返回资讯中心
外部精选
软件工程
#开发者实时流

Brex 推出 AI 财务工作空间 Spaces,让财务分析从图表秒出答案

来源标题:The future of financial reporting is not a chart

Brex 发布面向财务团队的 AI 工作空间 Spaces,可在数秒内直接给出分析结论,不再只停留在图表层面。Brex 称现有仪表盘虽快但僵化,临时 SQL 查询虽灵活却需数据团队排队处理,两类工具都无法跟上业务节奏。Spaces 旨在替代「提工单、等分析、贴进幻灯片」的传统流程。

Hacker News 最新skadamat2026/11/18 · 今天25 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

周四下午4点47分。CFO想知道:“为什么营销部门本季度超预算23%?”财务主管调出仪表盘,上面赫然是一张按部门划分支出的柱状图,营销部门超支一目了然。但图表并没有说明原因。

于是有人得给数据团队提交工单,数据团队编写查询、分析结果,财务部门两天后才终于拿到答案。

在Brex,我们相信答案应该只需两秒。因此我们打造了Spaces——一个面向财务团队的AI驱动工作空间,它超越图表,即时提供深度洞察。

每个财务团队都靠报告运转。预算追踪、支出明细、合规标记、董事会材料准备——它们是财务决策的操作系统。然而支撑这些报告的工具二十年来并无根本性变化。预置仪表盘虽快但僵化;临时SQL虽灵活,却需要数据团队和工单排队。两者都无法跟上业务实际推进的速度。

痛苦恰恰在最不该出现的时刻叠加。当有人提出新问题时,整个流程重新开始:提交请求、等待分析师、验证输出、粘贴进幻灯片。最急需答案的人,反而等得最久。

我们看到了彻底打破这一循环的机会:为每位Brex客户在产品内嵌入一位AI财务分析师,它理解他们的数据、懂得他们的语言,几秒内给出答案。

在写下第一行产品代码之前,我们必须解决一个不会出现在任何原型图中的问题:AI需要像资深分析师那样理解财务数据。

原始数据库schema对LLM毫无意义。像amt_usd或dept_id这样的列名不携带任何业务语境。但语义层——一个结构化的模型,知道“支出”是一个度量,“部门”是一个维度,“预算差异”是支出减去分配额——赋予AI同样的专业直觉,如同财务新人在数月入职培训中逐渐培养出的那样。

正是这一点让Spaces原生理解Brex特有的概念:卡项目、费用政策、实体结构、审批流程。对我们的客户而言,这个模型的质量决定了他们得到的答案的质量。一个建模良好的本体,是“我不理解这个问题”与一个正确、带有语境、配有图表和清晰解释的答案之间的区别。

为外部产品构建这一层意味着它必须天生支持多租户——每个客户的数据相互隔离,但模型是共享的。它还必须领域特定。我们将Brex的财务概念编码为一等的维度和度量,这正是Spaces成为Brex产品而非通用BI工具的原因。而且它必须随着我们推出新的卡类型、政策控制和集成而持续演进。

很少有公司为外部AI原生产品构建过这种规模的生产级语义层。外部产品的挑战在于准确性期望更高、UX需要打磨、客户信任系于一线——这是我们正在积极探索的前沿。

我们正在推动的转变,源于一个信念:报告的未来不是图表,而是洞察。

图表是呈现,洞察是理解。一张按部门展示支出的柱状图是有用的,但一个能告诉你原因的AI,是另一个类别的产品。

Spaces两者兼备,但洞察区块才是真正的突破。AI不只是查询数据并渲染可视化,它分析发现的内容、揭示异常,并用自然语言总结:发生了什么、为什么可能重要、接下来该看什么。它将结果与历史、基准和预期进行对照。

对审阅季度数据的CFO而言,洞察区块扮演的正是通常会在幻灯片上做批注的分析师角色。对监控每日支出的财务主管而言,它免去了手动扫描数十个成本中心的需要。

这正是AI原生报告与传统BI的分野。仪表盘向你展示数据,Spaces告诉你数据的含义。

为了构建,我们从学习开始。我们评估了语义层供应商,包括Cube、dbt Semantic Layer、LookML等,以AI就绪度作为首要筛选标准。该供应商是否有AI agent层?我们能否注入已认证查询和提示指引等上下文?语义模型是否支持我们产品所需的表达能力?

我们搭建了一个开源Cube部署用于动手学习。目标是验证一个论点:一个由语义层支撑的AI agent,能否可靠地回答真实的财务问题?

然后我们构建了一个——客气地说——“氛围编程”的内部原型来测试完整体验。Brex内部团队是首批用户:财务、运营、分析。反馈重塑了产品。用户不只是想要一个答案,他们想要细化、按日期筛选、下钻到某个细分、比较不同周期。对话式细化成为了核心产品模式。

随后我们将原型带给外部客户。交互模式得到了验证,基础设施却没有。于是我们为生产规模、多租户和可靠性进行了重建。

就像Claude Code之于软件开发,AI数据agent正成为一种企业无需从零构建的能力。LLM能写SQL,差异化在于上下文工程:如何塑造agent所知的内容以及它的推理方式。

专有语义层是基础。我们的Cube模型编码了Brex的财务领域: “支出”意味着什么、部门如何汇总、合规阈值是什么、实体结构如何映射到会计层级。这正是将一个通用SQL agent转变为Brex财务分析师的关键。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →