【对话】Gartner研究副总裁孙鑫：AI时代下，企业数智化转型与财务管理变革

作者： 董兴荣 李秦

人工智能技术的快速发展正在深刻改变商业世界。如今，AI不仅能自动生成文本、图像等内容，还能通过数据分析优化决策，连接线上、线下场景，逐渐成为企业转型升级的关键工具。通过构建数据感知、智能分析、实时决策、自主执行的闭环体系，企业得以实现运营效率的指数级提升与商业模式的颠覆性创新。

数字经济时代，人工智能技术的突破性发展正以前所未有的速度重塑全球商业图景。从生成式AI重构内容生产逻辑，到机器学习算法驱动精准决策，AI已从单点工具演变为推动企业系统性变革的核心引擎。在这场以“数智融合”为特征的产业革命中，企业数智化转型不再是选择题，而是关乎生存发展的必答题。面对技术浪潮，企业必须以开放姿态拥抱智能革命，深挖数据要素价值，重塑人机协作范式，在数智时代构筑可持续的竞争优势。

近日，Gartner研究副总裁孙鑫围绕人工智能技术的演进与发展，探讨了生成式人工智能（GenAI）、AI Agent等对企业数智化转型与财务变革的影响，以及智能技术的未来突破与发展趋势。

人物介绍PROFILE

孙鑫

Gartner研究副总裁

01

人工智能技术的演进与发展 人工智能技术成熟度曲线

当前，人工智能技术发展呈现显著的阶段性特征。Gartner发布“2024年人工智能技术成熟度曲线”（图1）为行业提供了重要的参考框架。该曲线图通过纵轴（技术期望值）与横轴（时间周期）揭示技术演进规律：在最初的“技术萌芽期”，人们对新技术极度关注；随后进入“期望膨胀期”，也就是热度极高且常被高估的阶段；接下来是“泡沫破裂低谷期”；随后逐渐转入“稳步爬升复苏期”；最后到达“生产成熟期”。

图1 Gartner2024年人工智能技术成熟度曲线

孙鑫表示，“现阶段，多数人工智能技术仍处于相对早期的阶段，包括‘复合型AI’‘AI工程化’等，它们距离进入‘生产成熟期”尚需时日。比如，现在炙手可热的“生成式人工智能’大约还需2至5年才能进入‘生产成熟期”；而“通用人工智能”则可能还要10年以上的时间。因此，行业对于不同技术应有更为客观的预期，不要盲目追逐某些概念。”

生成式人工智能是人工智能技术的焦点领域，它能够基于大型原始内容库的数据，生成全新的内容、策略、设计与方法，大语言模型等基础模型是其中的核心技术。自2022年OpenAI的ChatGPT诞生以来，对于生成式人工智能，企业经历了从创意探索到落地部署的转型。2025年，企业的关注重点转向执行层面，注重技术融合与商业价值兑现，期望将生成式人工智能妥善嵌入业务流程，为企业创造新的收益和增长点。

Gartner调研显示，中国企业对于生成式人工智能的投入意愿明显高于全球平均水平。此外，谈及未来12个月内是否计划在企业内部部署生成式人工智能，中国企业的比例也更高，反映出本土市场对于生成式人工智能技术潜力的高度认可。

大模型竞争与产业生态重构

大模型行业的竞争态势日趋激烈，不同大模型之间的差异化也在逐步缩小，ChatGTP、DeepSeek等现象级产品为生成式人工智能产业带来冲击和机遇。其中，DeepSeek R1以极度开源化的模式，让企业能够以低成本部署并应用一个性能强大的模型，使得大模型行业加速进入“商品化”或“平民化”阶段。

Gartner将生成式人工智能技术逻辑架构分为四个不同层次（图2）：第一层是生成式人工智能的基础架构供应商，包括IaaS、PaaS、AI芯片供应商等，这些角色会在市场中不断涌现并产生竞争或“搅局”效应；第二层是模型供应商（Model Providers）；第三层是AI工程化，也就是把生成式人工智能模型从“测试、试点”推进到“生产”阶段的能力，这对于企业来说至关重要；第四层则是生成式人工智能应用或当下热门的“智能体”，它们能让模型真正被终端用户消费和使用。

图2 生成式人工智能技术逻辑架构

“每家企业都需要考虑是否要自建或购买这些不同层次的能力。对于很多企业而言，如今自建大模型已无太大意义，因为现有模型的能力已足够成熟。如果想产生差异化，一方面可以考虑以更低成本获得基础架构能力；另一方面就要思考是否需要投入AI工程化，或者如何搭建符合自身需求的应用，尤其是在垂直行业或具体领域中，以便充分释放生成式人工智能的价值。”孙鑫谈到。

数据治理：AI时代的核心竞争力

在大模型时代，数据的来源更加广泛。企业日常运营中，员工与AI沟通时使用的自然语言，以及生成的图片、视频等内容，都属于非结构化数据。因此，企业构建系统化的非结构化数据治理体系，已成为释放人工智能效能的关键路径。对此，Gartner提出了“AI就绪数据（AI-Ready data）”这一概念，强调数据要能适应企业不同的应用场景。在此基础上，企业还要持续、实时关注数据质量，有效规避“大模型幻觉”带来的可信度风险。

当前，新一代AI特定数据技术正在重塑企业数据治理格局，帮助企业更好地完成数据中台建设，从而顺利接入大模型和智能体的应用场景。此外，部分数据库服务商也已推出“数据标记”“合成数据”“数据丰富”等功能，甚至在数据库层面直接引入提示工程，以确保企业数据能更好地为人工智能应用做好准备。

“在人工智能应用生态中，数据管理极有可能成为企业的最后一条‘护城河’。”孙鑫强调，“因为通用的数据、通用的算法和通用的大模型已经人人可得，例如DeepSeek或其它开源模型，体量越来越小、性能越来越好，却并不能给企业带来真正的差异化。如果企业想要获得新的营业额增长，必须基于自身的数据环境和企业特性，打造贴合业务需求的算法或模型。这一点对于未来企业部署大模型或推进AI举措至关重要。”

数据和分析（D&A）正在从一个小众领域走向普及。与此同时，D&A领导者面临的压力已经从“资源少、事情多”变成了“资源多、事情更多“，而且这项工作由于风险的增加而变得更具挑战性。Gartner提出以下九大趋势，将帮助D&A领导者应对他们所面临的压力、期望和需求。

趋势1：高消耗数据产品。为了充分利用高消耗数据产品，D&A领导者应重点关注关键业务用例，通过产品关联和规模化来减少数据交付方面的挑战，优先交付可重复使用和可组合的最小可行数据产品，以便让团队不断改进这些产品。同时，D&A领导者还必须在数据生产和使用团队之间就关键绩效指标达成共识，这对于衡量数据产品的成功至关重要。

趋势2：元数据管理解决方案。有效的元数据管理应先从技术元数据出发，然后扩展到业务元数据以增强上下文。通过整合各种类型的元数据，企业能够实现数据目录、数据脉络和AI用例。因此，选择有助于自动发现和分析元数据的工具势在必行。

趋势3：多模态数据编织。建立强大的元数据管理实践涉及获取和分析整个数据管道中的元数据。数据编织提供的洞察和自动化可满足编排需求、通过数据运维（DataOps）实现更卓越的运营，并最终实现数据产品。

趋势4：合成数据。识别缺失、不完整或获取成本高的数据对于推进AI行动至关重要。合成数据既可以作为原始数据的变体，也可以替代敏感数据，能够在促进AI发展的同时保护数据隐私。

趋势5：代理式分析。使用AI智能体进行数据分析，完成业务成果的自动化闭环具有变革性意义。Gartner建议尝试开发自然语言接口连接业务洞察的用例，并评估供应商的数字化工作场所应用集成路线图。同时，建立治理机制可最大程度地减少错误和幻觉，并且通过AI就绪数据原则评估数据就绪度十分重要。

趋势6：AI代理。AI代理对于满足临时的、灵活的或复杂的自适应自动化需求至关重要。企业不能仅仅依赖大语言模型（LLM），还需要采用其他形式的分析和AI技术。D&A领导者应使AI代理能够无缝访问和共享所有应用的数据。

趋势7：小语言模型。相比大语言模型，Gartner更推荐企业考虑使用小语言模型，以便在特定领域获得更加准确、更符合语境的AI输出结果。Gartner建议提供用于检索增强生成或微调自定义领域模型的数据，特别是在本地使用时，可以处理敏感数据并减少计算资源和成本。

趋势8：复合型AI。多种AI技术的结合可提高AI的影响力和可靠性。D&A团队不应局限于GenAI和LLM（大语言模型），还应整合数据科学、机器学习、知识图谱以及优化等技术，以实现全面的AI解决方案。

趋势9：决策智能平台。从数据驱动到以决策为中心的转变至关重要。Gartner建议采取的步骤包括：优先考虑急需建模的业务决策、调整决策智能（DI）实践、评估DI平台。成功的关键在于重新发掘数据科学技术并解决决策自动化的道德、法律和合规问题。

02

人工智能技术驱动企业数智化转型 企业数智化转型新范式及实践路径

当前，企业数字化转型面临AI技术浪潮带来的全新机遇。Gartner调研显示，74%的CEO（首席执行官）认为人工智能将是对其行业影响最深远的技术。然而，现实困境同样显著：63%的员工表示尚未在核心业务中应用生成式人工智能，反映出技术引入与应用之间的差距。

孙鑫认为，“企业高管们也逐渐认识到，如果没有充分利用生成式人工智能，或者没有把这项技术培训给员工，对企业的影响可能非常深远。未来不一定是AI取代人，更有可能是能熟练运用AI的人取代不使用AI的人。随着更多业务人员学习并掌握AI技术，那些没做好准备的人，在职业发展上会面临明显劣势。”

在此背景下，AI Agent的快速发展为企业提供了变革性的机遇。Gartner认为，AI Agent是利用人工智能进行感知、决策、采取行动，并在数字或物理环境中自主或半自主地追求既定目标的软件实体。需要明确的是，大语言模型只是模型，不是AI Agent。而通过特定指令（如子程序）执行的任务、来自机器人流程自动化（RPA）工作流的自动化过程、自动化软件中的功能、包括对话助手在内的任何类型的助手，以及像助手用户体验（UX）这样的界面，都不是AI Agent。真正的AI Agent具备适应、规划和独立行动的能力，能够超越传统的AI助手、机器人流程自动化（RPA）工具与聊天机器人，在较长时间内实现组织的目标。

然而，近一年来，出现了一种名为“Agent Washing”的现象，某些供应商可能会夸大其产品的功能，重新品牌化现有技术为AI Agent，然而实际上却未能验证这些AI Agent的真实能力。这种情况可能导致市场的混淆和误导性的投资决策。为了有效挖掘AI Agent的潜力，同时降低与“Agent Washing”相关的风险，企业应考虑以下战略建议。

第一，建立定义的共识。企业应在组织内部确立对AI Agent及其功能的明确定义，创建潜在用例清单，以引导IT部门与业务单位进行AI Agent的构建。

第二，关注低风险试点。企业可以通过以低风险试点项目为起点，减少在展示商业价值时的不确定性，确保在进行重大投资和广泛实施之前，这些试点项目能够提供具体的商业成果。

第三，审查供应商声明。企业需要仔细审查供应商的声明，要求提供与目标用例类似的部署案例参考。

第四，持续监控。应用开发领导者应持续监控AI Agent的发展动态，并深入了解不同产品在代理能力范围内的适配位置。

第五，技能发展。AI Agent技术发展迅速，企业需要具备评估和应用这些技术的内部能力。通过培训现有员工或引进专业人才，企业可以建立自己的AI Agent知识库，减少对供应商的依赖，做出更加独立和明智的决策。

第六，集成AI Agent能力。企业可以将AI Agent能力集成到产品和服务中，针对高价值用例进行开发，以增强生产力和决策能力，构建强大且可扩展的解决方案。

生成式人工智能在财务领域的应用

在财务领域，人工智能技术的应用已形成多维矩阵，当前诸多实践场景拓展了传统AI或自动化技术的应用边界。

首先是流程自动化。传统模式下，财务报表的编制和生成，需要经历冗长的数据归集与格式调整流程。而融合生成式人工智能的新型解决方案，可通过语义理解与动态模板生成技术，实现端到端流程的自动化处理，使得效率指数级提升。

其次是风险管控。在风险探查和异常值检测方面，生成式人工智能具备独特的数据处理优势。它不仅能够穿透分析非结构化合同文本，精准识别重复支付、条款冲突等合规性风险；更可构建动态风险监控模型，通过异常交易模式识别，将事后审计转化为事中干预。

再次是财务预测与分析。生成式人工智能在财务预测与分析领域也有突破性应用，借助时序数据建模与多变量分析，可覆盖年度审计趋势预判、现金流动态推演等应用场景。

最后是战略决策支持。在运维层面，生成式人工智能可以深度嵌入定价策略优化、管理会计分析等战略领域。基于自然语言交互的智能对话系统，使得非技术背景的财务人员能够通过语义指令，即时获取多维度经营分析看板，以此重构财务职能的价值定位。

尽管当前财务领域已经出现很多成熟的AI用例，但在Gartner的调研中，46%的财务主管仍坦言AI应用的进展滞后于预期。对此，孙鑫谈到，“财务领域对人工智能技术的应用普及度相对较低，其原因并非在于没有需求，而是因为财务人员对准确度要求极高。如果在关键财务数据测算中出现数值偏差或小数点错位，其引发的连锁反应可能对企业经营产生重大影响。因此，面对本质上带有‘黑盒’属性的大模型应用，财务部门往往会更加谨慎，采取渐进式接纳策略，即先观察其他部门应用成效，再评估财务场景的适配性。”

然而，当财务团队真正理解生成式人工智能对于财务的价值时，其技术应用态度将发生显著转变。对于企业而言，关键在于构建精准的技术评估体系：一方面需要甄别具有实质性价值的财务智能化培训方向，另一方面须建立清晰的技术应用图谱，向财务人员直观展示人工智能技术在特定业务场景中的能力。只有这样，才能真正提升财务人员的积极性和AI素养。

03

人工智能的未来技术突破与发展趋势

当前，市场对于AI Agent与大模型的技术期待仍处于高位。尽管现有AI Agent的应用场景仍局限于特定任务，但企业用户普遍对其功能深度和广度抱有较高预期，这需要行业进行合理的预期引导。从技术实现层面来看，AI Agent的发展面临以下五大核心挑战。

一是可靠性瓶颈。代理工作流程中通常有许多步骤，基于大模型的AI Agent系统在每个步骤都有出错的可能。“例如，一个大模型代理需要调用十次不同的大模型，每个步骤出错率为 10%，则累积下来只有约三分之一的概率是正确的。对于很多关键任务，这样的准确度无法被企业接受。再比如，市面上一些对话式BI报表的开源模型，正确率只有75%，对于某些高要求的企业来说，这也是远远不够的。”孙鑫解释道。

二是规划能力局限。规划是代理的核心特征，即如何灵活地制订一系列任务来实现预期目标。普通大模型在规划方面表现一般，复杂任务规划则需要借助更强大的推理型大模型。然而，推理型大模型往往非常昂贵，也不一定能适配某些特定行业。虽然DeepSeek等专业模型展现出较强的推理能力，但对企业来说仍需结合自身数据做进一步训练和适配。

三是成本和延迟。很多智能体严重依赖对大模型的多次调用，这增加了生成输出的潜在成本和时间。AI代理架构可能包括反馈循环和多代理设置，这进一步加剧了潜在的成本和延迟问题。因此，企业需要衡量：每调用一次大模型都要付出成本，那么是否值得用AI Agent来完成某个特定工作？如果算力或工具的调用难以控制，企业就需要谨慎评估AI Agent带来的投入产出比。

四是可解释性缺失。大模型仍然是一个带有概率特征的“黑箱”，几乎无法真正“理解”自己的输出或逻辑。因此，在设计AI Agent时，必须考虑到可解释性的问题，尤其是在合规或要求可审计的业务场景下，更要确保输出过程可被溯源。

五是安全治理难题。随着自主性提升，AI代理在规模化治理与安全方面更难管理。它们所触发或参与的一系列事件与交互链，很可能对系统使用者不可见，也难以在事前进行阻止。

未来，企业需要构建一个“AI智能体训练环境”，让智能体能在稳定且数据充分的环境中理解数字化情境，从而在企业内得到真正有效的应用。具体来看，AI Agent的发展趋势包括以下几方面。

趋势一：规划和推理。缺乏规划能力限制了AI代理的采用。未来，更先进的模型会在规划和推理能力上不断提升，帮助智能体实现更高效、可靠的任务执行，并且以更低成本的方式供企业使用。

趋势二：大动作模型。大动作模型（LAMs）是经过训练和优化，生成一系列动作以实现目标的基础模型。大模型本身就能执行部分智能体操作，原生具备调用工具的能力，从而省去对智能体工作流的单独设计。在硅谷，这种“让模型通过强化学习与计算机界面交互，进而完成一系列操作”的思路正在引发热议。

趋势三：多模态模型。多模态AI可以让AI代理同时处理和理解多种形式的数据，包括文本、音频、图像和视频。结合先进的传感器，这种能力将增强AI代理的感知能力，使系统能够有效地与物理世界互动。

趋势四：神经符号AI。神经符号AI将机器学习（ML）方法和符号系统（例如知识图谱）融合，以创造更强大、更值得信赖的AI模型。这种方法为AI代理提供了一个推理基础设施，能够以更有效、可靠的方式解决更广泛的任务。

在新质经济发展背景下，央国企等企业要顺应智能变革趋势，以司库建设为抓手，使其成为企业高质量经营的核心动能和基座，加快推进财务数智化转型。

《2024—2025年中国司库报告》以“数智化动能，共建中国式司库”为主题，从高质量发展和中国式司库、司库体系建设和管理重点、未来司库洞察和发展趋势三个视角展开，全维度刻画和勾勒中国式现代化司库的发展全景。

《2024—2025年中国司库报告》

（主报告+子报告）

点击图片，支持订购/试读

值得一提的是，本次司库报告通过收集、调研、访谈、对标，形成了多类型、多属性、多规模、多阶段的企业案例样本库，包括央企，国企，民企和上市公司等。此次，报告对标杆案例进行特别策划、独立成册，即《标杆案例集》，进一步发挥司库标杆引领，持续挖掘具有借鉴意义和典型价值的中国司库建设样本。通过综合实践、卓越司库和智慧财务三个维度加以展开论述。

通过以上这几个方面的内容，本次司库报告精心打磨33万字以上、123张数据图表、63家企业案例和18家银行案例，多视角、全方位展示中国企业司库管理的发展视图，共建中国式司库。

订购平台，微信小程序：财资知识云