COUNT ME IN

作为拥有百余年历史的全球管理会计专业组织，IMA 长期通过能力素质框架、CMA注册管理会计师认证、《战略财务》杂志及 Count Me In 播客，输出关于财务职能演进的行业判断。近期一期 Count Me In 中，主持人 Adam Larson 与惠普（HP）高级财务规划与分析（FP&A）分析师 Polina Nyer 对谈。她如今的工作已越过传统财务边界，转向跨职能推动组织级的AI项目落地。这场讨论没有停留在工具评测，而是落在更现实的一层：同一项技术进入同一间办公室，不同职业阶段的人，究竟需要怎样的支持。

一次并非始于热爱的入行

Polina Nyer 的职业起点与财务并无必然关联。她成长于保加利亚的篮球家庭，少年时期以竞技运动员为目标，因被意大利球队招募而赴意；选专业时当地尚无英文授课的本科项目，她判断以数字为主的学习比论文写作更容易越过语言门槛，于是选择了金融与国际商务。另一重影响来自家庭：父母长期从事教育，投入与回报之间始终存在落差，这让她在择业时把财务稳定性与可延展的机会放在首位。她并不讳言自己并非因热爱入行，但真正进入这个领域后逐渐确认，财务几乎可以通向任何后续的职业方向。此后她在不同国家完成实习，先后经历非营利组织与初创公司，最终加入 HP，至今将近十年；岗位则从会计、FP&A、财务转型一路演化到今天的AI落地，用她自己的话说，仍旧每周都在接触新东西。

同一项技术，对应三场不同的对话

组织习惯把“AI转型”当作一个统一议题，但新毕业生、从业二十年的人和团队负责人，站的位置并不相同。她据此把财务人群归纳为三类。其一是“AI原生”的新入职场者，对试错几乎不设门槛，缺的是尚需时间沉淀的商业判断；其二是具备业务纵深的战略型分析师，最懂业务，也往往背着最重的工作量，真正困惑的是AI该嵌进哪一段流程；其三是领导者，个人效率已不是他们的题，他们要回答的是如何建立安全、合规的使用环境，以及怎样让整支团队同步具备负责任使用的能力。她也不把这一划分视为穷尽，细分当然还可以继续，但三类已足以解释多数组织里同时并行的几种诉求。这也意味着，把同一套培训材料发给所有人，从一开始就难以奏效。

输出相近，判断力却不等价

两类人面对同一份AI输出时的差别，最能说明经验的位置。对新人而言，AI是加速器：解释概念、压缩资料、起草初稿、整理会议纪要，甚至充当随时可问的辅导者，让起步阶段的信心与速度同时提升。而资深从业者带到工具面前的，是AI并不持有的业务语境。比如模型提示毛利率下滑了两个百分点，计算本身可能无误，新人多半就此接受；做过多年的人却会立刻追问，是否恰逢更换供应商，是否当季有新品上市，又或者管理层本就主动安排了一笔投入、事先已接受短期毛利承压以换取后续回报。这些关联不写在数据里，来自亲历过的决策与后果。

预测场景同样如此。模型只能由过去推演未来，而长期与销售协同的人可能知道，某家客户正等一笔政府拨款才肯下单，或某个此前并不存在的竞争对手刚刚入场。这类信息尚未进入数据集，却足以改变下一季收入走向。她由此给出一个与常见焦虑相反的判断：AI越擅长生成信息，人的语境、关系与判断越构成价值本身。技术补的是下限，经验决定的是上限。

最忙的人，反而要先少做一点

她把自己也归入中间那一类，也最清楚这一层的陷阱。中坚分析师手里握着AI没有的经验、业务直觉与利益相关方关系——看到一张表说不出哪里不对、却确定需要再查一遍的那种直觉，恰恰是模型尚不完美时最可靠的校验；但他们可用于学习新工具的余量也最少。于是处处都用 AI，反而成了诱惑：机会看似无穷，不同任务产出的价值却并不均等。比起报一门动辄数小时、最后真正用得上的不过十几分钟的通识课，更现实的问题是，有限的时间应当投向何处。

她给出的起点相当克制：先让AI进入日常，某天十分钟、另一天四十分钟皆可，起作用的是频次而不是单次强度；熟悉之后，工具在哪些环节真正省力会自行浮现。随后选定一个高频重复任务作为切口，周一的业绩与预测更新、每月实际对预算的差异说明、周五的项目进展摘要都在此列，先把一个流程打磨稳定，再移向下一个，远优于一次性重构整份工作。与之并行，应把反复验证过、确实奏效的提示词沉淀下来，起初不过是笔记里的四五条，日积月累便是不必重写、不必重测的工具箱；她进一步认为，这本就该是组织级的基础设施，围绕财务共性场景建立共享且受质量管控的提示词库，效率远胜各自摸索。每周再留出一二十分钟，读一篇关于新功能或他人用例的短文，或索性试一试界面中常被略过的新功能提示，这种小额投入的复利通常超过偶尔一次的大块培训。最后，学习不宜独行：团队会议里留出一点时间让同事演示各自用法、交换提示词，乃至看一眼另一条业务线上同类流程的实践，往往比一场网络研讨会更有启发。这些做法彼此叠加、随时间累积，比找一段完整时间系统学AI更轻松，也更容易持续。

领导者要写的不是提示词，是护栏

视角移到管理层，问题便从“我怎么学”换成“整个组织怎么用得有效、用得负责”。数据安全、输出在规模化场景下如何校验、能力建设该先补哪一项、怎样既保护试错热情又管住风险，构成这一层真正的议程。她以上市公司为例提醒，把内部财务文件贴进公共大模型，可能同时招致监管后果与经营损害；而这类风险的对面，本就需要有人把政策写清楚。难点在于，领导者必须懂到足以治理，却又没有等到吃透全部技术细节再设边界的余裕——工具擅长什么、容易在哪里失效、所谓“幻觉”会以何等确信的语气编造信息，这些基本认知已足以支撑合理的护栏，人工校验的位置也由此确立。

她特别推崇反向导师：让高频使用工具的早期职业者带管理者看真实输出，管理者则补上商业判断与伦理维度，两相结合，政策才不至于脱离日常。她把这种状态视作AI时代领导力的要义——不是握有全部答案，而是建立一种可以安全试验、可以共享经验、且始终合规并贴合组织价值观的文化。在技术迭代近乎以周计、外部环境同时承压的阶段，文化的作用尤其明显；人们此刻确立的对待AI的方式，很可能成为未来数十年组织沿用的一套底层约定。