11月11日，由TMT研究院与ACCA联合发起的《从数字化到AI》系列内容第三期上线。本期嘉宾为得物高级财务总监瞿孜文与绿城中国数字化建设中心总经理补声东，分别从财务场景与集团统筹两个维度，分享了企业推进AI应用落地的实践路径与关键挑战。
两家企业的AI推进策略呈现明显差异。绿城中国采取自上而下的路径，先完成集团层面的AI规划，再由各部门结合业务形成具体方案；得物则由财务部门先行探索，以经营分析和管理报表为切入点，随后扩展至费用审核、合同审核、现金对账等场景，公司层面的统筹管理逐步跟进。瞿孜文表示，经营分析已有相对稳定的分析逻辑、方法和数据集，为AI项目提供了可着手验证的基础。补声东则介绍，绿城在筛选项目时综合考量经营价值、数据与流程成熟度、实施复杂度及风险可控性，数据口径未统一或组织流程未就绪时，需先完成预研再判断是否进入试点。
数据治理被两家企业视为AI建设的基础环节。得物在建设财务AI应用时遇到系统与数据相互隔离的问题，一笔订单从下单到商家结算的记录分布在不同的系统模块中，数据入仓后还需梳理来源、版本、口径定义、业务语义及上下游使用关系。瞿孜文指出，这部分工作占用了很长时间，且大模型虽具备通用知识，但缺乏企业自身的业务知识。绿城则面临非结构化数据挑战，同一项目在不同文件中名称不一，客户信息分散在来访录音、销售系统和服务记录中，需通过主数据、标签和关联关系治理实现有效检索。补声东还提到，数据质量与考核方式相关，部分员工因担心修改历史错误影响考核而不愿纠正数据，团队随后调整安排允许集中处理已发现问题。
在AI输出可信度方面，得物对能够固化的计算逻辑直接交由系统执行，需模型辅助处理数据时则生成Python代码由程序完成计算，知识库回答要求给出规则来源并定位到具体章节段落。同时采用多智能体交叉检验设计，由第二个智能体检查前一个智能体调用的数据来源、采用的规则及结论依据。瞿孜文介绍，该机制仍需与风险分级结合：资金等高风险场景的AI产出必须经人工复核，中风险场景设置交叉检查、异常转人工和内审抽查。绿城正在推进更细的来源追溯技术预研，可将回答定位到原始文档具体章节和段落，准备进入试点。
两家企业均强调上线后的持续运营与评测机制。补声东表示，用户提问会随使用深入而趋于复杂，原有测试未必能反映实际效果，测试集需纳入线上错误及已知易出错的挑战性问题，评测覆盖任务分派准确性、答案质量、权限、安全合规、实用性和响应表现。得物则在知识新增或规则变化时重新测试并安排定期测试，同时整理财务常用专业表达作为检索辅助。价值衡量方面，补声东将其分为处理能力提升、管理改善和经营贡献三个层面，分别对应信息覆盖与响应时效、风险发现与跨部门响应、成本与现金流等财务可验证结果。
在组织协作上，得物安排数据BP与财务共同工作，财务提供真实工作场景并判断业务价值，技术团队支持知识库建设与检索优化。绿城则将协作归纳为“三方共治”——业务牵引、技术保障、财务验证，建设过程强调数字化团队、总部职能部门与一线人员共同参与的“三方共建”。补声东表示，AI必须走到业务里面去，而不只是走在管控里面。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
