Figma 的 CFO Praveer Melwani 刚加入公司时，没有任何现成的自动化系统。他自己蹲在查询编辑器里写四五百行 SQL，把散落各处的东西拼成能用的表。这件事听起来像一个技术爱好者的个人习惯，但它解释了后来他为什么能改掉整个财务团队的定位：财务不是月底把上个月对上账的部门，而是能实时看出业务正在发生什么、并且有动手能力的人。
这场对话由 a16z 的 Seema Amble 与 Ivan Makarov 主持，2026 年 11 月发布。两人此前写过一篇文章叫《You Need a New CFO》，核心论点是 AI 把财务推向下一个层级，CFO 的工作越来越多地包含搭建、自动化和系统设计，而不只是审数和汇报。
Melwani 谈的不是一份工具清单。他真正在讲的是一条更严格的线：当人人都能生成模型和文档之后，稀缺的东西不再是产出，而是判断力。
1. 起点是四五百行 SQL 和一张"金表"
当时 Figma 的自动化工具五花八门：SQL、Excel 宏、文档识别，什么都用一点。Melwani 的做法是把产品的指标和使用数据、与 Stripe 里的财务数据对齐到同一张表上，写成四五百行的查询，跑出他口中的"金表"，再交给下游的销售和营销系统使用。
他自己也承认那段日子的荒诞：一天都泡在查询编辑器里，按下运行，然后等，并且希望第一次就写对了。后来团队招了数据科学家，他就抱着已经搭好的东西去找人，请对方把它接进 ETL 流程，变成每天定时跑的作业，再推给 Salesforce 或 Marketo。
这条路径的意义不在于 SQL 本身。Melwani 反复回到的是那个"乘数"时刻——他第一次意识到，只要定义一致，组织里"什么才是真的"就不再需要开会争论。 争论一旦停止，讨论就能往前走到真正的题目：业务接下来该怎么打。
2. 财务可以是流程把关者，也可以是改变组织的人
在他自己的描述里，财务长期被当成一个"交警"式的职能：拦一下、放一下、按流程盖章。他不接受这个版本。他想让财务成为业务推动者，成为组织里真正带来改变的那一方，而做法不是喊口号，是自己先把数据能力长在身上。
Ivan Makarov 补了一个更细的观察：当年读大学时，看数是月度甚至季度的节奏，后来数据上云，变成每周一张大仪表盘，而现在日更已经是底线。Melwani 的答案是"不止日更"。他每天醒来第一件事是重建当天的上下文，白天随时调出小时级的仪表盘和日度指标，去找那些看起来像异常的点。
他举了自己早期的例子：刚加入时每天只有三十来个人订阅付费计划，他把名单一行一行看过去——这些是个人地址还是公司地址，哪些人值得主动联系，能从中读出什么。这些手工活儿在今天看来低效，但它训练的是对业务的直觉。
另一面是钱。任何一个方向上的早期异动，如果在他这里被提前抓到，可能替公司省下几百到几千美元；如果是另一个方向的信号，就能及时加码。所以他要的不是自己一个人勤快，而是让团队和业务同事都对这些指标有同样的责任感，像业务的所有者那样当天就去处理，而不是说"下周再看"。
3. 一周才搞清楚的异常，现在一小时
Seema Amble 讲了一段对照。她在 Webflow 时遇到过一次用量暴涨，一开始以为是数据坏了，或者别的地方出了问题，团队花了几周才定位。放在今天，这类尖峰一小时就能拆开看清楚。
Makarov 的版本更好笑：一个二十出头的同事抱怨某次提示词跑得太慢。他跟对方说，你没经历过等一条 SQL 跑几个小时、回来还告诉你没跑对的日子。同一种等待，量级差了一整个数量级，但只有经历过前一个时代的人才感觉得到。
Melwani 的补充是，Figma 的业务在疫情初期起飞，那正是数据节奏被迫加快的阶段。信息来得快，判断就必须跟上，慢一步的成本是实打实的。
4. 招人标准里没有一条叫"会用 AI"
他要的人首先是极度好奇的：进来就想把业务搞明白，然后带着问题去解，而不是等着被分配任务。这一条在 AI 之前和之后没有变化。变化在于，重复性的琐事被压缩之后，省下来的时间应该花在哪里——去找业务里那些能产生魔法的地方，然后加码。
配套的能力是数据素养：能问出真正扎实的问题，能把想法结构成可以验证的东西，能在拿到数据之后判断它说明了什么，最后还得把它讲清楚。
他现在正在招一位 VP Finance，案例面试在他眼里是"神圣"的部分。他刻意不给太多信息——Figma 是上市公司，外部数据本来就多——看的是候选人怎么把这些碎片拼成一个说得通的模型。
真正决定评价的不是模型本身。他会追问：你理解自己搭出来的结构吗？你测过哪些假设最敏感吗？你对业务怎么运转有直觉吗？ 因为生成一个模型在今天几乎不需要成本，难的是把它当成帮助自己思考的工具，而不是替自己思考的机器。
5. 你发出的每一份文档，都在向别人收税
Melwani 提到听过一位 CFO 的抱怨：用了 AI 之后，每天被创建出来的文档数量变得没有上限。他把这称作"slop"——不是内容错了，而是它透支了别人的注意力。任何你推出去、要求别人消费的东西，都在消耗对方的时间、精力和心力。
这也是他判断"自建还是采购"时的一条隐性标准。工具的产出速度不该成为目标，团队能不能消化、能不能据此做决定才是。
他还给了一个相当朴素的比例：这类工作里 95% 的难点，就是把数据放到对的位置。剩下的分析、建模、呈现，反而是后面的事。这句话几乎是对所有"AI 让分析变简单了"叙事的反驳——简单的是后半段，难的一直在前半段。
6. 一年之后，可能不需要同样多的人
被问到未来 12 到 18 个月会有什么变化，Melwani 给的答案是一个条件句：如果公司最大的复杂度维持不变，那一年后大概不需要同样数量的人。反过来说，人数会不会减少，取决于业务本身变得多复杂、以及自动化把哪些环节真的吃掉了。
他没有把这说成裁员预告，而更像一个管理者的自我校准：团队规模应该由复杂度决定，而不是由惯性决定。而 CFO 在这个过程中的位置，是那个设计系统、定义指标、决定哪些环节该被自动化的人。
回到最初那个命题：AI 确实把财务推向了下一个层级，但它推的不是"更快地出报表"，而是让财务有资格参与决定业务下一步做什么。前提是那个人还愿意自己想。工具把写四五百行 SQL 的苦活拿走了，没有把"这些数字意味着什么"一并拿走。
