主题 先锋 趋势 方法 作者
返回

AI如何让Figma财务团队变成建设者

·The a16z Show

正在生成长图…

本篇主题 AI如何重构企业组织与流程 AI对就业替代与劳动力冲击 Agent重构SaaS与软件形态
本篇先锋 Praveer Melwani Ivan Makarov Seema Amble

摘要

  • Figma财务团队正用AI自动化催收,并在尽调中协助测试产品,让财务职能延伸到产品构建。 一名催收专员重做了发票跟踪、现金回收和NetSuite对账流程。企业发展团队则在尽调中复刻产品,以判断技术难度和护城河深度,同时继续与产品团队合作。
  • 如果业务复杂度不再增长,财务团队人数可能减少,但这是有条件的预测。 CFO Praveer Melwani表示,如果复杂度维持不变,“我想,一年后我们可能不需要这么多人。”Figma不断推出新产品、进行收购,工作量持续增加;与此同时,效率也在逐期提升。
  • 在自建还是外购之间,边界更倾向于外购核心记录系统、内部搭建工作流自动化工具。 Melwani会购买“绝不能出错”的系统,专员则围绕重复性任务快速搭建原型。组织层面的难题,是把验证成功的局部工具变成共享基础设施,让它们“在创造者离开后仍能运转”。
  • 数据准备仍是瓶颈,而精度要求取决于决策场景。 为2027年规划审查差旅与费用时,团队需要匹配Navan、Zip和Ramp的数据;Melwani说,“95%的挑战”在于把数据整理到位。对于政策决策,方向正确的分析已经足够;根据他的反馈,团队在30分钟内就交出了修改后的可视化结果。
  • AI让判断力、责任意识和口径一致性更有价值。 Melwani的招聘流程会考察候选人是否理解模型中的敏感假设;Ivan Makarov则担心,公司可能会忘记世界一流的工作应该是什么样。“不能把思考外包”:作者仍有责任理解内容,并把读者需要阅读的材料讲清楚、做简化。
  • 财务软件正从追踪工作流,转向交付结果并附上可审计的解释。 Seema Amble认为,产品正从工作流跟踪转向直接交付对账结果和审计轨迹;她将显著的采用变化定在对话发生前约9个月。Melwani希望更多流程实现完整自动化,从确定性任务开始,但要产出可供审计的结果,门槛仍“极高”。
  • 工具使用权和看得见的建设文化,正成为招聘与留才优势。 团队成员告诉Melwani,他们“玩得很开心”;自动化报告也腾出了精力,用于实验、支出决策和调查分析。他的招聘理由既包括技术工具的使用机会,也包括那些积极动手搭建、并以身作则互相教学的同事。

精读

1. 财务团队的运营优势,始于可信数据

  • 在AI出现之前,Melwani通过400或500行SQL查询,将Figma的产品使用数据与Stripe数据打通。后来,数据科学家把他的“黄金表”纳入定期运行的ETL任务,向Salesforce和Marketo供数。统一口径让团队不再争论什么才是真相,也让财务从“交警”变成“业务赋能者”。
  • 他曾逐条审查约30个新付费方案注册,区分个人邮箱和企业邮箱,为Figma面向组织客户的产品提供参考。如今,他每天查看指标、每小时看仪表盘,期待同事立即行动,而不是等到下周。Ivan对此的比较是:疫情期间,验证一次使用量激增曾经要花几周;如今,他认为类似问题1小时就能解决。
  • 谈到指标定义,Melwani的态度很明确:“相关产出由我的团队负责。”上市公司内控要求董事会材料、业绩披露和历史报告保持一致。团队可以用不同方式理解业务,但对外报告的指标必须长期稳定:“历史数据永远不变。”
  • Ivan给第一位财务员工的建议是:先把数据完整性和跟踪机制搭好,再急着关账或发董事会更新;之后逐步建立严谨的报告体系、指标和叙事。他见过新员工入职几周后才发现,收入一直算错。Seema指出,早期公司ARR的算法更“灵活”;Ivan则说,过去通常到IPO准备阶段才会做的数字叙事,如今在A轮和B轮融资时就已是标配。

2. AI让独立判断力在招聘中更吃香

  • 求知欲、数据能力、结构化提问和清晰表达,仍是Melwani理想候选人的核心特质。他的财务副总裁案例分析只提供有限的公开披露信息,并要求候选人使用AI。考察重点是他们是否理解自己的模型、模型中最敏感的假设,以及背后的业务:“不能把思考外包”(you don’t wanna outsource your thinking)。
  • Ivan提出的反驳值得保留:即时生成文档可能堆出一大批无法检索的材料,而招聘越来越看重工具熟练度,也让他担心人们会忘记“世界一流的工作是什么样”。Melwani承认,自己有时也会看到半成品。Figma有标注AI生成内容的政策,但作者仍有责任审阅、简化并理解内容;因为阅读任何东西都需要“时间、精力和心力”。
  • Melwani对自己的一个修正,是意识到自己对影响力的理解有偏差:起初他以为“只要做房间里最聪明的人,就能把一切想明白”,后来才明白财务是团队协作。他低估了沟通、关系和说服力的重要性。如今他看重的招聘信号,是建立信任和“真正扎实的追随力”的能力,因为分析要通过他人才能改变业务。

3. 催收和并购尽调中,财务团队已经有人在搭工具

  • 在信用管理和催收方面,Kajal围绕Figma现有系统,重做了发票跟踪、现金回收和NetSuite对账流程。这让团队腾出时间缩短应收账款天数,并处理更多瓶颈,包括重新设计信用审查流程、打通数据集。Melwani说,部分催收自动化用到了ChatGPT agents和skills;做出的工具也能供同事使用。
  • 企业发展团队会在尽调时复刻产品:“能不能用vibe coding搭个产品”,有助于判断技术难度和护城河深度。Melwani认为企业发展团队正在用Codex做这项工作。Ivan特别指出,团队成员的背景是财务。Melwani也强调了复刻的边界:它能提供“扎实的直觉”,但细节仍需要判断。产品团队仍是合作伙伴,只是财务团队会带着已经搭好的东西来讨论。
  • 团队还会创建反映管理层常见观点的skills,比如“Praveer会怎么说”,以及Dylan和CRO Sean的观点。Seema称之为LLM投资委员会,Melwani表示认同。让投资备忘录先经过这些“人格”审阅,可以在领导层看到之前暴露薄弱环节、尽调缺口和可预见的问题,减少团队反复共同打磨反馈的时间。
  • Figma Make提供了另一条路径:用自然语言提示就能生成应用或网站,并配有托管服务和后端。Melwani看到内部开始出现相关用例,这也让财务团队成为产品反馈的来源。搭建工具既能自动化工作,也能帮助团队学习。

4. 有用的分析,不一定要等到完美对账

  • 在2027年规划期间,团队把Navan、Zip和Ramp的数据合并起来审查差旅与费用。匹配记录需要判断:员工是去参加异地团建,还是其他出差?住在旧金山、只是来访的人又该怎么分类?Melwani的判断是:“那里面95%的挑战,就是把数据放到正确的位置。”对于这项决策,方向大致正确就够了。
  • 团队先提出政策调整建议;Melwani早上给出反馈后,修改版可视化结果30分钟内就准备好了。他怀疑纯手工根本做不到这么快。他对“结果粗糙”这一批评的回应,是精度应与用途相匹配:要知道“什么程度算够,什么又必须做到极其、极其准确”。
  • Seema提到,另一家成长阶段公司的财务团队在1、2个月内创建了40或50个agents。她猜“也许90%”后来都没人用了,但认为这次尝试培养了一个好习惯:遇到手工、繁琐的工作时,就想“让我来搭一个”。Melwani表示认同,尤其是在团队会分享可能被他人复用的工具时。

5. 局部原型要有共同维护者,才能长期运行

  • 一位发言者分享了失败案例:一家公司的客户成功负责人发现,每名销售代表都用vibe coding搭了不同的仪表盘,算出来的数字也各不相同。Melwani认为,反复出现的审计证据请求、ISO和SOC 2相关的GRC工作,以及应付账款审批,都有系统化机会。这些任务都涉及追踪信息、分流处理和对账;系统团队可以把散落的工具整合成共享平台。
  • 专员应该负责发明和迭代,因为他们最了解流程,也知道“什么才算好”。但维护上游依赖、安排长期稳定的托管环境,确保工具在创造者离开后仍能运行,需要由其他角色负责。新上任、来自Coinbase的CIO Kasper Sørensen正在探索类似集中式产品管理的职能:找出有用的局部工具,再搭建其他人可以继续扩展的基础。
  • 这件事还没有定型:“我们现在正处于一团乱的中间阶段。”有些团队比其他团队更早实现了集中管理;Melwani此前优先让大家动手搭建,如今正在补基础设施。Seema也发现,其他公司的财务工程师岗位同样没有统一做法,有的由财务团队内部的工程师承担,有的则借用其他团队的产品工程师。
  • 领域知识很重要。Figma为财务提供支持的数据科学家中,有人有会计背景,理解退款、坏账,以及准确性的要求。熟悉数据集架构、能区分确定性决策与推断,并知道哪些任务可以容忍哪种精度,能让搭建者更快推进。FigNation演示、黑客松,以及与外部财务负责人的交流,也有助于传播这些经验。

6. 核心系统选择外购,仍能让工作方式变得更好

  • Ivan提出另一种思路:有家高速增长公司告诉他,业务跑得太快,只能所有东西都买现成的。Melwani认同,核心记录系统和那些“绝不能出错”的东西应该外购。团队则围绕重复性工作流步骤自己搭工具,找出那些员工“几乎不用动脑”的任务,再重新设计他们花时间的方式。
  • 留人谈话中已经能看到成效。团队成员告诉Melwani,他们“玩得很开心”,想留下来继续探索和学习。他开始把技术工具的使用机会作为招聘卖点,尤其是面对来自科技行业以外、把这看作进入全新职业世界入口的候选人。
  • Ivan建议把模型和工具当作福利。Melwani补充说,候选人应该能看到同事真的在搭建工具,面试时也一样;人可以通过“耳濡目染”学会别人已经搭好的东西。他认为,和同样积极进取的同事一起打磨专业能力,有助于Figma吸引人才、打造“全球最强的财务组织”。

7. 释放出的产能正流向实验和业务决策

  • Seema回忆起自己在2020年提出的框架:财务大部分时间都花在数据对账上,留给战略的时间最少。Melwani的自助式财务团队现在可以更多地关注实验、趋势和新增支出。自动化定期材料后,团队能把精力转向“注释、发现和理解”。他还记得团队曾讨论用Figma插件加快构思,但业务复杂度上升,仍在争夺节省下来的时间。
  • Seema认为,CFO软件正从追踪工作流转向交付结果,并附上解释结果的审计轨迹。Melwani举了会计中的波动分析为例:工具可以先解释总账科目环比变化,让会计人员有线索继续调查。他并不认为初步解释总是正确,但它能为后续调查提供更好的起点。
  • Melwani希望CFO既能像CEO一样承担业务责任、渴望赢,也能运用损益表知识推动变化,并把商业模式讲得更简单,让其他人更容易理解。会计基本功和规划能力仍是前提。创造力意味着换一个角度推动业务,而不是编出“一套有趣、怪异的指标”。他会尝试提出这类想法,但不确定自己做得是否够多。
  • Seema把采用情况的明显转变定在大约9个月前:CFO晚餐上的讨论,从AI生成税务备忘录和入职文件,转向核心对账和自动化工作流。在董事会层面,她看到分析更深入、迭代更快。领导者越来越觉得必须采用这些工具,否则会被视为落后;财务团队如今也参与自动化黑客松。

8. 效率提升可能减少人员需求,Excel仍有一席之地

  • 被问及未来12–18个月的情况时,Melwani给出了有条件的人员预测:“如果业务复杂度保持不变,我想,一年后我们可能不需要这么多人。”Figma仍在不断推出产品、收购团队和业务,因此复杂度仍跑在完全提升效率的前面。不过,他认为效率正在逐期改善。
  • 他希望更多流程能够完全自动化,先从确定性任务入手,并确保提供足够信息,让结果完全可信。业务关键、可供审计的结果面临极高门槛,其中也包括审计人员愿意接受什么。他仍然相信:“我确实认为,时间久了我们能做到。”
  • Excel会受到威胁吗?Melwani的回答斩钉截铁:“不会,它就像我的爱情语言,老兄。”他的类比是Figma的色轮:提示系统把红色改成绿色很有用,但亲手沿着色阶逐步调整,能以不同方式加深理解。电子表格也让他通过手动调整培养直觉。未来可能出现更好的工具,但他很难放弃Excel。
  • Seema补充了一个限制:模型目前还“不够好”,无法生成预测或模型;而Excel的空间布局有助于她思考。Melwani会用AI检查团队的20标签页模型,先找出敏感假设和关键变量,再亲自深入分析。他看重的长期标准是适应能力:“优秀的财务人”能长期立足,“前提是持续适应”。