财务智能初审怎么建？报账单、转资、预算、合同与对账
每到月末关账前的最后一周，财务共享中心的初审岗位几乎是全公司最“堵”的地方：报账单堆在待办里、转资清单等着核对、预算额度要一笔笔穿透查、合同附件和发票金额对不上、银行流水和账面还差几毛钱找不到出处。审单人员一边翻制度文件一边跨系统查数据，一单耗上十几分钟是常态，而一旦人手流动，新人上手又要重新走一遍“背规则”的过程。据Gartner等机构的观察，财务共享中心中超过六成的人力仍消耗在交易性单据的合规校验上，真正用于分析与决策的比例不足两成。
问题不在于财务人员不努力，而在于“初审”这件事本身被拆得太碎：规则散落在制度、邮件、审批意见和历史工单里，数据分散在ERP、费控、合同、预算、银企直连等系统中，判断标准又随组织、行业、期间不断变化。本文围绕报账单、转资、预算、合同与对账这五类最高频、也最容易“卡单”的场景，拆解财务智能初审怎么建、底座怎么选、落地要避开哪些坑。
一、先看清问题：财务初审到底卡在哪
1.1 五类单据，五种“难”
财务初审看似只是“看一眼单子对不对”，实际上每类单据的校验逻辑完全不同：
- 报账单：难点在票面之外的合理性。发票真伪、抬头税号、金额与行程单是否一致、是否超标、是否重复报销、供应商是否在合规名单内，一项不合就要退单。
- 转资：难点在时点与金额的匹配。在建工程何时达到预定可使用状态、合同金额与结算金额、验收单、资产清单能否对应、资本化与费用化如何切分、多资产如何分摊，任何一环缺口都会导致资产入账失真。
- 预算：难点在实时穿透。预算科目、成本中心、项目号的可用余额要跨系统实时查询，超预算、无预算、跨期占用等情况必须在上游就被拦住，而不是事后调整。
- 合同：难点在条款抽取与三单匹配。付款条件、账期、税率、结算方式藏在几十页PDF里，还要与报账单、发票、验收单做交叉比对。
- 对账：难点在差异定位。银行流水、往来明细、平台账单、内部往来多方数据字段标准不一，手工核对极易漏项，差异出来了还要倒查是哪一笔。
1.2 纯人工走不通，纯RPA也走不通
很多企业第一反应是“上RPA把点击动作自动化”，但很快会遇到瓶颈：RPA能模拟登录、能搬运数据，却读不懂合同条款、判断不了费用合理性、更无法理解“这笔支出是否符合最新修订的差旅制度”。规则一旦变化，脚本就要重写。
这也是为什么行业里逐渐形成共识：财务初审需要“会理解”的能力和“不出错”的能力同时存在。实在Agent采用的正是大模型与小模型协同的路线——大模型负责泛化理解非结构化文档，小模型负责在票面识别、数值计算等环节保持稳定输出，两者交叉验证，既避免了大模型可能出现的“幻觉”，也绕开了小模型标注成本高、泛化弱的问题。
二、财务智能初审的底座怎么搭
2.1 大模型“看懂”，小模型“看准”
在单据识别环节，两类模型分工明确：
- 大模型（含视觉语言模型）处理版式不固定、内容自由的文档，比如合同、说明函、验收报告、手写审批意见。
- 小模型（OCR/NLP）处理发票、火车票、银行回单等标准票据，追求字段级准确率和稳定吞吐。
- 交叉验证机制在关键字段上做二次比对，例如发票金额同时由OCR与LLM识别，不一致时自动挂起转人工。
2.2 规则从制度文档自动生成，而不是靠人写代码
这是智能初审能否规模化的关键。传统做法是IT根据财务给的规则文档一条条写脚本，业务一变就返工。更合理的路径是：
- 财务人员上传最新的费用管理办法、差旅标准、资本化制度等文本；
- 大模型解析制度语义，自动生成可执行的代码级审核规则；
- 抽取结果注入这些代码规则中执行校验，审核环节无需再调用大模型，既保证零幻觉，也保证执行速度。
2.3 抽取规则同样可以“批量生成”
单据类型成百上千时，逐张配置模板不现实。通过“新建业务分类—上传样本附件—调用智能体—生成抽取规则”四步，可以批量产出针对该业务类型的字段抽取规则，后续同类单据直接复用。实在Agent在这一环节支持自定义抽取方式，包括大模型抽取、NLP抽取、正则语义抽取、手写体抽取、表格格式抽取和印章抽取，覆盖绝大多数财务附件形态。
三、五类场景的初审方案逐项拆解
3.1 报账单初审：从“票面合规”到“业务合理”
报账单是量最大、规则最密的一类。建议把校验分成三层：
- 票面层：发票查验、抬头税号、开票日期、金额税额合计、印章完整性。
- 逻辑层：报账单金额与发票、行程单、消费明细的一致性；日期与出差申请的匹配；住宿天数与标准天数比对。
- 合规层：费用标准是否超标、是否重复报销（同发票号、同金额、同日期去重）、供应商是否在黑名单、审批链是否完整。
三层全部通过后，系统输出初审辅助结论，人工只需确认。实在Agent可以嵌入扫描或收单岗位，承担基础校验工作，把“看一眼就能过”的单据批量放行。
3.2 转资初审：把“三账一致”变成可执行的规则
在建工程转固的核心是账、卡、物三者对齐。智能初审要做的是把这条主线拆成可校验的节点：
- 合同金额、结算金额、发票金额、付款金额四者比对，差异超过阈值自动提示；
- 验收单、竣工报告等证明文件是否齐备，验收日期是否早于转资时点；
- 资产清单中的名称、数量、单价与合同明细勾稽，多资产按规则分摊；
- 依据制度判断资本化与费用化边界，例如某类支出是否达到资本化条件。
转资业务低频但高金额、高审计关注度，把规则固化下来，等于给每个项目都配了一名不会遗忘的复核人。
3.3 预算初审：穿透查询，把事后调整变成事前拦截
预算校验的价值在于实时性，而不是事后报表。可行的做法是：
- 智能体根据报账单中的成本中心、项目号、费用科目，实时调用接口穿透查询可用余额；
- 区分预算内、超预算、无预算三种情形，按制度分别走自动通过、提示、退回；
- 对跨期占用、预算调整单关联、年度余额结转等特殊情形单独设规则；
- 保留每次查询的快照，形成预算占用与释放的完整链路。
这一步打通后，财务不必再为“为什么这笔能报、那笔不能报”反复解释，规则本身就是答案。
3.4 合同初审：条款抽取加三单匹配
合同类初审的重点不在“读完全文”，而在“读到关键的那几行”：
- 抽取付款条件、账期、结算方式、税率、含税价、履约节点等结构化字段；
- 将合同与报账单、发票、验收单做三单匹配，金额、税率、付款节点任一不符即标记；
- 对框架合同与订单合同分别设定校验逻辑，避免用同一套规则误伤；
- 合同变更、补充协议纳入版本管理，校验时以最新版本为准。
3.5 对账初审：从“Excel地狱”到自动巡检
对账场景的改造思路是“抓取—对齐—核验—预警”四步闭环：
- 自动抓取银企直连流水、往来明细、平台账单等多源数据；
- 按统一字段标准对齐，解决科目名称、日期格式、币种精度差异；
- 按匹配规则一键核验，差异项自动生成待查清单并定位到具体凭证；
- 对长期挂账、大额未达账项设置预警阈值。
实践中，这一环节往往能释放核算岗位约三成的精力，同时把手工作业导致的漏项和计算错误压到接近于零。
四、落地五步法：从规则资产化到人机协同
4.1 五步主线
- 第一步：规则资产化。把散落在制度、邮件、历史审批意见中的规则收拢，形成结构化规则库，区分跨流程通用规则与单流程私有规则。
- 第二步：单据结构化。按业务类型配置抽取规则，把附件转化为可校验字段。
- 第三步：深度校验。由规则引擎执行金额比对、时间匹配、跨文档核验、数值计算等校验，必要时穿透查询业务系统。
- 第四步：结论生成。输出初审结论与理由，附命中或不命中的规则条目，支持一键通过或转人工。
- 第五步：人工确认。保留人工终审权，异常单据定向流转给对应岗位。
4.2 上线后必须配齐的三套机制
- 自主学习机制：采集人工复核的修改意见，提取关键特征形成学习素材，定期优化模型，覆盖新出现的业务变体。
- 全链路审计：每一次识别、校验、判定都留痕并生成可下载的审计日志，满足内控与外部审计追溯要求。
- 权限与服务管理：基于RBAC模型区分审核员、复核员、管理员角色，支持按组织个性化配置规则。
值得一提的是，对于暂时无法改造的老系统，可以通过RPA模拟人工登录审核系统，让数字员工直接作为AI审核节点完成操作，配合标准OpenAPI接口逐步替换，避免一次性重构带来的风险。
五、两个脱敏实践带来的参考值
某大型电力集团下辖多家分子机构，业务类型超过120种，单一业务类型往往包含十余条审核规则，年单据审核量超25万笔。其采用“大模型+小模型”双轨制智能审单方案，覆盖核心业务场景92类，AI数字员工嵌入扫描岗位承担基础校验，最终实现初审替代率66%、人工负荷下降超60%、审核准确率提升至99.2%，项目投入约10个月即收回成本。
另一家电商背景的财务共享中心，原本27名审单人员日均处理约3000笔单据，覆盖费用、收入、成本、资产、采购结算、工程结算、资金支付等54个流程。通过对流程梳理出1268条审批规则（其中跨流程通用规则397条），智能初审平均每单耗时约8秒，上线六个月初审完成率达89.3%，人工处理比例降至11.7%，人工成本下降88.9%。这些数字说明，智能初审的收益并非来自“替代人”，而是来自把可标准化的判断交给机器，把需要判断力的部分留给人。
财务智能初审怎么建，答案可以浓缩成三句话：先把规则从制度里“挖”出来变成可执行代码，再用大模型与小模型的双轨制把单据“读准”，最后用五步流程把人机分工的边界划清楚。报账单、转资、预算、合同、对账这五类场景并不需要一次性全部上线，从量最大、规则最清晰的报账单切入，跑通一条完整链路，再横向复制到转资和合同，往往比“大而全”的规划更快见效。建议先盘点本企业的单据类型与规则存量，选一个季度做小范围验证，用准确率和替代率两个指标说话，再决定推广节奏。
六、常见问题解答
Q1：大模型会不会“编造”审核结论，导致错放或错退？
关键在于把理解与判定分开。大模型用于解析制度文本、抽取非结构化字段，真正做判定的是由其生成的代码级规则，执行环节不依赖大模型推理，因而不会出现凭空编造结论的情况。关键字段还会通过小模型交叉验证，不一致时自动转人工。
Q2：历史规则杂乱、制度更新频繁，规则怎么维护？
建议建立规则库的分层管理：通用规则跨流程复用，私有规则绑定单一业务类型。制度更新时重新上传文本，由大模型解析生成新版本规则，旧版本留档可追溯，避免“规则改了但没人知道哪条失效”的情况。
Q3：老系统没有接口，能接入智能初审吗？
可以分两步走。短期通过RPA模拟人工登录审核系统，作为AI审核节点完成操作；中期通过标准OpenAPI接口与ERP、费控、合同系统集成，逐步替换脚本化操作。两条路径可以并行。
Q4：初审替代率能到多少，多久见效？
从已有实践看，规则清晰、单据标准化的场景替代率可达六成以上，规则复杂的场景通常在八到九成的初审环节被覆盖，剩余部分转人工复核。见效周期取决于规则梳理的彻底程度，一般在数月内可以看到明显的人工负荷下降。
Q5：审计和合规部门会不会质疑机器审核的可靠性？
恰恰相反，全链路留痕比人工审核更容易通过审计。每一次字段抽取、规则命中、结论生成都有日志和可导出的审计文件，人工复核意见也会被记录并进入学习闭环，形成持续改进的证据链。
实在Agent
