本文通過AI審單項目的實際案例，深入探討了企業引入AI大模型的顧慮、應用步驟與機會洞察，旨在為讀者提供一份AI落地的實用指南。

一、引言

人人都在談AI?？葾I的信任赤字、AI的投入成本，都讓決策者和擁躉畏首畏尾。如何在企業內洞察機會、如何說服決策者投入資源、如何衡量價值達成。這些都是繞不過去的問題。

筆者以個人踐行的AI審單項目為例，歷時一年多的痛苦與掙扎、現分享給各位，與各位共同探討AI的落地方法。

二、企業引入AI大模型的五個顧慮

自ChatGPT問世以來，AI行業再度被引爆。相比于技術本身，普羅大眾更關注和糾結的是“AI+什么場景”。

結合這段時間的實踐經驗，我認為大部分企業引入AI大模型都存在5個顧慮：

1. AI如何在企業內找到落地場景，且能形成規模效應？
2. AI是一個好東西、要投入多少錢、能產生多大的收益和價值？
3. AI技術可理解性差，如何衡量落地場景的應用穩定性？
4. AI會不會引發數據泄露，數據安全如何保障？
5. AI要在企業內如何復制成功，推進方法論是什么？

三、AI應用的5步法概述

四、第一步：AI技術特征與企業應用的匹配

開源節流是所有企業引入新技術能力和新商業模式的主旨，換言之、多、快、好、省的維系百年企業。這四字真言拆解之下即是：多（量大的作業、高利潤的領域）、快（快捷交付、實時響應）、好（精準的、高質交付）、低（成本最優）；

就如筆者所在的財務共享服務領域，發票OCR能力應用在發票審單。國內的發票結構標準、字符規范（抬頭、發票號等）、識別自然精準（特別是隨著電票的發展，發票內容更為清晰）。所以發票OCR能力非常滿足這四個特征：

1. “多”字決：在規模上財務共享領域集中了各產業的發票校驗工作；
2. “快”字決：在快捷性上因為OCR廠商可快速返回結果信息，故而實時性有保障；
3. “好”字決：在準確性層面國內發票OCR幾乎可以達到99%以上的準確度；
4. “省”字決：在成本層面整個國家所有企業均離不開發票，市場空間巨大，各廠商也只有工具提供方，沒有太多變動成本。

反觀AI能力，境遇截然不同。OCR是“視覺“類新技術能力，模擬的是人眼、技術能力可理解性較強；而AI是“理解”類新技術能力，模擬的大腦、技術的認知和認可度偏弱性。

既然AI有這樣的技術特征，那對應到四字真言之下，將需要如何對應企業場景呢：

1. 量大的作業、AI越具備規模效應：AI按字數收費，且從企業實際應用來看，大量字符理解成本是浪費的。若規模上不夠，AI更無用武之地了，故而一定要選擇具備規模效應的場景。
2. 準確性要求越高，AI越難自證清白：一千個讀者有一千個哈姆雷特。理解本身就是多元的，而理解標化的前提是知識的標化，AI是一門認知技術，必然對知識有準確性要求。這就比如AI客服，你讓AI回答一下產品型號還有可能、你讓AI做促銷轉化和商品引薦，若無足夠標準的知識去喂，指不定會惹出什么幺娥子來。
3. 實時性要求越高、AI越難有良好表現：實時性和準確性是相伴相隨的兩個指標。若場景準確性要求不高，但實時性要求高，比如AI+人臉識別，這時達到一定百分比即可通過門禁；若實時性要求和準確性都要求高，比如AI自動駕駛，那就需要大投入大手筆了。實時性要求不高，也才會給“半自動+人工介入”提供了可能。比如筆者所選的審單，若要求自動AI審單，就是高實時性要求，則對AI的要求必然高；若是審單助手，則提供了人工介入的可能，那AI就無過高準確性的要求。

五、第二步：機會洞察分析

5.1 項目圖譜

5.2 機會洞察的6個階段

5.3 機會洞察第一階段：FTE機會分析法、找出規模效應最高點

AI有很多場景，比如圖片生成、代碼檢測、設備維修、多語言翻譯等。而且筆者所在部門在這些領域都有做AI的實踐，比如圖片生成，就通過AI大模型、將企業內的宣傳物料進行自動化生成（如下圖），最終減少了0.2個UI人員的投入，可這些場景“人微言輕”，

所以我們緊緊瞄準了FTE最高的機會點，經過長達1個月的FTE分析，最終認定“審單”才是最具規模效應的點，哪怕其中有反對聲音說現實的附件有多么不標準、我們的當下時效已有多么高效。我們依然咬定青山不放松，認定只要提升1分鐘/單，在巨大的流量面前（若10萬單），則就可提效1666小時，折合9.57人。那也能hold住成本。

這給了我們一個深徹的領悟，AI路途中有很多野花，牢牢盯住遠方的大樹，方可直達目標。

5.4 機會洞察第二階段：工序計算分析法、下鉆機會下的耗時工序

FTE機會分析法找到了“最耗人”的地方，下一步則針對審單這個垂直場景再下鉆一層，分析“審單中最耗時的工序”（如下圖所示）。從下圖兩類報銷業務耗時分析可知，費用報銷類的檢查一致性雖然比較耗時（編號4）、但是查找附件（編號1）、定位附件具體內容（編號2）、計算統計（編號3）、查閱規則覆蓋度（編號5）也比較耗時。
而總賬業務中、審閱附件（編號1、編號3）恰恰不是最耗時的地方，最耗時的是“轉換總賬報賬單明細”（編號2），所以引入AI審單并不能達成總賬審單提效目標，最終我們采用了另外一個新技術能力解決了這類場景。

這給我們一個認知，不要將雞蛋放在一個籃子里面，場景洞研后要因地制宜做最適合的方案、萬不可墨守成規。

1）費用報銷業務：用戶提報報銷單，會計審閱附件和單據；

2）總賬業務：總賬人員要依據產業業財提報的賬務表、手填轉換成總賬報銷單據

3）經驗總結

1. 不同工序的操作方法大相徑庭，AI識別附件方案并非萬金油，還需依賴其他技術能力實現突破；
2. 工序可指導后面的“審單作業端到端分析”和“ROI分析”，是所有后面工作的信息輸入，絕不可忽略；
3. 只有深入一線了解工序操作、才不會偏聽偏信，才不會主觀臆想，才真能代表一線業務發聲；
4. 工序也為后面的“產品原型設計”奠定了基礎，產品是為業務服務的，沒有場景的AI技術都是耍流氓；

5.5 機會洞察第三階段：單據駁回日志分析法、找出審單規則明細

本步驟的目的是梳理審單規則、通過規則與附件的匹配來校驗AI能力的可行性。
絕大多數的企業的審單規則是這樣寫的“需提交A附件、附件要符合業務實質”。筆者在正式進入AI訓練之前，花費1個月的時間深度梳理了規則，通過規則與附件的匹配來校驗AI能力的可行性。

而且沒有強依賴審單部門提供的規則，而是通過分析單據駁回日志，一條一條的檢視出審單SOP。個人覺得這種操作方法的好處是：一方面個體知識存在局限性，一個人難以知曉所有審單規則，我們要降低個體的依賴；另外一方面是深入一線挖掘審單規則、找出附件類型和樣本，從而深度分析AI能力的可行性，為下一階段的“規則配對附件評估AI能力法”提供了信息輸入。

所以，導出1年的駁回數據、匹配制度手冊的SOP、建立附件樣本表、搭建審單規則與附件樣本的對照表。就是本階段的關鍵動作。下圖是“審單規則與附件樣本對照表”：

規則梳理經驗：

1. 規則要細化到具體的附件字段和單據字段級（即系統可理解）、且附件字段要要對應到AI理解的結構化數據；
2. 規則要考慮多個重復附件提交情況、單據上有多行情況。從而思考要限定附件提交數、還是先分組后再比較；這為AI的理解要求和單據的字段要求提供了參考；
3. 規則的比較方法要區分：存在于、等于，存在于為“AB 在ABC內存在，則通過”，等于為“AB 和ABC等于、則失敗”。這對多個附件、單據的多行的校驗提供了明確要求，同時若附件不規范、附件提供多份，都會造成規則失敗，所以就可進一步審視附件提報頁面的設計合理性；
4. 規則中的等于情況要精準到：完全匹配等于、忽略大小寫等于、去除前后空格、忽略大小寫等；
5. 一條規則中存在并且情況，則盡可能就拆分成兩條規則，審單人可清晰了解是具體那一段規則校驗失??；

5.6 機會洞察第四階段：規則匹配附件評估AI能力法

成語“有求必應”才是正常的協同機制、AI大模型不是萬金油，要讓AI去理解附件，首先就一定是要讓AI知道你需要它理解附件的哪些內容。就比如下表的合同。我們通過分析步驟三梳理了規則、也建立了規則與附件對照表。在本步驟，我們會建立“附件識別能力表”進一步去評估AI的能力。

5.6.1 附件識別能力

1. 附件可視得出：肉眼在附件上就可看到這個字段內容，比如資產數量、總金額；
2. 附件計算得出：肉眼在附件上不可見字段內容，但是可通過多個字符計算得出，比如預付款金額=合同總金額*預付款比例；預付款金額在合同不可見，合同總金額和預付款比例可見；
3. 附件理解得出：肉眼不可見、也無法通過其他結構化數據計算得出，只可以通篇理解文章，或通過關鍵詞庫做匹配才可以理解；比如合同的是否為框架合同，整篇文章都沒有框架合同這個字符，得需要通過合同類型得出。

經驗：

1. 反對者總是會舉一個特殊例子（一張非常特殊的附件）來證明這件事情的不可行，你只需要用2/8原則去回懟他（這個業務模塊是整個企業80%的量么、這個附件是這個業務的80%的附件量么？這個附件的識別規則是所有規則的80%的量么）
2. 市場上的AI平臺均有提示詞工程，產品人員可以不掌握AI底層算法，但是一定要知道調試提示詞，也要知道AI的評估模型；

5.6.2 大模型評估指標

AI大模型需要引入，還需要建立一個企業整體的模型評估指標，這個指標是結合全局來做的思考，也可作為技術評估指標。如下表：

5.7 機會洞察第五階段：審單作業端到端流程分析、建立產品矩陣架構圖

企業內現在也存在一個怪圈，人人都在談數字化轉型、人人都在談端到端流程打通。好像不這么說上兩句，視野就不夠高、說服力就不夠強似的。可真正深入了解并實踐的也屈指可數。

筆者也是能力有限水平一般，不能免俗端到端流程分析一把，不然就會在產品評審階段被質疑。
個人總結端到端流程的概念為：“以客戶價值為依規、圍繞流程整體經營和財務運營指標實施的打破組織壁壘的流程重構”。這里面的關鍵信息可以轉換為幾個自省問題：

1. 流程是否有存在的必要？
2. 流程的KPI是否是服務客戶和經營價值最大化還是單個部門節點效率最大化（流程是局部最優還是全局最優）？
3. 流程的客戶滿意度如何？

1）流程分析詳解：

就以普通的員工國內差旅報銷為例（舉一個例子，并非筆者所在公司）現在的流程是：國內出差是員工出差完畢后回來拿票填報報銷單、國外出差是員工提報申請單后，出差完畢后關聯申請單拿票報銷。

注明：因本文章重點討論的是AI大模型應用，故而就不展開端到端流程分析，下來再專門輸出一篇端到端實踐文章以饗讀者、里面包含更全面的實踐經驗）

從上表信息可知、當我們打破現有流程的慣式、從客戶滿意度來審視流程的合理性的時候，現在的流程如此不堪、現在的指標如此狹隘。

原來的指標是“單個部門的審單時效和人效”，那么就會無腦駁回、就不會關注流程的體驗和質量。而現在改成“單據一次通過率”和“自動化審單占比”等指標的時候，客戶滿意度得到了提升。

同時、流程方案也有了AI和新技術加持的可能，用戶的填單服務體驗也變成：不填單、少填單、不咨詢、少耗時。

2）端到端流程分析的價值和意義：

1. 站在全局角度洞察機會與設計方案、與決策者和客戶同頻共振，
2. 方案具備多視角、多策略，不僅保證了立項時方案的客觀和完整，也保證了結案時的價值經得住挑戰；
3. 從成本最節約角度設計方案，不強依賴單一技術，不壓碼單一方案。保證了成本、也提升了項目的成功率，畢竟不能將雞蛋全部放在一個籃子里。

5.8 機會洞察第六階段：ROI分析方法

ROI分析是大部分人最頭疼的地方、人都希望快意恩仇、都希望信任有加、都希望資源滾滾。而世間最大的特點就是“資源永遠是有限的”，而且大部分決策者的心理都是“花小錢辦大事、最好是不花錢”。所以ROI就成為不可避免的一環。那我們就需要詳細來審視下這個命題：

5.8.1 附件識別能力ROI為何如此痛苦

1. 這領導好麻煩：首先我們在心態上就認為ROI分析沒有必要。要客觀的認識ROI分析是項目立項的關鍵一環，并非個別領導的喜惡，更不是某幾個領導的特意針對。
2. 這測算太定性：其次我們的ROI測算容易做成語文題，而難以量化成數學題。無圖無真相、無數不證明。ROI測算一定需抽絲剝繭、涇渭分明。更需數據輔證、真憑實據。

5.8.2 收益測算

1）收益測算：定量分析維度

通過對影像件(含電子件)資料與單據填寫內容做一致性校驗，進行審單（即：AI審單）的詳細分析：

2）收益測算：定性分析維度

1. 用戶滿意度提升
2. 人控改成技控、減少了審單風險，提升了賬務質量；
3. 減少了審計風險
4. 減少了對賬問題，可實現后期自動對賬；
5. 發票結構化了，為后期的稅務抵扣提供可能；

5.8.3 投入測算

六、本章總結

1. 通過FTE機會分析法，分類企業所有任務，整理形成AI審單外的排行前8的機會點，從整體視角看流程、從整體視角看AI在整個流程中的位置；
2. 依托工序計算分析法，圍繞8個機會，深度研究耗時點、將機會進一步下鉆打開，找出最耗時的工序，可指導后續的端到端流程分析、ROI分析、產品原型設計。所以工序研究是必修課；
3. 不要開始就大投入、大手筆的簽訂一個大廠商，上船容易、下船難啊?？上扔肧AAS服務運作一段時間，等項目架構、技術能力、團隊能力穩健運營了、運營指標達成后再換用成熟廠商。
4. 80%時間要花在機會洞察階段，FTE分析、工序計算、規則梳理、AI能力匹配。每一步扎扎實實的走下去，想不成功都難。
5. ROI測算花費再多時間都不為過，算不清賬、就做不了事。