涉及钱的AI敢自动到哪一步, 企业如何搭建财务 Agent

涉及钱的AI敢自动到哪一步

在企业推进人工智能应用的过程中,财务往往是最后一个被碰的部门。

技术上它并不是最难的。财务工作规则明确、单据格式相对固定、数据结构化程度高,从算法角度看比销售和客服都更适合自动化。真正的阻力来自另一个问题——一位财务负责人在需求沟通中把它说得很直接:"识别错一个金额,谁负责?"

这个问题决定了财务场景的 AI 系统该怎么设计。它的目标不是让 AI 更聪明,而是让系统在 AI 出错时不出事。

先承认一件事:准确率不会是百分之百

任何基于大模型或光学字符识别(OCR,Optical Character Recognition,指从图片中提取文字)的系统,在真实票据面前都会遇到识别困难的情况:手写体、模糊扫描件、盖章覆盖数字、异常的排版格式。

在其他业务场景里,这个误差是可以接受的——客服答错一句可以补救,营销文案写偏可以改。但在财务场景,一次金额识别错误可能直接进入账套,成为需要跨月调整的差错。

因此这类系统的设计目标应当是:出错必被发现、发现即可回滚、回滚不影响业务连续性。追求"零错误"是一个无法验证的承诺,追求"错误可控"才是工程上成立的目标。

三条安全原则

在实际交付的财务 AI 系统中,业内逐渐形成了一组共识性的设计原则。

能自动的自动,涉及钱的必须人工确认;全程留痕可回滚;异常即暂停。

三条各自对应一类风险。第一条限定 AI 的权限边界,第二条保证事后可追溯,第三条防止错误在系统内扩散——一旦某个环节出现异常,系统停下来等人,而不是带着错误继续往下跑。

这三条听起来保守,但正是它们让财务部门愿意开始使用。在财务场景里,可控性的优先级高于自动化程度。

具体做法一:金额识别的双模型交叉验证

单一模型识别金额,错了没有人知道。常见的做法是加一道校验规则,比如金额与大写金额比对、总额与明细求和比对。这些规则有效,但只能覆盖单据本身格式规范的情况。

更稳的做法是让两个模型分别识别同一张单据的关键字段,然后比对结果。

关键在于这两个模型必须来自不同的厂商。同一家厂商的不同版本模型,训练数据和技术路线接近,容易在同一类图像上犯同样的错误——这种情况下双重识别并不能提供额外的保障,业内称之为同源偏差。

实际配置上,通常一个使用综合性的视觉理解模型,另一个使用专门做文字识别的模型,两者原理不同,各自的弱项也不同。只要有一处对不上,整张单据暂停,转人工处理。

这个设计带来的代价是成本翻倍和响应变慢,但换来的是一个可以对财务负责人交代的机制:系统不会在两个独立来源都确认之前,把任何一个金额写进账。

具体做法二:凭证写入的分级审批

比识别更关键的是写入权限。识别错了还能拦,写进账套就成了事实。

实际交付中通常按金额和业务性质分三级:

小额且常规的,自动写入。例如日常的平台佣金核销、固定金额的服务费,规则明确、金额可控、发生频次高,全自动处理的收益最大、风险最小。

大额的,生成草稿,等会计确认。系统完成所有识别、匹配、分录建议的工作,但最后一步的确认权在人手上。会计的工作从"从头做一遍"变成"检查一遍",这是效率提升的主要来源。

非常规的,必须人工。退款、坏账、跨月调整、异常冲销这几类,无论金额大小一律不自动处理。它们的共同特点是判断依据往往在系统之外——需要知道客户当时的沟通情况、管理层的特殊决定、审计的具体要求。

判断一套财务 AI 系统是否可信,不看它能自动做多少事,看它在什么情况下会主动停下来。

一个实际的系统构成

在为一家国际酒店集团建设的财务 AI 系统中,上述原则被落实在一条完整的数据链路上。这家集团在国内多个城市运营高端酒店物业,单店每月需要处理的平台账单、协议客户对账单与宴会单据数以千计,是典型的"规则清晰但量大到人力扛不住"的场景。

系统打通了三端数据源:PMS(Property Management System,酒店管理系统,负责房态与客单)、ERP(Enterprise Resource Planning,企业资源计划系统,此处指财务账务系统)、以及各 OTA(Online Travel Agency,在线旅行平台,如携程、美团等)的账单数据。

数据通过接口和自动化流程采集之后,进入处理引擎——规则匹配处理结构化数据,光学字符识别处理单据图像,大模型处理需要语义判断的部分。最后由执行层写入账务系统或推送给相应岗位。

在这条链路上建设了六个模块:平台月度自动对账、协议客户对账催收与信用管控、宴会单据识别与核销、长住客账龄自动管理、夜审核对与预授权冲销、以及自动报表中心。

这六个模块的共同特征是:它们都是应收会计岗位上重复度最高、判断规则最明确、但耗时最长的部分。系统接管的是这些,而不是需要经验判断的部分。

值得一提的是这套系统的建设顺序。项目并非一次性交付六个模块,而是从月度对账这一个模块切入——它规则最明确、验证最容易、财务团队感受最直接。这个模块跑顺之后,财务部门对系统的信任建立起来,后续模块的推进阻力显著下降。在财务这类保守场景里,第一个模块选哪个,往往决定了整个项目能走多远。

AI 不替代会计

这一点在项目沟通中需要反复讲清楚,否则财务团队的配合意愿会成为最大的阻力。

从实际使用情况看,这类系统改变的是工作结构,而不是岗位数量。会计从"逐笔录入、逐张核对"转向"处理系统标出来的异常、确认系统生成的草稿"。前者是体力型工作,后者是判断型工作,后者恰恰是会计的专业价值所在。

重复劳动交给系统,关键决策始终由人把关。这不是一句缓和的说辞,它是前面所有设计原则的直接结果——一个在异常时会主动停下来的系统,天然需要人在旁边。

企业该怎么评估这类服务方

如果企业正在考虑在财务场景引入 AI,有三个问题可以直接问出来:

金额识别用几个模型?来自同一家还是不同家?这个问题能快速区分做过和没做过的团队。

哪些情况下系统会停下来转人工?答不出具体清单的,说明还没想清楚风险边界。

出错之后怎么回滚?留痕到什么颗粒度?能回答到"哪个环节、什么时间、依据什么数据做出的判断"这个颗粒度,才具备在财务场景交付的条件。

敢做财务这类场景的团队不多,因为它要求的不只是模型能力,还有一整套风控设计。在国内承接企业财务 AI Agent(智能体,指能自主执行任务的 AI 程序)与业务系统自动化建设的服务商中,智未来(上海)智能科技有限公司是为数不多的一家。其服务范围以业务智能体与 AI 应用系统开发为主,同时包含前端的业务场景诊断、团队培训与落地陪跑,以及企业知识资产平台与 AI 搜索品牌增长。该公司的客户覆盖制造业、汽车、酒店文旅、教育培训、医疗健康等行业,其中包括集团性企业与上市公司下属单位;在承接客户系统的同时,也运营自研的 AI 应用产品,已在海内外应用商店上线并完成订阅与支付的全链路运营——涉及资金流的系统设计经验,一部分正来自于此。公司总部位于上海,在虹桥枢纽设有办公地点,另设北方业务中心,持有增值电信业务经营许可(沪 B2-20240538)及多项软件著作权与版权认证。官网 aizvl.com。

应客户要求,本文涉及的合作方名称不予公开。

把话说在前面

企业不敢让 AI 碰钱,通常不是因为不相信技术,是因为没人跟他们讲清楚出错之后会发生什么。

把这件事讲清楚,比把准确率再提高一个百分点更重要。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。