一项针对企业电子表格的研究发现，94% 的表格至少包含一个严重错误。花旗集团曾因一处电子表格错误，误将 9 亿美元汇给了债权人。让摩根大通损失 60 亿美元的"伦敦鲸"交易，部分原因正是 Excel 中的一次复制粘贴错误。而在 2020 年，英格兰公共卫生系统因为一张电子表格悄悄触及行数上限，导致 16,000 份新冠病毒检测结果不知去向。
如今，这些容易出错的电子表格正被一股脑地交给 AI 助手，让它"直接分析一下"。这正是今年在财务圈流传的一种说法背后令人不安的潜台词：传统的 FP&A（财务规划与分析）软件——那种专为人工点击菜单而设计的产品——已经过时了。抛出这一挑衅性观点的是 Datarails 的首席执行官 Didi Gurfinkel，这家总部位于特拉维夫的 FP&A 公司，正是靠帮财务团队摆脱"Excel 地狱"而声名鹊起。他的论点简单说就是：AI 现在已经能比人类更快、更好地搭建模型、进行分析并撰写报告——因此任何限制 AI 触及范围的工具都已经落后了。
无论你是否认同"已经过时"这种说法，只要你在为小企业记账、在精简的初创公司财务团队工作，甚至只是用电子表格管理自己公司的数字，这背后的趋势变化都值得关注。
Datarails 究竟发布了什么
Datarails——迄今已累计获得 1.75 亿美元风险融资，其中包括 2026 年初一轮 7000 万美元的 C 轮融资——推出了一个名为 FinanceOS 的平台。与其说这是一款单一产品，不如说是一次定位上的转变：Datarails 没有再去打造又一个封闭花园式的仪表盘，而是押注财务团队会继续使用他们已经偏爱的任何 AI 工具（Claude、ChatGPT、Microsoft Copilot），真正需要解决的只是让底层数据变得可信。
FinanceOS 连接数百个源系统（会计软件、ERP、CRM、薪资系统），完成那些毫不光鲜的合并工作——抵销分录、货币换算、协调来自三个不同系统且数据并不完全一致的数字——然后通过基于 Model Context Protocol 标准构建的、受治理且可审计的层，将结果开放给 AI 模型使用。一旦由 AI 构建出模型，就可以将其锁定，这样即便底层数据不断刷新，模型本身也能保持一致。
Gurfinkel 对竞争对手的评价相当尖锐：老牌厂商"其实已经出局了……他们没有足够的现金或精力去重写技术"，而那些更新的 AI 原生对手则在华丽的界面上投入巨大，却在毫不起眼的数据合并层上投入不足——他认为，后者才是真正持久的竞争优势所在。Datarails 也正在把定价模式从按坐席收费转向按使用量收费，理由是未来"使用"这款软件的将越来越多是 AI 智能体，而非人类。
财务领域的 AI 采用悖论
注意到这一点的不止 Datarails 一家。针对企业财务领域 AI 使用情况的行业调查，一次又一次呈现出同样令人费解的模式：采用率在上升，但报告出的实际影响几乎没有变化。一项 2025 年的行业基准调查发现，积极使用 AI 的财务团队占比同比只上升了一个百分点——从 58% 升至 59%——而 91% 的财务团队表示，他们已经采用的 AI 工具对实际工作的影响很低。
对于一项如此强大的技术来说，这是个奇怪的结果。CFO 和财务负责人给出的常见解释并不是模型本身不行——而是喂给模型的数据不行。各团队把一个真正强大的 AI 接入了真正混乱的源数据，然后又纳闷为什么产出的结果没什么帮助。
真正的问题不是缺少 AI，而是缺少受治理的数据
比任何一家厂商的产品发布都更值得关注的是：财务团队内部的 AI 采用率一直在上升，但 AI 带来的影响却没能跟上步伐。多项 2026 年的行业调查都指向同一个缺口——各团队开启 AI 功能的速度，比从中获得价值的速度更快，而最常被提及的原因是数据质量。一项被广泛引用的 2026 年 CFO 调查发现，63% 的财务负责人认为自己对本公司的支出数据拥有完全的可见性，而实际上真正做到这一点的只有约 5%。
这个缺口就是问题的全部所在。如果你的账目本身就是一团乱麻，接入 AI 工具并不会理顺这团乱麻——它只是把这团乱麻处理得更快，然后给你一个建立在糟糕输入之上、听起来却很有把握的答案。AI 模型并不能可靠地意识到自己什么时候出错了。它可能会引用一条两年前就已失效的税务规则，或者总结一个从未更新过的电子表格页签，语气跟它说对的时候一样笃定自信。
对小企业来说，这种情况会以看似平常却代价不菲的方式出现：
- 一份由 AI 生成的现金流摘要，其中悄悄漏掉了一个没人告诉过它的银行账户。
- 一份看似"干净"的费用报告，实际上是基于一张电子表格生成的，而这张表格中有 3%–5% 的公式单元格存在无声错误——这一比例在过去二十年的电子表格错误研究中始终保持一致，并且随着表格规模扩大而不断累积。
- 一个关于利润率、语气笃定的答案，实际上却是把两个不同财务周期的数据平均了，原因只是某个页签被复制而不是链接过去。
这些其实都不是 AI 本身的问题，而是数据治理问题——只不过 AI 让它变得更显眼了，因为现在这团乱麻会被总结成一段文字，而你更容易直接信以为真，远比面对一张明显杂乱的原始电子表格时更容易轻信。
真正"AI 就绪"的财务数据需要具备什么
无论你是否会用上 FinanceOS 这类产品，它所倡导的这套底层纪律本身，都值得单独采纳：
1. 一个唯一可信数据源，而不是一个装满电子表格的文件夹。 如果"真实数字"分散在四个修改时间各不相同的工作簿里，那么无论在上面叠加什么 AI，都不可能把它们正确地对齐——它只会去猜哪一个才是最新版本。
2. 每一个数字都要有审计轨迹。 当某个数字发生变化时，你应该能够回答为什么会变、以及是谁（或者什么）改动了它。这恰恰是电子表格最不擅长的地方——一个公式被硬编码数字覆盖后，不会留下任何痕迹。
3. 锁定并带版本管理的模型。 一个由 AI 搭建的预测模型，只有在你审阅期间保持稳定才有用。如果底层数据在模型之下悄悄持续变动，你审阅的其实是一个不断移动的目标。
4. 先治理，后自动化，而不是反过来。 大多数团队的本能反应是把 AI 直接嫁接到现有流程上。而真正获得价值的团队做法恰恰相反：先整理科目表、统一分类标准，然后才把 AI 指向这些数据。
5. 权限管理不能只靠"别动那个页签"这种口头约定。 在一张共享电子表格里，访问控制往往只是一句口头约定，说好不去改某些单元格。这算不上治理——这只是一种习惯，一旦有新人加入团队，这种习惯立刻就会被打破。无论用什么系统来存放你的数字，它都应该强制约束谁能改动什么，而不是寄希望于所有人都记得规则。
6. 记录要能够脱离工具本身而留存，而不只是留在厂商手里。 和大多数 FP&A 平台一样，FinanceOS 也是一套专有系统——它确实有用，但你的历史数据存在于别人的产品里。对于你采用的任何工具，都值得问一句：如果明天就换掉它，你能否带走一份完整、可读的财务历史记录，还是要把多年的交易记录手工重新录入一遍？
对一家只有五个人的公司来说，这真的有意义吗？
看到"FP&A 平台"这个词，很容易以为这只是大型企业才需要关心的故事。但实际上，无论公司规模大小，失败的模式都是一样的——只不过在一家五人公司里，这种问题不那么显眼，因为除了你自己，没人会去审计你的电子表格。
设想一家小型代理公司，用一张共享电子表格追踪项目盈利情况：每个客户一个页签，工时从计时工具导入，费用从信用卡账单里粘贴过来。你问 AI 助手"上个季度哪些客户是盈利的？"，它会欣然读取每一个页签，给你一份看起来很有把握的排名列表。但它不会告诉你的是：其中两个客户的页签用的是一个不同于其他页签的间接成本公式（是从旧模板复制来的），而另一个客户的数字已经过时三周，因为那个页签在最后一次开票后就没再更新过。AI 没有任何办法知道这些——它只是看到单元格里的数字，然后据此汇报而已。
解决办法未必是去买一套企业级 FP&A 软件，而是要确保在任何 AI 触碰你的数字之前，这些数字有一个唯一的存放位置、遵循一套统一的格式，并且有记录显示每一个数字最后一次变动是在什么时候。这是一个治理问题，而不是一个公司规模问题。
纯文本、版本受控账本的价值所在
这恰恰是纯文本会计从一开始就致力于弥合的缺口，早在"AI 就绪数据"成为流行词之前就是如此。一份以版本受控的纯文本格式保存的账本，从其构造方式本身就天然具备财务团队如今正拼命想要嫁接到电子表格上的那些特性：
- 每一次变动都被追踪。 Git 历史记录本身就是审计轨迹——不需要另外维护一份变更日志，也不会有公式在无声无息中被覆盖、不留痕迹。
- 只有一份权威文件，而不是一堆"final_v3"式的工作簿。 哪个版本才是当前版本，不存在任何歧义。
- 结构化、可解析的数据。 由于记账分录遵循统一的复式记账格式，而不是自由格式的电子表格单元格，AI 工具在读取账本时处理的是结构化、可审计的记录，而不是去猜测某个合并单元格到底是什么意思。
如果你是一名小企业主、自由职业者，或者独立开发者，目前正用电子表格管理账目，并且在犹豫要不要把它交给 AI 副驾驶来处理，更持久的解决办法通常是先把底层的记账方式修好。
从第一天起就让你的账本保持 AI 就绪状态
无论未来几年哪种财务工具能够胜出，真正的赢家都会是那些底层记录在 AI 触碰之前就已经值得信赖的人。Beancount.io 提供透明、版本受控、结构化的纯文本会计方案，正是为应对这种审视而设计——没有黑箱式的电子表格，没有神秘莫测的公式，只有任何工具（无论是 AI 还是人类）都能信赖的可审计记录。免费开始使用，为你的账本打下一个能够应对未来一切变化的基础。