用 AI 做情景分析与滚动预测：CFO 真正会信任的假设情景模拟

把同一个问题在语言模型上跑两遍，你可能得到两个不同的答案。如果你只是让它总结一封邮件，这没什么问题。但如果你问的是：假如一个关键客户延迟 45 天付款、钢材价格上涨 12%，你三月的现金状况会是什么样，这就是一个致命缺陷。

这正是每一个 AI 驱动预测宣传背后那份不动声色的张力。演示本身确实令人印象深刻：用平实的语言输入一个问题，几秒钟内看到上千个假设情景被计算出来，得到一张图表。问题会在你第二次运行它时出现，或者在你的 CFO 问出“给我看看这个数字是怎么算出来的”那一刻出现。一份无法自我复现的预测不是预测，而是一次制作精良的、一次性的幻觉。

好消息是，这份速度是真实的，而且值得拥有。解决方案不是放弃 AI 情景建模，而是精确划分清楚系统中哪一部分负责思考、哪一部分负责数学。

AI 在这里真正擅长什么

情景分析过去一直受限于人力。在电子表格中构建一个新的假设情景，改动三个假设，重新链接公式，检查没有出错，可能要耗费一个下午。所以团队通常只建三个情景：基准、乐观、悲观。而现实的可能性远不止三种。

AI 大幅压缩了这项成本。描述你想调整的驱动因素，比如应收账款周转天数、流失率、某种原材料投入、人员配置时间安排，系统就能生成数十种排列组合，以及一份随实际数据到来而更新的滚动预测。对于流动性规划而言尤其如此，“没问题”和“触发契约违约”之间的差别可能只有几周的时间差，拥有多个情景而不是三个，是真正的升级。这部分承诺是站得住脚的。

问题从来不在于计算的速度，而在于你能否为结果背书。

CFO 不会放弃的两个要求

一份财务负责人真正敢拿到董事会或银行面前的预测，必须跨过两道门槛。大多数 AI 工具默认两道都跨不过去。

必须可复现。 相同的输入，相同的答案，每次都一样。这恰恰是原生 LLM 失败的地方，因为它生成的是看似合理的文本，而不是计算出一个固定的结果。跑两次，得到两个数字，然后你就要解释一个自己都说不清楚的差异。在财务领域，可复现性不是一项奢侈功能，而是入场费；在德国，它还与 GoBD 中的”Nachvollziehbarkeit”（可追溯性）纠缠在一起，即任何数字都必须能被专业第三方追溯。

必须与一个真实成立的基线相连接。 一个情景不过是对一个起点的变换。如果这个起点，也就是你当前的收入、真实的现金状况、已承诺的成本，与总账对不上，那么建立在其上的每一个情景都会朝着同一个方向出错：快、自信，而且是错的。我们在《数据质量胜过模型》一文中给出了这个论证的完整版本，一句话版本是：垃圾基线产生垃圾情景，无论模型多聪明都无济于事。

解决方案：在经核对的模型之上做确定性情景运算

这就是让 AI 预测站得住脚的架构，其核心是一种清晰的分工。

AI 负责理解请求并进行编排。你用平实的语言提问：“如果我们把第三季度的招聘推迟两个月，而我们最大的客户账期滑到净 60 天，跑道期限会怎样？”模型会判断你指的是哪些驱动因素、需要组装哪种情景。这是语言层面的工作，语言模型擅长这个。

计算通过确定性引擎运行，而不是模型本身。 真正的算术运算，即应用延迟的时间安排、重新滚动预测、重新计算现金曲线，发生在一个计算引擎中，对相同的输入，每一次都产生相同的输出。LLM 从不参与数学运算，它把参数交给引擎，再把引擎返回的结果汇报出来。正是这一个设计选择，把“每次运行答案都不同”变成了“随时可复现的结果”。

而这一切都建立在经核对的基线之上，也就是由你所连接的会计和财务数据构建、并与总账对得上的单一财务模型。基准情景不是 AI 记住的一个数字，而是你真实的财务状况，经过与源头核对。

由此带来的成果是，每一个情景数字都能追溯到两样东西：它所出发的、经过验证的基线，以及产生它的、有据可查的计算路径。下周用相同的假设再跑一次，得到的答案不变；交给审计人员，他们也能顺着链条追下去。这就是“一个你能捍卫的数字”和“一个你只能祈祷没人质疑的数字”之间的区别。这与在黑箱 AI 之下保持会计工作 GoBD 可追溯性背后的原则是一致的，具体内容见《AI 记账：在黑箱 AI 之下保持 GoBD 可追溯性》。

诚实的局限所在

这种方法并不能让预测变得正确，它让预测变得可复现、可追溯，这是一个不同的、也更容易实现的主张。你的假设仍然可能是错的。如果你假设流失率是 5%，而实际是 9%，确定性引擎只会忠实地计算出一个错误的答案。你获得的能力，是能够精确看清是哪个假设驱动了结果，改动它，再重新运行，而不是纠结于工具的数学到底算得对不对。

这也带来了纪律成本。经核对的基线意味着与你会计数据的上游连接必须持续维护，而不是设置一次就搁置不管。这确实是实实在在的工作，但这项工作你原本就在电子表格里做得很糟糕；在这里，它只需做一次，就能在每一个情景中复用。

结论

AI 情景分析值得采用，能够建模数十个假设情景、并自动滚动更新预测，相比基准/乐观/悲观的老套仪式，是真正的进步。但没有可复现性的速度是一个陷阱，而可复现性来自架构，而不是一个更好的提示词。把数学放进确定性引擎，把一切都锚定在经核对的基线上，其上的 AI 就会变成一个 CFO 愿意签字认可的东西。

本文是我们“面向德国团队的 AI 财务：符合 GoBD 与 AI 法案要求的模型”主题的一部分，参见主题页面。如果你想看看确定性情景如何基于你自己经核对的数字运行，请预约演示。