财务数据处理正在经历AI驱动的范式转移。Claude Code通过12个实战场景展示如何将发票OCR、费用异常分析、跨表对账等重复劳动自动化，其核心价值在于将混乱的纸质单据、散落的多格式文件转化为可直接决策的结构化数据，让财务人员从80%的机械操作中抽身，专注风险审核与经营判断。
前三篇讲的是内容创作、素材处理、音视频处理。
从这一篇开始，Claude Code 的使用就更接近企业里的真实业务工作了。
尤其是财务和数据处理这一类场景，很适合拿来做企业 AI 培训和现场 Demo。因为它不是抽象地讲“AI 可以提升效率”，而是能直接看到结果：发票图片变成 Excel，杂乱报销文本变成表格，费用数据自动分析异常，多个子公司的报表自动合并，经营数据直接生成汇报 PPT。
这一类场景的特点是：输入往往很乱，输出必须很规整。
财务工作里大量时间都花在这些事情上：识别、录入、清洗、对账、汇总、分析、生成报告、生成单据。如果每一步都手工做，不但慢，而且容易错。
Claude Code 在这里的价值，不是替代财务判断，而是把大量重复、机械、格式化、跨文件处理的工作先做掉，让人把精力放在审核、判断和决策上。
这一篇一共拆 12 个场景。
这是财务场景里最容易让人有感觉的一个 Demo。
原来如果有一批发票图片，财务要一张张打开，看发票代码、号码、日期、购买方、销售方、税号、商品明细、金额、税率、税额、价税合计，再手工录入 Excel。数量少还可以忍，数量一多就非常痛苦，而且很容易输错。
现在我会把一整个文件夹的发票图片丢给 Claude Code。
输入是：一个装着 5 到 20 张发票图片的文件夹，图片可能是 PNG，也可能是 JPG。
输出是：一张 Excel 或一份结构化 JSON，里面包含发票代码、发票号码、开票日期、购买方名称和税号、销售方名称和税号、商品明细、数量、单价、金额、税率、税额、价税合计，以及大写金额。
Claude Code 处理这类任务有两条路线。
第一条路线是传统 OCR。先用 OCR 工具识别图片里的文字，再用脚本做字段提取和纠错。比如日期里的“日”可能被识别成“8”，金额的小数点可能丢失，公司名称可能有错别字，税号可能跨行错配，这些都需要二次修正。
第二条路线是用视觉模型。直接把发票图片交给视觉模型识别，让它按字段输出结构化结果。数量多的时候，还可以让多个 Agent 并行处理，每个 Agent 负责几张图片。
这件事省心的地方很明显：人工抄发票是低价值重复劳动，Claude Code 可以先把结构化数据提出来，人再做抽查和审核。
它很适合做财务培训 Demo。因为发票识别是财务人一看就懂的痛点，输入输出也非常直观：左边是一堆发票图片，右边是一张可用的 Excel 表。
财务做月报时，经常要分析各部门费用变化。
原来流程一般是：先拿到几个月的费用数据，再按部门、科目做透视表，算环比，找异常波动，再手动标红标黄，最后写一段分析结论。这个过程不难，但很碎，很耗时间。
现在我会把费用 CSV 直接交给 Claude Code。
输入是：一份包含月份、部门、科目、金额的 CSV 文件。
输出是：一张带分析结果的 Excel，以及一段 200 字左右的摘要。
Excel 里通常会有几张表：部门汇总、逐科目明细、问题摘要。Claude Code 会自动计算环比和趋势，并设置条件格式。比如环比超过 30% 标红，连续 3 个月增长标黄，同时满足多个条件的标橙。
它还会自动找出异常点，比如“销售部差旅费环比增长 87%”“市场部招待费连续三个月上升”“某个科目同时触发环比预警和趋势预警”。
这件事省心的地方是：它不只是帮你做表，而是把异常先挑出来。
财务分析最耗时间的不是算公式，而是在表里找问题。Claude Code 可以先把波动、异常、趋势、重点科目标出来，人再去判断这些异常是否合理。
这个场景比较特别。
有些财务分析一开始只是临时需求。比如这次做了一个月度费用分析脚本，跑完之后发现以后可能还会反复用。那就可以考虑把它打包成一个 Skill。
原来如果我写了一个脚本，下次要复用，还得去找文件、看参数、改路径。时间久了，自己也忘了怎么用。
现在 Claude Code 可以把这类一次性流程沉淀成可复用工具。
输入是：已经跑通的费用分析脚本，以及希望下次怎么调用的说明。
输出是：一个 月度费用分析 Skill，包括 SKILL.md 和通用化后的 analyze_fees.py。下次只要给一个新的费用表，就可以按同样逻辑分析。
这个 Skill 会把原本写死的部分通用化。比如月份列名不是固定写死，而是按数字后缀自动识别；输入文件路径可以变化；输出结构保持一致。
但这里也有一个判断：不是所有流程都值得打包成 Skill。
如果只是一次性任务，直接让 Claude Code 做完就行。如果这个流程未来会反复出现，比如每月都要做费用分析、每次培训都要演示同样 Demo，那就值得沉淀成 Skill。
这个场景的价值不只是做费用分析，而是演示一个很重要的思路：AI 不只是帮你完成一次任务，也可以把高频任务沉淀成工具。
集团财务或多公司管理里，经常会遇到跨子公司数据合并和对账。
原来如果有 3 家子公司的采购订单、经营数据或对账表，财务需要一张张打开，按订单号、供应商、金额等字段合并，再找金额差异、缺失订单和异常记录。这个过程非常适合自动化，但人工做起来很容易漏。
现在我会把几张子公司 Excel 交给 Claude Code。
输入是：3 张子公司的采购订单或经营数据 Excel。
输出通常有两类。
第一类是合并后的 Excel。它会按订单号合并多张表，生成差异对比和合并明细。如果金额差异超过 1000 元，就自动标记为异常，并用红色高亮。
第二类是可视化 HTML 报告。里面会有核心指标卡片、柱状图、异常清单、明细表，方便直接展示。
比如它可以识别出某个订单在两家公司数据里金额不一致，或者某个子公司的异常金额最大。报告里会直接指出类似“PO-2024-007 差异 1200 元”“深圳子公司风险最高”这样的结果。
这件事省心的地方是：跨表对账不用人工一行行看。Claude Code 先把合并、比对、异常标记和可视化做完，人只需要复核重点异常。
这个 Demo 在企业培训里效果也比较好，因为它比单纯表格处理更接近真实财务场景：不是处理一张表，而是处理多张表之间的关系。
财务不只是做表，还要做汇报。
原来经营分析报告通常需要先整理数据，再做图表，再写结论，最后放进 PPT。这个过程非常耗时间。尤其是月度、季度汇报，结构差不多，但每次都要重新做。
现在我会让 Claude Code 根据经营数据自动生成汇报材料。
输入是：多 sheet 经营数据 Excel，比如总览、分品类、预算执行、部门费用、现金流，或者三家子公司的经营数据。
输出可以是两类。
第一类是 9 到 10 页商务风财务汇报 PPT。包括封面、核心指标卡片、趋势柱状图、品类环形图、预算 vs 实际、风险提示和经营建议。
第二类是集团经营分析报告。可以先生成 HTML 报告，再转成网页风格 PPT，里面包含雷达图、堆叠图、指标卡和风险洞察。
这里 Claude Code 做的不只是画图。它会先读数据，算关键指标，再判断哪些地方值得提示。比如某个品类毛利下降，某个部门费用超预算，某个子公司现金流压力较大。
这件事省心的地方是：一张原始数据表，可以快速变成一份可汇报的材料。
当然，最终汇报前仍然需要人来审核。尤其是财务汇报涉及经营判断，不能完全交给 AI。但 AI 可以先完成 70% 的基础工作：整理数据、生成图表、搭报告结构、写初版结论。
这是一个很小但很实用的场景。
原来很多财务表格都需要条件格式。比如预算执行率超过 120% 标红，100% 到 120% 标黄，低于 100% 不标。人工设置并不难，但对不熟 Excel 的人来说，公式、区域、绝对引用都容易出错。
现在可以直接用自然语言让 Claude Code 操作。
输入是：一张预算执行 CSV 或 Excel，以及一句自然语言规则。比如“执行率大于等于 120% 的整行标红，100% 到 120% 标黄，低于 100% 不标”。
输出是：一张已经设置好条件格式的 Excel 文件。
Claude Code 可以先告诉你条件格式公式，比如 =$D2>=120%，也可以直接用 openpyxl 写入规则，生成成品文件。
这件事省心的地方是：不需要手动研究 Excel 条件格式。你只要说清楚规则，它就能把规则落到表里。
这个场景适合培训现场演示。因为它能体现“自然语言驱动办公软件”：你不一定懂公式，也可以让 AI 帮你把表处理好。
很多原始数据不是标准 Excel，而是一段非常乱的文本。
比如报销清单里，有的人写“3月8日”，有的人写“3.18”，有的人写“3/5”，有些日期缺失，有些金额格式不统一，有些字段顺序混乱。
原来处理这种数据，需要人工一条条清洗。先统一日期，再补缺失，再拆字段，再排序。量少还能忍，量多就很烦。
现在我会把杂乱文本交给 Claude Code。
输入是：一份格式混乱的报销清单或流水文本。
输出是：一张标准表格，通常包括日期、申请人、部门、类别、金额、状态等字段。日期会统一成指定格式，缺失内容用“—”标记，金额可以按从高到低排序。
如果需要，也可以直接导出成 Excel，并加上筛选、状态列颜色等基础格式。
这件事省心的地方是：它能把“人写给人看的乱文本”，变成“系统可以继续处理的结构化表格”。
很多企业里的数据问题都在这里。不是没有数据，而是数据太乱，不能直接分析。Claude Code 很适合做第一轮清洗和结构化。
这个场景更偏数据清洗和对账。
原来如果有几千行交易数据，里面有重复交易、退款异常、日期格式不统一，财务或运营需要先去重，再标记异常，再统计影响金额。人工处理很容易漏，也不容易留下清晰的过程记录。
现在我会把交易 CSV 交给 Claude Code。
输入是：一份几千行的交易 CSV，比如 3000 行，里面可能有重复交易 ID、退款未冲账、日期格式不统一等问题。
输出是：清洗后的 CSV、去重分析 Excel 和一份 Markdown 报告。
Excel 里可以有多张 sheet：去重后数据、重复 ID 明细、汇总统计。报告里会写清楚：原始多少行，去掉多少条重复，发现多少条退款未冲账异常，重复数据导致金额虚增多少。
比如它可以识别出 150 条重复交易，588 条退款未冲账异常，虚增金额 16 万。
这件事省心的地方是：数据清洗不是只给你一个结果，而是把过程和影响也量化出来。
财务和经营分析里，很多时候最怕“表面数字是对的，但底层数据有问题”。Claude Code 可以先帮你做基础的数据质量检查，再进入后续分析。
这个场景属于单据自动生成。
原来如果有一张应付款清单，要给每个供应商生成付款通知单，需要按供应商拆分数据，再复制到模板里，填通知单号、合同编号、采购内容、金额、账期、付款截止日，还要写金额大小写和签批栏。供应商一多，就很机械。
现在我会把应付款清单交给 Claude Code。
输入是：一份 应付款清单.xlsx。
输出是：按供应商拆分生成的多份 PDF 付款通知单，并打包保存。每份 PDF 里包括公司抬头、通知单号、对账表、合同编号、采购内容、金额、账期、付款截止日、金额大小写和签批栏。
比如一张清单里有 5 个供应商，Claude Code 就可以生成 5 份付款通知单，总金额也会自动汇总。
这件事省心的地方是：一张清单可以自动拆成 N 张格式统一的对外单据。
这种场景很适合行政、财务、采购。它不是复杂智能判断，但非常节省时间，也能减少手工复制带来的错误。
财务和法务经常要看合同，尤其是付款条件、账期、违约责任、不平等条款。
原来如果有 3 份合同 PDF，要横向对比金额、付款条件、账期、违约责任和风险项，人工阅读非常耗时间。而且不同合同措辞不一样，很多风险点不一定一眼能看出来。
现在我会把多份合同交给 Claude Code 处理。
输入是：3 份合同 PDF，以及需要提取的字段，比如金额、付款条件、账期、违约责任、风险项、不平等条款。
输出是：一张 Excel 对比表。通常会有两个 sheet：一个是关键条款横向对比，一个是风险逐条标注。最后还会给一份风险概览，把高、中、低风险分出来。
比如它可以识别出：甲方逾期付款违约金很低，但乙方违约责任很高；甲方可以单方解除，但乙方没有对应保护；争议管辖地对乙方不利；知识产权归属不清。
这件事省心的地方是：多份合同可以被拉平对比，而不是一份份单独读。
当然，合同风险最终还是要人来判断，重要合同也应该交给专业法务。但 Claude Code 可以先做初筛，把明显不对等、需要重点看的条款挑出来。
真实工作里，文件经常不是整整齐齐的一张表。
一个文件夹里可能混着合同、订单、发票、会议纪要、对账单，有 Excel、txt、Word、PDF 多种格式。要从里面整理出供应商、订单、金额、待办、异常，非常麻烦。
原来这种工作需要人工一个个打开文件，把信息复制到表里，再互相核对。尤其是金额、订单号、合同编号这些字段，很容易出错。
现在我会把整个文件夹交给 Claude Code。
输入是：一个混合文件夹，里面有合同、订单、发票、纪要、对账单等多种格式文件。
输出是：结构化提取结果，比如供应商表、订单明细、待办事项、总金额汇总，以及数据不一致点。
比如它可以发现：某个 PO 只出现在对账单里，但没有对应采购单；某张发票金额和合同金额对不上；会议纪要里提到的待办没有出现在后续文件里。
这件事省心的地方是：它能跨文件、跨格式做信息抽取和核对。
这类场景比单表处理更接近企业真实情况。因为实际工作里，信息往往散在不同文件里。Claude Code 可以先把它们读出来、拉到一起，再做一致性检查。
最后一个场景是格式转换。
有时候我拿到一份大体量 Excel，比如上万行岗位信息、多 sheet 数据、结构化清单，后面想用它做检索、分析或生成文档。Excel 适合看表，但不一定适合后续处理。
原来我需要自己写脚本，把 Excel 转成 JSONL，再转成 Markdown。这个过程不复杂，但每次都要处理 sheet、字段、编码、格式。
现在我会让 Claude Code 直接做转换。
输入是：一个多 sheet Excel 文件。
输出可以是：JSONL 文件，也可以是 Markdown 文件。比如 11010 条岗位数据，每条保留 6 个字段；再把每个岗位转成 Markdown 里的二级标题、元信息表格和描述内容。
这件事省心的地方是：表格不再只能停留在 Excel 里，而是可以变成适合后续检索、处理、展示的结构化数据。
这类场景看起来基础，但很常用。很多 AI 工作流的第一步，就是把原始表格转成更适合模型读取和处理的格式。这类场景真正解决了什么问题
财务与数据处理这一类场景，表面看是发票识别、费用分析、报表合并、合同提取、表格清洗。
但本质上解决的是一个问题：把乱数据、散文件、重复操作，变成结构化结果和可执行判断。
企业里的很多工作，不是没有系统，也不是没有数据，而是数据入口太乱、格式太多、手工整理太多。财务尤其明显：发票是图片，报销是文本，交易是 CSV，合同是 PDF，汇报要 PPT，通知单要 PDF，经营数据又在 Excel 里。
Claude Code 的价值，是把这些不同格式的东西接起来。
这里有几个关键原则。
第一，AI 先做整理，人再做判断。财务工作不能完全交给 AI，但大量整理、清洗、格式转换、异常标记，可以先让 AI 做。人应该重点看异常、风险和结论。
第二，输出一定要可复核。财务场景不能只给一句话结论，最好输出 Excel、PDF、Markdown 报告、异常明细，让人可以回看每一步。
第三，真实场景往往不是单一文件。很多价值来自跨文件处理：合同、发票、订单、对账单放在一起看，才会发现问题。
第四，不是所有流程都要打包成工具。高频、稳定、重复出现的流程可以沉淀成 Skill；一次性需求直接做掉即可。不要为了自动化而自动化。
第五，财务 Demo 要选真实痛点。发票 OCR、费用异常分析、对账、经营汇报、合同条款对比，这些财务人容易理解，也更能体现 Claude Code 的价值。
本文由人人都是产品经理作者【Aaron】，微信公众号：【曾俊AI实战笔记】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。