在大多数公司里，财务团队的时间常被「修表格」「对数字」吞噬：模型一更新，PPT 里的指标就得重算一遍，备注要重写一遍，跨团队同事还在同时改各自的页面。等到一轮轮修改结束，已经很难再有精力去思考一个更重要的问题——这些数字到底在讲什么故事？
Anthropic 的做法，是让 Claude 来做「底层的数字管家」，把人从机械核对中解放出来，让财务真正回到「shape the narrative behind the numbers」——塑造数字背后的业务叙事。
在 Anthropic 官方分享的案例中，其内部财务团队成员 Alice Fong 总结了他们是如何在真实业务场景中使用 Claude 的，并尽量抽象出可供其它企业落地的实践路径。
一、从「算得对」到「讲得清」：为什么财务需要 AI
在 Anthropic，企业财务与战略团队处在整个财务组织的中枢位置。前端有面向业务线的财务伙伴（例如销售财务、产品财务），所有一线获得的一手信息，最终会汇总回企业财务团队，由他们为 CFO 和董事会「编排」一份统一的故事：
收入表现如何、利润率发生了什么变化、现金如何被投入、这意味着未来几个季度可能出现什么走向。
难点在于：业务变化非常快。
模型和产品密集发布、定价策略不断调整、销售分区和打法迭代，这些变化有时「一周发生几件」。财务的挑战就变成：在高频变化之下，如何持续给管理层一份逻辑自洽、口径统一、叙事连贯的报表和材料。
传统做法往往演变成：
- 不断更新模型数据、刷新看板和 PPT
- 每次刷新后，手动检查「第 4 页的评论」是不是还对应「第 17 页的数字」
- 各团队协作编辑同一份 deck 时，小心翼翼地追踪谁改了哪里、有没有新指标没定义清楚
Alice 的描述很典型：一份季度董事会材料，在发出前往往要改上好几轮，「到最后一天早上数字还在动，每刷新一次，我就得从头再读一遍，看这版故事是不是还讲得通。」
在这个背景下，Anthropic 做出的关键选择是：把这些「完整性」和「一致性」的工作交给 Claude，把人的时间尽量留给「解读和判断」。
二、Claude 在财务中的三大核心场景
从 Anthropic 的实践来看，他们围绕财务日常工作，沉淀了几个高频、可复用的场景。可以理解为：用 AI 在财务工作流中铺了一条「背景自动运转的生产线」。
1. 董事会材料：让 Claude 做「叙事完整性审计」
在准备季度董事会 deck 时，企业财务团队会把文件交给 Claude Cowork，要求它重点做两件事：
第一，数字一致性校验：
- 检查每一个陈述、结论是否都能在「单一可信来源」中找到对应数字（比如某张模型表或某个指标总表）
- 当底层数据刷新后，再次自动比对，提醒「这段评论已经和最新数字不匹配」
第二，从董事视角审读叙事：
- 像一位董事会成员那样通读材料，找出自相矛盾的地方
- 标记「默认为读者已知但其实未铺垫」的上下文，例如新指标没有定义、关键假设没有说明
简言之，Claude 在这里承担的是**叙事的「完整性与自洽层」**工作。
人则可以把精力集中在：我们要讲什么样的故事、如何解释拐点、要不要引导董事会关注新的风险或机会，而不是「这一页是不是又漏改了一个数字」。
对于其他企业，这个模式相对容易复制：
把「每次董事会前的通读、对表、查口径」这类高度重复、规则清晰的工作交给模型，让人从「反复读材料」转为「反复打磨观点」。
2. 月度经营复盘：先让 AI 写「第一版」，人负责打磨与校准
Anthropic 的月度财务复盘是一份按月分 tab 的 Google 文档，结构是标准的：围绕预测 vs 实际做差异分析（variance analysis）。
Alice 的做法是：
- 从财务模型中把当月核心表格抽出来，贴入文档；
- 把相关背景材料链接给 Claude；
- 让 Claude Cowork 按他们既有的写作风格，生成第一版点评，比如：
「本月收入为 A，对比预测 B，差异 C%，主要由 D 驱动……」
然后她在此基础上修改、增删细节。
关键点有两个：
- 风格的一致性：
她会让 Claude 参考前几个月的复盘文档，因此不同月份的措辞、结构、逻辑展开方式都保持高度一致。财务对管理层来说，形式感和口径统一本身就是一种「信任信号」。 - 从「写草稿」变成「做编辑」：
财务的工作重心从「从零起笔撰写」变成「审视和修正 AI 草稿」，节奏更快，也更有利于专注在真正重要的差异和洞察上。
对其他公司而言，这是一个非常适合作为「AI 落地起点」的场景：
从复盘类、固定结构的文本入手，让 AI 写「第一版」，由业务和财务负责人做最终把关。既降低了采用门槛，又能快速看到节省时间、统一口径的价值。
3. 模型排错与结构理解：用 Claude 做「财务模型的导览和诊断」
除了叙事类文档，Anthropic 还大量使用 Claude for Excel，在具体的财务模型层面做两类工作：
- 排错与对不平衡项的追踪：
早期，Claude 对跨 sheet 引用的理解能力有限，而随着能力提升，现在已经可以顺着引用链条一路追踪，找到资产负债表中不平衡的根源。
这其实是把过去资深财务分析师「手动 tracing」的经验，部分自动化了。 - 新模型的「速读指南」：
打开一个自己从未看过的模型，Alice 会先让 Claude 总结模型的关键驱动因素、主要表结构，并指出可能存在的结构性问题（例如循环引用设计不合理、关键假设散落多处等），再决定如何深入分析。
在这类场景中，Claude 既是「模型向导」，也是「模型质检员」。
这对任何习惯用 Excel / Sheets 搭模型的企业都高度适用：
把「理解一个复杂模型」「找 bug」这种传统上全凭个人经验与耐心的工作，交给 AI 来做第一轮扫描。
三、让 AI 真正「懂业务」：靠的是上下文与记忆
很重要的一点是：Anthropic 并没有把 Claude 当作一个「孤立的聊天机器人」，而是通过上下文和项目记忆，把它深深嵌入了团队的知识体系中。
1. 让 Claude 看到与人一样完整的上下文
在 Anthropic，Claude Cowork 能读取的，不只是单一文件，而是一整套与工作相关的资料来源，包括：
- 文档与本地文件
- 邮件
- Slack 中的历史对话
当 Alice 在工作中遇到一份关键文档，她会显式地把它加入某个项目的记忆（project memory）。
如果某个重要决策是在一条很长的跨部门 Slack 线程中敲定的，她会让 Claude 把最终结论和背后的推理抽出来，写到一份更容易复用的材料里，为下一次董事会或复盘做好准备。
这意味着：当 Claude 在帮她写董事会材料或月度复盘时，它调用的并不是「孤立数据 + 语言能力」，而是一整套经过筛选和固化的组织记忆。
这也是让 AI 输出更贴近真实业务、减少「胡编乱造」的关键方法论。
2. 按「受众与场景」拆分项目记忆
Anthropic 的财务团队不会把所有东西都丢进同一个大桶，而是会：
- 单独为月度复盘建一个项目；
- 单独为董事会材料建一个项目；
- 根据受众差异，分别沉淀记忆。
原因在于：不同受众的语气、背景假设、信息密度都有所不同。
一份写给董事会的材料，往往需要更高层次的概括、更严谨的风险提示；而月度经营复盘则可以细到某条产品线、某个地区的短期波动。
通过拆分项目记忆，Claude 在为不同对象生成内容时，自然会带上不同的「语感」与侧重点。这种做法，为其它企业提供了一个重要启示：别把所有知识堆在一个「公司知识库」里，而要按受众与场景分层沉淀。
四、从单点实践到组织级应用：财务组织的多角色协同
在文章最后，Anthropic 还提到了一些已经标准化为「技能」并在财务组织内扩散的用法，这有助于其它公司理解：AI 在财务里并不是只服务某一个角色。
在不同职能中的典型模式包括：
- 财务与战略团队：
分析师直接用「自然语言 + Claude」搭建交互式预测和 cohort 看板，无需工程或 BI 团队介入；每天早晨自动生成营收与核心指标摘要，推送给管理层。 - 会计团队：
进行总账与明细、银行对账时，由 Claude 先进行初步匹配与分类，草拟对账说明、草拟 Flux 分析（资产负债表 / 利润表 / 现金流），减少手工梳理工作量。 - 企业发展与投资者关系（Corp Dev & IR）：
面对每天多家潜在并购或合作对象，Claude 整理公开信息和内部笔记，快速形成 Screening 报告，随后再汇总成高层决策需要的短篇 Memo，让团队把时间更多用在判断而非「堆材料」。 - 税务与资金管理（Tax & Treasury）：
使用 Claude 辅助处理转让定价、研发抵扣、税务属地等问题时，可以附带原始法规或官方文件引用；现金与间接税的对账模式则与会计类似，沿用同一套技能模式。
可以看到，Anthropic 的一个关键思路是：把成熟用法抽象成可复用的「技能模版」，然后在整个 CFO 组织中推广，而不只是停留在「某个人的高级用法」。
对其他公司来说，这指向了一条清晰路径：先在单个团队试点 → 把成功用法总结为模板化流程或提示词 → 在整个财务与相关职能扩散。
五、给打算在财务中落地 AI 的企业的几点启发
结合 Anthropic 的经验，如果一家公司希望在财务领域真正用好 AI，可以考虑从以下几个方向入手：
- 从简单任务开始，但要坚持「循环迭代」
起步可以非常简单：让模型帮你读一份长文档、做一次要点总结，然后逐步增加复杂度，比如让它起草月度评论、检查董事会 deck 的一致性。
关键是：聚焦那些「每个月、每个季度都会重复发生」的流程，让一致性和项目记忆在一次次循环中「复利」。 - 优先选择高频、结构清晰的流程
像董事会节奏、月度复盘、定期的模型审阅，这些都有固定节拍和格式，非常适合作为 AI 落地切入口。
与其追求「一上来就端到端替代人」，不如先把最耗时、但是逻辑规则相对稳定的环节交给模型。 - 精简工具栈，但把「上下文能力」用到极致
Alice 自己的日常，几乎就依托于 Claude Cowork 项目、Claude for Excel 和 Google 套件连接器。工具并不复杂，价值来自于： - 让模型看到真实业务上下文
- 有意识地进行项目分层与记忆管理
- 让 AI 贯穿「从模型到底稿」的完整链路
- 把 AI 当成财务团队的「背景操作系统」
Anthropic 的实践本质上是在做一件事：
让 Claude 接管那些需要高集中度但可被规则化的后台工作（对账、追踪引用、检查口径），把人力释放到「提出更好的问题、讲更清晰的故事、做更远期的推演」上。
对于正在考虑「如何在财务落地 AI」的企业而言，Anthropic 提供了一个相对成熟的样板：
在财务的日常流程里，一点一点重构「数字如何被理解和讲述」的方式。当你把叙事完整性、模型诊断、文本起稿这些模块交给 AI，财务团队就有机会从「记账和报数的人」转变为「塑造公司未来叙事的关键参与者」。
参考：How Anthropic's finance team uses Claude to shape the narrative behind the numbers
