Anthropic 财务团队每周省下 20 小时：Claude 改变的不是算数，而是决策效率

最近读了 Anthropic 官方博客里的最新一篇文章，讲的是他们自己的企业财务与战略团队如何使用 Claude。

这篇文章看起来是在讲财务场景，但我觉得它真正有价值的地方，不只是“财务团队也在用 AI”，而是它把 AI 在知识工作中的位置说得很清楚：

AI 最有价值的地方，不一定是替人做最终判断，而是成为工作流程下面那层稳定的”完整性检查层”。

财务工作难的不是只有数字

很多人一提到财务，就会想到报表、模型、Excel、数字准确性。

但 Anthropic 企业财务与战略团队的 Alice Fong 在文章里强调，财务工作的核心其实是讲清楚数字背后的故事。

比如：

• 为什么某个关键指标发生了变化？
• 这个变化是产品发布、模型发布、定价变化，还是销售动作带来的？
• 当前的收入、利润率、现金使用情况，对未来几个季度意味着什么？
• CFO 和董事会看到这些数字时，是否能理解完整上下文？

也就是说，财务不是简单地把数字填进表格，而是要把一堆不断变化的数据，整理成一个能被管理层理解和决策的叙事。

而这恰恰是最容易被低估的部分。

最大的消耗来自“反复确认”

Alice 举了一个很典型的例子：季度董事会材料（PPT）。

在董事会材料发出之前，数字会不断刷新。每次数字更新，对应的文字说明也要重新检查。

更麻烦的是，这份材料通常是多人协作完成的。不同伙伴会同时更新自己的页面。于是每一次改动，都可能影响整套材料的叙事一致性。

她过去需要反复检查：

• 第 4 页的评论，是否还和第 17 页的数字一致？
• 某个新指标是否被引入，但没有解释定义？
• 前面的结论和后面的图表是否冲突？
• 某个说法是否缺少必要的背景说明？

这类工作很重要，但非常消耗时间。它要求人不断在数字、文字、上下文之间来回切换。

这也是 Claude 开始发挥价值的地方。

Claude 承担的是“完整性检查层”

现在，Alice 会把董事会材料交给 Claude Cowork，让它检查每个数字和主张是否能对应到同一个事实源。

她还会让 Claude 像董事会成员一样阅读材料，找出：

• 哪里自相矛盾；
• 哪里缺少上下文；
• 哪里数字和叙事没有对齐；
• 哪里可能让读者产生误解。

这个用法很关键。

Claude 并不是简单地“帮她写幻灯片”，而是在整个工作流程下面增加了一层持续运行的完整性检查。

当数字变化时，Claude 可以重新检查一次；当文档被多人更新时，Claude 可以重新确认叙事是否仍然成立。

这相当于把过去需要人反复通读材料的工作，交给 AI 先做一轮稳定、细致的检查。

人则把注意力放到更重要的问题上：

这组数字到底说明了什么？

AI 不是替代判断，而是释放判断

文章里有一个很值得记住的点：Claude 帮她每周节省了 10 到 20 小时。

但这些时间不是被用来“少工作”，而是被重新投入到更高价值的事情里：

• 和团队协作；
• 思考业务变化；
• 做前瞻性分析；
• 提出场景问题；
• 判断哪些趋势值得管理层关注。

这也是我觉得这篇文章最有启发的地方。

AI 在企业里的价值，不只是自动化某个任务，而是重新分配人的注意力。

过去，人被大量”确认、核对、改写、同步口径”的工作占满。现在，这些工作可以由 AI 先处理一大部分，人再把精力放到判断和叙事上。

月度财务回顾：让 AI 写第一版，人来做编辑

另一个例子是月度财务回顾。

这类文档通常会分析实际表现和预测之间的差异。比如收入是多少，预测是多少，偏差多少，主要由什么因素驱动。

Alice 的做法是，把相关财务表格、模型数据和支持上下文放进文档，然后让 Claude Cowork 按团队已有的语气写第一版说明。

比如：

收入为 A，相比预测 B 偏差 C%，主要由 D 驱动。

这不是把最终结论交给 AI，而是让 AI 先生成一个合格的初稿。

人再负责编辑、判断和补充。

这背后的关键价值是“稳定的口径”。月度汇报不是一篇自由发挥的文章，而是一套持续复用的管理语言。它需要和上个月、上个季度保持一致。

Claude 能参考之前的文档和项目记忆，延续同样的表达方式。

财务模型：AI 开始进入 Excel 深水区

文章还提到 Claude for Excel 的进步。

早期的 AI 工具擅长文本，不太擅长数字和复杂模型。但 Alice 观察到 Claude for Excel 已经从不能很好地跨工作表跟踪引用，发展到可以追踪多个 tab，找出资产负债表不平衡的根因。

当她打开一个不熟悉的模型时，会先让 Claude 总结关键驱动因素，标记结构性问题，然后再决定自己要深入哪里。

这说明 AI 在财务里的角色正在发生变化。

它不只是一个写作助手，也开始成为模型诊断助手。

当然，这并不意味着人可以完全相信 AI 的每个判断。财务模型仍然需要人负责最终确认。但 AI 可以先帮人找到可能的问题区域，减少盲目排查时间。

上下文决定 AI 的上限

这篇文章还有一个非常重要的观点：Claude Cowork 之所以有用，是因为它能看到足够多的上下文。

包括：

• 文档；
• 本地文件；
• 邮件；
• Slack；
• 历史项目记忆。

Alice 会把重要文档加入项目记忆；当跨团队讨论里做出某个决定时，她会让 Claude 提取结论和理由，保存下来，供下一次董事会周期使用。

这其实是在把团队的隐性知识结构化。

很多企业问题并不是“没有信息”，而是信息散落在邮件、会议纪要、聊天记录和文档里。等到需要写汇报时，人要重新翻一遍上下文。

Claude 的价值就在于，它可以把这些上下文组织起来，在需要的时候调出来。

不同受众，需要不同的 AI 记忆

还有一个细节很值得借鉴：Alice 会为不同受众维护不同项目。

比如：

• 月度财务回顾一个项目；
• 董事会材料一个项目。

因为不同材料的语气、格式、关注点都不一样。

月度 review 可能更关注经营节奏和差异解释；董事会材料则更关注战略叙事、风险和未来判断。

所以，AI 的“记忆”也不能混在一起。

这点对我们平时使用 AI 也很有启发。不要把所有工作都塞进一个会话里，而是应该按任务、受众和语境拆分项目。

从这个案例里，我学到的三件事

第一，AI 最适合先接管那些高频、重复、但又不能出错的工作。

比如检查口径、核对数字、发现矛盾、整理上下文。这些工作非常耗费注意力，但并不总是最需要人的创造性判断。

第二，AI 的价值会随着工作重复而累积。

一次性的任务当然可以用 AI，但真正有复利的是月报、周报、董事会材料、经营分析这类周期性工作。因为每做一次，项目记忆、表达格式和上下文都会变得更完整。

第三，AI 不是替代专业判断，而是把专业判断前面的杂活压缩掉。

财务人员真正有价值的地方，不是反复读材料找错，而是解释业务变化、提出风险假设、帮助管理层决策。

AI 做的是把人带到更接近判断的位置。

写在最后

这篇 Anthropic 财务团队的实践，让我对 AI 在企业里的落地有了一个更清晰的理解。

很多人讨论 AI 时，会问：它能不能替代某个岗位？

但更现实的问题可能是：它能不能成为某个岗位下面的“操作层”？

在财务场景里，这个操作层包括：

• 数字和叙事的一致性检查；
• 月度材料的第一版生成；
• 模型结构问题诊断；
• 跨团队上下文提取；
• 不同受众的表达风格维护。

当这些工作被 AI 承担后，人并没有变得不重要。

相反，人更需要承担真正重要的部分：判断、解释、取舍和前瞻。

这可能也是未来很多知识工作的变化方向。

不是 AI 替你完成整份工作，而是 AI 先把工作中最消耗注意力的那一层托住，让你有更多时间去完成真正需要人的部分。