周一早上，老板甩过来一句话：
先去官网找年报、季报和公告；
再从 PDF 里抠营收、毛利、净利润、销售费用这些数字；
然后丢进 Excel 里统一口径、做同比环比、拉图表；
最后还要整理成一份“看起来像那么回事”的分析结论。
如果按老办法来，这件事没有半天基本下不来。
但这活儿，能不能让 AI 顶上？
结果是，真顶上了，而且顶得比我自己硬做还像样。
下面这篇，就把我为了摸鱼，我让AI 做完了一份财报分析的全过程写清楚！
一开始，我的想法很简单。
既然大模型已经能读 PDF，那就把几份财报丢进去，直接问：
效果不能说没有。
AI 确实能把营收、净利润、毛利率、费用率这些数字提取出来，也能写出一段看起来很专业的分析。
但问题就是，它写出来的东西，太像通用模板了！
比如：
“营收同比增长，主要得益于核心业务稳健发展。”
“毛利率有所改善，说明盈利能力增强。”
“费用率上升，可能与市场推广投入增加有关。”
这些话有没有错？大概率没错。
但有没有用？不太有用。
因为真正要在会上讨论的，不是“谁涨了、谁降了”，而是：
为什么销售费用率差这么多？
毛利率变化背后是成本问题，还是产品结构问题？
跟我们自己比，差距到底在哪里？
哪些异常指标值得重点关注？
这些问题，单靠读 PDF + 生成总结很难回答。
因为它没有我们的历史数据，没有统一口径，也没有业务上下文。
说白了，它是在读文件，不是在做分析。
这一步试完之后，我基本确定：
财报分析不能只靠 AI 读材料，必须把数据放进一个可对比、可追溯的分析环境里。
我们公司本来就在用FineBI做经营数据分析。
平时收入、成本、费用、利润、预算执行这些数据，基本都沉淀在里面。
而 FineBI Next，更像是在 FineBI 数据分析能力上的一次 AI 升级。
它不是单纯让 AI 读一份文件、写一段总结，而是把 AI 能力接到企业已有的数据底座上。你可以用自然语言问数，让它自动取数、计算、生成图表，也可以继续追问某个指标为什么变化、差异来自哪里，最后再把分析过程沉淀成报告。
我突然想到：
如果把友商公开披露的财报数据也整理进去，放到同一套指标体系下，再让 AI 去分析，效果会不会不一样？
于是我先做了一件最基础、但也最关键的事：统一口径。
比如：
营业收入取哪个口径；
销售费用率怎么计算；
毛利率看整体还是核心业务；
友商披露口径和我们内部经营口径能不能对齐。
这些问题不先处理好，后面所有对比都容易失真。
AI 可以帮你算得很快，但前提是数字本身能比。
我把几家友商的关键财务数据整理好，导入 FineBI Next，再跟我们自己的历史经营数据放到同一套指标体系下。
这一步完成后，分析方式就变了。
以前是在 PDF 和 Excel 之间来回找数。
现在是在一个结构化的数据系统里直接提问。
数据准备好后，我打开 FineBI Next 的 AI 助手，直接输入：
几秒钟后，它生成了一张对比看板。
不是单纯的文字总结，而是图表加解读：
毛利率横向对比；
费用率趋势变化；
差异较大的指标自动标注；
旁边还有一段简要说明。
这时候我才真正感觉到，问答式 BI 的价值，
不是让 AI 替你写漂亮话，而是让你用自然语言完成取数、计算和可视化。
以前做这种分析，要找字段、写公式、拖图表、调样式。
现在只要问一句：
“这几家公司毛利率差异在哪里？”
系统就能基于已有数据，自动完成取数、计算和初步分析。
然后，我接着追问：
FineBI Next 把销售费用拆成了人员成本、市场投放、渠道返点等维度。
结果很快出来：
友商 B 的销售费用率明显偏高，主要差异集中在市场投放和渠道返点上。
这就比单纯说“费用率较高”有价值多了。
会上可以讲成：
这才是能支撑讨论的分析结论。
它不是只发现一个数字异常，而是继续往下拆，找到异常背后的业务动作。
做到这里，分析已经差不多了。
我又试了一句：
FineBI Next很快把前面几轮对话里的图表和结论，整理成了一份结构完整的报告。包括：
分析摘要；
关键指标对比；
毛利率差异说明；
销售费用率拆解；
风险提示；
后续关注建议。
我只做了几处人工调整。
比如把“建议关注费用变化”改成：
再补一句：
整份报告就基本能用了。
这一步节省的不是分析判断的时间，而是整理汇报材料的时间。
以前你已经知道结论了，但还要截图、排版、写摘要、补说明。
这些事情不难，但很耗人。
现在分析过程里的图表和结论可以直接沉淀成报告，效率明显高很多。
更重要的是，这份报告不是凭空生成的。
它背后有数据、有图表、有指标口径，也能继续追溯到明细。
这比单纯让通用大模型“写一份财报分析报告”靠谱得多。
报告做完后，我又设置了一个监控提醒。
这个动作很小，但意义不小。
以前做财报分析，大多是被动的：
老板问了，才去找数；
开会要用，才去整理；
发现异常，才回头查原因。
但如果关键指标已经沉淀在系统里，并且设置了阈值，分析就可以从“事后补材料”变成“提前看信号”。
比如：
毛利率连续下降；
销售费用率突然上升；
净利率下降但营收还在增长；
经营现金流和利润开始背离。
这些变化，如果只靠人工翻财报，很容易滞后。
但系统能主动提醒，你就能更早发现问题。
这也是我觉得 FineBI Next 比较有价值的一点：
它不只是帮你做图，而是让数据分析更主动。
整件事从开始到结束，大概四十分钟。
其中一半时间花在整理友商数据和统一口径上。
真正进入分析之后，反而很快。
如果按以前的方式，这件事大概要这样做：
下载财报；
摘录关键指标；
放进 Excel 统一口径；
做同比、环比和横向对比；
画图；
写结论；
整理成汇报材料。
没有一个下午，很难做完。
而这次真正省下来的，是那些重复动作：
找数、复制、核对、做图、排版、补说明。
这些动作单看都不难，但加起来很耗时间。
后来我和做财务分析的同事聊，她说她们现在做月度经营分析，也越来越依赖这种问答式取数。
不是为了偷懒，而是因为传统流程太慢。
一个简单问题，经常要绕好几个人。
如果常用指标已经沉淀在 FineBI 里，业务和财务自己就能先问出大部分答案。
数据团队也能把精力放到更复杂的建模、治理和异常排查上。
这次经历让我确认了一件事：
直接把 PDF 丢给通用大模型，它可以写出一份看起来很完整的总结。
但问题是，它没有历史数据，没有统一口径，也不知道企业真正关心什么。
所以它很容易停留在表层，
因为真正的经营分析，一定会继续追问：
为什么？
跟谁比？
影响多大？
是不是异常？
下一步看什么？
这些问题，不能只靠语言生成解决。
它需要数据、口径、趋势、明细和业务逻辑。
当 AI 建立在真实的数据系统上，结果就不一样了。
像 FineBI 这种本身承担企业经营分析底座的工具，再叠加 FineBI Next 的自然语言问数和 Data Agent 能力，AI 才能围绕数据继续追问：
这个指标涨了多少；
为什么涨；
和谁比更异常；
是收入端问题，还是费用端问题；
是结构变化，还是效率变化。
这中间的差距，本质上就是：
AI 在猜，还是 AI 在算。
前者是在生成一段像分析的文字。
后者是在基于真实数据完成分析。
这篇文章的标题叫“为了摸鱼”。
但写到最后，我反而觉得，重点不是摸鱼。
真正重要的是：
财务分析真正需要人的地方，不是搬数字。
而是判断：
哪些指标值得看；
哪些变化不正常；
哪些差异背后有业务动作；
这些才是财务和经营分析人员真正该投入精力的地方。
至于重复的取数、比对、可视化和报告整理，如果已经有一套懂企业数据的系统，就应该交给系统去做。
所以，AI 不是简单替代财务分析。
更准确地说，它是在把财务分析里最机械、最耗时的部分拆出去，让人把精力放回判断和决策上。
下次老板再甩过来一句：
“把这几家公司财报拉出来对比一下。”
我大概还是会先打开 FineBI Next，用自然语言问几句。
毕竟，能让系统先把数据跑明白，谁还想自己在 Excel 里熬半天呢？
