绿城中国AI提问升级：数据口径等四条件成上线关键？

绿城中国的业务人员向AI提问的方式已经变了。早先他们只想知道上季度销量是多少，如今则希望AI把表现差的项目挑出来、分析原因，再翻出企业积累的案例找改进办法。

问题越问越深，对AI的要求自然水涨船高。数据口径、知识更新、结果核验和部门协作，这四样都成了AI能不能接着用下去的实际条件。

11月11日，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。

本期请来两位嘉宾：得物高级财务总监瞿孜文，绿城中国数字化建设中心总经理补声东。一个从财务场景往前推AI应用，一个在集团层面统筹数字化建设，两条路径碰到一起，企业怎样让AI的输出经得起长期价值检验，关键就在这里。

不同行业的AI推进策略不同

绿城的做法是先有集团层面的AI规划，各部门再结合自身业务拿出具体方案。一线试得多了，数字化团队才摸清业务真正想解决什么问题，也找到了能一起把应用推下去的人。

得物的顺序正好反过来。财务部门先动手，挑经营分析和管理报表做切入点，然后往费用审核、合同审核、现金对账这些场景扩，公司层面的统筹管理再慢慢跟上。

推进策略不一样，背后是企业对AI的认识不一样。瞿孜文举例说，经营分析本来归财务管，分析逻辑、方法和数据集都相对稳定。对一个还有大量未知的AI项目来说，这些积累正好提供了可以着手验证的基础。

先规划还是先试点，得看企业的组织方式和业务基础。

补声东介绍，绿城筛项目时会一并考虑经营价值、数据与流程成熟度、实施复杂度和风险可控性。需求再急，只要数据口径没统一、组织流程没准备好，也得先把预研或基础工作做完，再判断要不要进试点。

数据治理是AI建设的基础

得物手里有大量交易和用户数据，可建财务AI应用时照样碰上系统和数据互相隔离的问题。一笔订单从下单、发货、确认收货到商家结算，记录散在不同系统模块里。财务想看懂完整的业务过程，第一步就是把这些记录连起来。

接通只是开头。数据入仓之后，来源、版本、口径定义、业务语义，还有上下游的使用关系，都得梳理一遍。瞿孜文回忆，这部分占用了很长时间。等数据能用于自动编报和分析了，团队又发现AI生成的分析跟人做的分析仍有差距。于是他们还得把分析视角、业务知识、相关指标及其关系整理出来。

瞿孜文说：“大模型是有着庞大的通用知识，但是它没有我们自己的业务知识或者财务怎么去看业务的这样的知识。”

绿城碰到的另一道坎是非结构化数据。同一个项目，在不同文件里可能叫法不一样；客户信息则散在来访录音、销售系统和服务记录中。认不出这些记录指的是同一个项目或客户，检索出来的内容就可能残缺，分析也跟着受影响。非结构化资料同样要做主数据、标签和关联关系的治理。

有意思的是，数据质量还跟考核方式挂上了钩。补声东分享，绿城在提升录入及时性的过程中发现，有些员工怕改历史错误会影响考核，就不愿去纠正数据。团队后来调整了安排，允许集中处理已经发现的问题。这个细节说明，数据治理得有制度配合：员工愿不愿意把错误摆出来、谁来负责修正，都会影响系统最终能用上什么样的数据。

核验AI，增强可信度

对财务来说，一段解释听着合理，还不足以拿来当使用依据。

在得物，能固化的计算逻辑直接交给系统执行；需要模型辅助处理数据时，就让模型生成Python代码，由程序完成计算。知识库给出的回答也被要求标明规则来源，尽量定位到具体章节和段落。

另外还有多智能体交叉检验的设计。瞿孜文介绍，第二个智能体干的是检查前一个智能体工作过程的活：调用了哪些数据，采用了哪些规则，又依据什么标准给出结论。

瞿孜文说：“我会再开一个agent，让它去核查上一个agent调用的数据来源……这些数字是套了哪些规则算出来的？下这样的结论，又参照了哪些标准。”

这种检查能帮上忙，揪出依据和执行过程中的问题，不过还得跟风险分级配合着用。按瞿孜文的说法，资金等高风险场景中AI的产出必须人工复核；中风险场景设交叉检查、异常转人工和内审抽查；影响较小的场景，则做相应的自动校验安排。

可信度就是靠这些细节一点点攒起来的。绿城也在推进更细的来源追溯。眼下，把回答定位到原始文档具体章节和段落的相关技术预研已经完成，正打算进入试点。

上线之后，需要评测机制和价值验证

绿城在运营中发现，用户起初提的问题通常比较简单，用上一段时间之后，提问会越来越复杂，早先那套测试未必还能反映真实的使用效果。

瞿孜文也提到，业务铺开、知识覆盖不够，或者前端规则已经改了而知识库没跟着更新，都会让回答质量往下掉。所以出现这种情况，不能一口咬定是模型能力退步了。

补声东说：“项目在系统上线后就结束了，而产品的系统上线只是起点，你需要持续去运营它。”

运营要持续，就得有具体的评测机制。补声东介绍，测试集除了最初设计的典型问题，还要把线上暴露出来的错误收进去，以及那些已知容易出错的挑战性问题。评测范围也要覆盖任务分派准不准、答案质量、权限、安全合规、实用性和响应表现，并且在改动、发布和上线之后一直做下去。得物的做法是，知识有新增或规则有变化就重新测，另外还安排定期测试。团队还把财务常用的专业表达整理出来，检索时拿来辅助，减少不同问法带来的理解偏差。这类维护看着琐碎，却直接决定应用能不能长期稳定地用。

价值怎么衡量，同样要持续跟进。补声东把它分成三层：处理能力有没有提升，管理有没有改善，以及有没有形成经营贡献。信息覆盖、识别准确率和响应时效，能反映能力上的变化；风险是不是更早被发现、跨部门响应有没有加快、同类问题是否减少，可以拿来观察管理改善；成本、资金占用、利润和现金流的变化，则更接近财务能够验证的经营结果。

评价能力提升，还得回到它怎么改变决策和执行。回答更快、覆盖的信息更多之后，企业要继续观察：使用者有没有据此行动、流程改善到什么程度、最后实际产出如何。把不同层次的价值区分开，有利于给长期能力建设留出空间，后续投入也能有更清楚的依据。

财务参与验证，也要参与定义问题

在得物，数仓团队安排数据BP和财务一起干活，配合财务BI团队推进数据治理；技术团队负责支持知识库建设、文档处理和检索优化。财务要拿出真实的工作场景，判断业务价值，并和业务、数仓及BI团队把口径和计算逻辑对齐。这样的分工，要求财务把需求讲得足够具体。经营分析要回答哪些问题，费用审核按什么规则来，哪些异常必须交给人处理，都得专业人员先判断清楚。技术团队才能据此设计出在复杂场景里长期跑得动的应用，也才提得出下一步的优化建议。

绿城把这种协作叫作“三方共治”：业务牵引、技术保障、财务验证。建设过程则强调“三方共建”：数字化团队、总部职能部门和一线人员一起参与。补声东说：“我们的AI必须走到业务里面去，而不只是走在我们的管控里面。”

一线人员参不参与，关系到应用有没有回应实际工作中的难处。补声东提到，他们会先找门槛低、见效快的场景，并把业务和数字化团队各自要扛的指标、责任定清楚，减少合作时的顾虑。财务的参与强度也要分阶段来。绿城的做法是，金额较小的技术预研由数字化部门推进并报备；到了试点和推广阶段，财务再更深地介入价值判断和结果验证。这样既照顾到探索阶段的不确定性，也让更大规模的投入得到相应的审视。

工作会改变，专业经验需要有人整理和维护

说到岗位变化，两位嘉宾都注意到信息汇总、进度跟踪和重复执行规则这类工作受到的影响。补声东介绍，绿城正在试着用AI辅助生成经营报告，把会议内容转成待办事项、汇总进度。这些应用会一点点改变原有岗位的工作内容。瞿孜文则认为，需要跨部门沟通、推动共同目标，以及制定规则、输出经验的工作，价值依然重要。

新的职责也在长出来。得物财务部门已经设了数据资产管理、流程管理和AI工具建设等相关的组织安排；绿城业务部门开始出现AI流程设计的职责，大家也在讨论业务评测、智能体运营和数据管理该由谁专门负责。

这些变化和前面的数据、治理问题是连着的。业务知识要有人整理，规则变了要有人更新，测试问题要熟悉业务的人来设计，输出结果也要有人审核并推动改进。财务人员的专业经验，正在这些环节里变成团队能持续使用的能力。

从两家企业的实践看，AI应用走得越深，业务、财务和技术越需要一起处理具体问题。下一步能走多远，还得在每一次口径对齐、结果复核、流程调整和价值验证中继续检验。

企业 AI 从试点走向规模化，哪些应用值得继续投入？

12 月 7—8 日，来 2026 T-EDGE 创新大会北京场继续聊。