题。ARR 本身就是一个模糊的术语。有人用它指代已签约的年度经常性收入，也有人用它指代年化运行速率，也就是把最近一个周期的数字外推到十二个月。创始人和投资人会把某个季度、某个月，甚至某一周的强劲表现年化，然后统统称之为 ARR。这种模糊性是有据可查的，并且随着 AI 创业热潮中虚高 ARR 说法引发关注，正受到越来越多的审视。而一个被塞进数据室的 LLM 并不会消解这种模糊性，它只会挑一种解读，以十足的自信陈述出来，然后继续往下走。这种自信，正是最危险的部分。

问题不在数字本身，而在数字的来源链

对任何在财务数据上运行 AI 的人来说，一个不太舒服的真相是:模型并没有“撒谎”。它只是匹配了一个标签，对时间周期做出了一个听起来合理的猜测，然后生成了流畅的输出。据报告，在不受约束的财务场景中，幻觉率大致在 15% 到 25% 之间，具体取决于任务类型和数据支撑，而失败恰恰集中在上下文缺失的地方。一个标注为“Q4 经常性收入”的单元格，需要知道这究竟是一个季度数字还是年化数字，是否已经扣除流失，是否与账本一致。抽掉这些上下文，得到的就是一个自信满满的错误答案。

所以解决方案不是“用一个更聪明的模型”。再聪明的模型也无法知道这个季度单元格不应该被年化，因为这个信息不存在于文本之中，它存在于财务数据的结构之中。真正的解决方案，是把 AI 架在一个每个数字都自带含义和来源的模型之上。

这正是财务数据中的 AI 幻觉这个专题的核心论点:对抗虚构数字的持久防线，是建立在已对账模型之上的扎根，而不是更好的提示词。

一份经得起推敲的数据室究竟需要什么

如果那名助理当时使用的数字能够追溯到源头，周一的情况会完全不同。要么那个 4 倍的错误数字根本不会出现，因为周期口径早已明确定义;要么它出现了，但配有一键回溯到底层账本条目的路径，分歧几分钟内就能解决，而不会变成一个无解的问题。

三个特性使这一切成为可能。

• 一个已对账的唯一真相来源。 一份能与账本对平的财务模型，使“Q4 经常性收入”只有一种含义,AI 无法悄悄地重新解读它。这正是 Rexfin 在任何 AI 触碰数据之前，从你的会计平台或上传的报表中构建出来的东西。
• 确定性计算，而非 LLM 算术。 指标的计算应当经过一个固定的引擎，而不是由语言模型逐个 token 地猜测。这样得到的数字是可复现的:问两次，答案一样。这也是为什么“直接用代码解释器”并不能让 AI 在财务上变得安全本身并不足够，输入数据仍然必须正确。
• 单元格到源头的可追溯性。 AI 报告的每一个数字都应链接到背后的文档、条目和计算路径。当合伙人问“这个数字从哪来”时，你能在几秒钟内给出答案。这项能力正是为财务领域的 AI 构建审计轨迹一文的主题，也正是上述故事中缺失的东西。

这一切并不会让模型本身变得更诚实，而是改变了模型被允许接触的东西。AI 检索经过验证的数字，并针对确定性引擎运行计算，因此最坏的输出结果是“我没有这个数据”,而不是一个包着漂亮图表外衣、自信满满的 4 倍错误。

更大的利害关系

融资只是最尖锐的一角，同样的风险贯穿董事会材料、贷款方报告和契约条款计算。任何一个数字带着你的名字离开你公司大门的地方，一个没有扎根依据的 AI 都是你要亲自签字承担的负债。可靠的财务建模层的意义，就在于让数字在 AI 开口之前就已经值得信赖。

那笔失败的 B 轮融资留下的严酷教训，不是“AI 对财务来说风险太高”,而是 AI 继承了它底层数据的可信度，而一个未经对账的数据室，等于把一道陷阱题递给了 AI。给它一份已对账的模型和可追溯的数字，那种自信却错误的答案基本上就不再可能出现。

如果你希望 AI 报告的每一个数字在到达投资人手中之前都能追溯到源头,预约演示,我们会向你展示底层那份已对账的模型。