事件概述

2026 年 8 月 10 日，OpenAI 官方发布了一篇由公司 CFO Sarah Friar 撰写的文章，标题为 What building an AI-native finance function taught me。文章总结了 OpenAI 在财务部门内部推进 AI 原生转型的实践经验，提出了“零日关账”（zero-day close）与“持续自动更新的预测”（continuous forecasting）两大目标，并给出了 CFO 可以复用的五条具体经验。

值得注意的是，OpenAI 本身就是全球领先的 AI 公司，其财务团队直接使用自家最先进的工具（如 ChatGPT Work、Codex）来重构工作流。这篇文章不仅是 AI 在财务领域落地的案例，也是“AI Agent 改造企业职能”的典型样本。

关键技术点

1. 零日关账与持续预测

文章提出的核心愿景是：

  • 零日关账：让管理层实时获得已核对、可追溯的公司财务状况，而不是在期末花数周去“还原”业务。
  • 持续预测：在零日关账基础上，实时展示业务变化、预测未来走向，并评估不同决策对结果的影响。

实现方式是以“已批准的支出计划 + 总账实际数 + 采购订单 + 应计项目 + 交易明细”构建持续对账视图。每一处差异都能追溯到具体业务活动，AI 负责生成初步解释并标记异常，财务人员负责验证、判断和最终签署。

2. 围绕决策重构完整工作流

传统财务工作中，团队大量时间消耗在“组装决策输入”上：找数据、核对表格、解释差异、做图表、做 PPT。文章强调 AI 改变了“工作单元”——财务领导者应该重新设计从源数据到决策的完整路径。

OpenAI 正在构建的预测工作流融合了：

  • 统计模型
  • 销售会话信息
  • 账户级证据
  • 运营数据
  • 财务判断

最终呈现为“一个实时视图”，领导者能看到什么变了、为什么变、哪些决策会改变结果，并能直接在系统中调整假设、对比场景。

3. 财务人员从“使用者”变成“构建者”

文章披露了一个关键数据：OpenAI 的研究显示，财务专业人士 40% 的专业化 AI 使用涉及传统财务以外的工作，22% 涉及工程相关任务。在 OpenAI 内部，财务团队成员正在使用 ChatGPT Work 和 Codex 构建自定义 AI 仪表盘和工具。

文章举了一个例子：一位支持广告业务的同事此前从未写过代码，他用 Codex 构建了一个工具，将月度广告预测转化为每周/每日计划，并自动考虑工作日与节假日、对比预测差异、保持每个数字与已批准模型一致。

4. 五条实践经验

  1. 先给全员访问权限，再创造使用理由：通过“黑客松”让员工用真实工作问题试验 AI，例如 OpenAI 的 IR-GPT 就来自这种自下而上的创新。
  2. 围绕决策重构完整工作流：从最重要的决策出发，反向梳理数据、工具、审批和交接，再决定哪些环节交给 AI。
  3. 财务专业人员成为构建者：让懂业务的人用 AI 工具自己搭建解决方案。
  4. 在每个工作流中内置清晰的问责机制：AI 处理初步分析与异常标记，最终判断和签批仍由财务负责人承担。
  5. 衡量 AI 可靠完成的工作，提供明确的 ROI：不能只谈 AI 的“可能性”，要量化它到底完成了多少可依赖的工作。

对数据科学与 AI Agent 落地的意义

这篇文章的价值超越了财务领域。它展示了“AI Agent 化”企业职能的一种真实可行路径：

  • AI 不是替代流程，而是重构流程：真正高的杠杆不是“加快结算”，而是把月末手工拼数据的过程，变成“实时、可追溯、持续对账”的活系统。
  • Agent 与人的协作边界清晰：AI 负责检索、汇总、初步解释、异常标记；人负责验证、判断、审批。这正好对应 Agent 落地中最关键的责任归属问题。
  • 技能门槛被显著降低：无代码背景的财务人员用 Codex 构建工具，意味着“会编程”不再是 AI 落地的瓶颈，业务理解力反而成为核心资产。
  • ROI 需要可度量：文章强调要衡量 AI 可靠完成的工作量，这是企业财务部门最关心的语言，也是数据科学团队与业务部门对齐目标时的重要原则。

对数据科学家来说，这篇案例的启示在于：模型和 Agent 的价值不在于“技术多先进”，而在于能否嵌入到“活”的业务决策闭环中，并且让业务人员有能力直接修改和迭代工具。

我的技术点评

这是一篇少见的、来自企业核心高管而非技术团队的一线复盘，其可信度和参考价值都很高。

最让我印象深刻的是“零日关账”这一目标。传统财务系统里，数据分散在不同系统，月末对账极其痛苦。“零日关账”本质上是把“事后还原”变成“事中同步”，这背后需要强大的数据集成、实时计算和异常检测能力。文章虽然没有披露具体技术架构，但可以推断，OpenAI 内部使用了大量自定义 GPT 和生成式 AI 来连接数据、解释差异、生成初步分析。

另一个亮点是“黑客松”驱动自下而上的创新。很多企业部署 AI 失败，不是工具不行，而是员工没有使用动机。让员工把自己最不想干的重复工作拿出来“改造”，是极佳的产品切入方式。IR-GPT 从创意到落地只花了一天，这比任何自上而下的“大平台”项目都更敏捷。

需要指出的是，文章对很多细节“原文未说明”。例如：

  • “零日关账”当前实际完成度如何？
  • 使用的具体数据架构和工具链是什么？
  • 40% 和 22% 两项研究数据的具体口径和样本范围？
  • AI 生成的初步解释在实践中准确率如何？

这些模糊之处，一方面说明 OpenAI 仍在“学习如何学习”，另一方面也提醒我们：AI 原生化转型是持续迭代的过程，而不是一个可以照抄的“终极方案”。

总体来看，这篇文章为所有想要用 AI 重构核心业务流程的企业提供了优秀的思维框架。它不鼓吹“全自动”，而是强调“人机协同、责任清晰、业务驱动、ROI 可测”。这比任何炫技式的 Agent 演示都更值得借鉴。

原文链接

What building an AI-native finance function taught me