由中國科學(xué)院大學(xué)的董浩宇、華南理工大學(xué)的張鵬坤等多位研究者組成的國際團(tuán)隊，在2025年12月發(fā)表了一項名為《FINCH: Benchmarking Finance & Accounting across Spreadsheet-Centric Enterprise Workflows》的重要研究成果。這項研究首次構(gòu)建了一套專門測試AI在真實財務(wù)會計工作中表現(xiàn)的評測體系，結(jié)果令人震驚：就連最強(qiáng)大的AI系統(tǒng)也只能完成不到40%的工作任務(wù)。

想了解這項研究的讀者可以通過論文編號arXiv:2512.13168v1查詢完整內(nèi)容。

**一、從理想走向現(xiàn)實：AI遭遇的"職場大考"**

在科技公司的宣傳片里，AI助手總是能夠輕松處理各種辦公任務(wù)，仿佛只要敲敲鍵盤說幾句話，復(fù)雜的財務(wù)報表就能自動生成。然而，當(dāng)研究團(tuán)隊真正讓這些AI"上崗"處理真實的財務(wù)工作時，現(xiàn)實卻給了所有人一記響亮的耳光。

這場測試的主角是目前市面上最強(qiáng)大的AI系統(tǒng)，包括OpenAI的GPT-5.1、Anthropic的Claude Sonnet 4.5、Google的Gemini 3 Pro等。這些平時在各種基準(zhǔn)測試中表現(xiàn)優(yōu)異的AI明星，在面對真實財務(wù)工作時卻顯得力不從心。即便是表現(xiàn)最好的GPT-5.1 Pro，在花費(fèi)了整整48小時的"加班時間"后，也只能成功完成38.4%的工作流程，而Claude Sonnet 4.5的成功率更是只有25%。

這個結(jié)果讓很多人感到意外。畢竟，在實驗室環(huán)境下，這些AI在各種標(biāo)準(zhǔn)化測試中的表現(xiàn)都相當(dāng)出色。那么，真實的職場工作到底有什么特別之處，能讓這些"超級大腦"頻頻敗下陣來？

答案就隱藏在研究團(tuán)隊精心構(gòu)建的FINCH評測體系中。FINCH這個名字本身就很有趣，它不僅是"Finance"的縮寫，也是一種小鳥的名字，象征著這套評測系統(tǒng)雖然看似小巧，卻擁有敏銳的洞察力，能夠精準(zhǔn)捕捉到AI在真實工作環(huán)境中的各種問題。

**二、深入企業(yè)內(nèi)部：從安然公司的"數(shù)字遺產(chǎn)"中尋找真相**

要理解FINCH的獨(dú)特之處，我們需要先了解研究團(tuán)隊是如何構(gòu)建這套評測體系的。與以往那些基于人工合成數(shù)據(jù)的測試不同，F(xiàn)INCH的數(shù)據(jù)來源完全來自真實的企業(yè)環(huán)境，其中最重要的素材來自安然公司（Enron）。

安然公司雖然因為財務(wù)丑聞而臭名昭著，但從研究角度來看，它卻留下了一份珍貴的"數(shù)字遺產(chǎn)"——大約15000個真實的電子表格文件和50萬封企業(yè)郵件。這些材料完整保留了一家大型企業(yè)日常財務(wù)運(yùn)作的全貌，包括各種復(fù)雜的跨部門協(xié)作、版本迭代、數(shù)據(jù)校驗等真實工作場景。

研究團(tuán)隊如同考古學(xué)家一般，從這些海量的企業(yè)數(shù)據(jù)中精心挖掘出172個完整的工作流程。這些流程涵蓋了企業(yè)財務(wù)工作的方方面面：從簡單的數(shù)據(jù)錄入到復(fù)雜的金融建模，從日常的報表制作到重要的風(fēng)險評估。每一個工作流程都包含384個具體任務(wù)，涉及1710個電子表格，總計超過2700萬個數(shù)據(jù)單元格。

這個數(shù)據(jù)規(guī)模聽起來可能很抽象，我們可以這樣理解：如果把這些電子表格打印出來堆疊起來，大概相當(dāng)于一棟20層樓的高度。而這還不包括那些配套的PDF文檔、圖表和其他輔助材料。

更重要的是，這些工作流程并不是孤立存在的。就像真實的企業(yè)工作一樣，它們相互交織、層層依賴。一個看似簡單的數(shù)據(jù)更新可能會影響到十幾個不同的報表，而一個計算錯誤可能會在整個財務(wù)體系中產(chǎn)生連鎖反應(yīng)。這種復(fù)雜性正是傳統(tǒng)基準(zhǔn)測試所無法捕捉的。

**三、三條路徑構(gòu)建真實場景：郵件、版本歷史與專業(yè)文檔**

為了確保測試的真實性和全面性，研究團(tuán)隊采用了三種不同的方法來構(gòu)建工作流程，每種方法都像是從不同角度觀察同一個復(fù)雜的鉆石。

第一種方法是從企業(yè)郵件中提取工作流程。研究團(tuán)隊開發(fā)了一套智能分析系統(tǒng)，能夠識別那些明確提到業(yè)務(wù)目標(biāo)的協(xié)作郵件，比如"更新RAC排名"或"修訂2002年分配方案"等。這些郵件往往包含了完整的工作指令和相關(guān)附件，為研究團(tuán)隊提供了真實工作場景的第一手資料。

不過，郵件分析也分為兩種情況。在"強(qiáng)關(guān)聯(lián)"情況下，郵件中包含了完整的輸入文件和最終結(jié)果，這樣的郵件為研究提供了完美的工作流程樣本。但更多時候遇到的是"部分關(guān)聯(lián)"的情況，郵件中可能只提到了工作目標(biāo)，而缺少必要的文件。這時，研究團(tuán)隊就需要像偵探一樣，從其他渠道尋找缺失的拼圖。

第二種方法是分析電子表格的版本歷史。在企業(yè)環(huán)境中，重要的財務(wù)文檔往往會經(jīng)歷多次修訂，每次修訂都反映了特定的業(yè)務(wù)需求或問題解決過程。研究團(tuán)隊開發(fā)了專門的算法來識別這些版本變化，并推斷出變化背后的業(yè)務(wù)邏輯。這種方法特別有價值，因為它捕捉到了那些可能從未在郵件中明確表述的隱性工作流程。

第三種方法是利用高質(zhì)量的專業(yè)文檔。研究團(tuán)隊從投資公司、證券機(jī)構(gòu)、世界銀行、加拿大和英國政府等組織收集了大量專業(yè)財務(wù)文檔，然后將這些完成品逆向分解為工作流程。這就像是根據(jù)一道精美的菜肴來推斷烹飪過程一樣，需要深厚的專業(yè)知識和豐富的經(jīng)驗。

整個構(gòu)建過程耗費(fèi)了700多個小時的專家標(biāo)注時間，每個工作流程都經(jīng)過了嚴(yán)格的質(zhì)量控制。為了確保準(zhǔn)確性，研究團(tuán)隊甚至使用了AI作為"第二評判員"，讓GPT-5.1 Pro和Claude Sonnet 4.5來檢查標(biāo)注結(jié)果的一致性。

**四、多維度挑戰(zhàn)：復(fù)雜性、混亂度與多模態(tài)的三重考驗**

FINCH之所以能讓最強(qiáng)大的AI系統(tǒng)敗下陣來，關(guān)鍵在于它準(zhǔn)確還原了真實財務(wù)工作的三個核心特征：任務(wù)的復(fù)合性、數(shù)據(jù)的混亂性和信息的多模態(tài)性。

首先是任務(wù)復(fù)合性的挑戰(zhàn)。與實驗室中那些設(shè)計精巧的單一任務(wù)不同，F(xiàn)INCH中78.5%的工作流程都涉及多個相互關(guān)聯(lián)的任務(wù)。這就像是要求一個廚師不僅要會炒菜，還要同時負(fù)責(zé)采購、備菜、調(diào)味、擺盤和清潔，而且這些環(huán)節(jié)必須無縫銜接，任何一個環(huán)節(jié)出錯都可能影響最終結(jié)果。

實驗結(jié)果清楚地顯示了這種復(fù)合性對AI的影響。當(dāng)工作流程只包含一到兩個任務(wù)時，GPT-5.1 Pro的成功率還能達(dá)到44.3%，但當(dāng)任務(wù)數(shù)量超過兩個時，成功率就急劇下降到23.5%。這種現(xiàn)象被研究人員稱為"誤差累積效應(yīng)"，就像多米諾骨牌一樣，前面的小錯誤會在后續(xù)步驟中被不斷放大。

其次是數(shù)據(jù)混亂性帶來的困擾。在學(xué)術(shù)研究中，數(shù)據(jù)通常都經(jīng)過精心整理，格式統(tǒng)一、結(jié)構(gòu)清晰。但在真實的企業(yè)環(huán)境中，數(shù)據(jù)往往是混亂的、不一致的，充滿了各種例外情況和特殊格式。

在FINCH的測試中，單個工作流程平均涉及8個不同的電子表格，有些復(fù)雜的流程甚至?xí)婕岸噙_(dá)91個表格。這些表格往往采用不同的格式和布局，有的使用合并單元格，有的包含多級標(biāo)題，還有的穿插著各種圖表和注釋。最復(fù)雜的工作簿包含多達(dá)370萬個數(shù)據(jù)單元格和數(shù)十萬個公式，形成了一個龐大而復(fù)雜的依賴網(wǎng)絡(luò)。

第三個挑戰(zhàn)來自信息的多模態(tài)性�，F(xiàn)代財務(wù)工作不僅僅涉及數(shù)字和文本，還包括各種圖表、圖像和PDF文檔。在FINCH的測試中，約10.5%的工作流程需要處理多種不同格式的文檔，7.6%的流程明確要求AI理解PDF或圖像中的信息。

這種多模態(tài)的要求對AI來說特別困難。舉個例子，AI可能需要從一份PDF格式的財務(wù)報告中提取特定數(shù)據(jù)，然后將這些數(shù)據(jù)整合到Excel表格中，同時還要保持原有的格式和布局。這不僅需要理解不同格式文檔的內(nèi)容，還要理解它們之間的邏輯關(guān)系。

**五、AI敗北的深層原因：五大致命弱點(diǎn)的剖析**

通過對失敗案例的詳細(xì)分析，研究團(tuán)隊發(fā)現(xiàn)了AI在處理真實財務(wù)工作時存在的五大關(guān)鍵問題，這些問題就像是AI身上的"阿基里斯之踵"，在簡單測試中可能不會暴露，但在復(fù)雜的真實場景中卻成為致命弱點(diǎn)。

第一個問題是任務(wù)理解偏差。企業(yè)財務(wù)工作往往依賴大量的隱含知識和上下文信息，而這些信息通常不會在明確的指令中體現(xiàn)。就像一個經(jīng)驗豐富的會計師能夠根據(jù)業(yè)務(wù)背景理解某個數(shù)據(jù)調(diào)整的真實意圖，但AI卻經(jīng)常按照字面意思執(zhí)行指令，導(dǎo)致結(jié)果偏離實際需求。在研究中，10%的失敗案例都源于這種理解偏差。

第二個問題是數(shù)據(jù)檢索錯誤。在復(fù)雜的多表格環(huán)境中，準(zhǔn)確找到所需的數(shù)據(jù)就像在圖書館中尋找特定的書籍一樣困難。AI經(jīng)常會選擇錯誤的數(shù)據(jù)范圍，或者從錯誤的表格中提取信息。這類錯誤占到了失敗案例的25%，而且往往具有連鎖反應(yīng)，一個小的檢索錯誤可能導(dǎo)致整個分析鏈條的崩塌。

第三個問題是公式推理能力不足。財務(wù)工作中的公式往往蘊(yùn)含著復(fù)雜的業(yè)務(wù)邏輯，比如稅務(wù)計算、折舊攤銷或風(fēng)險調(diào)整等。AI雖然能夠執(zhí)行現(xiàn)有公式，但在需要理解公式背后的業(yè)務(wù)邏輯或創(chuàng)建新公式時就顯得力不從心。35%的失敗案例都與公式推理有關(guān)，這也是失敗率最高的單一原因。

第四個問題是代碼生成質(zhì)量低下。許多復(fù)雜的財務(wù)任務(wù)需要通過編程來完成，但AI生成的代碼經(jīng)常存在語法錯誤或邏輯問題。更重要的是，這些代碼往往無法正確處理電子表格的復(fù)雜布局和格式要求。25%的失敗案例都源于代碼問題，這反映了AI在將抽象指令轉(zhuǎn)化為具體實現(xiàn)時的局限性。

第五個問題是數(shù)據(jù)渲染和格式處理能力欠缺。財務(wù)工作不僅要求數(shù)據(jù)準(zhǔn)確，還要求展示美觀、格式規(guī)范。AI往往能夠生成正確的數(shù)據(jù)，但在圖表制作、報表格式或布局設(shè)計方面表現(xiàn)不佳。雖然這類問題只占失敗案例的5%，但在實際工作中卻可能嚴(yán)重影響工作效果。

**六、不同AI系統(tǒng)的表現(xiàn)差異：各有所長但都有短板**

在FINCH的測試中，不同AI系統(tǒng)展現(xiàn)出了各自的特點(diǎn)和局限性。GPT-5.1 Pro采用了更加細(xì)致的工作策略，會將復(fù)雜任務(wù)分解為多個小步驟，每一步都進(jìn)行驗證和檢查。這種方法雖然耗時更長（平均每個工作流程需要16.8分鐘），但確實提高了成功率。

相比之下，Claude Sonnet 4.5更傾向于使用更直接的解決方案，步驟更少但每一步的跨度更大。有趣的是，在涉及數(shù)據(jù)可視化的任務(wù)中，Claude生成的圖表往往比GPT更加美觀和準(zhǔn)確，這可能反映了不同系統(tǒng)在不同能力方面的專長。

通過API接口調(diào)用的模型表現(xiàn)相對較差，這主要是因為它們只能進(jìn)行單次調(diào)用，無法像網(wǎng)頁版AI那樣進(jìn)行多輪交互和錯誤修正。不過，研究團(tuán)隊通過改進(jìn)數(shù)據(jù)編碼格式和優(yōu)化提示策略，顯著縮小了API模型與網(wǎng)頁版AI的性能差距。

在具體任務(wù)類型上，所有AI系統(tǒng)都在數(shù)據(jù)錄入、結(jié)構(gòu)調(diào)整和翻譯任務(wù)上表現(xiàn)較差。特別是翻譯任務(wù)，這令很多人感到意外。原來，財務(wù)表格的翻譯不僅涉及語言轉(zhuǎn)換，還需要保持復(fù)雜的格式布局和數(shù)據(jù)關(guān)系，這比普通文本翻譯要困難得多。

**七、人機(jī)評判的一致性：自動化評測的可靠性驗證**

為了確保評測結(jié)果的可靠性，研究團(tuán)隊同時采用了人工評判和AI自動評判兩套標(biāo)準(zhǔn)。有趣的是，AI作為"裁判員"的表現(xiàn)相當(dāng)不錯。在GPT-5.1 Pro的測試中，AI裁判與人工專家的判斷一致性達(dá)到82.1%，在Claude Sonnet 4.5的測試中更是達(dá)到90.2%。

這種高一致性的背后有其深層原因。研究團(tuán)隊設(shè)計了一套多模態(tài)評判框架，AI裁判不僅能夠分析文本和數(shù)據(jù)，還能夠"觀察"表格的截圖，識別格式、圖表和布局等視覺元素。在某些情況下，AI裁判甚至比人工專家更加敏銳，能夠發(fā)現(xiàn)一些人眼容易忽略的細(xì)微錯誤，比如公式被意外替換為靜態(tài)數(shù)值等問題。

不過，AI裁判也有其局限性。它有時會過于嚴(yán)格地按照字面意思執(zhí)行評判標(biāo)準(zhǔn)，忽略了一些合理的變通做法。而且在處理一些需要深層業(yè)務(wù)理解的復(fù)雜情況時，AI裁判的準(zhǔn)確性還有待提高。

**八、真實企業(yè)環(huán)境的"惡劣條件"：為什么AI會失敗得如此徹底**

FINCH測試結(jié)果之所以如此"殘酷"，根本原因在于真實企業(yè)環(huán)境的復(fù)雜性遠(yuǎn)遠(yuǎn)超出了人們的想象。這種復(fù)雜性體現(xiàn)在多個相互交織的層面上。

首先是規(guī)模上的挑戰(zhàn)。真實的財務(wù)工作往往涉及龐大的數(shù)據(jù)體系，幾十個相互關(guān)聯(lián)的工作簿、數(shù)百個工作表、成千上萬的數(shù)據(jù)單元格構(gòu)成了一個復(fù)雜的信息網(wǎng)絡(luò)。在這樣的環(huán)境中，即使是很小的定位錯誤也可能導(dǎo)致嚴(yán)重后果。

其次是語義上的困擾。財務(wù)領(lǐng)域充滿了相似但不同的概念，比如"收入"和"營業(yè)收入"、"利潤"和"凈利潤"等。這些概念在不同語境下可能有細(xì)微差別，對于缺乏領(lǐng)域知識的AI來說很容易混淆。

第三是結(jié)構(gòu)上的不規(guī)則性。與教科書中的標(biāo)準(zhǔn)表格不同，真實的財務(wù)文檔往往采用各種非標(biāo)準(zhǔn)的布局和格式。合并單元格、多級標(biāo)題、嵌套表格等復(fù)雜結(jié)構(gòu)對AI的理解能力構(gòu)成了嚴(yán)峻挑戰(zhàn)。

第四是邏輯上的隱含性。許多財務(wù)操作背后蘊(yùn)含著復(fù)雜的業(yè)務(wù)邏輯和歷史慣例，這些信息往往不會在表面數(shù)據(jù)中明確體現(xiàn)。比如某個定價公式可能看起來是簡單的數(shù)學(xué)計算，但實際上反映了55天的付款周期安排。

最后是多模態(tài)信息的整合難度�，F(xiàn)代財務(wù)工作需要同時處理表格、文檔、圖表和圖像等多種格式的信息，而且這些信息往往相互引用、相互依賴。對AI來說，理解單一格式的信息已經(jīng)不容易，要準(zhǔn)確整合多種格式的信息更是難上加難。

正是這些因素的疊加效應(yīng)，導(dǎo)致了即便是最強(qiáng)大的AI系統(tǒng)也在FINCH測試中敗下陣來。這并不意味著AI技術(shù)不夠先進(jìn)，而是說明了真實世界的復(fù)雜性確實超出了當(dāng)前技術(shù)的處理能力。

**九、展望未來：AI與人類協(xié)作的新可能**

盡管FINCH的測試結(jié)果顯示AI在處理復(fù)雜財務(wù)工作時還有很大局限性，但這項研究的價值恰恰在于為未來的改進(jìn)指明了方向。

研究結(jié)果表明，當(dāng)前AI的主要問題不在于基礎(chǔ)能力不足，而在于缺乏處理復(fù)雜、混亂、多模態(tài)信息的綜合能力。這意味著未來的AI發(fā)展重點(diǎn)應(yīng)該放在提高系統(tǒng)的魯棒性和適應(yīng)性上，而不是單純追求在標(biāo)準(zhǔn)化測試中的高分。

同時，研究也揭示了人機(jī)協(xié)作的巨大潛力。雖然AI難以獨(dú)立完成復(fù)雜的財務(wù)工作流程，但在特定子任務(wù)上仍然表現(xiàn)出色。未來的財務(wù)工作可能會發(fā)展成為一種新的協(xié)作模式：AI負(fù)責(zé)處理大量的數(shù)據(jù)計算和格式轉(zhuǎn)換工作，而人類專家則專注于業(yè)務(wù)邏輯理解、質(zhì)量控制和決策制定。

此外，F(xiàn)INCH的構(gòu)建方法本身也具有重要價值。通過從真實企業(yè)數(shù)據(jù)中提取工作流程，研究團(tuán)隊開創(chuàng)了一種新的基準(zhǔn)測試構(gòu)建思路。這種方法不僅能夠更準(zhǔn)確地評估AI系統(tǒng)的實際應(yīng)用能力，也為其他領(lǐng)域的AI評測提供了有益借鑒。

說到底，F(xiàn)INCH不僅僅是一套測試工具，更像是一面鏡子，讓我們更清楚地看到了AI技術(shù)的現(xiàn)狀和前景。它告訴我們，雖然AI在很多方面已經(jīng)表現(xiàn)出色，但要真正融入復(fù)雜的人類工作環(huán)境，還有很長的路要走。這不是AI的失敗，而是我們對AI能力邊界有了更準(zhǔn)確的認(rèn)識，為未來的技術(shù)發(fā)展提供了更明確的目標(biāo)和方向。

Q&A

Q1：FINCH評測體系與傳統(tǒng)AI測試有什么不同？

A：FINCH使用的是來自安然公司等真實企業(yè)的工作數(shù)據(jù)，包含15000個電子表格和50萬封郵件，構(gòu)建了172個真實的財務(wù)工作流程。與傳統(tǒng)測試使用人工合成的簡單數(shù)據(jù)不同，F(xiàn)INCH的測試環(huán)境完全還原了企業(yè)工作的復(fù)雜性、混亂性和多任務(wù)協(xié)作特點(diǎn)。

Q2：為什么最強(qiáng)大的AI模型在FINCH測試中表現(xiàn)這么差？

A：主要因為真實財務(wù)工作具有五大挑戰(zhàn)：任務(wù)理解需要隱含的業(yè)務(wù)知識、在復(fù)雜多表格環(huán)境中數(shù)據(jù)檢索困難、公式推理需要理解業(yè)務(wù)邏輯、代碼生成要處理復(fù)雜格式、多模態(tài)信息整合難度大。這些問題在簡單測試中不會暴露，但在真實場景中會累積放大。

Q3：FINCH測試結(jié)果對企業(yè)使用AI有什么啟示？

A：結(jié)果表明AI目前還無法獨(dú)立完成復(fù)雜的企業(yè)財務(wù)工作，成功率只有25-38%。但這不意味著AI無用，而是需要重新定位AI的角色，讓AI處理數(shù)據(jù)計算和格式轉(zhuǎn)換等標(biāo)準(zhǔn)化工作，人類專家負(fù)責(zé)業(yè)務(wù)邏輯理解和質(zhì)量控制，形成更合理的人機(jī)協(xié)作模式。