AI 入局，固定资产管理能否迎来转机？

近期出席了一场研讨会，核心议题是 AI 如何赋能资产管理。

演讲者描绘的蓝图令人振奋——智能盘点、自动识别、数据清洗以及预测性维护，PPT 精美绝伦，演示过程行云流水。领导听得频频颔首，最终抛出一个关键问题："那我们资产数据长期不准的顽疾，AI 能根治吗？"

现场沉寂了片刻。主讲人回应道："当然可以，AI 能够自动甄别数据异常，并进行批量修正。"

领导闻言露出了满意的神色。

我置身台下，默不作声。并非我不信任 AI，而是我深知——AI 能清洗数据，却洗不掉人们不愿如实填报数据的内心抵触。

数据失准的根源，不在于数据本身，而在于填报者缺乏填对的驱动力。这一症结，AI 无力回天。前四篇我们所探讨的激励错位、权责倒置、系统幻象及管理盲区，AI 均束手无策。

不过，AI 确有其用武之地。究竟哪些可行，哪些不可行，今日便来剖析清楚。

在资产管理领域，AI 确实具备了一些以往难以想象的能力。

最为直观的是数据扫描。昔日资产对账，依赖人工逐条核对，数万条数据，数人耗时数月，直至眼花缭乱、身心俱疲。如今 AI 可批量扫描全量数据，几分钟即可完成，匹配错误、逻辑冲突、异常数值，统统无所遁形。几分钟完成过去数日的工作，这点确已实现。

更进一步，AI 能执行资产结构分析。例如非生产性资产占比是否过高？某类资产折旧是否异常？某分公司的资产闲置率是否偏高？这些过去需人工翻阅报表才能察觉的问题，AI 可自动识别并发出预警。

还有转资环节。首篇曾提及一键转资难以推动，源于三套系统数据标准不一。AI 虽无法令三套系统自动统一，但能自动识别字段不匹配、分类不一致之处，大幅压缩"翻译"工作量。以往人工对齐需耗时一月，AI 辅助或许一周即可搞定。

这些都是实实在在的效率提升。AI 首次让"管好资产"在技术层面成为可能。

因此请勿误解，我并非在给 AI 泼冷水。AI 所能达成的成就，确实非凡。

然而厉害归厉害，有些事 AI 确实无能为力。

AI 能识别数据错误，却无法洞察"为何出错"。

它能指出某条转资信息与采购数据不符，却不知这是业务端随意填报、填错无人监管、监管亦无实效所致。它能发现异常，却无法解释异常背后的成因——业务端为何不愿填对？因为填对无益，填错无罚。这种激励错位，AI 无法解决。

AI 能扫描全量数据，却扫描不到维修环节的隐秘暗流。

前文曾述，维修拆卸的旧部件，财务不知情，系统亦无记录。AI 能扫描的，仅限系统内存在的数据——系统缺失的，它同样视而不见。维修环节的管理盲区、报废标准的滞后，这些非数据问题，而是流程与制度之弊，AI 鞭长莫及。

AI 能进行资产结构分析，却分析不出"3 亿折旧分类错误为何无人敢动"。

第二篇曾论及，存量折旧分类错误累计达 3 亿，众人皆知有误，却无人敢动——动了影响利润，不动审计追责。这种"做也挨骂，不做也挨骂"的困局，非技术所能解。AI 可告知"此处有误"，却无法告知"修正此误后，谁来承担利润下滑的后果"。

归根结底，AI 能解决技术难题，却解不了人的问题。前四篇所述——填报者无动力、管理者无实权、系统仅是搬迁、隐形资产无法管控——这些根源皆在人、在权责、在机制，而非技术。

若喂给 AI 的是脏数据，它输出的便是"经 AI 认证的脏数据"，错误传播更快，还多了一层"AI 背书"。

谈及 AI 落地，有一个许多人不愿直面的真相。

吴恩达曾言，开展 AI 项目应将八成以上精力投入数据，模型占比不足两成。

固定资产管理亦是如此。你以为 AI 落地最难的是算法？非也。最难的是数据。

你的数据质量达标吗？三套系统数据标准统一了吗？历史数据清洗完毕了吗？业务端愿意配合提供数据吗？若这些问题未解，AI 连起步都无从谈起。

笔者亲身经历便是例证。此前曾提议利用 AI 整理识别历史数据错误，构想虽好，至今仍停留于思路阶段。非技术不可行，而是前述脏活尚未干完——数据未集成、标准未统一、业务端数据源未理顺。模型可一日搭建，但这些脏活，或许需耗时半载。

更为扎心的是一组数据——量子位智库 2026 年调研显示，82% 的企业已部署 AI，但仅 23% 实现了深度融合。何意？即多数企业虽上了 AI，却仅浮于表面，未真正深入业务。为何沉不下去？因数据基础薄弱、组织准备不足、机制尚未理顺——又回到了前述那些老问题。

AI 落地之难，从来非技术之过，而是数据质量与组织之痛。技术人员能搞定模型，却搞不定业务端不配合、数据标准不统一、权责边界模糊。这些脏活，AI 无法代劳。

说了诸多，你或许觉得我对 AI 过于悲观。实则不然。

我对 AI 的态度仅有一句：AI 是放大器。

机制若对，AI 助你管理更佳——数据扫描更速、异常发现更早、分析维度更广。过往想做却力不能及之事，AI 助你达成。

机制若错，AI лишь 让混乱跑得更快——错误从 Excel 移至系统再迁入 AI，每移一次多一层包装，内里实质却未变。

故而在斥资上马 AI 之前，先自问几个问题——业务端人员愿意填对吗？管资产者说话有人听吗？系统外的资产看得见吗？若这些问题答不上来，AI 暂且缓行。

五篇探讨下来，实则阐述同一件事。

首篇，数据为何填不准——因填对无益，填错无罚。

次篇，管资产者为何总背锅——因责任全在自身，权力全在他手。

第三篇，系统为何管不住——因系统仅是搬迁，而非治病。

第四篇，隐形资产为何是最大窟窿——因系统外之物，你连管控之机皆无。

第五篇，AI 为何也无法翻身——因技术可解效率之题，难解机制之困。

五个视角，一个结论——资产管理，管的从来不只是资产，而是人、是权责、是机制。

资产不会自行跑偏，是人使其跑偏；数据不会自行出错，是人使其出错；系统不会自行失灵，是人使其失灵；AI 不会自行解决问题，是人未赋予其解决问题的条件。

二十余载，我见证过太多系统上线、太多流程优化、太多技术迭代，最终皆败于同一处。非技术不行，乃是机制使人如此行事。

此问题若不解决，更换何种技术皆无济于事。

但我亦坚信，一旦想通这些事，路便在脚下。切莫急于上系统、上 AI，先将人的问题理清——谁该填、填对有何益处、填错有何代价、管理者是否有权管好。

想通了，技术便是你的盟友；想不通，换何种技术皆无差别。

固定资产管理老孙笔记·第五篇（收官）