財務團隊的 AI 應用版圖：北美為何領先

Forrester 針對 1,279 名財務決策者的數據顯示， AI 在財務團隊中的執行上正出現明顯的地區差距，成因遠不止預算。

北美財務團隊較常把 AI 應用於多步驟工作流程，從自動對帳、即時現金流預測，到跨系統協調付款。歐洲、中東及非洲團隊則相對滯後。

我們最近委託 Forrester Consulting，向來自歐洲、中東及非洲、亞太區和北美的 1,279 名財務決策者進行調查。結果顯示，各地區對 AI 的投資意願相近，但實際應用程度相差甚遠：28% 的歐洲、中東及非洲財務團隊完全未有在工作流程中採用 AI，北美為 17%。兩地計劃增加 AI 投資的差距只有五個百分點，問題的核心並不在預算。

差距從何而來？數據基礎、監管環境、人才配置、金融基建，四個因素環環相扣。跨地區營運的財務主管要先理解這些條件，才有機會逐步縮窄與領先市場的差距。

除另有註明外，下文所有數據均出自 Forrester Consulting 受 Airwallex 委託進行的研究《建構面向 AI 時代的財務部門》（2026 年 6 月）。

三大地區的應用縱深

Forrester 把 AI 應用分成四層：完全未有應用、單項操作、多步驟工作流程，以及極少需要人手介入的全自主執行。

北美：領先於多步驟執行

全自主執行一層，主要地區的比例都集中在 11% 至 12% 之間，差別有限。北美真正拉開距離的位置在下一層：37% 的北美財務團隊已使用 AI 執行多步驟工作流程，AI 不再止於單項任務，而是串連多個系統，由讀取發票、核對 ERP 紀錄、驗證匯率，到觸發付款，最後交由人手批核。北美團隊已走出實驗階段，讓 AI 參與跨系統的日常財務營運。這些團隊在企業級基建上投入更深，面對更迫切的效率要求，也更早採用一站式金融平台，幾項條件合力推動轉變。

亞太區：各市場 AI 應用進度不一

亞太區有 23% 的受訪者表示，財務工作流程完全未有 AI 參與。不過，地區平均值掩蓋了各市場之間的明顯差異。

• 新加坡、香港和澳洲是區內應用較成熟的市場。分別有 31%、 36% 和 35% 的財務主管表示，團隊已使用 AI 執行多步驟工作流程。這三地的金融基建較為集中，而多公司主體的財務運作本身繁複，企業更有動機交由系統處理，應用因此走在前面。 新加坡尤為突出：18% 的受訪者表示，系統已能自主執行，僅需極少人手介入，為亞太區最高比例。香港的採用面亦較廣，84% 的受訪者表示，AI 已以不同形式嵌入財務工作流程。澳洲走向相近，採用集中於多步驟執行，而非零散任務。 區內其他受訪市場仍處於較早階段。系統分散、數據整合不一，令 AI 往往停留在較窄的任務層面，難以支援完整工作流程協調。

• 中國內地呈現另一套結構條件。中國雖為全球 AI 發展的領先市場，企業財務自動化的推進步伐相對較慢，原因在於營運成本結構不同，後台財務職能大規模交由系統處理的壓力也較低。

整體而言，亞太區的差異不在於企業是否意識到 AI 的重要性，而在於財務系統是否足夠互通，能否支援跨流程、跨公司主體、跨貨幣的營運協調。

歐洲、中東及非洲：步伐審慎

歐洲、中東及非洲的財務團隊較常停留在單一任務應用階段，或尚未讓 AI 參與財務流程執行。

英國正成為區內較成熟的市場。17% 的受訪者表示，系統已能自主執行，僅需極少人手介入，比例與亞太區領先市場相若。不過，英國同時仍有相若比例的團隊表示，財務流程完全未有 AI 參與，反映即使在成熟經濟體內部，企業之間的差距亦正在擴大。

歐洲大陸及部分區內市場整體仍處於較早階段。荷蘭在所有受訪市場中比例最高，達 35% 表示財務流程完全未有 AI 參與。法國和以色列亦進展較慢，約三分之一受訪者表示未有使用，而達到自主執行者僅 6%。差距背後涉及多項因素：較嚴格的監管環境、較分散的財務系統，以及財務部門對營運風險和治理採取較審慎的態度。

投資 AI 之前，先理順財務基建

領先一步的財務團隊，並非只是導入 AI，而是已經建立互通的財務基建。付款、換匯、開支管理和對帳等流程，集中在同一套系統內運作。

數據互通是 AI 擴大應用的前提

AI 底層的數據，決定 AI 能否真正發揮作用，而 Forrester 的調查正好印證了這一點：歐洲、中東及非洲有 58% 的財務團隊表示數據分散或前後不一；北美則為 47%。整體調查中，65% 的決策者認為數據分散是擴大 AI 應用的首要障礙。

實際運作中，倫敦的應付帳款團隊透過一套系統處理發票；新加坡的財資團隊用另一套系統管理換匯風險；美國公司主體再用第三套系統處理薪酬。當企業要求 AI 協助改善全球現金配置，它無法跨系統讀取完整資料。資料不全，結論自然不全。

走在前面的機構，往往已在過去一輪投資周期，把財務流程逐步整合至互通的財務系統，讓 AI 模型可以讀取統一、連貫、可直接用於營運的數據。其他機構仍受制於分散的系統架構。試點難以推進至正式營運，因為底層數據結構不一致、不完整，系統之間也未能互通。

北美的投資差距深於表象

根據摩根士丹利，美國企業 AI 投資約 1,090 億美元，高於全球其他地區總和。北美亦佔全球數據中心容量逾六成。對於紐約的財務主管而言，要取得用於訓練和運行 AI 模型的算力相對直接：數據中心就在本地，成本較具競爭力，基建亦成熟。

換到部分歐洲、中東及非洲或亞太區團隊，同等算力往往成本更高，亦可能受能源使用上限約束，或牽涉跨境數據傳輸安排，AI 未開始訓練，摩擦已先出現。

亞太區內部的數據整合情況亦呈現相似分化：香港和澳洲等市場數碼基建較整合，推進速度較快。其他市場仍停留在較早階段，原因不一定是缺乏意識，而是底層系統未能跟上。

監管、人才與算力拉開推進速度

監管要求與人才配置，鮮少出現在 AI 就緒程度的評估清單上，但 Forrester 的數據顯示，兩者理應在內。

歐洲、中東及非洲採用步伐較審慎

歐盟已建立全球最完整的 AI 監管架構。受歐盟《AI 法案》(EU AI Act) 及 GDPR 規範，AI 模型在接觸真實財務流程之前，團隊須先證明其結果可審計、可解釋、可治理；落到實際，便是試點上線前數以月計的文件、影響評估與層層審批。

這份審慎在高風險財務場景自有道理：一筆交易分類錯誤、一個信貸決定無法解釋，都會帶來監管後果。歐洲監管機構建立的是一套耐用框架，世界其他地區假以時日，大概也會走向相近方向。然而時間成本在數據中清楚浮現：歐洲、中東及非洲之內，英國推進較快，較輕的監管取向，似乎與較高的執行成熟度有關。

北美的監管框架較分散，較依賴自願標準，財務團隊因此可以分階段部署：先推出足夠可靠的版本，在實際運作中監察表現，再逐步改善，無須等待完全合規的版本方才上線。試錯與擴展的速度，自然相對更快。

人才在加速差距

摩根士丹利數據顯示，美國聚集全球約六成頂尖 AI 研究人員。北美財務團隊更常把數據科學家和機器學習工程師直接納入財務部門，而非事事交由中央資訊科技團隊處理。財務主管若想建立自動化關帳流程，數據工程師就坐在三張桌子以外，無需向 IT 提交請求再等六個星期。

監管與人才會互相放大。合規要求愈高，財務團隊愈需要同時理解 AI 、數據治理和營運風險的人才。這種兼具數據科學與合規知識的混合人才本已稀缺，當合規門檻更高、人才供應更緊，阻力便愈見明顯。資本、人才與落地速度，就此形成一個互相加強的循環。

區域差異如何影響基建選擇

回到區域差異背後的根本問題，數據指向一項關鍵前提：AI 在財務領域要走向規模化，財務團隊日常使用的各個系統之間，數據必須能夠互通和流動。

全球 65% 的決策者將數據不互通視為障礙；84% 的團隊仍需人手介入，方能完成財務工作流程。不少企業已經整合平台，但平台整合並未帶來真正互通：數據雖然集中在較少系統內，系統之間仍未真正連接。

基建設計因此會成為限制，也可能成為突破口。AI 所需的財務系統，不只要集中儲存付款、換匯、帳戶及支出數據，更要讓這些數據貫通不同工作流程。

Forrester 針對供應商選擇的研究結果亦指向同一點：66% 的決策者在評估平台時，會優先考慮平台能否在更廣闊的財務生態系統中串連流程和系統。更具長遠價值的架構，不是單純替換系統，而是把系統連接起來。跨地區企業應選擇能夠支援跨境、跨貨幣及不同監管環境的基建，避免每進入一個新市場便再製造新的數據孤島。系統集中化與真正營運互通的分別在於：前者只是減少平台數量，後者讓數據能夠跨流程、跨市場、跨貨幣流動。

資料來源：除另有註明外，本文引用的所有數據，均出自 Forrester Consulting 受 Airwallex 委託進行的研究報告《建構面向 AI 時代的財務部門》（2026 年 6 月）。