总结
数据机遇与挑战：现状分析
- 战略驱动因素：业务战略和合规要求是财务部门数据需求变化的主要驱动力。财务部门正从回顾性报告引擎转变为更主动的战略合作伙伴，需要整合更广泛、更多样化的数据，包括运营、市场、环境、社会和治理（ESG）等数据流。
- 数据访问扩展：财务部门正在利用更多实时运营数据（过去两年中超过60%的团队增加了使用量）和内部文本数据（例如会议记录、合同、 transcript，使用率40%）。公开数据源（例如政府统计数据、网站和社交媒体）也日益普遍，用于补充内部财务记录，创建更完整的组织绩效图景。
- 数据整合障碍：数据质量（42%）、缺乏适当技能（42%）和整合多个数据源困难（40%）是数据整合的主要障碍。数据质量问题对人工智能（AI）的雄心构成最大威胁，因为人工智能模型无法容忍低质量数据。
- 应对策略：财务领导者应将数据战略与业务目标相结合，积极整合非财务数据，倡导数据谱系和准确性，释放非结构化数据的价值，确保数据相关性，定义数据的“什么、为什么和如何”，倡导数据治理和治理，优先考虑数据互操作性。
人工智能如何改变财务报告和洞察力交付
- 人工智能作为分析进步的引擎：人工智能正在改变财务执行分析的方法，包括描述性（发生了什么）、诊断性（为什么发生）、预测性（会发生什么）和规范性（如何实现）分析。
- 增强日常工作：嵌入式人工智能和代理的兴起：人工智能能力正越来越多地编织到财务专业人士依赖的日常应用程序中，主要通过对话式助手（例如 Microsoft 365、Copilot）和嵌入在其他软件解决方案中的生成式人工智能（GenAI）。
- 整合不同类型的AI：人工智能正在从特定的分析工具发展到更通用的嵌入式辅助工具，成为一种普遍的生产力层。不同类型的AI可以结合使用，例如预测分析和机器学习（ML）可以作为基础层，生成信号、风险评分、异常值和预测，而GenAI则有助于解释这些信号，解释差异，并为利益相关者增强见解。
- 应对策略：财务领导者应积极探索和试点现有软件生态系统中的嵌入式GenAI功能，以增强日常任务并提高个人生产力；投资定制解决方案，利用预测和生成能力解决特定的财务挑战；专注于价值创造，将每个AI部署与准确性和速度或战略影响的可衡量改进联系起来；重新构想工作流程，确定GenAI或代理可以支持初步起草、总结或数据分析的机会，让人类专业知识专注于验证和战略解释；优先考虑无缝集成，集中精力开发能够将来自ERP系统和外部来源的分散数据拼接在一起的解决方案；优先考虑“人类在回路”设计，在追求更大自动化时，确保人类监督和验证机制仍然处于核心地位；专注于AI工作流程，应用结合不同类型AI力量的工作流程，可能比AI代理或纯代理系统提供更高的可靠性和可审计性。
财务可以支持负责任的AI采用并增加对可信洞察力的访问
- 财务拥有端到端愿景：财务部门是少数能够端到端了解整个组织的部门之一，可以利用这一优势来支持人工智能和数据计划。
- CFO负责设定人工智能采用的基调：CFO在确保人工智能目标与组织的战略方向相一致、确保数据的相关性和可审计性方面发挥着至关重要的作用。
- 建立信任是财务和内部审计的优势：财务专业人士可以利用他们在现有专业领域内的专业知识，与技术和其他团队合作，建立对人工智能的信任。
- 财务可以帮助确立人工智能的期望并管理风险：财务部门需要确保人工智能计划是可信的、合乎道德的，并战略上与组织保持一致。
- 应对策略：财务领导者应将财务部门定位为反映整个企业人工智能计划的关键参与者，帮助确定和预算数据基础、评估和治理；嵌入价值实现，确保每个AI项目都有明确、可衡量的业务目标和一个持续跟踪ROI的机制；适应“三条线”方法，CFO可以支持跨组织明确角色和职责，确保协作同时保持职能独立性；倡导人工智能治理作为能力增强器，将人工智能治理作为现有实践的延伸，建立透明度和问责制；要求透明度和可审计性，每个AI计划都必须有一个记录在案的、有责任的业务所有者，可以为其数据完整性、逻辑和预期范围内的持续监督进行辩护；设定现实期望，清楚地传达人工智能的当前能力和局限性，专注于增强而不是完全自动化；设计有意的工作流程，在部署人工智能时，仔细重新设计工作流程，考虑用户角色从生产到评估的可能转变，并避免不必要的变化任务顺序或新的审查点。
解决技能差距以满足新的责任并改善协作
- 我们是否精通最关键的技能：财务专业人士在编程、自然语言处理、区块链、机器学习或API集成等几个技术领域报告的基本经验或没有经验，这些技能应该是更大的合作重点。更令人担忧的是，72%的受访者还报告了较低的GenAI技能水平。
- 软技能是GenAI和AI代理成功的关键：除了技术能力外，负责任地使用GenAI还依赖于一套关键的软技能，这些技能超越了传统的沟通和讲故事能力，包括批判性思维和怀疑验证、减轻认知偏见、减轻认知偏见、减轻认知偏见、减轻认知偏见、减轻认知偏见。
- 财务专业人士正在看到新的责任和技能需求的出现：随着数据和人工智能成为组织战略的核心，财务部门越来越多地与数据科学和IT团队合作，在某些情况下，直接向CFO报告。
- 应对策略：培养协作能力，强调培训，使财务专业人士能够有效地与IT和数据科学团队合作，而不是试图将会计师变成数据科学家；建立现有优势，利用财务部门强大的沟通和讲故事能力，通过更深入的技术理解来有效地呈现人工智能洞察力；优先考虑人工智能限制的培训，实施培训计划，不仅教授如何使用人工智能，还强调其局限性、潜在偏见，以及人类批判性思维和判断的至关重要性；优先考虑批判性思维培训，嵌入培训计划，专门培养在人工智能使用背景下批判性思维、怀疑验证和道德推理；教育认知偏见，培训财务专业人士识别和减轻人工智能可以放大的认知偏见，确保他们挑战人工智能输出，而不是盲目接受；培养探究文化，鼓励好奇心和主动的怀疑，赋予团队质疑人工智能信息并要求证据的权力；利用实用工具，实施资源，如GenAI清单，以指导个人反思和验证人工智能输出。
技能提升也是风险缓解
- 财务专业人士担心人工智能生成信息的完整性和可验证性：财务专业人士对人工智能生成输出的完整性和可验证性深感担忧，而不是自动化取代工作。技能熟练程度与在人工智能带来的挑战面前管理这些挑战的信心之间存在直接、积极的关系。
- 能力的力量：建立信心和减轻风险：上技能应被视为财务风险管理策略中的一个关键控制机制。
- 需要更多正式的技能提升支持：财务部门不能使用DIY学习模式来弥补现有的技能差距。依赖员工在自己的时间里自己上技能存在战略风险。
- 应对策略：培养问责文化，重申财务专业人士最终对如何使用人工智能及其生成的输出负有责任，培养持续审查和判断的文化；将学习与风险管理相结合，将学习和发展视为关键控制机制——战略投资于技能发展（例如GenAI素养、预测分析）以减轻与人工智能相关的风险；培养“边做边学”的文化，提供指导，在部署人工智能时，仔细重新设计工作流程，考虑用户角色从生产到评估的可能转变，并避免不必要的变化任务顺序或新的审查点；转向主动学习设计，财务领导层必须从对上技能的被动支持转向主动设计和资助与战略数据人工智能优先事项相一致的正式学习计划；将学习与用例联系起来，将培训重点放在与财务相关的实际人工智能用例上，使专业人士能够了解如何将新技术应用于特定的业务问题；分配专用资源，确保预算和专用时间为持续学习和专业发展提供数据、分析和人工智能。
结论和建议
财务部门正经历一场深刻的转型，由数据的指数级增长和人工智能的颠覆性力量推动。这不仅仅是一场技术转变，而是财务创造价值、管理风险和提供战略领导方式的根本性演变。为了在这个不断发展的环境中蓬勃发展，并真正实现洞察力的未来，CFO和财务领导者必须承担起积极的、架构性的角色。这包括战略投资、有意的能力发展，以及对治理和批判性判断的坚定承诺。
关键建议：
- 投资数据基础作为人工智能的基石：优先考虑数据质量和治理；进行彻底透明的数据工作；倡导互操作性。
- 倡导人工智能治理并衡量有形的ROI：定义业务问题，衡量预期回报；设计有意的学习提升计划；加强财务数据/IT合作；领导负责任的AI采用。
- 积极发展财务演变的批判性能力：从“执行者”转变为“使能者”；专注于批判性思维和怀疑验证。
