周一早上，老板甩过来一句话：
“把这季度几家友商的财报拉出来，对比一下，下午开会要用。”
- 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。
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！
我把我这次用的AI数据分析工具FineBI Next 都整理好了，
感兴趣的朋友可以直接下载使用：https://s.fanruan.com/68lv7（复制到浏览器）
一、第一步：直接把财报丢给 AI
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：
“帮我对比分析一下这几家公司的经营情况。”
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。
二、先把数据放进统一口径里
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。
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，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。
三、用 FineBI Next 对话取数
数据准备好后，我打开 FineBI Next 的 AI 助手，直接输入：
“帮我对比这三家公司本季度的毛利率和销售费用率，跟我们自己比，标出差异最大的几个点。”
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：
“销售费用率为什么差这么多？拆开看一下明细。”
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：
友商 B 的销售费用率高，并不是人员成本拉动，而是市场投放和渠道返点明显增加。这个变化可能意味着它正在加大渠道抢占，后续需要关注它的价格策略和投放效率。
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。
四、再让它生成一份报告
做到这里，分析已经差不多了。
我又试了一句：
“把刚才的分析整理成一份给老板看的简要报告，标题叫《Q3 友商财务对比速览》。”
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：
建议重点关注友商 B 的渠道策略变化。
再补一句：
后续可结合市场份额变化，继续跟踪投放效率。
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。
五、顺手加了一个指标监控
报告做完后，我又设置了一个监控提醒。
如果下个季度友商的毛利率、销售费用率或净利率出现明显波动，系统自动提醒。
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。
六、这次到底省了多少时间？
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。
业务提需求；
数据部门排期；
取完发现口径不对；
再沟通、再修改、再出图。
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。
七、AI 是在“猜”，还是在“算”
这次经历让我确认了一件事：
AI 做财务分析，关键不在它能不能写报告，而在它有没有靠谱的数据底座。
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：
- 营收增长，就说业务稳健；
- 毛利率下降，就说成本承压；
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。
八、摸鱼的前提，是别把时间浪费在低价值动作上
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：
不要把人的时间浪费在重复取数、复制粘贴、画图排版这些低价值动作上。
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？
