三分之一財務總監已暫停擴展 AI：剖析背後三大營運隱憂

金融及財務部門承擔了企業內所有 AI 工具的開支，因此自然是第一個對投資回報率提出質疑的部門。

根據 Forrester 今年受 Airwallex 委託對 1,279 名金融及財務決策者進行的研究報告，在已經使用 AI 的領袖中，超過三分之一今年並沒有擴展 AI 的計劃。

乍看之下，這聽起來像是某種退縮。過去幾年，各大企業紛紛在金融、營銷、工程和營運等工作流程中引入 copilot、自動化工具以及功能日益強大的模型，大家普遍預期 AI 的應用只會持續增長。

然而，這次暫停揭示了更複雜的情況。金融及財務部門往往能同時看到 AI 應用的兩面：一方面看到新工具承諾帶來的生產力提升，另一方面則看到發票、實施成本，以及最終必須反映在預算、利潤率或現金狀況表上的回報。這讓金融部門成為率先將 AI 熱情轉化為理性追問的地方——這項投資究竟帶來了什麼實質成果？

除非另有說明，否則本文引用的所有數據均來自 Forrester Consulting 受 Airwallex 委託於 2026 年 6 月進行的研究報告《建構面向 AI 時代所需的財務營運》。

AI 正揭示早已存在的營運痛點

Forrester 的研究顯示，高達 53% 的受訪者將「缺乏運行 AI 金融流程的經驗」列為擴展 AI 的首要障礙。另有 40% 表示，除了短期生產力提升之外，他們難以證明進一步投資的合理性。對許多企業而言，這項技術還建基於跨部門、跨系統和跨地域的碎片化數據之上。

團隊多年來積累了大量系統：您的公司可能會在不同的子公司運行不同的會計平台，維護獨立的會計科目表，手動進行跨境對帳，並依賴試算表來連接資訊——這種碎片化強迫您的團隊手動整合所有數據。

在整合數據方面，AI 的容錯率更低。例如，員工能夠理解同一個供應商在三份總帳中可能存在微小名稱差異；相反，若要讓 AI 代理進行自動對帳，就必須先消除底層數據中的這類不一致性。

因此，數據碎片化依然高居障礙清單的前列。在 Forrester 的研究中，歐洲、中東及非洲地區 (EMEA) 有 58% 的金融領袖將其視為重大技術挑戰；相比之下，北美地區的比例為 47%。

技能問題也存在同樣挑戰：專業人員熟悉會計、內部控制、資金管理以及自家業務的營運細節，但較少團隊擁有圍繞 AI 重新設計這些流程的經驗，這意味著需要決定自動化在何處發揮價值，以及何處仍需要人類的判斷。

這種重新設計需要既能完成月結、又能處理底層數據模型的人才。這種兼具會計專業判斷與數據流暢度的人才在招聘市場上極為罕見，因此大多數團隊必須從現有員工中進行培訓與轉型。

金融部門可能過早要求 AI 實現回報

暫停擴展的背後還有另一種可能性：企業可能過早要求 AI 產生投資回報。德勤估計，典型的 AI 應用場景需要兩到四年的時間才能收回成本，而其他技術投資大約需要 7 到 12 個月，在其調查的管理層中，只有 6% 表示在一年內獲得了回報。

大多數技術投資都有熟悉的商業案例，企業投入固定金額，預期獲得可量化的效益，並根據設定的回收期來評估結果。然而，AI 卻無法套用這種傳統模式。

全新的 AI 模型可能會縮短對帳、準備預測報告或回答業務諮詢所需的時間，但真正的價值來自節省下來的時間如何被利用。它們可以讓公司在不增加員工人數的情況下擴展業務、加快結帳速度，或者為團隊提供更多進行戰略分析的時間。但這些效益都不會以獨立項目的形式直接出現在損益表上。

此外，運用 AI 通常伴隨着新系統、數據架構、營運流程與職能角色的轉變。同一項研究發現，管理層難以將 AI 本身產生的回報與周圍整體環境轉變所帶來的回報區分開來。因此，解決之道在於更精準地釐清部門要衡量什麼指標，以及設定多長的評估週期。

經驗似乎能讓這個過程變得更容易。在另一項針對金融團隊的研究中，處於 AI 採納最早期階段的團隊中有 30% 表示難以證明 ROI 的合理性，而在最成熟的團隊中這一比例降至 21%。雖然差距並不算巨大，但發展方向相當明確：企業越擅長使用 AI，就越能從中挖掘價值。

暫停 AI 擴展可能意味著兩種截然不同的戰略

停止 AI 投資，與暫停腳步以確保下一次投資產生效益，這兩者之間有著本質的區別。

一個團隊可能整整一年不購買任何新 AI 工具，但仍能取得重大進展：推進跨實體數據標準化、減少手動交接、建立自動化流程的控制機制，並培訓員工掌握現有系統。另一個團隊可能只是單純等待技術自我完善。一年後，這兩個團隊所處的位置將截然不同。

能夠獲取實質回報的公司，往往是將 AI 深度融入其營運流程中，而不是僅將其視為獨立的軟件類別。

• ServiceNow 在《華爾街日報》財務總監理事會峰會上記述，公司通過 AI 相關應用節省了約 3.55 億美元，其中約 1.25 億美元直接轉化為淨利潤，其餘資金則重新投資於其他業務。

• Shopify 要求員工在申請額外員工人數之前，必須先證明 AI 為何無法完成該任務，這直接將 AI 納入公司的資源分配預算，而非僅僅是 IT 技術預算。

• Levi Strauss 在內部構建了一個 AI 代理，將部分訂單輸入流程所需的時間從數天縮短至數分鐘。

這是三間截然不同的公司，以三種完全不同的方式應用 AI。他們的共通點是將技術與具體的營運流程及明確的成果緊密結合。相較於僅僅統計有多少員工在使用某款 AI 工具，這種做法雖然更有挑戰性，但無疑更加有效。

數據基礎可能比 AI 模型本身更重要

圍繞企業 AI 的討論總是回歸到技術本身：哪款模型性能更優異、AI 代理現在能做什麼，以及技術提升的速度有多快。但決定金融領袖最終成敗的差異其實更簡單：每個部門都需要看到一致的金融資訊、交易需要統一的編碼，系統之間需要順暢交換數據，而不需要有人手動匯出試算表。

這些問題早在生成式 AI 出現之前就已存在。對於在多個實體、多種貨幣和多個市場運營的公司來說，穩固的基礎可以從最基本的環節開始——例如在整個企業中獲得一致且清晰的現金狀況。隨後是數據標準化，最後才是重新設計流程與培訓懂業務的人才這項更為深遠的工作。

不少團隊選擇暫停 AI 擴展，直到準備好重新梳理底層基礎，這是完全正確的選擇。但董事會應該追問的是：這些團隊在等待的過程中正在建構什麼？一個能夠整合數據、建立控制機制並指導員工圍繞 AI 重新設計工作模式的團隊，將能為下一代工具提供落地的基石。Forrester 的研究結果也指向了相同的方向：金融領袖正在思考，在 AI 能夠實現大規模應用並發揮其巨大潛力之前，組織究竟需要做出哪些根本性的改變。

Source: Unless stated, all statistics referenced in this article come from "Building An AI-Ready Finance Function", a commissioned study conducted by Forrester Consulting on behalf of Airwallex, June 2026.