每月处理上百家客户的发票、校验每一笔付款、追踪账户差异、跑通月结报告——刘芷君经历过这些会计工作的日常。但她的目光从未停留在Excel表格和NetSuite系统里。她看到的是一个更庞大、更隐蔽的全球性困局:数以千万计的中小企业,正在用断裂的工具链,做着关乎生死的财务决策。
一线扎下去的"财务老兵"
在金融科技领域,不乏擅长写代码或搭建模型的人才。但像刘芷君这样,既跑得通机构级数据管道、又亲手对过上百份中小企业发票的交叉型人才,并不多见。
在HireBeat Inc.担任金融分析师期间,她从Snowflake数据仓库提取海量数据,搭建三大报表、预算与预测模型,设计交互式仪表板,将复杂的财务信息转化为管理层可直接使用的决策界面。在Allied Millennial Partners,她从彭博终端抓取历史数据,运用统计分析和财务模型评估投资标的,撰写Pitch Book,并用Power BI为非技术背景的合伙人呈现直观洞察。
这些经历让她熟练掌握了机构级金融工具——但也让她愈发意识到,这些能力几乎完全与全球中小企业隔绝。"咨询公司的一个项目收费,常常超过一家小型制造厂一整年的净利润,"刘芷君说。"在东南亚、非洲、拉美,很多企业主甚至负担不起一个全职财务经理。可他们面临的现金流压力、汇率风险、合规复杂度,一点不比大公司少。"
数据孤岛:一把无声的财务"杀猪刀"
在PIMS,刘芷君负责优化计费准确性、协调销售团队并协助控制官准备月度结账报告。她亲眼看到,同一家中小企业往往同时使用五六种不同工具:记账用一套软件、收款用另一套、银行对账靠手工、预算依赖老板的记忆和直觉。这些工具之间缺乏对话,数据被困在不同的"玻璃罐"里,企业主把大量时间花在"搬数据"上而非真正做判断。而最要命的是,当他们最需要决策——比如要不要进货、能不能接大单、该不该涨价——手上的信息往往是两个月前的。
这种"信息时差",在全球供应链波动加剧、通胀与利率变化交织的当下,已经变成了致命的风险。
"有没有一种可能,让一家雅加达的五金店、内罗毕的诊所或墨西哥城的面包坊,也能用上华尔街级别的财务预测能力——但不是以百万美元的项目形式,而是以几杯咖啡的月费?”这个念头,在刘芷君处理完又一份对账差异报告后的某个深夜,逐渐清晰起来。
"财务副驾驶":不炫技,只解决真问题
带着这个问题,刘芷君开始将她在机构金融中锤炼出的能力,反向拆解、重构、翻译——不是降维简化,而是重新封装。她自掏腰包投入10万美元,启动了FinSmart AI项目。
她把FinSmart AI定位为中小企业的"财务副驾驶"而非自动驾驶。她强调,平台的核心不是输出一个冷冰冰的数字,而是提供一个可对话、可解释、可调整的智能层。围绕这一理念,她设计了四大模块,全部紧扣一线实际问题展开。

首先是数据整合中枢,能够对接五十多种常用财务工具,将分散在记账软件、支付平台、银行账户中的收支、库存、客户账期等信息聚合为统一视图,让企业主第一次看清自己的完整财务画像。在此基础上,动态预算与预测引擎利用历史数据和市场信号,自动生成不同情景下的财务路径,帮助企业在不确定性中提前布局。
针对中小企业普遍头疼的对账难题,自动对账与异常检测模块借助机器学习算法快速定位错配交易,大幅减少手工核对的工时消耗。而情景模拟与风险预警模块则更进一步,能够量化外部冲击对利润和现金流的影响,并给出具体、可执行的应对建议。
与许多"黑箱"式金融科技产品不同,刘芷君在FinSmart AI中特别强调"人机回圈"设计——系统的每一条推荐,都必须经由管理者审阅并记录决策依据。这种设计理念,与欧盟《人工智能法案》中关于高风险系统的可解释性要求、以及经济合作与发展组织对可信人工智能的指导原则一脉相承。"中小企业主不需要一个替他们做决定的中枢,"她说。"他们需要的是一个能把复杂数据翻译成白话、同时把决策权牢牢留在自己手里的工具。"
当机构级能力成为基层基础设施
从福特汉姆大学的全球金融硕士课程,到HireBeat Inc.的机构级数据建模,再到PIMS办公室里经手的每一张中小企业发票——这段从课堂到华尔街、再从华尔街到草根一线的复合经历,让刘芷君形成了一种罕见的双向视野,看到了一个鲜被提及的事实:全球金融技术的基础设施长期向大企业倾斜。"华尔街不缺好模型,"她说,"缺的是有人愿意把这些模型拆解、重构、翻译,然后以几杯咖啡月费的代价交给街角面包店老板。"
FinSmart AI计划从美国市场起步,目前已完成了核心架构设计,并同步在全球范围内寻找首批试点落地机会。订阅定价每月199美元起,她计划在三年内实现平台自身回本,同时保持对新兴市场小企业的可及性。对于刘芷君而言,这不仅是商业模式的选择,更是一种技术伦理的实践。"数据不应该成为新的资本壁垒,"她说。"如果全球百分之九十的就业岗位依赖中小企业,那我们就应该把最好的财务智能,交到他们手里。"(作者:程晶)