95% 问题:MIT 的生成式 AI 鸿沟对财务意味着什么

近一年来，有一个数字在董事会材料中反复出现:95% 的企业生成式 AI 试点项目没有产生可衡量的回报。这个数据来自 MIT NANDA 计划一份 2025 年的报告，名为《生成式 AI 鸿沟:商业中的 AI 现状》。研究人员考察了数百个部署案例，发现绝大多数从未真正撬动损益表中的任何一行，只有极少数做到了。

这个统计数字常被用来为谨慎态度辩护，或者被当作笑谈。两者都错过了重点。真正有意思的问题不是为什么 95% 失败了，而是另外那 5% 做对了什么。而在财务领域，答案让人有些不舒服，因为它几乎与你选了哪个模型无关。

这道鸿沟不在于模型质量

当一个财务团队的 AI 试点项目失败时，复盘往往会归咎于错误的原因。“模型不够聪明。”“出现了幻觉。”“我们需要 GPT-5,而不是 GPT-4。”于是团队等待下一个版本发布，在更好的模型上重跑同一个试点，得到同样令人失望的结果。模型从来都不是瓶颈所在。

MIT 的框架指出，这道鸿沟存在于工具和工作流之间。通用型聊天助手很容易被采纳，因为它们容错性高，写封邮件、总结一份文档，即便有点偏差也无伤大雅。但那些真正要承担实际运营工作、其输出直接影响决策的系统，却常常卡住。它们无法保留上下文，不能融入团队真实的工作方式，更关键的是，没有人能信任其输出到可以直接采信、而不必逐项手动复核的程度。到了这一步,AI 到底节省了什么?

在财务领域，信任问题比几乎任何其他领域都更尖锐。一份“大体正确”的摘要放在会议纪要里没问题;一个“大体正确”的毛利率，放进董事会材料里就是一个错误的数字，而且署名是你的。

财务领域失败的原因不同

在财务之外，失败的常见模式是工作流摩擦。而在财务内部，底下还藏着一个更具体的障碍:AI 所依据的数据本身就从未真正可信过。

不妨走一遍实际发生的过程。团队把某个 AI 工具指向 QuickBooks 或 NetSuite 的数据，或者上传几份导出文件，然后开始提问。会计系统说的是一回事,CRM 对同一批客户又说了另一回事。上个月的董事会材料里，营收数字还有第三个版本，因为有人在一份从未回写到总账的电子表格里做了手动调整。AI 对这一切一无所知，它自信地对这团乱局取平均，然后给出一个对不上任何东西的答案。

这不是模型的缺陷，而是模型忠实继承下来的数据缺陷。FP&A 团队对这种痛苦再熟悉不过了，一次又一次的调查发现，分析师每周有相当大一部分时间，往往接近三分之一到近一半，都花在了任何分析开始之前的数据收集和核对上。正是那种手动核对的工作，才让一个数字变得可信。省略这一步,AI 就会变得又快又错，而不是又慢又对。

所以，财务领域实现 AI 投资回报的真正前提，并不是更好的模型，而是一个经过核对的单一数据源:一个数字真正能与总账对齐的财务模型，在 AI 接触它之前就已经建立好。这正是为什么可信赖的财务 AI 需要底层的核对模型这一问题的核心所在。

成功的那 5% 有什么共同点

剥去炒作，那些真正奏效的部署项目有一个平淡无奇的共同特征:它们是有依据的。AI 不是在一堆文档上自由联想，而是从一个明确的、受治理的数据源中检索，使用者也能清楚看到每个答案的来源。

这就是全部关键所在。有依据的检索，把一个听起来合理的系统变成了一个真正站得住脚的系统。当财务主管可以点击一个数字并追溯到源交易时,AI 就不再是负担，而是杠杆。当他们做不到这一点时，每一项输出都需要人工审计，生产力方面的收益也随之崩塌:你增加了一个步骤，而不是省掉了一个步骤。

这里还有一个相关的陷阱值得指出。即便有了良好的依据，让语言模型去计算答案仍然会重新引入误差，因为大语言模型在算术上确实很不擅长(具体机理我们在为什么 AI 会算错财务数字中有详细展开)。正确的做法是让 AI 负责检索和解读，而把真正的计算交给一个确定性引擎。检索为输入提供依据，引擎则保证计算的正确性。二者缺一不可。

按顺序，如何跻身那 5%

如果你是一位 CFO,正在决定今年的 AI 预算会不会重演去年的失望，那么顺序比工具选择更重要。大致如下:

• 先做核对。 建立一个模型，让营收、利润和现金在所有已连接的数据源之间都能与总账对齐。任何你不敢签字确认的数字，都不值得在其上运行 AI 步骤。
• 让 AI 以该模型为依据,而不是以原始导出数据或一堆文档为依据。AI 应该从已核对的数据源中检索，每一个数字都能追溯回它的出处。
• 把计算交给确定性层。 让模型来决定要计算什么,让一个真正的引擎来完成计算，这样同一个问题每次都会得到同一个答案。
• 然后再自动化。 一旦你信任了这些数字以及得出它们的路径，再扩展到报表、差异分析和情景模拟。自动化是信任的回报，而不是信任的替代品。

大多数失败的试点项目把这个顺序反了过来。它们先做自动化，发现数字靠不住，然后悄悄关停。那 95% 并不是对 AI 的判决，而是对从错误的地方起步的判决。

结论

MIT 并没有证明 AI 在财务领域行不通，它证明的是，建立在未经核对数据之上的 AI 行不通，而这一点任何一位财务主管本来都能免费告诉你。模型如今已是一种商品化的东西，而其底层那个经过核对、可追溯的财务层，才是真正困难、也真正决定你落在鸿沟哪一侧的部分。

如果你希望下一个 AI 项目跻身那 5%,那第一步、也是最不起眼的一步，就是把数字修正好。这正是 Rexfin 要做的事。预约演示,我们会展示当每一个数字都能追溯回源头时,AI 是什么样子。