我与每位营收超过十亿的 CFO 交谈时，他们都在 AI 领域面临两个方面的挑战：
横向助手：为组织中的每位员工提供 Microsoft Copilot 或 Claude Cowork。问题在于，每个员工都会创建 3 个 Agent，彼此之间互不协作，三个月后你就在 token 上花费了 300 万美元，其中 80% 的 Agent 要么已经废弃，要么在生产环境中不断出问题。你最终得到的是 300 万美元的 token 账单，以及一堆无人维护的技术债务。
点状解决方案：为应付账款引入一个软件，为结账引入另一个软件，为费用管理再引入一个。这行不通，因为为所有人设计的软件并不适合你。它不理解你的 AP 流程有 7 步，而不是 4 步，也不理解你的异常处理逻辑。结果就是，你的员工要么不用它，要么用了但 ROI 低于 15%。更糟的是，员工抱怨新软件与旧的工作方式不同，一半人觉得这是在降级。简直是噩梦。
我的工作是帮助 CFO 理解这两种方案的合理组合。横向助手确实有存在的必要，但它服务于不同的目的。员工仍然有工作要做，这个助手是帮助一个员工完成十个人的工作量。但你忽略了更大的图景：后台 Agent 可以在完全不需要员工提示或使用的情况下自动完成工作。想象一下，有一个 Agent，能在一张发票到达的瞬间读取它，匹配到正确的采购订单，然后要么直接清账，要么把那张异常发票转给唯一需要做决定的人——所有这些都在你的团队打开电脑之前完成。还有一个 Agent，每天早上把昨天的银行活动与账本核对，这样月结在月底开始前就基本完成了。还有一个 Agent，自动追讨供应商缺失的 W-9 表格或逾期付款，这样你团队里再也不用有人写这类邮件了。没有人去提示这些 Agent，它们就在后台运行，等你出现时，工作已经完成了。
介绍一下背景，我运营着 Varick Agents（@varickagents）。我们嵌入企业财务团队，在他们已有的工具内部部署 AI Agent。财务领域是我们看到效果最快、最可量化的地方，因为工作重复性强、流程定义清晰，而且手动版本的成本很容易量化。
本文的目标是向你展示我们如何在多家公司大规模实现这一目标，我们学到的需要避免的陷阱，以及我们如何衡量最终的成功。额外福利：我们如何确保每年不在 token 上花费数百万美元，以及如何将幻觉率降至接近零。作为参考，我们将一个客户的月结时间从 12 天缩短到了 5 天，同时将错误率降低了 72%。价值捕获每年高达 4500 万美元，是收入提升、成本节约和风险降低的综合结果。每次都是同样的策略，即使最终得到的 Agent 截然不同（这也是点状解决方案软件行不通的原因）。
财务领域 AI 的失败率很高
在讲方法之前，先快速看一下数据。财务团队当前状态与理想状态之间的差距很大，但 AI 目前的结果相当糟糕。
- Gartner 调查了 183 位财务领导者，84% 已经实施或计划实施 AI，但只有 7% 报告了高影响力。
- MIT 的 NANDA 小组研究了 300 个部署案例，发现 95% 的企业级生成式 AI 试点项目没有为 P&L 带来可衡量的回报。
- Gartner 预计，到 2027 年底，超过 40% 的 Agentic AI 项目将因成本、价值不明确和风险控制薄弱而被取消。
所以当我说大部分项目都会失败时，我引用的就是这些数据。下面我会告诉你原因，但作为对比，Varick 在财务部门的所有实施都已成功部署到生产环境，并带来了可衡量的正向 ROI（平均为 5.5 倍）。
再看看具体工作：
- 三分之二的发票仍然需要至少一个人工处理。只有三分之一能完全直通处理（Ardent Partners，2025）。在我们合作过的客户中，每张发票在完全处理前通常需要 3 个或更多人经手。
- 一张手动发票的端到端处理成本为 12.42 美元。
- 一半的财务团队需要一周以上才能结账（Ledge，2025），其中 94% 的团队在结账过程中仍然依赖 Excel。
- 14% 的发票被标记为异常，而异常是 AP 中最常被提及的痛点。这是我最想引起注意的数据。你的异常情况与下一家公司不同，这意味着没有通用的 SaaS 或产品能按照你需要的方式解决这个巨大的痛点。财务职能对定制软件的需求从未如此之高，而幸运的是，AI 正好是解锁这一需求的关键。
这些都已经不再是技术问题，而是工作流程问题和人工粘合剂问题。我将在下面更详细地强调这一区别。
为什么横向助手（Claude Cowork、Microsoft Copilot）会失败
即使我们忽略 token 账单（每季度数百万），更大的问题是，即使是前沿模型，在大多数情况下也无法正确完成财务工作。当前沿模型（Fable、Opus、GPT 5.5 等）今年被用于处理 900 多个真实的财务分析师任务时，表现最好的模型准确率也只有 52%（Vals AI）。另一项研究在真实的会计科目表上测试了 19 个模型，最高准确率为 66%（DualEntry）。在财务职能中，这样的准确率是灾难性的。就连微软自己的文档也建议不要将 Excel Copilot 用于数值计算或任何涉及合规性的事务，这很讽刺，因为他们首先把 AI 放进了你的电子表格中。
幻觉不仅仅意味着邮件中的拼写错误。如果你的 AI 幻觉出一个供应商，或者搞砸了公司间抵消，那就是真金白银的损失，需要被发现和纠正。缺乏可审计性也是一个巨大的问题。"AI 说的"在 SOX 审计师那里是行不通的。
你的 AI Agent 需要被设置护栏和权限，这样它只能执行你允许的精确操作，这些操作是通过全面的 AI 审计确定的。每个任务进一步被分解为最确定的状态，这样模型只决定那些需要判断的少数步骤，而不是端到端地决定一切。这样准确率就能保持在 97% 以上，并且 Agent 的痕迹可以呈现给审计师和管理层。
为什么更多的点状解决方案会让情况更糟
所以你跳过了通用型，购买了十几个专业型：来自 Ramp、Brex 和 Bill 的 AP Agent，来自 HighRadius 的催收 Agent，来自 BlackLine 和 FloQast 的结账 Agent，所有这些都塞进由 SAP 和 Workday 驱动的 ERP 中，再加上一个全新的 AI 原生 ERP。你明白我的意思了吗？AI 本应是你最终摆脱 20 个不同软件供应商（每个都做不同的事）的理由。你需要一个跨越现有系统的单一视图。这些系统已经拥有 Agent 在其上运行所需的一切，不需要新的平台。相反，我看到 CFO 们遗憾地引入了更多的软件许可，更多的员工需要登录和跟踪的界面，最终几乎没有任何效率提升。
什么才是有效的
所有有效的财务部门部署都遵循相同的理念：一个位于你现有软件之上和之间的层，而不是另一个让你的团队登录的工具。它从你的软件（如 NetSuite、Bill 和 Workday）中读取数据，在它们之间移动数据，并像你的团队一样完成工作。在需要协助的地方，它会标记修改供你的团队调整。
这样做，你增强的是操作者，而不是任务。现在，你的工具各自自动化了工作的一部分，但没有人自动化中间的那个人——那个人正在从一个屏幕复制数字到另一个屏幕，检查两个数字是否匹配，不匹配时发送跟进邮件，无人回复时升级处理。这个人就是粘合剂，而粘合剂是所有价值的所在：周期时间缩短意味着节省时间，产生更多收入，速度更快。
如果我们把这个例子带回到异常情况：想象一张没有采购订单的发票。现在，AP 分析师必须弄清楚是谁订购的，然后通过筛选收件箱找到正确的 PO，匹配它，最后才能推动处理。异常情况比你想象的更常见；这种情况每个月发生数百次。
然而，有了统一的 Agent 层，AI 在异常到达的瞬间就能捕获它，然后按供应商、金额、日期搜索 PO 系统，最后自行清除干净的匹配项，就像你的分析师做的那样。当 Agent 不确定时，它会将最可能的两个 PO 通过 Slack 发送给分析师，要求他们确定哪个是正确的。15 分钟的挖掘时间变成了 30 秒的是或否，而且所有信息都已提前呈现。同样的模式也发生在银行对账、公司间抵消、W-9 追讨、付款状态邮件和审计师的 PBC 清单中。
如何在实际中实施这个系统
我们每次做五件事：
- 前方部署工程师嵌入你的部门，从头到尾绘制每个流程。文档化的流程和 SOP 很少能反映现实，而现实是人们的实际做法。例如："当出现问题，我先查这个电子表格"和"我直接给 Sarah 发邮件，因为警报已经坏了 3 年了。"一个真实的例子："SOP 说发票在系统中与 PO 匹配。"但实际上，它们是在系统中匹配的，除非 PO 从未创建，在这种情况下，Brittany 会给部门主管发邮件申请追溯创建，除非金额低于 500 美元，这种情况下她会将其编码到部门的通用费用行并标记为待处理。如果你仅仅基于 SOP 构建 Agent，它们第一次遇到 Brittany 的情况就会出问题，而这恰好是生产环境的第一天。这就是为什么与员工一起观察他们工作的方式极其重要。这是服务（咨询）和软件（开发）之间的桥梁，同时也是成功部署 Agent 和毫无头绪、立即失败之间的区别。
- 在他们已有的工具内部构建。Agent 像新员工一样运行 NetSuite、SAP 或 BlackLine，登录、点击相同的界面、访问相同的 API。你团队中没有人需要学习新的界面，人们唯一注意到的是堆积的工作变少了，异常处理更快了，月结时间缩短了。
- 构建做实际工作的 Agent，而不是仪表盘。大多数"AI for finance"不过是伪装成 Agent 的分析工具。不要落入这个陷阱。监控和报告是驱动它们的 Agent 行为的结果。是的，在构建前衡量 KPI 有助于查看你是否真的在推动变革。但如果你的产出是仪表盘或聊天机器人，而不是后台 Agent，你就把效率留在了桌面上。不要把几个月的时间花在相当于花哨的报告软件上。
- 仅在需要真正的判断时升级，并设置一个随时间的推移而改进的置信度门控。目标是把你团队手上 70% 到 85% 的纯模式匹配工作拿掉，这样他们的时间就只留给高杠杆、高判断力的决策。同时，每次他们对 Agent 的行为做出响应（批准、编辑或拒绝），这都会训练 Agent，使准确率每周提升，而不是停滞不前，甚至更糟——倒退。这就是 AI 工程的关键所在；你的框架可能决定一个系统是持续改进还是逐渐失效。
- 从第一天起就为整个部门设计。这是企业级 Agent 实施中最容易被忽视的方面。想象一下，每个操作者拿起一个 vibe 编码工具，只为自己的角落构建一个 Agent，但它无法扩展到自己的工作之外。这忽略了更大的图景。通常，他们的瓶颈位于上游。但上游团队构建了自己的 Agent，却不与下游的 Agent 沟通。很快你就会拥有几十个 Agent，各自孤立在自己的活动中，没有沟通，只有整个组织的技术债务。相反，要绘制整个组织的地图，理解谁是谁的瓶颈，并以此为基础进行构建。
避免失控的 token 支出和 Agent 幻觉
如何不把数百万美元花在 token 上：一个好的 AI Agent 大部分不是 AI。我们交付的代码大约 85% 是普通代码，15% 是模型调用。模型只在真正需要判断的地方使用，比如从一张混乱的发票上读取数值，或者将异常分类到你知道的某个类别，或者起草一份供人类审批的说明。另一方面，大部分工作是比较（数学）、查找（过滤）、路由（if/then/else 语句）和过账（API 调用）。相比之下，在 Claude Cowork 中，几乎每个动作都是由 LLM 随机决定的。而我们拥有更快、更便宜、更准确的 Agent。LLM 只是解锁工具。
如何将错误率降至接近零：三层机制。
- 确定性代码：它天生一致，因此可审计。
- 评估：一个手动创建但自动更新的测试套件，既检查答案也检查 Agent 所走的路径，使我们能够捕获那些去了不该去的地方，或产生不符合我们期望行为的结果的 Agent。
- 人工反馈：你团队的每一次批准和修正都在训练系统，工作流程的准确率在几个月内就能攀升到 90% 以上。我们看着 GL 编码从大约 85% 提高到 97% 及以上，随着修正的积累。而且因为它是代码和评估，而不是黑盒，所以当利益相关者或审计师问起"Agent 为什么这么做"时，你总能给出答案。横向 Agent 做不到这一点。
如何衡量
幸运的是，当你的 Agent 存在于你的记录系统上，跨越每个工作流程和每个软件切片时，你现在能够以最细粒度和实时的方式跟踪数据。很明显，80% 的异常正在由 Agent 处理，异常对账时间从 4 天缩短到 2 小时。一些真实结果：
- 结账时间从 12 天缩短到 5 天
- 异常处理时间从每月 130 小时缩短到 20 小时
- 发票处理时间从每张平均 20 分钟缩短到不到 1 分钟
对于任何 AI 实施，只有三个价值捕获类别是重要的。我是否节省了时间/金钱？我是否增加了收入？我是否降低了风险？将你衡量的所有内容归入这三个类别，并据此进行价值捕获和 KPI 的衡量。
从哪里开始
在你的组织中找到流程负责人，从他们开始。深入理解他们当前的流程（准备好与他们的子流程负责人、分析师、个人贡献者等交谈以获取更多信息）。弄清楚以下问题：
- 今天事情是如何运作的，工作流程的基因图谱是怎样的？
- 每个任务的数据量和吞吐量是多少？
- 目前的错误率是多少？每次错误的成本是多少？
- 异常是如何处理的？涉及哪些格式？
然后，根据你的学习，开始绘制以下内容：
- AI 在每个工作流程中会做什么，不会做什么？每个流程在 AI 之后的世界会是什么样子？
- 在三个价值捕获类别中，每个类别的可量化金额是多少？
- 每个构建需要多少时间和精力？每个构建的风险是什么？
比较价值捕获与投资，你就有了优先排序列表。
但总结一下：不要购买平台，也不要组建数据科学团队。整个过程甚至不需要一整年。相反，你需要找到愿意与你的团队坐在一起、学习真实工作流程、并在你已有的系统内部构建 Agent 的人，每一步都进行衡量。如果你想先看看最终状态，我们在这里建立了一个五分钟的流程演示这里。
这正是我们在 Varick Agents 所做的。我们已经嵌入到从 10 亿美元营收到超过 500 亿美元的财富 500 强巨头的财务、销售和运营团队中，我们构建的 Agent 在他们现有的系统内部运行他们的工具。我们每季度只承接少量新合作，目前正在为秋季批次进行规划。如果你的结账仍需两周，而你最好的人才还在做数据录入，请到varickagents.com 来找我们。
