财务建模中的模型输入输出：FP&A 从业者必读

模型输入输出对财务工作的实际含义

在机器学习领域，模型输入输出很直白：输入进去，预测出来。但在财务建模的语境中则复杂得多——因为你的"模型"不是单一的工件，而是 8 个互联的工作表、命名区间的架构体系、循环引用，以及对所有下游计算都有影响的一套假设条件。

当 AI 系统读取你的工作簿时，它的输入是所有可见的内容：单元格数值、公式、表格结构、命名区间，以及你用自然语言提供的任何背景信息。输出通常包括数值写入、公式修改和新的结构安排。问题在于，大多数 AI 系统在设计时并没有考虑利润表→资产负债表→现金流量表这样的关联逻辑。它们把财务模型当作一个平面网格，而非一个相互依赖的关系图。

麦肯锡 2024 年的一份财务建模实践调查表明，68% 的财务模型审计失败都可以追溯到表间引用的中断——而这正是 AI 系统在不理解模型架构时写入数据时最常造成的损坏类型。

AI 如何改变了模型输入输出

传统的模型输入输出是手动操作的：你在 Assumptions!B3 单元格中输入一个假设条件，所有引用它的表格会自动更新。人类既是数据的写入者也是读取者。反馈循环非常紧密。

AI 在这个循环中引入了第三方。现在你有：

• 输入层：AI 读取的内容（你的提示词 + 当前工作表状态）
• 推理层：AI 推断的内容（意图、结构、依赖关系）
• 输出层：AI 写入的内容（数值、公式、格式）

每一层都可能出现故障。AI 可能正确读取了你的模型，但推断出了错误的意图。它可能理解了你的想法，但生成的公式看似正常，却暗中破坏了表间引用。截至 2026 年 4 月，即使是最优秀的 AI 编码助手，在处理多表工作簿时，大约 12% 的时间会产生不正确的结构化引用——这样的错误率对于任何 FP&A 交付物来说都是不可接受的。

输出层是成本最高的地方。一个在 Sheet1 上能正常工作的公式，粘贴到其他表格时丢失了表引用限定符，不会抛出错误，只是开始在错误的数据上计算。假设你的模型年收入 4.23 亿元、毛利率 22.4%，成本科目中一个路由错误的表间引用可以在无人察觉的情况下将报告毛利率压低 200 个基点。

模型输入输出在哪里会出现问题

失败模式主要集中在三个方面。

命名区间。 Google Sheets 中每个工作簿最多支持 500 个命名区间。财务团队大量使用它们，因为 =Assumptions_WACC 比 ='Assumptions'!$B$12 更易读且易于重构。AI 系统经常无法正确处理命名区间——要么写入绝对引用来绕过命名区间，要么更糟的是，直接写入命名区间的当前单元格地址，而不理解该区间的位置可能会改变。

循环引用处理。 三表财务模型中通常有意设置的循环关系：利息费用取决于债务余额，债务余额取决于现金扫投，现金扫投又取决于利息费用。大多数 AI 系统把循环引用视为需要消除的错误。如果 AI 通过打破循环来"修复"你的利息计算，你的模型就会产生根本性的错误，而这种错误可能会逃过每一个基本审计检查。

公式序列化。 当 AI 读取 =SUMIFS('P&L'!C:C,'P&L'!B:B,">="&Assumptions!$B$3,'P&L'!A:A,Returns!$D$7) 然后重写时，输出完全取决于该模型如何序列化多条件跨表公式。大多数 AI 工具在简单场景下表现不错，但在复杂场景下表现很差。根据 Google Apps Script 官方文档，当通过编程方式复制结构化引用时，如果写入调用没有显式指定目标表，这些引用会丢失表限定符——这是大多数 AI 包装器未能处理的细节。

实用的解决办法是约束输出层。与其让 AI 自由地写入任意单元格，不如定义一个输入输出契约：AI 只从指定的输入范围读取，只写入指定的暂存区域，人工审查后再让数值流向其他地方。这样虽然更慢，但花 3 天时间建造一个结构清晰的模型，总好过花 1 天时间建造、却需要全面审计的模型。

为 AI 设计模型输入输出结构

从 AI 辅助建模中获益最多的团队把它当作一个 ETL 管道来对待，而不是聊天助手。

Assumptions 表是最具杠杆效应的地方。如果 AI 能够可靠地读写一个结构清晰的 Assumptions 表——离散的输入、标签清楚的行、不含公式——模型的其余部分就能保持完整，因为所有下游计算都是引用这个表，而不是直接被改写。

ModelMonkey 的做法是：在执行任何写操作之前先读取完整的工作簿结构、显式映射命名区间，并将所有写操作先暂存在差异预览中再提交——这解决了那个让 AI 辅助建模在实践中看起来不可靠的无声覆写问题。