2026 年 10 月 28 日，由中国互联网协会主办的 2026（第三届）集团企业数智化技术创新与生态大会在北京举行。
中兴新云副总裁兼首席技术官扶冰清 受邀出席大会，并发表题为《从重塑财务软件，到重问 IT 价值》 的主题演讲，结合企业内部实践，分享 AI 如何重塑财务软件，以及如何从个人提效走向组织提效。
现场发言内容整理如下，以飨读者。
从重塑财务软件到重问 IT 价值
各位嘉宾，大家上午好！非常荣幸有这个机会，和大家分享我们在 AI 应用方面的一些实践与思考。
今天，我想和大家探讨两个问题：一是如何在准确性要求极高的财务领域，用好带有不确定性的 AI；二是如何把个人效率的提升，转化为组织效率的提升。
一、AI 应用的实践与变化
随着 Agent 能力不断发展，我越来越明显地感受到，AI 已经从与我们沟通、回答问题，发展到能够理解任务、调用工具，真正替我们完成一些具体工作 。
以我自己的差旅报销为例，过去每次报销，都要经过查找发票、导入系统、填写信息、关联项目和合同等一系列操作，因此，在攒下约 10 个月的差旅单据后，我就想试一试，能不能让 Agent 帮我把这件事做完。在获得系统和邮箱授权后，Agent 帮我查找发票、整理行程，生成了 50 多份 报销单据供我确认；对于还没有开具的发票，它也会提醒我及时开票，并把税号和对方的联系方式准备好。
这次尝试让我感受到，我已经不需要逐项告诉 Agent 应该进入哪个页面、填写哪些信息，而是把需要完成的任务交给它，由它完成查找信息、整理材料和生成单据等一系列操作，我再对最终结果进行检查和确认。
类似的变化也发生在软件开发中：过去，业务需求从提出到落地，往往要经过产品经理梳理、开发评审、编写代码、测试和部署等多个环节，整个交付周期比较长，因此，我们尝试搭建内部 Agent 平台，让业务人员能够更直接地把自己的需求转化为可用的功能。
在我看来，编程正在从一项专业岗位能力，逐步成为更多人都能使用的技能，就像过去会开车可以成为一份职业，而如今开车已经是很多人都能掌握的日常技能。
二、AI 如何重塑财务软件
我们做财务软件，对准确性的要求非常高，因为金额一旦对不上，账就难以平衡，报表也无法据此出具，而生成式 AI 的输出又具有概率性和不确定性，因此，如何把 AI 的能力与财务的严谨要求结合起来，是我们必须首先解决的问题。
我们的思路是“可核对、可回退、人拍板” ，也就是让 AI 的处理结果能够被核对、出现问题时能够回退，并由人在关键环节作出最终判断。具体到系统建设，我们从业务流程、数据分析和智能决策三个层面展开，也就是 IT、DT 和 DI，分别解决业务如何执行、数据如何理解，以及决策如何形成的问题。
IT 让 Agent 调度业务流程
在 IT 层，费用报销、采购、销售、资产、档案、发票、税务等基础业务能力仍然需要不断建设和完善，只是随着 Agent 能够承担更多系统操作，用户不一定还需要逐个进入系统、逐项填写信息。我的判断是，未来财务软件会越来越多，但用户直接接触和操作这些软件的方式会发生变化。
这一变化称为“去头化” ，也就是保留系统背后的业务能力，让 Agent 作为统一的操作入口，根据任务需要调用不同系统，而用户不必再熟悉每个系统的页面和操作步骤。为此，软件需要通过 MCP 等服务和协议，将自身能力提供给 Agent，使其能够理解相关的业务逻辑、适用场景和可以执行的操作，进而完成相应的任务。
这一方向也体现在我们的 AI 工作台中，报销、审核、问答、智识、风险识别等业务通过统一页面呈现，员工可以集中查看需要处理的事项、任务进度和处理结果，而不必在多个系统之间反复切换。
DT 让数据分析可解释可穿透
我们对 DT 层的要求是“可解释、可穿透” ，既能够围绕业务问题获得分析结果，也能够继续追问、查看更细的数据，弄清结论从何而来、为什么成立。
要做到这一点，企业需要先做好数据治理和本体建设，把数据的业务含义以及不同数据之间的关系梳理清楚，让 AI 能够在理解业务的基础上进行分析。我们的财芯平台也是按照这一思路，将数据采集、数据标准、数据质量、数据资产和数据血缘等基础能力，与本体构建、算法模型、AI 问数和报告等应用结合起来，为数据分析提供支撑。
我想特别强调，需要整理和积累的既包括结构化数据，也包括过去分散在不同系统和文档中的非结构化知识，例如公司内部社区、邮箱和项目管理系统中的知识，以及需求文档、代码等，都可以纳入知识库，供 AI 检索和使用。
DI 先推演再决策
在智能决策层，我们的思路是“先推演，再决策” ，也就是围绕明确的决策场景建立模型，将现实业务中的数据、规则和场景数字化，再放到沙箱中进行推演，比较不同选择可能带来的影响，为后续决策提供依据。
例如，在考虑“这笔订单接还是不接”时，我们可以把不同选择放到模型中，推演它们对相关经营指标的影响，再结合业务目标和实际约束进行测算、比较，从而看清不同方案可能带来的结果及其代价，为最终选择哪一种方案提供更充分的依据。
具体来说，我们把这一过程分为建模、推演、求解、定策四步：先在建模阶段统一业务对象、指标和规则，再以共同的业务事实和指标口径为基础，通过改变关键假设，比较基准、改善和压力等不同情景；在此基础上，结合多个目标和约束条件形成可供比较的方案，最后由人核对依据、权衡利弊、作出授权，并将确定的方案落实到业务系统中。
在这个过程中，模型负责理解与推演，业务数值则由算法层独立测算 ，以保证决策依据能够复核和追溯；同时，最终的判断和授权仍由人来完成，使 AI 的分析能力与财务计算的准确性要求、业务决策的责任要求相结合。
从个人提效到组织提效
最近让我比较困扰的一件事，是同事们的汇报越来越精美，过去几句话就能说清的周报，如今可能变成一份篇幅很长的文档或 PPT，员工用 AI 把简单的事情扩写成复杂的报告，领导又用 AI 将报告压缩成自己关心的几个要点。看起来每个人都借助 AI 提高了处理材料的效率，但同一份信息仍在反复加工，组织效率并没有提升起来。
这也让我重新思考岗位和工序的价值：我们需要从每项工作的实际作用出发，梳理哪些步骤仍然需要人来完成、哪些可以交给 AI，以及原有分工是否还有调整的空间。如果只是沿用过去的流程，为每个环节配置一个 Agent，就很难充分发挥 AI 对整个工作流程的改进作用。
我们的思路是让“人带着 Agent ”工作，将原先因为专业分工而分散在不同岗位上的部分工序折叠起来，使一个人能够借助多个 Agent 完成一项过去需要多个岗位协同分工的任务，减少中间环节的反复沟通和衔接。
在具体实践中，我们会先梳理组织中的工作步骤，明确哪些可以由 AI 直接执行，哪些需要 AI 与人协同并由人作最终判断，哪些必须由人承担，再将相应的业务场景接入统一的 AI 工作台，让员工能够清楚地看到自己还需要做什么、AI 已经完成了什么，以及哪些结果需要进一步确认。
为了让这种协同方式持续发挥作用，我们还需要把工作中积累的上下文、知识和技能保存下来，使其成为整个组织都能重复使用的能力。因此，AI 工作台会对每项任务对应的知识库、Skill 和工具进行统一管理，并通过任务协同、执行记录、消息提醒和人工确认等功能，让任务的执行过程有记录、处理结果可查看，也让一次工作中积累的经验能够在后续任务中继续使用。
三、重新思考 IT 的价值
随着越来越多的业务人员能够借助 AI 构建软件，Agent 也开始承担系统操作和任务处理，我们需要重新思考 IT 应当为企业提供怎样的价值。在我看来，IT 应当推动这些能力进入实际业务 ，帮助企业改进工作流程、提高运行效率，并在经营中取得实实在在的结果。
未来，能够带着一组 Agent 完成任务、实现业务目标，将成为越来越重要的能力。而对于我们 IT 从业者而言，也需要围绕这种工作方式，持续完善相应的平台、数据和协同机制，为业务提供更有效的支持。未来希望在这条路径上，我们能够有更多的分享和交流。谢谢大家！
