金融行业用不好 AI，问题不在模型，而在三个条件：说得清、拿得到、看得出——缺少其中任何一个，投入都无法产生回报。
金融行业在 AI 落地过程中普遍遇到一个困境：试点顺利，日常使用却频频受阻。本文从"说得清、拿得到、看得出"三个条件出发，分析金融 AI 应用失败的真正原因，并给出可立即执行的行动建议。
你大概经历过这样一个过程。最初几天，你会让它分析一家公司。三分钟之后，它交出一份结构完整、格式规范的材料，连图表都配好了。这个结果足以让人相信，工作方式即将改变。
接下来的一周，几乎每一项任务都会被尝试交给它：写邮件、整理会议记录、查找资料、修改文稿。第二周开始，问题陆续出现。每次都要重新交代背景；它给出的数据需要逐个核对；修改一句结论，它会连带改动前面三段。你开始挑它的错误，也开始怀疑自己是否没有掌握正确的方法。
一个月之后，你重新打开了 Excel。AI 仍然在收藏夹里，只是打开的频率越来越低。
这件事最容易被误解的地方在于：你以为是自己没掌握技巧，或者模型还不够强。但真正变化的不是它，是你交给它的活。
金融 AI 试点的落差：能跑通 ≠ 能天天用
第一次使用时，你看到的是 AI 最好的状态：原本需要两小时的工作，两分钟内完成。
然而，一个人是否会长期使用它，并不取决于它表现最好时有多好，而取决于它表现最差时，你能否承担后果。
企业里跑通试点的 AI 项目不少，真正天天在用的明显少一截。差别不在能力，在于这两件事要的东西不一样。
试点要的是“能跑通”——找一个人、一个场景，演示一遍成了，就算过。日常使用要的是“它得待在你的流程里”——你得有个固定的习惯想起它，它在流程里得有个明确的位置，用它还得比原来那套省事。这三样少一样，项目就停在“跑通过”，进不了“天天用”。
跑通是“一次能成”，日常使用是“每次都能成”。一次能成，不会自动变成每次都能成。样本不一样，没法直接比，但道理是一样的：试用顺利和长期使用，是两件不同的事。
金融 AI 落地的三个必要条件
回顾这两周遇到的问题，大致有以下几点。
- 交给它的任务无法判定对错，产出很多，却用不上
- 它看不到你手上的资料，只能检索公开信息，检索不到便会编造
- 它出错时，你不一定能够发现
- 你希望它执行操作，却不敢授权
- 对话越长，成本越高
多数人看到这五条，会得出"AI 尚不成熟"的结论。但这个结论跳过了一步：这五件事并非五个独立的问题。前四件，实质上是同一结构的三处缺口。一项任务要真正交付完成，需要三个条件同时成立：
说得清（可判定），即你明确知道自己要什么，且这个要求可以被检验；
拿得到（可获取），即它能够看到你手上的材料，而不只依赖训练时见过的内容；
看得出（可核验），即它出错时，你能够发现。
第五件——对话越长成本越高——不属于上述三者，它属于成本问题。但成本并非孤立存在，下文将说明它如何反过来影响前三个条件。
| 你遇到的问题 | 缺失的条件 |
| 产出很多，却用不上 | 说得清 |
| 数字看似熟悉，却对不上 | 拿得到 |
| 二十个数字中错了一个，未被发现 | 看得出 |
| 只敢让它读取，不敢让它修改 | 看得出（的后果） |
| 单个话题聊到底，成本翻倍 | 成本 |
需要注意第四行。许多人将"不敢授权"视为独立的心理障碍，实则不然：你无法发现它的错误，自然不会授权它执行操作。 它与第三行是同一问题的两面，一面是"发现不了"，另一面是"发现得太晚"。
因此，真正需要检查的是三件事，而非五件。三者齐备，投入才有回报；缺其一，投入多少都难以产生价值。
以下三节逐一说明。说明之后你会发现，这三件事中最难的并非提升模型能力，而是让三个条件同时成立。
条件一：说得清——让 AI 任务可判定
"帮我研究一下光伏行业。"这是最常见的开场，也是最容易导致失望的开场。它会输出两千字，涵盖产能、政策与竞争格局。读完的感受是：说了很多，却难以使用。
问题不在它的写作质量，而在于你给出的题目无法判定。"研究一下"没有边界、没有格式、没有判断标准，因此它写什么都算对，也写什么都不算对。一个可判定的题目，至少需要包含三项要素：边界，即哪几家公司、哪几个季度、采用何种口径；格式，即一张表、五段文字，还是一份清单；出处，即每个数字是否需要标注来源。
按照这三项改写，"研究一下光伏行业"会变成：
将 A、B、C 三家公司最近四个季度的营业收入与毛利率整理为一张表，每个数字后标注出处。
篇幅同样只需三十秒读完，但这一次你能够一眼判断对错，因为标准由你设定，而非由它推测。
这里有一点与直觉相反：把要求写清楚，表面上是在降低它的难度，实际上是在降低你自己的成本。 你多写三行，它少推测十次，你少修改五遍。反之，你省下的那三行，最终会变成三轮往返。
条件二：拿得到——让 AI 获取真实数据而非编造
你手上的材料包括：一份券商研报、若干群聊记录、自己整理的表格、上周的会议录音。
它能够获取的只有：公开网页。
这一差距决定了一件事：凡是答案存在于你手上那部分非公开资料中的问题，它都无法回答。 而它很少直接表示"没有数据"，更常见的做法是编造一个看起来合理的结果。这正是它给出的数字经常"似曾相识，却对不上"的原因。
判断方法因此很简单：提问之前先确认，这个答案是否只存在于你这里。如果是，只有两个选择——把材料提供给它，或者由自己完成。
提供材料这一步，许多人觉得麻烦。但它实际上是最省事的一步：把材料交给它，等于删除了"推测"这一环节。 不提供材料，它只能推测；一旦推测，你就必须核对；一旦核对，此前节省的时间又被抵消。
资料过多、无法一次性提供时，可以先给它一份目录——"我有四份材料，分别是什么，你先看哪一份"——再按需取用。这比一次性全部提交更节省，也更准确。
条件三：看得出——让 AI 产出可核验
AI 最危险的地方不在于出错，而在于错得很自然。
一份报告包含二十个数字，错一个，整份材料便不能使用。而在二十个数字中定位那一个错误，难度很高——它的格式正确、单位正确，连同比增速都是按照错误的数值计算的。
因此，需要提前设定一条规则，而不是寄希望于它不出错：关键数字错一个，这份产出即视为未完成。
这条规则的作用不是惩罚它，而是改变你的行为。规则确立之后，你才会去核对；没有规则，你就会在"看起来大致正确"时直接使用。而"看起来大致正确"，几乎是所有事故的共同起点。
三种错误类型应当分开记录，因为发现难度完全不同。
编造不存在的内容——数字、事件、出处均为虚构，这一类最难发现，因为它最像真的；
取数正确但计算错误——涨跌幅、同比、加总，这一类最容易发现，重新计算即可识别；
数据正确但逻辑跳跃——将同时发生误认为因果关系，这一类没有标准答案，只能依靠你自己的判断。
处理顺序应当反过来：先解决"计算错误"，它最容易识别，也最应当由规则拦截；再解决"编造不存在的内容"，它占比最大；最后必须承认，"逻辑跳跃"只能依靠人工判断。
将"看得出"与"是否划算"置于同一平面，便得到下图。
横轴对应"看得出"，纵轴对应"是否划算"。这张图是全文的行动清单：右上角的任务现在就可以交付，左上角的任务应当暂缓。
这也是三个条件中"看得出"最为关键的原因。你能够核对到哪一层，就敢用到哪一层。 核对不到的部分，模型能力再强，对你而言也等于不存在。
AI 对话的隐性成本：越长越贵，越贵越不准
前三项讨论的是"能否做成"，这一项讨论的是"是否划算"。
AI 对话存在一个隐性的成本结构：当你说到第 8 句时，它需要重新读取前面的 7 句。因此第 8 句的成本并非第 8 句本身，而是前 8 句的总和。粗略估算，进行到第 8 句时，整项任务的总花费约为第 1 句的 4 倍。倍数本身并非重点，重点在于它随对话长度加速上升，而非线性增长。
单独来看，这只是"贵一些"。但它真正的麻烦在于，它会反过来破坏前面三个条件。
为了控制成本，你会减少说明——材料因此提供不全，回到"拿不到"。
为了控制成本，你会减少追问——核对因此变得粗略，回到"看不出"。
为了控制成本，你会将一个话题压缩进同一个对话——上下文不断累积，它的输出更容易偏离，回到"说不清"。
于是形成一个循环：越节省越不准确，越不准确越需要重做，越重做成本越高。
打破这个循环的方法不是"少说"，而是"一次说全"。一个任务使用一个对话，结束后重新开启；开头用三行写清要求：要什么、给谁看、多长、什么格式、哪些地方可以推测；长任务拆分为有明确结果的短任务，先完成前三份，确认后再继续。
四行看完，实际上只有一句话：这份产出，你是否敢直接使用。
敢，说明前述条件均已满足；不敢，说明仍有缺口。而缺口的成因通常不是"模型能力不足"，而是你尚未提供对应的条件。
金融行业哪些场景不宜使用 AI
并非所有任务都值得交付给它。以下四种情况，交付反而更低效。
- 你需要的是一个决定。 是否购买、是否卖出、是否更换工作。这类问题它无法回答，即使回答也不应采信——它不了解你的处境，也不承担后果。
- 答案只存在于你这里，且不便提供给它。 它会用公开信息拼凑一个结果，且拼凑得相当合理。这类任务由自己完成效率更高。
- 一次性的小任务。 学习使用它的时间，超过自己完成的时间。第一次难以顺手的工具，往往要到第十次才能收回成本。
- 出错后需要有人担责，而你身边没有可协助复核的人。 这类任务并非不能交给它，而是不能只交给它。
可以立即尝试的三件事
- 选择一项"出错时你能够一眼发现"的任务交给它：制表、取数、调整格式、翻译。不要一开始就让它给出结论。先在一件小事上了解它常见的出错方式，这一经验是后续所有工作的基础。
- 每次要求它提供数字时，追加一句"标注出处"：它标注不出来，说明这个数字不可采信；标注得出来，你就多了一个可核对的位置。这句话的成本是五个字，回报是整份材料的可信度。
- 一个任务使用一个对话：结束后重新开启，不要在同一窗口中从早聊到晚。这一条几乎不增加成本，却能同时改善花费与准确率。
三件事完成之后，你会得到一份属于自己的"可交付／不可交付"清单。它比任何教程都有用，因为它来自你实际处理过的任务。
AI 不需要更聪明，它需要任务被正确分配。
autoclaw 正在做这件事：把查资料、制表、核对数字这些任务接过来，把判断留给你。
