二、能自动初审的 AI 智能体,审的是"判定"而不是"背书"
初审需要三层能力,缺一层就落不了地
- 读得进: 多形态输入。发票可能是 png、JPG、PDF,申请单可能是扫描件、群消息、Excel 批量提交。读不进来,后面都无从谈起。
- 判得出: 把制度条款翻译成可执行口径,逐条判定"驳回 / 待补充 / 自动通过",并给出理由。
- 留得下: 每一条判定都要能回查到原始单据和依据规则,否则人不敢签字。
与既有 RPA、BI 的分工要讲清
- RPA 解决"动作":登录系统、点按钮、填字段。
- BI 解决"看数":报表、看板、趋势。
- 初审智能体解决"判断":这张单据该不该过、为什么不过、缺什么。
在 Soiawork 里,这三者不是互斥的:智能体可以调起已配好的自动化连接器完成系统操作,也可以把判定结果输出到看板。设备(Soia Worker)负责在本机软件上执行需要界面操作的动作,技能把验证过的判定方法沉淀下来供复用,自动任务让初审按账期、按批次准时触发,而不是等人想起才跑。
三、四类单据上,初审具体怎么落地
以下场景来自场景库的复现验证与演示环境,用于说明链路可行性,数据与成效均按原样保留限定,不作为客户实测结论。
场景一:发票结构化与报销填报
- 原状: 财务共享专员一张张打开发票,抄发票号、开票日期、金额、税额,按系统字段整理并检查有无遗漏,再进业务系统逐项填写,填完再对一遍;单据集中时,号码或金额错一处就要退回重核。
- 初审链路: 发票直接发进对话(一张 png、一张 JPG、一张 pdf)→ 读票并结构化 → 整理为报销字段 → 调起自动化连接器,自动登录、识别验证码、进入报销申请页填写事由与费用类型 → 人回到对话核对结果。
- 边界: 已完成复现验证;演示未给出耗时与准确率数字,因此不对数字作宣称。重复录入环节被压缩,精力转向核对与异常处理,这是可以说的部分。
场景二:应收收款核销的四级匹配
这是"规则多"最典型的场景:授信与非授信客户规则不同,一笔回单可能拆成两张单,歧义时人容易硬猜。
- 链路: 底数从系统查看、回单原件拖入 → 在对话中讲清四级匹配优先级 → 按客户类型套规则(授信走单号、非授信走金额与余额)→ 进系统点核销 → 输出回单终态交人确认。
- 复现验证结果: 16 张应收单(合计 1,200,075 元)对 14 笔收款回单(合计 748,000 元),全额核销 9 笔、部分核销 1 笔、转预收 1 笔、待人工 3 笔;核销总额 600,075 元,应收余额 600,000 元,六张单逐张可查。
- 关键设计: 能认别名、认手续费、支持一笔回单拆两张单;遇到歧义不硬猜,直接标待人工。这一点比"多核几张"更重要——初审的可信度来自它知道什么时候该停下来。
- 边界: 已完成复现验证,数据全虚构,只验证链路,不算客户实测。
场景三:跨境多店铺收入对账
- 难点: 退款与上月暂估跨期发生,容易重复或遗漏;多币种、多账期,口径不统一。
- 链路: 确定账期与口径(店铺、币种、匹配规则)→ 按订单号逐笔匹配结算与订单 → 整理差异(缺单、退款、跨期暂估与差额分类列出)→ 输出调整建议并附原始记录 → 收入确认与正式入账由财务审核。
- 价值点: 差异可回查到结算单与原始订单,跨期与退款单独呈现,而不是揉在一个总数里。
场景四:主数据与编码申请的校验(同类审核逻辑的迁移)
- 原状: 申请方式极不规矩——邮件、手写扫描件、群里一句话、Excel 批量提交;主数据专员要判断命名能否带尺寸、中英文能否混写、单位与分类是否匹配、是否已有同料、专用件是否写明用途。
- 复现结果: 从邮箱取件(25 份、五种形态)→ 读 28 条申请 → 定口径(五类编码规则 + 九类校验)→ 逐条判定(驳回 13 / 待补充 5 / 自动通过 10)→ 生成 10 条编码并写台账 → 退回通知与看板。一次判出 22 处问题,与台账重复的直接给出既有编码,同批重复关联首件。
- 边界: 已完成复现验证;属"人有我有"的通用能力,差异化尚不能宣称。
这四个场景的共同结构是:多形态输入 → 规则口径化 → 逐条判定 → 异常分流给人 → 结果留痕可查。规则越多的岗位,这个结构带来的收益越明显。在 Soiawork 中,规则通常沉淀在知识库里,判定步骤由工作流固定,跨系统取数与操作通过连接器与设备完成,避免把"审得准"建立在某个人的记忆上。
四、实施路径:先定口径,再跑批次,最后才谈扩大
第一步:把规则从人脑搬到纸面
- 列出本岗位实际在用的判定项,区分"必须机器判"和"必须人判"。
- 有歧义的规则当场澄清,例如"一笔回单拆两张单"到底拆不拆、按什么拆。
- 这一步做完,往往就能发现有些规则本可以不设,或者本可以合并。
第二步:用一个小批次试跑
- 选一个账期、一批单据(几十到一两百张),跑完整链路而不是抽样片段。
- 重点看三类结果:自动通过的、待补充的、待人工的,各自占比与原因分布。
- 在 Soiawork 中,这一步可以用自动任务按批次触发,用文件空间存放原始单据,结果与依据一并留档。
第三步:核对异常,再决定是否扩大
- 待人工项要先看"该不该停":是真歧义,还是规则没写清。
- 规则没写清的,补进知识库;真歧义的,保留人工,这才是健康的比例。
- 只有在异常类型稳定、判定可解释之后,才把范围扩到其他账期、其他主体。
五、必须讲清的边界:初审不等于替代审批
- 责任仍在人。 收入确认、正式入账、费用审批等结论性动作,最终由责任人决定。智能体输出的是判定建议、差异清单和可回查证据。
- 不做无依据的承诺。 没有实测数据支撑的准确率、覆盖率、节省比例,一律不宣称;复现验证只证明链路跑通。
- 权限与数据要跟着规则走。 谁能看哪类单据、智能体能取哪些系统数据,需要按现有权限体系配置,而不是另起一套。
- 它不是"万能审核员"。 面对新出现的业务形态、非标准单据,第一反应应该是"这条规则还没写",而不是"AI 应该会"。
这也是 Soiawork 作为企业级 AI 智能体平台的定位所在:帮助企业构建 AI 组织、打造专属 AIOS,把 AI 接到业务目标、人员和系统上,并把验证过的有效实践沉淀为可复用的组织能力。有任务,找 Soia;有问题,你说呀。
结语
财务审核规则多,推荐能自动初审的 AI 智能体的真正理由,不是它比人聪明,而是它不会漏掉第 37 条规则。落地时不必一上来就铺开:从一项重复度最高的审核工作开始试跑,核对自动通过与待人工的比例是否合理,确认每条判定都能回查到依据,再决定要不要扩到下一个账期、下一个主体。 让智能生长,让工作进化,规则才真正从"某个人的经验"变成"组织的资产"。
常见问题解答
1. 用自动初审,需要改造现有 ERP 或报销系统吗?
通常不需要。初审智能体主要在系统之外完成读单、比对、判定,需要写入系统时通过连接器与设备执行界面操作或接口调用。前提是账号权限、字段映射梳理清楚;真正需要投入的是把规则口径讲明白,而不是改系统。
2. 数据和权限怎么控制?
按现有权限体系配置:智能体能取哪些系统、能看哪些字段、结果给谁看,都需要明确。原始单据、判定依据、输出结果应成套留档,做到每条结论可回查。涉及敏感信息时,可以只在指定工作空间内流转。
3. AI 判错了谁负责?
初审输出的是判定建议与差异清单,结论性动作(入账、审批、收入确认)仍由责任人决定并签字。设计上应当"歧义不硬猜、直接标待人工",把不确定性显性化,而不是让机器替人承担判断责任。
4. 从哪个场景开始最合适?
优先选三个条件同时满足的:单据量大、规则明确且可写下来、错误代价可控(错了能退回重做)。报销发票结构化、应收核销匹配、多店铺对账都属于这一类。主数据类审核逻辑同构,也可作为试点。
5. 它和我们现在用的 RPA、BI 是什么关系?
不是替代关系。RPA 负责执行动作,BI 负责呈现数据,初审智能体负责中间那层"该不该过"的判定,并且可以调用前两者的能力。三者组合起来,才是从取数、判断到呈现的完整链路。
预约Soiawork企业效能顾问
深度诊断企业痛点,定制专属 AI 自动化办公方案