成败不在算法本身，而在算法之外：商业价值是否清晰、组织底座是否就绪、责任是否共担、专家经验是否被尊重。
9 月 16 日至 17 日，2026 ITValue Summit 数字价值年会在三亚如期举行。本届大会以 "AI 的系统落地 " 为主题，力求把企业 AI 从做出一个项目的讨论，进一步推进到能力建设、产业协同和实际价值。
CIOxCFO 闭门会已连续举办三届，本届闭门会上，推动企业 AI 落地的两类关键角色—— CIO 们和 CFO 们围绕 "AI 技术价值兑现 " 这一话题展开了深度交流。
钛媒体联合创始人、ITvalue 发起理事万宁在主持中提到，"AI 时代，除了 CIO 更多从技术层面讨论 AI 共创的问题，在企业内部管理过程中，CFO 同样跟 CIO 扮演着重要角色，比如价值投资，AI 项目的回报，以及如何将财务与 IT 拉通。"
他进一步指出，经过近段时间与 CFO、CIO 们的交流，能够发现在于几点：可能是喊口号与做事之间出现了特别大的差距，管理层与执行层之间出现了上热中温下冷的状态；可能是高质量数据的稀缺；也可能是安全合规的问题，收益难以衡量，组织变革难以跟上的挑战。
ACCA 政策及洞察高级经理练瑾雯、ACCA 华南区专家指导小组主席雷志荣、绿城中国数字化建设中心总经理补声东、湖南星邦智能装备股份有限公司 CIO& 智慧研究院院长谢鹏，分别从问题挑战、数字底座、组织共治、价值度量等维度进行分享；在自由讨论环节，来自不同领域的嘉宾，就 AI 项目的组织推动、价值衡量，以及 CFO 与 CIO 的职能进化与边界融合等话题进行了深入探讨。
AI 转型的四个缺口与应对之道
ACCA 政策及洞察高级经理练瑾雯将企业 AI 落地的挑战归纳为四个结构性缺口——价值、流程、规模和信任。但这个四个缺口并非没有可解之道，需要重新定义价值、设计流程、建立复制机制并构建信任。
价值缺口上，报告显示财务部门评估战略数据价值的方法层次不齐：仅 21% 的受访者会对 AI 项目进行 ROI 测算，更多受访者采用相对主观的方式，28% 尚未建立系统化方法。重构派主张将最优个体经验固化到系统，工具派认为 AI 尚不成熟、追求极致效率，实用派主张 AI 先作为执行者融入现有流程。
路径无对错，需匹配企业文化与行业阶段。价值衡量要平衡长期主义与短期胜利，企业既不能用长期主义掩盖不作为，也不能用短期焦虑牺牲未来基础。
很多企业只是把 AI 当做更快、更好用的员工，却从未从流程角度重设任务边界、数据流与决策机制。报告将企业自动化分为五个阶段，多数企业仍停留在一至三阶段。建议优先场景应选高价值、小切口、可量化、快验证，用小切口积累信任。
对于流程中存在的数据瓶颈问题，练瑾雯将其归纳为数据质量、技能缺口、多源整合三方面原因。从企业所争论的结果上看，数据问题的本质是业务问题而非纯技术问题。对于多数企业，" 在奔跑中治理 " 比 " 先治理再奔跑 " 更现实。长期看，数据质量的根本改善依赖于用系统替代不规范的人工节点；短期看，高管必须具备 " 在不完美数据中决策 " 的能力。
在规模缺口方面，试点难规模化有四个原因：场景本身难复制、基础不统一、组织与机制缺失、经营逻辑不成立。人才能力影响推广速度，复制基础与推广机制决定规模上限。在推进策略上需选择 " 战略上自上而下，战术上自下而上 " 一把手解决 " 要不要做 "，中层一线解决 " 怎么做 "。节奏上应 " 方向坚定、路径灵活、小步快跑 "，建立容错文化，做到 " 小错不断、大错不犯 "。
在信任缺口上，报告受访者高度担忧 AI 生成的洞察或基于不完整数据做出的决策，准备程度普遍很低。
最后，练瑾雯探讨了 AI 时代 CFO 与 CIO 的角色演变。在 AI 转型和组织边界日益模糊的背景下，CFO 和 CIO 的角色与能力都在持续演变，CIO 面临 " 成为六边形战士 " 还是 " 坚守 IT 主战场 " 的路径选择，而 CFO 则承担起价值定义、投资组合管理、可信治理和跨部门流程共建等呼应四类缺口的责任，其角色因行业、组织规模和架构不同而有所差异。
练瑾雯的看法是，最后一公里只能靠专家的真实经验，越往后专家越稀缺。组织越大，财务对数据与技术的职责越明显，同时 IT 与财务的融合程度、CFO 自身的角色迭代与能力提升，也因企业成熟度不同而存在显著差异。
从 BI 到 Data Agent，先搭商业逻辑再谈 AI
作为 ACCA 华南区专家指导小组主席，润德教育董秘，雷志荣结合自身从 CFO 转任董秘、推动数智化转型的经历，系统介绍了如何搭建 BI 体系并自然过渡到 Agent，最终让 AI 成为管理层的战略顾问。
在她看来，数字驱动决策经历了三个阶段：初期靠人的经验野蛮发展；成熟期靠 " 人 +BI" 模式，用数据看板辅助科学决策，充当管理层的 " 导航仪和驾驶舱 "；AI 原生阶段则借助 AI Agent 实现人机协同，起到辅助驾驶的作用。
雷志荣指出，AI 落地难集中在两点：业务端需求描述不清，缺少体系性、前瞻性，以及缺乏高质量数据。她强调，BI 是 AI 的数字底座，BI 负责搭建商业洞察体系、湖仓一体、完成数据治理、建立数据血缘关系和知识图谱，AI 才能在此基础上开发。如果只拉 BI 看板、不建结构化数据库和知识图谱、回头还在补数据血缘，AI 就是空中楼阁，难以实现。她介绍了从 BI 到 AI 的完整流程：
搭建商业洞察体系，涵盖战略发展、公司治理、财务分析、商业分析、绩效考核、风险管理；
业财整合，传输数据、设计数据湖结构、建设数据仓库；
清洗数据，建立全量数据字典、数据血缘关系、知识图谱、评价标准体系，并推动数据治理，即业务流程改造、数据源头标准化、标签化；
生成可视化 BI 看板；
在 BI 基础上开发 AI ( Data Agent ) 。
由于 BI 是静态展柜、固定报表，而且看板众多、指标繁杂，用户难以快速定位数据，因此开发 Data Agent，用自然语言即可查询数据、分析经营、获取趋势判断。雷志荣强调，Data Agent 不仅是智能问数工具，更是中高层管理人员的专家指导顾问，它不仅回答问题、进行分析、给出标准评价、提示风险，并引导下钻归因分析及行动建议，协助管理层实现 " 数据→洞察→决策→行动→复盘 " 完整链路。
雷志荣强调，" 商业主导的 AI" 与 " 技术主导的 AI" 效能不同，商业角度投入产出比是纯技术主导的几倍，一定要有商业牵引、价值驱动，AI 才能真正落地。从结果上看，她所带领的财务分析团队升级为数字战略部，用 " 业务架构师 + 全栈工程师 " 敏捷开发的模式，2 人团队用半年开发完 BI、三个多月开发 AI（即 Data Agent，商业洞察智能体），增量成本为零。
她认为，" 流水的 AI 工具，铁打的商业逻辑 "。商业逻辑是价值创造的恒定内核，在 BI 与 Data Agent 开发中，必须以真实的商业场景、决策链路和指标体系为锚点，AI 的价值不在于工具本身的先进性，而在于它能否被有效嵌入业务闭环、解决具体的经营问题。因此，希望把战略管理和经营分析思路传输给 AI，让它起到 CFO 角色的保驾护航作用。
企业级 AI 的三方共治与价值兑现
绿城中国数字化建设中心总经理补声东分享了企业级 AI 从建设到落地的完整实践，核心逻辑是 " 三方共治、价值兑现 "，三方共治是业务定义、技术保障、财务验证，即引入业务、财务和数字化共同做数字化内容，业务负责定义场景，IT 负责技术实现，财务负责价值验证，法务合规安全贯穿全程。
点击链接下载报告：《企业级 AI：业财共治与价值兑现》
补声东指出，当前企业 AI 存在四个割裂：员工都在用 AI 但不用企业的 AI；高层说 AI 重要但业务中层没有需求；一线仍在手工合表；数据不敢接到公域大模型。此外，投入上第一年一大半花在模型和算法上，业务收益很难验证。
他强调建设顺序从经营结果反推：先锁经营目标，再抓获客、转化、交付、服务四大流程，每个场景写清给谁用、改变什么环节、基线是什么，否则无从验证。其解法是：三方共建、三方共治——业务出题、IT 答题、一线阅卷，同时，业务定义、技术保障、财务验证。
具体来讲，技术上不重建系统，为 100 多个存量系统做增强入口；用模型无感路由省成本，确定性计算交给独立计算引擎；业务规则以文字形式存入规则引擎。组织侧要求数据、流程、机制三就绪：审批由 AI 前置初审给出红绿灯，人只关注重点环节。补声东直言：" 没有底座的 AI 就是空中楼阁，做 AI 之前必须做到 AI Ready 的组织——数据就绪、流程就绪、机制就绪。"
补声东提出要让员工持续使用，必须做到入口顺手、答案可信、任务闭环。入口要嵌入员工现有工作平台，答案要能溯源，明确引用章节，让用户点开就能看到出处。任务要闭环，不能只生成一段文字，要补充相似问题和相关 Skill。同时，还要让任务走进关键流程，改变关键作业和决策点。同时，高管强推一线不认、数据不行直接淘汰、业务不做第一责任人的不予立项。
补声东提出三层价值评估体系：能力提升、管理改善、经营贡献。立项必须回答功能目标和价值变现目标，建立价值基线，确认收益兑现。成本要算全成本，包括建设、运营、退出。他坦言，真实的 AI 价值是显性的减损还是加速了周转，并强调 AI 是驱动管理变革的工具，价值核算应是共同价值，不能把系统、人、组织变革的收益割裂区分，否则代价很大且 AI 没法干。
AI 是战略级问题，CIO 的翻身仗要靠算得清
作为湖南星邦智能装备股份有限公司 CIO 兼智慧研究院院长，谢鹏四年前跨界进入装备制造行业负责全球信息化。他开场立了两个前提：AI 不是目的、不是赶潮流；也绝不只是 IT 部门的事。
他认为传统 CIO 的价值边界正受挑战，要么被边缘化，要么变成大红人。" 传统的 CIO，我认为他的价值边界已经非常受到挑战了，要么就被边缘化，要么又变成一个大红人。" 谢鹏说。
破局是建 AI 中台：一是让关键用户更低门槛地使用核心系统；二是在工艺、研发、质量管理中把老师傅的 Know-How 沉淀成知识库；三是给业务流定 L1 到 L5 的智能成熟度模型，L5 是像员工一样可被 " 多点连接 " 的数字人。他在两年内上线了 92 个 Agent。
谢鹏介绍，公司自研了星邦门户项目 Starkey，把所有 Agent 做集成，基于 Agent 开发 Skill，让任何授权员工在门户中对接想操作的业务系统，降低传统应用系统使用门槛。同时接入高成本大模型，做全域报表输出和报表分析。
他认为，AI 对 CIO 而言是翻身仗，是延续职业生命的重要机会，因为 AI 帮助 CIO、CFO 和其他 CXO 改变了对话模式。他还在所有业务部门增加了 AIBP 岗位，运作一年，公司认为他们已能实现项目汇报。他希望数字化团队和业务部门找第一场景，让业务部门复制第二场景，持续复制，最终推动组织变革和管理变革。AI 在公司已经成为战略级问题。
谢鹏提出 " 先有度量再谈规模化 "，今年他的 KPI 中 AI 回报占 30% 权重。他构建了 AI 运营看板，实时发布 AI 应用价值排名、使用次数、提效时长、Token 用量、直接价值转换、间接价值转换。
不过，谢鹏认为 Token 成本因模型选择可差一个数量级，私有训练的回报也需与 CFO 反复核算。结论是，必须有一套公认的价值公式和评估委员会。
CFO 与 CIO 的边界、底线与共创
当 " 价值缺口 " 被讲透之后，一个更棘手的问题浮出水面——过去投在数字化上的钱算不算白花？AI 的投入该由谁把账说清楚？CFO 与 CIO 的边界究竟在哪里？后半程的自由讨论环节，参会者依次给出了自己的答案。
某金融上市公司 CFO 把 CFO 的真实处境说得很直白——老板支持 AI 转型毋庸置疑，但一定会追问：投入到底多大、持续要花多少钱、什么时候能看到效果。她提出的第二个疑问更普遍：过去做数字化转型、搭数字中台、做系统对接投的钱，是不是白花了？以后 AI 的钱会不会又白花？她这次的收获恰恰是听到了否定答案：原来的钱没白花，AI 要建在数字化基础之上往前走，但这个点公司内部没人给老板科普过。她提出，价值衡量需要共创，不是 IT 单方面想出来，也不是业务单方面提出来，要大家共识衡量的价值是什么。
一位来自国企的 CFO 是带着失败案例来的。他们所在企业审批链条极长，智能审单方案大小模型都已选好，却卡在漫长流程里，期间选定的模型被换掉，最后卡在小模型买硬件上：集团要求共享资源，不同意自购服务器。他另一层思考是怎么把生产现场回传的运作数据用起来：原本打算做成 BI 给指定领导看，现在觉得不如直接上 AI 问答，数据产生的价值集成更好。他表示，CFO 比 CIO 多两横，多出来的是 " 预算 " 这道杠，所以 CFO 要向 CIO 学习去掉那两道杠。CFO 和 CIO 没有什么边界，目标都是朝着 CEO 去的，最后把数字、财务、预算、ROI 讲成同一个故事，共同朝着企业战略落地、价值实现。
另一位 CFO 表示，认为 AI 不再是一次性成本，这是它与过去 IT 建设的最大不同。他指出，过去 ERP 厂商在售前讲一个总应用成本的概念，说服客户投多少钱，本质是 " 验证值的购买 "，而 AI 不再是一次性成本，后续 Token 消耗的成本是非常大的。他坦言自己最苦恼的是 AI+ 运营，最兴奋的是 AI+ 产品、AI+ 服务，公司已有近 20 个数字人接服务，一天一万多进线，比客服同事专业且稳定。他强调 AI 没有替代人，而是减少了增量需求，把转型过来跟 AI 做 SOP、补知识库的人变得不可替代。
一位嘉宾坦言自己比当时的 CIO 还紧张，想更快推进 AI，甚至会考虑要不直接批预算用于投 AI。她对财务的定位很明确：财务不划投资回报的上限，只划投资的底线。她认为 AI 落地到底是一个降本增效还是经营重构，需要思考。她原本想过两个部门合作更高效，但最终还是认为做财务时视角纯粹、客观，看 AI 时反而容易盲目想投钱，两个角色仍需并行。
作为私募股权投资方，另一位嘉宾则认为只要业务不愿意用，所做的一切都是浪费。一方面要对领导做预期管理，让他知道钱不能随便乱花；另一方面又要让他知道过去的成本还是有浪费的。Agent 有很多部门用得很深，但很多领导同事一点感觉和概念都没有。她强调不管是 CFO 还是 CIO，要在组织里做好建设，一定离不开对业务非常深度的理解，否则数据治理、流程、AGI 落地都无法真正做到公司愿意去用。
如今来看，CFO 与 CIO 的边界正在模糊，双方需要双向融合、共创价值衡量标准，但也不能互相替代，各自要坚守专业领域。无论 CFO 还是 CIO，当 AI 投资的价值验证已成焦点，做好 AI 落地的前提是对业务的深度理解，否则所有投入都可能变成浪费。（本文首发于钛媒体 APP，文｜TechHorizon，作者｜杨丽，编辑｜盖虹达）
