Board AI 决策调查发现：CFO 对 AI 的信任跑在治理前面
Board 发现，C-suite 内部存在一种显著矛盾：48% 的 CFO 会在 AI 建议与自身判断相冲突时采纳 AI 的建议。Board 的 AI 决策调查表明，财务主管如今比 CIO 和 COO 更愿意依赖大语言模型。但正式的控制机制尚未跟上这种信任。
这一转变不只是职场 AI 使用率的又一次上升。大语言模型，即 LLM，正成为预算、预测、招聘、库存和投资等战略决策的输入来源。它们也正在取代高管数十年来所信赖的信息来源。
因此，核心较量并非 AI 与人类高管之间的对抗，而是高管采用速度与机构问责之间的博弈。在许多企业能够解释、审查或可靠衡量 AI 影响之前，AI 已被引入重大决策。
Board 的 AI 决策调查揭示 C-suite 的新习惯
LLM 已从生产力助手转变为具有影响力的战略建议来源。
Board 于 2026 年 5 月和 6 月调查了 300 名美国 CFO、CIO 和 COO。所有参与者均任职于年营收至少 1 亿美元的组织。
该公司于 9 月 16 日通过规划智能报告发布研究结果。由于 Board 销售企业规划软件，其结论应接受与任何供应商资助研究同等程度的审视。即便如此，不同职能层级之间的差异仍揭示了高管行为的重要变化。
61% 的受访者将 LLM 列为对其战略决策影响最大的外部信息来源之一。这使 ChatGPT、Claude、Gemini 和 Copilot 领先于调查中列出的所有传统来源。
行业同行和专业网络的占比为 42%。技术供应商为 37%，外部顾问为 28%。14% 的受访者提到了 Gartner。
这一结果并不证明高管认为 AI 比经验丰富的顾问更准确。它表明，在决策过程中，LLM 输出已变得格外易于获取。高管无需另约会议，就能请求摘要、情景分析、质疑意见或建议。
在这三类职能中，CFO 报告的使用率最高。69% 的 CFO 将 LLM 视为有影响力的资源，而 COO 和 CIO 的比例分别为 58% 和 56%。
当 AI 与高管意见不一致时，这种差异就变得更为关键。48% 的 CFO 表示会在这种情况下采纳 AI 建议。CIO 的相应比例为 33%，COO 则为 11%。
在三类受访者中，31% 表示会在 AI 建议与自身判断冲突时遵循 AI 的建议。只有 39% 表示，组织已针对 AI 驱动的决策建立正式治理和升级处理程序。
这些数字反映了两项相关进展。AI 已在决策过程中获得一席之地，而问责系统仍更像是为传统软件建立的体系。
Board CFO Gordon Pothier 对 CFO Dive 表示，财务主管通常更保守，也更具怀疑精神。他认为，他们的采用行为证明了当前 AI 推动浪潮的强度。他更重要的建议涉及分歧情形：高管应对建议进行压力测试，而不是自动接受。
这种区别十分重要。咨询 LLM 并不等同于委托其作出决策。然而，当高管在意见冲突时采纳其建议，即使最终批准仍由人类签署，这项技术也更接近于拥有决策权。
CFO 为何此时转向 LLM
高管采用 AI，是因为其规划周期无法匹配所面临决策的速度。
Board 更广泛的调查结果描绘出一个受陈旧信息困扰的组织。85% 的受访者表示，过去一年中，他们面临更快作出决策的压力。只有 27% 表示其组织能够实时重新规划。
四分之三的受访者表示，其约半数或更多规划决策依赖于超过 30 天的数据。83% 表示，其董事会曾根据明知已过时的预测采取行动。40% 表示，这些决策造成了显著的业务后果。
这些发现补足了 CFO AI 决策的背景。财务团队并非只是被对话式界面吸引。他们正试图缩短变化发生与高管作出响应之间的距离。
传统规划通常需要收集运营数据、统一定义、更新模型并准备演示材料。当修订后的预测提交给董事时，其背后的假设可能已经发生变化。
LLM 看似提供了一条更快的路径。它可以在几秒内总结报告、比较情景、提取假设并构建问题。连接后的系统还能够检索内部信息，并纳入外部信号。
当任务具有探索性时，这种速度确实能创造价值。财务主管可能询问，哪些假设对利润率下降的影响最大。模型可以帮助识别需要进一步深入分析的情景。
危险在于，人们可能将流畅的输出误认为是最新证据。LLM 不会自动知道底层销售数据是否完整，或是否经过适当治理。它可以基于过时预测生成自信的解释，也同样可以基于最新预测这样做。
Board 的报告包含了这一问题的一个令人不安的信号。59% 的受访者表示，其 AI 投资目前超过了所带来的价值。然而，该群体中仍有 92% 计划在未来 12 个月提高支出。
另有 21% 表示，其公司向董事会、投资者和同行呈现的 AI 表现，比现实情况更为乐观。这一结果表明，采用压力并非完全由经过验证的回报所驱动。
Pothier 用一个问题概括了同侪压力：“我真的想成为那个没有跟上这股浪潮的 CFO 吗？”这种担忧可以理解，但它不是商业论证。
Board 首席产品官 David Marmer 提出了更严谨的框架。他表示，购买更多 AI 并不能解决根本的规划问题。组织必须将 AI 与具体决策、假设和负责人员相连接。
这正是有组织的 AI 知识库变得相关的地方。模型需要可追溯的上下文，而不是一堆不受控制的文档。决策质量取决于是否知道使用了哪些信息、何时更新，以及由谁负责。
CFO 的 AI 决策让财务部门面临新压力
财务主管如今必须同时捍卫 AI 的经济价值，以及受 AI 影响决策的完整性。
CFO 在这一转型中处于特殊位置。他们批准技术支出、监控回报、监督规划，并经常质疑过于乐观的预测。如今，他们也正成为自己必须评估的技术的频繁用户。
这种双重角色解释了为何 Board 的发现影响不止于财务部门。CFO 的建议会影响资本配置、人员编制、定价、收购和投资者沟通。错误可能在任何人察觉其共同来源之前，就已扩散至整个业务。
财务主管还面临董事会要求更快答复的压力。当董事要求提供另一个情景时，LLM 可以立即生成回复。传统规划周期则可能需要数天。
这种便利改变了预期。一旦高管团队看到 AI 在几分钟内生成答案，就更难为较慢的流程辩护。即使较慢的流程包含必要的验证环节，情况也是如此。
CIO 面临不同的压力。他们必须保障系统安全、控制访问权限、选择模型并管理技术可靠性。然而，Board 发现，CIO 将 LLM 视为战略影响因素的可能性低于 CFO。
COO 则更不愿意遵循与自身判断冲突的 AI 建议。他们的工作通常涉及通用模型无法直接观察的物理限制、供应商状况和一线运营。
这些职能差异会带来组织摩擦。财务部门可能接受运营部门认为不现实的 AI 生成情景。技术领导者可能拒绝某个工作流程，因为模型缺乏获批访问权限或审计控制。
Board 还发现，代理式 AI 的采用并不均衡。代理式 AI 指能够在有限干预下规划并执行多步骤任务的系统。66% 的 CIO 和 60% 的 CFO 表示，正在真实业务流程中积极使用此类系统。只有 38% 的 COO 表示如此。
报告中的回报也呈现相似模式。73% 的 CIO 和 71% 的 CFO 声称，代理式 AI 已带来清晰、可衡量的回报。COO 中这一比例降至 52%。
这些百分比均为自报数据，且来自供应商资助的研究。它们并不能证明不同公司采用了统一的回报计算方式。不过，这一差距表明，各项高管职能可能正通过不同的运营视角评估 AI。
因此，财务组织需要建立共享审查机制。每一项重大建议都应明确源数据、模型、假设和人类负责人。团队还应记录该建议进入流程后发生了哪些变化。
当结果令人失望时，这份记录尤为重要。没有它，领导者就无法区分模型失败、数据薄弱、实施不力，或是无视系统的高管决策。
人类的有用角色不只是批准最终输出，而是质疑问题框架、核查证据，并判断该问题是否适合获得 AI 协助。问责在答案出现之前便已开始。
采用速度已超过经验证的决策质量
高 AI 使用率并不能证明，AI 已改善那些带来最重大财务后果的决策。
独立研究进一步强化了这一区别。Gartner 对 204 名财务领导者进行的调查发现，45% 的财务 AI 投资侧重于生产力。只有 20% 主要聚焦于决策质量。
这项财务 AI 调查结果指出了活动量与企业价值之间的差距。更快地准备文档或完成对账可以带来有用的效率提升。然而，这些收益并不会自动改善定价、投资或风险决策。
生产力更容易衡量。团队可以比较自动化前后的工时。决策质量往往只能在数月后显现，外部条件还可能掩盖结果。
这一衡量难题使 Board 的 AI 决策调查变得更加复杂。高管可以报告 LLM 对自己产生影响，但影响并不是结果。该调查并未判定遵循模型是否带来了更好的决策。
里士满联邦储备银行的证据提供了有益背景。其企业 AI 证据基于 2025 年末收集的 603 份回复，以及另外 145 份补充回复。
企业报告称，AI 在生产效率、决策速度和产出方面带来了收益。然而，研究人员几乎没有发现 AI 已实质性改变整体员工人数或成本的证据。受访者预计，AI 在短期内对总体就业的影响也有限。
这些结果与显著的运营收益并不矛盾。但它们也没有“AI 已经彻底改变企业经济效益”的说法那么戏剧化。
Capgemini 在 2025 年 8 月和 9 月调查了 500 名 C-suite 高管。仅 17% 表示，他们已将 AI 作为标准做法，积极用于战略决策的多个环节。另有 42% 表示会选择性使用。
这项高管决策研究发现，47% 的受访者称决策质量获得了明显或更大幅度的提升。59% 的受访者表示，决策时间和成本也有类似改善。
然而，同一项研究发现，仅 1% 的人预计 AI 会在三年内自主作出某些战略决策。高管似乎乐于接受辅助，但并不愿交出正式责任。
这条边界说起来容易，执行起来却很难。领导者可以仍是名义上的决策者，同时高度依赖模型提供的框架。人类可能审阅答案，却不会重新构建其背后的推理过程。
LLM 还可能助长自动化偏见，即即使存在相反证据，人们仍倾向于采纳机器建议。对话式表达的流畅性让这种影响更难察觉，因为这些建议看起来像是经过推理的人类建议。
因此，Board 调查中关于冲突的问题才是最重要的衡量指标。一名 CFO 即使个人不同意，仍然遵循 AI 的建议，可能是因为发现了自己最初遗漏的证据。同样的行为，也可能反映出对一个有说服力但缺乏依据的答案的屈从。
该调查并未揭示哪一种解释适用。这一尚未解决的差异，应阻止读者将 48% 这一数字视为进步的证明，或鲁莽行为的证明。
治理是高管使用 AI 的薄弱环节
当 AI 影响一项难以轻易逆转的决策时，问责缺口将变得最为危险。
仅 39% 的 Board 受访者表示，其组织已为 AI 驱动的决策建立正式治理和升级处理流程。这意味着，高管对 AI 的依赖正在扩大，而许多组织尚未针对相互矛盾、不清晰或高风险的建议制定明确的应对机制。
治理并不意味着将每一个提示词都交由委员会审议。它要求让审查程度与决策后果相匹配。
为会议起草问题几乎没有直接风险。建议收购估值、信贷政策、裁员方案或盈利假设，则风险大得多。这些决策需要可追溯的数据和独立审查。
治理问题并非假设。Deloitte 调查了 200 名来自北美、年收入至少 10 亿美元公司的 CFO。93% 表示，其公司已在关键运营环节使用 AI。
96% 对其治理框架表示有信心。不过，59% 将平衡部署速度与风险管理列为首要治理挑战。成本透明度、网络安全和受保护内容同样是重要关切。
这项AI 治理调查发现，19% 的 CFO 认为自己主要负责 AI 治理。这使财务负责人排在 CIO 和安全负责人之后，但排在 CEO 和董事会之前。
对框架有信心，并不能证明员工会始终遵循它。组织需要证据证明控制措施在真实决策中有效运作，尤其是在高管面临时间压力时。
Capgemini 发现，71% 的受访者担忧法律和安全风险。69% 提到难以解释受 AI 影响的决策，60% 则认为企业数据不足。
52% 担忧自己验证输出质量或相关性的能力。30% 特别提到，存在基于 AI 作出错误决策的风险。
这些担忧界定了高管使用 AI 所需的最低控制要求。模型应访问经批准的信息、展示来源材料，并保留决策记录。采取行动前，具备相应资质的人员必须对结果提出质疑和审查。
组织还需要针对分歧制定升级规则。如果高管判断与 AI 相冲突，答案不应取决于哪一方听起来更自信。
审查可以将模型来源与底层记录进行比对。也可以要求第二个团队在未看到建议的前提下重新完成分析。高风险案例可能需要法律、安全或领域专家审查。
公司还应区分公共 LLM 与受保护的企业系统。将机密预测输入未经批准的服务，可能带来隐私和留存风险。即使是获批系统，也可能因内部数据不完整而给出错误答案。
治理必须覆盖决策情境，而不仅是模型本身。一项技术上准确的建议，仍可能忽视对员工的影响、合同义务或变化中的市场环境。
这也是为什么人工监督必须具备真正的权力。无法延后或否决建议的审查者，只是摆设。有效监督意味着有人要负责追问：组织是否应当采取行动。
三个信号将显示高管信任是否合理
企业 AI 的下一阶段，将通过决策记录、可衡量的回报和可执行的治理来评判。
第一个信号是，企业是否开始将决策质量与生产率分开衡量。更快的分析具有价值，但不能继续作为更好判断力的主要替代指标。
财务团队应追踪一组定义明确的受 AI 影响决策。他们可以记录建议内容、考虑过的替代方案、人工判断依据以及最终结果。这将创造超越用户调查和供应商宣传的证据。
预测准确性的提高将增强 CFO 运用 AI 辅助决策的理由。反复推翻建议、纠正结果或出现无法解释的错误，则会削弱这一理由。相关衡量标准不是高管使用 AI 的频率，而是 AI 能否可靠地改善所选择的结果。
第二个信号是，正式治理是否能跟上使用速度。Board 发现，仅 39% 的高管已建立治理和升级处理流程。未来调查应显示，这一数字是否会随采用率一同上升。
可信的系统将界定哪些决策需要人工验证，以及模型可以使用哪些数据来源。当 AI 建议与高管判断冲突时，它还会保留相应记录。
治理失败将削弱采用 AI 的叙事。这类失败可能包括机密数据泄露、缺乏依据的财务主张、监管审查，或事后无人能够解释的决策。
第三个信号是，持续增加的投资是否能带来董事会可以验证的回报。Board 发现，59% 的人认为当前 AI 投资超过了已实现的价值。该群体中几乎所有人仍预计会增加支出。
这种模式可以在早期投资周期中持续。但当项目始终与收入、风险降低、预测准确性或可衡量的运营收益脱节时，为其辩护将变得更加困难。
董事会应询问，支出增加是否因为经过验证的应用场景正在扩大。他们应将这一理由与由竞争焦虑驱动的投资区分开来。
Board 的 AI 决策调查捕捉到了真实转变，但这并非 AI 已获最终胜利。LLM 已成为高管的重要信息来源，而组织尚未就如何治理其影响达成共识。
对于知识工作者而言，眼下的经验同样务实。AI 可以拓宽决策可获得的证据范围，但其答案仍应与可审查的来源材料相连接。ask remio 等工具可以通过将问题锚定在用户自身知识中，支持这一过程。
检验标准很简单：当结果出现后，你的组织能否重建一项受 AI 影响的决策为何作出？如果不能，下一笔投资应先加强情境、衡量和问责机制，再增加更多自动化权限。
