封面：AI 进财务之前，先问五个问题。到 2026 年，缺 AI-ready 数据的 AI 项目，60% 会被放弃，这是 Gartner 预测，不限于财务*
以下为虚构示例。
周一早会，老板放下手机说：「隔壁公司上了 AI 审单，咱们也上。」财务经理没接话，她在想上周那件事：同一家供应商在系统里有三份档案，挂着两个银行账号，有一笔货款差点付到旧账户上。AI 来了，它认哪一份？
我的看法很直接：AI 进财务，先过数据和规则两关，模型排在后面。另外一句话贯穿全文：AI 能替你干活，不能替你担责。
下面这五个问题，建议在立项会上就摆到桌面上，一问一答过一遍。前两个答不上来，后面三个先别谈。
五个问题总览：前两问是门槛，后三问管落地*
问一：数据底子干不干净？
答：多数企业的数据，没有自己以为的那么干净。
Gartner 在 2025 年 2 月发布的预测说，到 2026 年，缺少 AI-ready 数据支撑的 AI 项目会有 60% 被放弃。这句话要读全：分母是「缺 AI-ready 数据的项目」，不是所有 AI 项目，也不只说财务，是全行业的判断。落到财务上，Gartner 2025 年的财务 AI 调研把数据质量和可得性不足，和数据素养、技术能力不足一起，列为财务 AI 采用的最大障碍。
财务里的「数据底子」，说的是几样很具体的东西：
- 报销：员工档案、费用类型、差标表对不对得上。
- 三单匹配：物料编码、供应商编码在订单、入库、发票上是不是同一套。
- 付款：供应商主数据里的收款银行账号、税号是不是唯一、是不是最新。
- 对账：客户和供应商主档能不能一一对应。
行业里常见的情况是，AI 审单试点第一周匹配失败一大片，业务方觉得「AI 不行」，回头一查，大半是物料编码对不上、一家供应商建了好几份档案。这不怪模型，它只能在你给的数据上干活。
供应商档案还不只是效率问题。AFP 2025 年付款欺诈调查里，冒充供应商的欺诈占 45%（以美国企业为主）。档案和银行账号本身就是攻击面，脏数据等于给冒充者留了缝。
问二：规则谁定，写没写进系统？
答：AI 只能执行写清楚的规则，规则缺了它补不上。
容差放多宽、差标怎么分级、多大金额要谁签，这些规则要有书面负责人，而且要配成系统参数。只存在老会计脑子里的规则，AI 学不到，上线后也没人能验收它做得对不对。
这一点不是新要求。《企业内部控制基本规范》（财会〔2008〕7号）第七条就写了，要促进内部控制流程与信息系统的有机结合，实现对业务和事项的自动控制，减少或消除人为操纵因素。
主流 ERP 也早就这么做。Oracle、SAP 的文档里，容差都是系统参数，可以按数量或金额、百分比或绝对值来设；SAP 的做法是发票超容差可以过账，但会自动冻结付款。金蝶灵基采购付款审核智能体的材料里，也拿单价 ±1% 作为容差示例。规则先变成参数，AI 才有东西可执行。
我的建议是：上 AI 之前，把容差、差标、审批权限三张表拉出来，每一行写上负责人和最近一次修改时间。拉不出来的，先补规则，再谈模型。
问三：AI 能动哪一步，不能动哪一步？
答：AI 能替你干活，不能替你担责。匹配、标异常、出建议交给它；改银行账号、超容差放行、最终付款，留给人，并且留痕。
先看现在大家拿 AI 干什么。
Gartner 2025 年调研：已在财务中实施 AI 的受访者里，知识管理 49%，应付账款流程自动化 37%，错误与异常检测 34%*
Gartner 调研显示，已在财务中用上 AI 的受访者里，最常见的用例是知识管理 49%、应付账款流程自动化 37%、错误与异常检测 34%。都是「处理」和「发现」，不是「拍板」。Gartner 2024 年的预测也说，到 2026 年 90% 的财务部门至少部署一项 AI 技术方案，但不到 10% 会因此减员；同一篇里还提醒，AI 擅长自动化简单决策，遇到不寻常的情况可能得不出好结论。
我会把应付流程分成三档：
应付流程三档权限：AI 自动、AI 建议人确认、AI 不单独动*
- AI 自动：OCR、验真查重、容差内三单匹配。规则清楚，错了能撤回。
- AI 建议，人确认：超容差、疑似重复。AI 把原因标出来，人决定放不放。
- AI 不单独动：改银行账号、首笔付款、最终付款审批。钱和收款人一变就收不回来。
为什么这么分？内控规范第二十九条要求不相容职务分离，第三十条要求重大事项实行集体决策审批或者联签，任何个人不得单独进行决策。规范约束的是人和岗位，没有提 AI；但我的观点是，同样的道理应该类推到 AI：一个 AI 账号不该既录入又放行，更不该一个人说了不算的事，交给一个模型说了算。
问四：出了异常谁兜底，怎么留痕？
答：每类异常都要有一个具体的人、一个时限、一条查得回来的记录。
这一问还是那句话：AI 能替你干活，不能替你担责。AI 标出异常只是开头，后面谁接、多久接、怎么处理，得提前定好。
没人接的异常会一直漏。ACFE 2024 年报告里，开票舞弊占职务舞弊案例的 22%，损失中位数 10 万美元，从开始到被发现的中位时长是 18 个月（全球样本）。银行账号这块更急：FBI IC3 2023 年报统计，美国的商业邮件诈骗（BEC）投诉 21,489 起，报告损失约 29.5 亿美元。据 Insurance Journal 报道，在美国阿灵顿镇一案里，有人冒充承包商改了收款方式，镇政府损失约 44.6万美元。
所以改银行账号这一步，系统层面要做双控：第二个人确认之前，对这家供应商的付款先冻结。SAP 的敏感字段双控就是这个思路；Oracle 文档也写明，银行账号校验结果只供审批参考，不自动阻止付款，最后还得靠人。
[示意图] 异常兜底四步：AI 标异常、推给指定的人、人处置、结果回写，每一步都留记录
留痕要留两样：AI 凭什么标了这个异常，人凭什么这样处置。内控规范第四十七条要求妥善保存相关记录，确保过程可验证。我的理解是，AI 的判断依据也该算进这些记录里，这是我的引申，不是规范原文。
问五：效果拿什么量，上线前有没有基线？
答：先量基线，再上线；别拿「上了几个用例」报功。
Gartner 2026 年 5 月的调研里，63% 的财务组织称 2025 年 AI 实施慢于预期。Gartner 也直说：试点数、上线工具数、投产用例数说明在动，但不能证明 AI 带来了价值。另一份 Gartner 2026 年 9 月的调研提到，应付和应收自动化的回报周期一般九到十个月。第一个季度没看到大变化，不一定是方向错了，要按阶段设指标。
指标我只给定义，不给行业基准，因为我没找到可靠的公开基准数字，你自己的基线比任何行业均值都有用：
- 报销：单据从提交到付款的处理时长、退单率、人工复核占比。
- 三单匹配：一次匹配通过率（不用人工就匹配成功的发票占比）、异常发票平均处理时长。
- 付款：重复付款和误付的发现数、账号变更后首笔付款的人工核实率。
- 对账：自动对平率、未达项平均挂账天数。
口径只有一条：上线前和上线后，同口径、同周期比。没有基线，省了多少工时说不清，风险降没降也说不清。
收尾：五问自检表
[示意图] 五问自检表：立项会上逐条打勾，前两问有一项没勾，先别上线
把这张表带到立项会或供应商方案评审会上，逐条打勾：
- 数据底子：供应商档案做过一次去重，一家供应商只留一份有效档案；物料编码、费用类型、差标表有专人维护。
- 规则入系统：容差、差标、审批权限各有书面负责人，已配成系统参数，改规则要走审批。
- AI 动哪步：写出 AI「不单独动」清单，至少包括改银行账号、超容差放行、首笔和最终付款；AI 账号的权限同样做不相容职务分离。
- 异常兜底：每类异常都有处理人、时限和超时升级路径；AI 依据和人工处置结果在单据上查得到。
- 指标基线：上线前量过基线，上线后同口径对比，按季度复盘。
回到开头那家公司。老板想上 AI 审单没有错，但第一步该做的是把那三份供应商档案合成一份，把两个银行账号里旧的那个停掉，再把容差表拉出来找人签字。这些做完，再请厂商来演示，你会发现自己问的问题完全不一样了。
