洞察 · 业财融合
AI 项目总走弯路，根子在老板没分清这两件事
曾亮 · en+ 数智化 创始人 · 2026-11-07 · 全文 3068 字，建议留 10 分钟
钱花了，系统上线了，报表更快，纪要也能自动生成。可一到要不要给这个客户放宽账期、这一单接不接，还是几个人在会议室里凭经验拍。
一把手最常问：AI 该用来替代重复劳动提效，还是介入不确定性决策？这个问法本身就是弯路的起点——它把两类目标塞进同一个「上不上 AI」的决策框。
更常见的是把 AI 当万能工具，跳过顶层设计直接选型。本文立场：两类目标的差异不在技术难度，而在价值如何被结算、责任由谁承载。一把手要拍的不是模型，是边界怎么划、螺旋怎么转。
一、两类目标：分野不在难度，在结算与责任
第一类，替代规则明确、可度量的确定性重复劳动，目标是提效。第二类，介入信息不全、变量多、跨环节耦合的不确定性决策或复杂业务链路。
两轴判断比二分法更实用：输出能不能被快速校验——可验证性，说白了就是做完能不能立刻判对错；错了兜不兜得住——后果可逆性，是单点能拦住还是沿链条扩散。
| 可验证性 | 后果可逆性 | AI 的位置 |
|---|---|---|
| 高 | 高 | 给答案，可审计、可追溯 |
| 低 | 低 | 只给选项，人保留最终判断 |
| 低 | 不可逆 | 先别碰 |
确定性指验证标准确定，不是任务没有认知难度。公开案例中，哈尔斯的采购 AI 并未替代战略采购，它接管的是「定时跟踪钢材价格、按规则推送建议」这个可审计环节；难的是把经验写成规则。Kodiak Gas 的物料补货代理把事务处理从 15—20 分钟压到 2—3 分钟，效率提升约 87%，释放 43 个全职人力回现场。共同点：输出可快速校验，错误可单点拦截，所以是 ROI（这笔账算不算得清）最可复现的起点。
两张账本的差异，才真正决定项目命运：
| 维度 | 确定性提效 | 不确定性决策 |
|---|---|---|
| 价值可见性 | 当月、局部、成本项改善 | 滞后、系统级，常表现为「没出事」 |
| 结果可归因 | 归因链短，可做前后对照 | 反事实不可观测，采纳带偏差 |
| 责任边界 | 仍归原岗位，AI 是工具 | 判断权让渡，归责单元缺失 |
| 主要卡点 | 流程、接口、使用习惯 | 决策权归属与考核口径 |
归因链，说白了就是功劳算谁的；反事实不可观测，指没被采纳的那条路永远看不到。前两行决定老板会不会继续投钱，后两行决定项目能不能活下来。用同一套尺子验收两类目标，是所有弯路的起点。
二、AI 懂行业，不懂企业现场
不确定性场景为什么难？先看 AI 推理能力的两面。
优势在通用侧：它理解人类通识与行业知识，能把经验、约束与备选路径快速组织成可讨论的选项。有观察指出，单个模型对战略决策的评估可能不一致且有偏，跨提示、角色、模型聚合后的「群体判断」可接近专家水平——它更适合做观点生成与压力测试装置。
劣势在现场侧：它缺乏对具体企业业务与场景的理解。你家的客户算几个、什么算「已回款」、那条例外当年为什么开、谁有权改口径，都不写在公开语料里，模型只能猜。
所以不确定性里很大一块，不是外部世界太乱，而是企业自己的说法没被写下来。这是可治理的不确定，不是固有的不确定。
en+ 数智化 一直讲：业财融合才是中国企业的本体论。 说白了，是给全公司定一本都认的「词典」，让同一个词只有一个定义、一个口径、一个责任人。AI 只能在这层普通话之上工作。 可验证的自检：让销售、财务、运营各写一遍「已回款」的定义；三份不一样，该补的不是模型，是那本词典。
顺序由此确定。en+ 数智化 的判断是：方案是灵魂，工具是载体；先有词典，再有平台，先有方案，再有工具。 顶层设计不是前期的一叠文档，它本身就是第一轮要沉淀的资产。一把手最该投入时间的是这件事，不是选型。
边界也要说清：市场变化、对手动作、人的意图永远收敛不了，那部分就「给选项、人拍板」。把两类不确定混为一谈，要么过度治理，要么过早放弃。
三、把不确定收敛成确定：一个螺旋，不是一次上线
不确定性不是靠更强的模型解决的，而是靠「沉淀 → 优化 → 执行 → 再沉淀」，一圈圈把可验证性生产出来。
① 顶层设计：本体与语义定义，先把话说统一。
② 落地切入点：需求结构化与能力匹配。先写清要什么、按什么口径验收，再看供应商能力对不对得上。
③ 落地载体：AI 辅助执行。先给选项、可校验，输出留审计轨迹。
④ 数据沉淀：每次执行、建议是否被采纳、结果如何，都留成企业自己的记录。
⑤ 反哺定义：用沉淀回来的事实，回头修订口径、规则与例外。
⑥ 再执行：下一圈，「能给答案」的边界向外挪一格。
每转一圈，可验证性是被生产出来的，不是天生缺失的。 这正面回答了「不确定性场景是否天然更难产生可验证价值」：难的是没启动螺旋，不是场景本身。
螺旋也解释了依赖关系错配：最快能证明价值的确定性场景，不会自动沉淀所需的定义、基线与责任共识。只挑最容易省人的环节，转一圈还在原地；把每个确定性项目当成第一圈来做，它才成为入场券。
对照材料的三层分级，可理解为螺旋的阶段：确定性流程做主干、AI 做增强；不确定性场景 AI 辅助、人保留判断；少数规则随情境变化的业务，才用概率性系统的逻辑重构流程与组织。第三层不是「走到就成熟」，它需要另一种治理能力。有观察指出，仅约两成 AI 项目达成预期，「范围界定不当」是主因之一；建立「试点未转入运营即关停」标准的组织，跻身领先组的概率高出约 2.3 倍。跳过前两层直追自主决策，是最贵的弯路。
四、阻力拆解：真正卡住的是决策权真空
不确定性场景阻力更大，且性质发生跃迁。确定性场景的阻力在流程内，项目管理可解；不确定性场景的阻力在结构里，项目管理无权处理。
公开案例中，Salesforce 裁撤约 4000 名客服、让 AI 接管后遭遇困境。表面是模型在长尾需求、多轮升级场景中表现不佳；更根本的是，在没有界定「AI 拥有哪些决策权、在什么条件下、容忍多大不确定性」之前，就把人类判断从回路中整体移除。供应链 AI 试点的失败指向同一诊断：项目启动了，却没定义代理能决定什么。失败的核心不是模型精度，而是决策设计缺位——这是组织决策问题。
阻力分四层：① 技术与数据层，信息不全、口径不一，多数是语义治理欠账的投影；② 流程与考核层，指标按岗位切分、改善却跨环节，收益记在 A 部门、成本落在 B 部门；③ 权责与决策权层（主阻力），引入系统建议后，采纳或没采纳出事各算谁的，制度里没有位置，于是规定「仅供参考、最终由人决定」却不写进流程，AI 被放在既无权、也不担责、也不被记录的位置——永远在试点；④ 认知与合法性层，判断依据从经验转向「模型输出 + 经验」，资深人员经验资本贬值，最不显性却决定前三层能否推动。
另有两条隐蔽弯路。其一，用确定性尺子量不确定性目标：要求当月、单环节、精确到百分比的收益，团队只能把目标收缩成易度量的局部指标；本来想让 AI 帮着拍板，最后交出一堆自动报表——上线成功，价值落空。其二，先做容易的事会锁死组织想象力：第一次让 AI 干省人省钱的活，全公司从此只认它是降本工具，往后涉及判断权的项目都被按降本口径卡住。
处方一句：人拍板 + 建议与采纳留痕 + 事前约定「什么叫改善」。前一句防风险，后两句才让价值可被结算。
五、谁来转这个螺旋：顶层设计、跨界人才与 FDE 陪跑
螺旋不会自己转。它需要的不是更强的模型，是能把定义写下来、把口径谈拢、把责任落到位的人。
这回到一把手最容易忽略的顶层设计与规划：本体、语义与数据定义属于方案层，平台与模型属于工具层。工具可以采购，方案不能外包给供应商；把这件事下放，等于把决策权设计交给卖工具的人。
内部，要培养既懂业务语义、又懂数据与技术的跨界人才。en+ 数智化 讲，财务 BP 与业务骨干是「企业词典的现场编写者」——不是转行，是归位；被替代的不是财务，是搬运。
外部，需要专家 FDE 陪跑：带方法进现场、与甲方共创、能力交接后退出。en+ 数智化 有一条硬判断：陪跑不是代跑，没有退出条件的陪跑，本质上就是长期驻场。 落点是交付词典、口径、规则等语义资产，而非报表看板；甲方能独立跑完一轮，退出条件前置写进方案。否则项目结束之日，就是能力归零之时。
批预算时多问一句：这一轮结束，留在公司里的是一套系统，还是一支能自己修订词典、把螺旋转下去的队伍？
收口：一把手五问
① 输出能不能快速校验？错了兜不兜得住？
② 这次是给答案、给选项，还是先别碰？谁签字、按什么口径认账？
③ 有没有那本统一的词典？顶层设计做在选型之前了吗？
④ 建议采纳与结果留痕了吗？沉淀反哺回定义了吗？
⑤ 项目结束，留下的是系统，还是能自己转螺旋的人？
AI 落地的分水岭，从来不是模型够不够强。是老板肯不肯先把两类目标分清、把顶层设计做扎实，把「谁说了算、出了事算谁的、按什么认账」讲清楚。前一个是技术问题，后一个是权责边界问题与组织能力问题。
一把手在这个地方省下的那半小时，后面往往要用一年补。
en+ 数智化｜让企业数智化转型少走弯路
企业数智化 · 健康体检：3 分钟定位数智化成熟度、数据质量与语义质量短板，survey.enfry.com
关于作者
曾亮 · en+数智化 创始人
加拿大注册会计师（CGA）、Schulich 商学院 MBA，27 年财务与数智化从业经验。主张以业财融合为抓手做数据治理，反对长期驻场外包，坚持把能力留在甲方。
想聊聊你们公司的业财融合怎么起步？
加微信，说清楚你现在的痛点，我们先做一次免费的现状诊断。
微信 / 电话：138 1154 6176 · zengliang@enfry.com