Sage CTO：财务团队拒绝AI不是因为模型不够准，而是看不到推理过程
Sage CTO Aaron Harris认为，AI财务落地的瓶颈已从模型精度转向信任基础设施。Sage与IDC的联合调研显示，70%的CFO即使面对准确率99%的AI输出也会否决，前提是看不到推理过程；财务负责人每周花超过12小时验证AI输出。Sage产品负责人Stuart Langer则指出，CFO能接受固定月费但无法忍受账单从两千美元跳到两万四美元再归零的波动。
Harris在Sage Future for Partners大会上指出，一年前AI财务应用的挑战还是让模型准确到可以信任，现在挑战已经变成模型周围的一切：让智能体安全运行的系统、可审计的推理链、以及CFO能接受的稳定成本。他把信任拆成四个具体条件——数据安全、伦理构建、人类控制权、以及胜任且可预测的执行——并强调这些条件缺一不可。
支撑这一判断的是Sage委托IDC做的一组调研数据。财务负责人目前每周花超过12小时验证AI生成的输出，28%的时间消耗在反复核查和怀疑上。更关键的是，70%的CFO表示即使AI输出准确率达到99%，只要看不到推理过程他们就会否决。Harris认为这不是CFO抗拒AI，而是对错误代价的清醒认知——在财务和会计领域，信任缺失的成本是真实且可量化的。
成本波动是另一个被忽视的信任维度。Sage高级ERP与财务运营系统产品负责人Stuart Langer解释，CFO不是付不起钱，而是受不了变。如果每月固定两千美元，他们可能不喜欢但能接受；但这个月两万四、下个月零、再下个月又两万四，这种不可预测性才是真正的问题。报道作者Mark Chillingworth由此提出，Sage基于自身超过1500万张发票训练的专有模型，与业界关注的小语言模型思路有相似之处——后者正是为了降低通用大模型token费用的不可预测性而受到数字决策者重视。
Sage的应对方案是把推理过程本身变成产品功能。AI Workspaces中Sage Copilot的每个结论都附带可追溯链接，展示推理如何得出，平台追踪整个流程、涉及的智能体和任务完成方式。Harris将其概括为三个原则：可解释、可验证、可分析。Langer用一句话总结设计逻辑：后果决定控制。
需要保留的边界是，以上所有论据都来自Sage高管在自家合作伙伴大会上的陈述和Sage委托的调研。所谓Sage模型比Anthropic Claude更准确的对比是Langer引述的厂商自测结果，未经独立复现。IDC数据反映的是Sage客户群体的感受，不一定代表整个财务行业。但作为对'为什么通用AI能力已经足够、特定领域仍然拒绝采用'这一问题的具体回答，这组条件框架——推理可见性、费用可预测性、操作可审计性——为其他行业的AI落地提供了可参照的诊断清单。