在今天的金融讨论中，有一种不可避免的趋势：提到人工智能，房间立刻亮了起来。谈论清理数据时，眼睛就开始发呆。然而，现实是，第二个谈话往往比第一个更重要，特别是如果你在乎第一个。

组织在其财务规划与分析（FP&A）中对人工智能的使用越来越雄心勃勃。从滚动预测到异常检测，首席财务官们正在投资承诺快速洞察和更明智决策的技术。但有一个基本真理仍然被忽视：你的人工智能只有在你输入良好的数据时才会有效。对许多组织而言，这些数据仍然生活在混乱的电子表格、不一致的系统和孤立的数据库中。

这就是数据质量悖论。虽然人工智能代表了一次飞跃，但其成功依赖于更加基本的东西：基础信息的完整性。忽视这一点，你不仅会减缓进步，还会引入风险、破坏信任和妨碍战略决策。

随着执行财务峰会在苏黎世的临近，这是一场越来越多的财务领导者开始直面的问题。

智慧的幻觉

人工智能在金融领域的承诺令人信服。智能模型能够预见市场波动，标记风险，自动化报告并提高规划准确性，这些都有明显的吸引力。但在这一承诺之下，隐藏着一个无法自动化解决的问题：杂乱、支离破碎或过时的数据。

假设往往是，先进的技术会以某种方式弥补数据质量的缺口。但在实践中，人工智能系统更是放大了这些问题。例如，机器学习模型旨在识别模式。如果这些模式是从不完整或不准确的记录中提取的，输出将同样存在缺陷，只是看起来更复杂而已。

这造成了一个危险的幻觉。人工智能仪表板看起来令人印象深刻。方差评论听起来似乎合情合理。但是在底层，关键的商业决策却是在受损的输入基础上做出的。

在基础之上急于向前

迅速部署人工智能的诱惑是可以理解的。竞争压力、内部热情和供应商影响都推动着实施。但过于频繁的是，组织在急于部署的过程中跳过了基础步骤。

数据集成是首当其冲的牺牲品。许多财务团队仍然在支离破碎的环境中运作：一个系统中的规划数据、另一个系统中的实际数据、Excel文件中存储的假设，共享驱动器中的各种版本的真相、脱节的层次结构，或使跨功能分析几乎不可能的遗留命名规范。

在这种情况下，引入人工智能就像在崩溃的屋顶上安装一个新的卫星天线。工具可能很强大，但结构无法支持它。

结果是显而易见的。人工智能模型未能产生可靠的输出。利益相关者失去信心。采用停止。开始时作为前沿计划的工作最终削弱了整体财务的信任。 

糟糕的数据治理的隐藏成本

当人工智能实施受挫时，根本原因很少是算法。更常见的是，缺乏对输入数据的治理。

这些问题一开始并不总是可见。在某些情况下，数据缺口很小——过时的汇率、重复的成本中心、错误分类的费用。但用几个月或几年的这些信息训练的人工智能模型会学习到错误的模式。随着时间的推移，这些错误会复合。

还有其他成本：

• 在手动数据对账中浪费的时间，使分析师无法从事增值工作

• 利益相关者对财务输出的信任侵蚀，尤其是当人工智能生成的结果与已知的商业现实不符时

• 追踪模型逻辑的复杂性增加，当需要可审计性时

• 在没有稳定数据基础设施的情况下无法发挥作用的工具的浪费投资

糟糕的治理不仅是技术上的不便。它破坏了整个规划职能的可信度。

为人工智能准备构建数据基础

在任何严肃的财务人工智能计划能够扎根之前，组织需要投资于其数据基础。这并不意味着完善每一个数据集，但确实意味着创造能让自动化蓬勃发展的条件。

关键优先事项应包括：

1. 集中化、结构化的数据存储库。 超越孤立的电子表格和支离破碎的数据库。统一的规划平台——就如我们在Apliqo所提供的那样——允许集成数据结构、一致的命名以及跨业务职能的实时更新。

2. 数据所有权和管家职责。对数据的准确性、完整性和时效性分配明确的责任。这不仅仅是IT的职能。财务必须在规划和绩效数据方面领导定义“良好”的样子。

3. 元数据和映射标准。创建一致的层次结构、命名约定和维度映射。人工智能模型依赖于结构。数据模型的清晰度使得更准确的洞察和更清洁的集成成为可能。

4. 质量保证协议。引入定期验证流程，以尽早捕获异常。人工智能工具可以帮助实现这一点，但它们需要可靠信息的基线作为基础。

5. 文化变革。鼓励人人对数据准确性负责的心态。这可能涉及培训、KPI或新工作流程。但这始于领导层对高质量数据价值的建模。

从早期的绊脚石中学习

一些最有用的教训来自于人工智能未能兑现其承诺的地方。在几个高调的案例中，公司部署的自动化预测工具的表现始终不如手动模型——并不是因为算法有缺陷，而是因为它们学习的历史数据充满了一次性调整、未记录的假设或不对齐的期间。

例如，一家公司使用机器学习生成各地区的产品级收入预测。最初的输出看起来颇具前景，但经过两轮规划后，模型开始产生离群值。原因是什么？一个过时的电子表格，美元兑换率超过一年的时间没有更新，使模型所训练的数据出现了偏差。

在另一个案例中，一项业务尝试利用人工智能来自动化基于驱动的预算，但未能考虑到业务单位之间成本分配的不一致性。结果是一个在数学上是合理的预算，但完全反映不了实际运营情况。

在这两种情况下，问题不是项目的雄心，而是假设数据环境已经准备就绪。

在雄心与准备之间取得平衡

这里的教训不是放弃人工智能，而是以清醒的认识来实施它。高效的FP&A团队并不回避自动化。但他们将自己的努力建立在清晰的准备评估上。

他们意识到，人工智能的道路是在数据质量上，而不是绕过它。他们投资于使规划过程更有条理的平台。他们知道，人工智能驱动的输出的可信度建立在让数据正确上那不光彩的工作上。

在Apliqo，我们看到这一旅程在各类财务团队中展开。最成功的团队并不把数据治理视为人工智能的障碍，而是其推动力。他们专注于创建系统和文化，以保护数据的完整性，并可以自信地部署技术。

人工智能几乎肯定会在未来几年重新定义财务操作。但没有任何模型，无论多么先进，都无法替代干净、可靠的数据。随着财务领导者为下一波转型做准备，问题不仅是采用什么技术，而是组织是否真正准备好支持它。

这是我们将在执行财务峰会上于6月25日探讨的中心主题之一，在峰会上，真实世界的从业者将分享他们的突破和挫折。这是一个超越炒作、深入对话的机会：建立一个准备就绪的人工智能财务职能到底需要什么？

要加入我们，请在这里申请。