上海国家会计学院与相关合作方发布财务分析智能体课题。姚隽涛提出，财务智能体已经从生成文本走向写入系统和执行流程，风险随之改变——过去的错误报告可以由人修改，智能体若直接完成核销、提交凭证或发起支付，错误会进入账务和业务系统，因此场景分级要先于自动化。

课题组用四个关键词总结落地条件：记录（还原智能体做过什么）、门槛（技术部署、价值计量、组织责任）、验证（财务结果能够客观核对）、收口（决策、执行、验证和修正持续发生）。联合课题希望未来能发布统一术语、场景分级量表、评测集、控制清单与失败案例，从“应用图谱”走向行业可执行标准。

朱奇峰从企业增长和管理复杂度出发，说明财务转型必须同时调整系统架构、管理方法和组织角色。三棵树业务覆盖多品类、多渠道和大量经销商，以经营活动为主线搭建财务系统，管理颗粒度下沉到业务单元、客户、产品和员工，使每个责任主体能够理解自己的收入、成本、费用和贡献。项目需要一把手推动，因为口径统一、流程调整和组织协同会触及原有职责。

AI智能信贷助手（信用Agent）面向数以万计的客户，汇集内部交易、订单、履约、回款和历史授信表现，结合外部工商、司法或经营风险信号，生成客户风险报告和授信审批建议，按贷前风险评估、贷中审批辅助、贷后风险预警组织。OCR和RPA做资料识别归集，规则和确定性计算负责校验，大模型负责理解归纳，最终授信仍由责任人审批。成熟度不能只看覆盖客户数或审批速度，还应跟踪建议采纳率、人工推翻原因、误报漏报和逾期坏账变化。

张铭峻介绍集团多业态环境下的数据应用。项目最初面对大量线下报表、重复加工、时效不足、数据质量不稳定，以及财务口径与业务口径不一致等问题，团队用较长周期逐步统一取数规则和指标定义，推动各业务单元在相同口径下分析经营结果。

经营分析从集团和公司层面逐级下钻到营销中心、区域、业务经理和责任单元，发现利润下滑后继续判断是收入减少、成本上升还是费用增长，再定位对应项目、客户、产品或组织单元。统一口径的过程需要充分沟通——不同人员看到的数据可能各自合理，企业要把分歧转化为固定规则和可复用取数逻辑；团队能力也随项目变化，财务人员逐步转向数据分析、业务解释和问题推动。

赖绍桂以工程设计和项目型企业为例说明，收入、成本和利润由项目获取、合同、履约、资金、采购和责任单位等多个环节共同形成，管理者既要看到总体结果，也要能穿透到项目、客户、责任单位和业务进展。平台建设路径是数据治理（统一主数据、指标、项目编码和质量规则）、企业级数据整合（连接经营项目、预算报销、集团统建系统和外部数据）、业财融合分析（围绕战略分析、决策支持、业务洞察和员工画像）。

典型分析逻辑包括目标分解（年度目标拆到业务单元和项目）、本量利分析（根据收入、变动成本和固定成本推算利润）、成本归因（识别成本变化来自价格、数量、结构还是执行偏差）、费用归因（定位异常单位、项目和费用类型）、项目穿透（把财务结果与项目进度、合同、回款、采购和责任组织关联），避免财务分析停留在科目层。

陈明明把财务数据应用归纳为四个阶段：Excel自助、IT开发报表、FineBI拖拽自助、AI开口即得。工具的使用门槛逐步下降，但底层数据架构和管理逻辑没有因此消失，企业仍需明确财务数据如何流向业务数据、指标口径如何统一、组织和科目如何映射。

AI改变了经营分析的呈现方式：过去管理驾驶舱预先展示固定图表，管理者仍需自己寻找问题；AI可以根据当前异常动态组织分析路径，直接呈现问题、归因和优先级，前提是企业已具备指标体系、业务逻辑、归因模型和可计算的数据关系。降低幻觉需要语义和指标层约束、确定性查询与计算、产品侧流程限制，以及全过程可回溯；场景建设应积累成组织能力，而不是依赖个人经验。

苏鹏德从费用和财务运营场景出发，讨论通用智能体为什么难以直接承担财务工作：财务任务规则密集，业务结果会直接影响账务和合规；上下文高度依赖企业制度、权限和历史数据；过程需要审计，必须说明用了什么资料、执行了什么规则、由谁批准。据此提出财务Agent的三个核心问题——可信（相同输入需要得到一致或可解释的结果）、可控（企业需要知道Agent何时运行、可以访问什么、允许执行到哪一步）、可审计（每一步数据、规则、判断和操作都应留痕）。

Agent能力演进分四个阶段：对话式AI、AI工作流、AI Agent，以及能够自我校验并持续运行的更高阶Agent。费用审核把票据、制度、预算和审批信息放在同一流程中检查，AI识别异常、规则引擎验证、风险项进入人工复核；财务问答入口连接制度、报销进度和业务系统并遵循数据权限。人机协同是上线条件：Agent负责读取、匹配、生成和执行，财务人员负责处理例外、维护规则并承担批准责任。

赵宇指出BI已经解决“看得见”的问题，但从“看得见”走到“能做出业务判断”仍有很大鸿沟。他用华东地区收入环比下降28.8%的案例说明，自助分析能看到“降了”，却看不出“降在哪、为什么降、该怎么办”，并把差距归纳为工具门槛、方法门槛、判断门槛三类，同时提出企业落地时的四类顾虑：数据权限、结论可信度、AI犯错后的修正、分析产物的高效使用。

FineBI Next定位为“AI原生的企业级数据分析平台”，提出三项企业级能力（权限继承、数据安全——AI只抽样理解元数据、千万级数据由引擎计算、数据不传给大模型；计算高效）和两大智能体形态：分析Agent解决可信分析问题，配有记忆体系持续记录数据口径；场景Agent把跑通的分析路径打包成可持续服务的场景智能体，交付形态从“看板”转向“对话式服务”，靠资产语义、业务语义、关联语义三套体系支撑可信性。华东案例最终定位到履约管理问题，真正影响收入的差距约七十多万，该口径此后由记忆体系记住无需重复告知。

吴凯将连锁医美的管理难点归纳为：服务对象是人、服务过程高度灵活；复购影响因素多，难以判断客户不再来的具体原因；空间隔离叠加“单兵作战”，等看到业绩结果时问题已发生太久。应对思路是量化指标加SOP守住基本盘、行动高效地随市场演进、依赖企业级AI融入业务分析。核心工具是六切片诊断框架（经营总览、咨询顾问、科室政策产品、客户、履约状态、回访）配合四问框架。

“到院人数增加但业绩不增长”案例通过六切片分析发现有效触达是当期瓶颈——触达一万名顾客，有效触达不足20%，归因落到客户运营、咨询客服、价格体系等具体岗位。实时预警案例中，某机构高价值老客流失占比18%，AI依据聊天频次下滑等指标提前预警，机构立即整改而非等到月末报表才发现问题。吴凯强调AI提供提醒和建议，最终决策判断仍靠人，不能把关联指标当作因果。

张俊杰指出严肃医疗行业受医保控费、招投标等政策限制，竞争从蓝海转向红海，传统BI存在响应慢、口径乱、门槛高、重复建设四个问题，他的原话是“我们不能奢求每个销售成为数据分析师，但销售的分析能力又十分重要。”契机是2025年春节的“DeepSeek moment”，落地分三步：指标口径治理（数据治理是必做前提）、先解决销售团队需求形成垂类Agent、再覆盖更多场景。

已上线功能包括半小时生成的策略看板、培训一小时就能自己用的T+1一线自助看板、承载五年历史数据以降低幻觉的企业数据库直连，以及多渠道预警。NBA（Next Best Action）从早期程序化触发固定选项演变为与AI讨论的过程，区域销售的市场理解通过与AI交流传达至管理层。张俊杰把“决策支撑”列为最担心的一点，强调“AI给出的答案看着完善，能不能用、能不能让业务信服，问题不在AI，在企业自身。”

蔡健将千金十余年经营分析体系建设的核心矛盾归纳为“报表越做越多，但业务人员用不起来”。他用2018年的相关性误导案例警示：员工工龄与销量正相关，若直接得出“应延长工龄、招聘更有经验销售”的结论是错误的，真实原因是老员工把优质资源留给自己——千金董事长的原话是，“一个报表给十个人看，可能得出十个结论。”自2015年起推行阿米巴式经营创新，每个省和销区作为独立经营单元核算利润，分析主线从利润指标层层穿透到问题销区、门店、产品、代表。

蔡健的关键认知是，AI要理解千金的销区、利润、纯销、结算价等专业术语和业务对象关系，必须在AI与数据之间构建“本体层与语义层”，此前尝试的Chat BI效果不好正是缺少这一层。四步实施路径为本体分析及定义、积累千金的分析链路、数据导入治理、权限设计——例如湖北销区经理只能看到本销区范围，同时要控制生成报告时全国哪些数据可被AI调用。简单问题准确率100%、复杂问题95%以上为现场发言口径，长报告中的数据瑕疵和上下文溢出问题仍待完善。

王天策提出“分析师瓶颈”问题：每个团队都有一位掌握全部指标定义、能把抽象业务问题转化为可行方案的核心经营分析师，随着业务扩张和需求持续堆积，分析体系的卡点变成了分析师本人。帆软内部把“九思”（FineBI Next智能分析助手）定位为进一步下放分析能力的工具——FineBI把分析从写SQL下放到拖拉拽，九思进一步下放到“只要把问题总结清楚、结构化表达出来，AI帮你解决剩下的问题”。组织上采用五类角色分工（信息化、业务分析师、一线同学、负责人、平台），规避“分析师全程包干”和“层级无人负责导致甩锅”两个问题。

四个关键案例：商业化验证周期从十周压缩到三周；业务同学基于自身理解交给九思深度加工归因，2小时得出报告；华中、西北、西南等战区借助九思开展自己的经营分析节奏，激活了此前不用BI的销售；人事同学将负责人反复追问的问题固化为场景Agent。约2000人的公司中一半以上员工使用九思，近两个月400余用户使用、160余用户使用10次以上（现场发言口径，未提供独立审计）。分析师角色将转向整理底层口径与分析体系框架，通过九思把方法交给其他同学，不会被取代。