本文通过AI审单项目的实际案例，深入探讨了企业引入AI大模型的顾虑、应用步骤与机会洞察，旨在为读者提供一份AI落地的实用指南。

人人都在谈AI。可A的信任赤字、AI的投入成本，都让决策者和拥趸畏首畏尾。如何在企业内洞察机会、如何说服决策者投入资源、如何衡量价值达成。这些都是绕不过去的问题。

笔者以个人践行的AI审单项目为例，历时一年多的痛苦与挣扎、现分享给各位，与各位共同探讨AI的落地方法。

二、企业引入AI大模型的四个顾虑

自ChatGPT问世以来，AI行业再度被引爆。相比于技术本身，普罗大众更关注和纠结的是“AI+什么场景”。

结合这段时间的实践经验，我认为大部分企业引入AI大模型都存在5个顾虑：

1. AI如何在企业内找到落地场景，且能形成规模效应？
2. AI是一个好东西、要投入多少钱、能产生多大的收益和价值？
3. AI技术可理解性差，如何衡量落地场景的应用稳定性？
4. AI会不会引发数据泄露，数据安全如何保障？
5. AI要在企业内如何复制成功，推进方法论是什么？

四、第一步：AI技术特征与企业应用的匹配

开源节流是所有企业引入新技术能力和新商业模式的主旨，换言之、多、快、好、省的维系百年企业。这四字真言拆解之下即是：多（量大的作业、高利润的领域）、快（快捷交付、实时响应）、好（精准的、高质交付）、低（成本最优）；

就如笔者所在的财务共享服务领域，发票OCR能力应用在发票审单。国内的发票结构标准、字符规范（抬头、发票号等）、识别自然精准（特别是随着电票的发展，发票内容更为清晰）。所以发票OCR能力非常满足这四个特征：

1. “多”字决：在规模上财务共享领域集中了各产业的发票校验工作；
2. “快”字决：在快捷性上因为OCR厂商可快速返回结果信息，故而实时性有保障；
3. “好”字决：在准确性层面国内发票OCR几乎可以达到99%以上的准确度；
4. “省”字决：在成本层面整个国家所有企业均离不开发票，市场空间巨大，各厂商也只有工具提供方，没有太多变动成本。

反观AI能力，境遇截然不同。OCR是“视觉“类新技术能力，模拟的是人眼、技术能力可理解性较强；而AI是“理解”类新技术能力，模拟的大佬、技术的认知和认可度偏弱性。

既然AI有这样的技术特征，那对应到四字真言之下，将需要如何对应企业场景呢：

1. 量大的作业、AI越具备规模效应：AI按字数收费，且从企业实际应用来看，大量字符理解成本是浪费的。若规模上不够，AI更无用武之地了，故而一定要选择具备规模效应的场景。
2. 准确性要求越高，AI越难自证清白：一千个读者有一千个哈姆雷特。理解本身就是多元的，而理解标化的前提是知识的标化，AI是一门认知技术，必然对知识有准确性要求。这就比如AI客服，你让AI回答一下产品型号还有可能、你让AI做促销转化和商品引荐，若无足够标准的知识去喂，指不定会惹出什么幺娥子来。
3. 实时性要求越高、AI越难有良好表现：实时性和准确性是相伴相随的两个指标。若场景准确性要求不高，但实时性要求高，比如AI+人脸识别，这时达到一定百分比即可通过门禁；若实时性要求和准确性都要求高，比如AI自动驾驶，那就需要大投入大手笔了。实时性要求不高，也才会给“半自动+人工介入”提供了可能。比如笔者所选的审单，若要求自动AI审单，就是高实时性要求，则对AI的要求必然高；若是审单助手，则提供了人工介入的可能，那AI就无过高准确性的要求。

5.2 机会洞察的6个阶段

5.3 机会洞察第一阶段：FTE机会分析法、找出规模效应最高点

AI有很多场景，比如图片生成、代码检测、设备维修、多语言翻译等。而且笔者所在部门在这些领域都有做AI的实践，比如图片生成，就通过AI大模型、将企业内的宣传物料进行自动化生成（如下图），最终减少了0.2个UI人员的投入，可这些场景“人微言轻”，

所以我们紧紧瞄准了FTE最高的机会点，经过长达1个月的FTE分析，最终认定“审单”才是最具规模效应的点，哪怕其中有反对声音说现实的附件有多么不标准、我们的当下时效已有多么高效。我们依然咬定青山不放松，认定只要提升1分钟/单，在巨大的流量面前（若10万单），则就可提效1666小时，折合9.57人。那也能hold住成本。

这给了我们一个深彻的领悟，AI路途中有很多野花，牢牢盯住远方的大树，方可直达目标。

5.4 机会洞察第二阶段：工序计算分析法、下钻机会下的耗时工序

FTE机会分析法找到了“最耗人”的地方，下一步则针对审单这个垂直场景再下钻一层，分析“审单中最耗时的工序”（如下图所示）。从下图两类报销业务耗时分析可知，费用报销类的检查一致性虽然比较耗时（编号4）、但是查找附件（编号1）、定位附件具体内容（编号2）、计算统计（编号3）、查阅规则覆盖度（编号5）也比较耗时。

而总账业务中、审阅附件（编号1、编号3）恰恰不是最耗时的地方，最耗时的是“转换总账报账单明细”（编号2），所以引入AI审单并不能达成总账审单提效目标，最终我们采用了另外一个新技术能力解决了这类场景。

这给我们一个认知，不要将鸡蛋放在一个篮子里面，场景洞研后要因地制宜做最适合的方案、万不可墨守成规。

1）费用报销业务：用户提报报销单，会计审阅附件和单据；

2）总账业务：总账人员要依据产业业财提报的账务表、手填转换成总账报销单据

3）经验总结

1. 不同工序的操作方法大相径庭，AI识别附件方案并非万金油，还需依赖其他技术能力实现突破；
2. 工序可指导后面的“审单作业端到端分析”和“ROI分析”，是所有后面工作的信息输入，绝不可忽略；
3. 只有深入一线了解工序操作、才不会偏听偏信，才不会主观臆想，才真能代表一线业务发声；
4. 工序也为后面的“产品原型设计”奠定了基础，产品是为业务服务的，没有场景的AI技术都是耍流氓；

本步骤的目的是梳理审单规则、通过规则与附件的匹配来校验AI能力的可行性。

绝大多数的企业的审单规则是这样写的“需提交A附件、附件要符合业务实质”。笔者在正式进入AI训练之前，花费1个月的时间深度梳理了规则，通过规则与附件的匹配来校验AI能力的可行性。

而且没有强依赖审单部门提供的规则，而是通过分析单据驳回日志，一条一条的检视出审单SOP。个人觉得这种操作方法的好处是：一方面个体知识存在局限性，一个人难以知晓所有审单规则，我们要降低个体的依赖；另外一方面是深入一线挖掘审单规则、找出附件类型和样本，从而深度分析AI能力的可行性，为下一阶段的“规则配对附件评估AI能力法”提供了信息输入。

所以，导出1年的驳回数据、匹配制度手册的SOP、建立附件样本表、搭建审单规则与附件样本的对照表。就是本阶段的关键动作。下图是“审单规则与附件样本对照表”：

规则梳理经验：

1. 规则要细化到具体的附件字段和单据字段级（即系统可理解）、且附件字段要要对应到AI理解的结构化数据；
2. 规则要考虑多个重复附件提交情况、单据上有多行情况。从而思考要限定附件提交数、还是先分组后再比较；这为AI的理解要求和单据的字段要求提供了参考；
3. 规则的比较方法要区分：存在于、等于，存在于为“AB 在ABC内存在，则通过”，等于为“AB 和ABC等于、则失败”。这对多个附件、单据的多行的校验提供了明确要求，同时若附件不规范、附件提供多份，都会造成规则失败，所以就可进一步审视附件提报页面的设计合理性；
4. 规则中的等于情况要精准到：完全匹配等于、忽略大小写等于、去除前后空格、忽略大小写等；
5. 一条规则中存在并且情况，则尽可能就拆分成两条规则，审单人可清晰了解是具体那一段规则校验失败；

成语“有求必应”才是正常的协同机制、AI大模型不是万金油，要让AI去理解附件，首先就一定是要让AI知道你需要它理解附件的哪些内容。就比如下表的合同。我们通过分析步骤三梳理了规则、也建立了规则与附件对照表。在本步骤，我们会建立“附件识别能力表”进一步去评估AI的能力。

5.6.1 附件识别能力

1. 附件可视得出：肉眼在附件上就可看到这个字段内容，比如资产数量、总金额；
2. 附件计算得出：肉眼在附件上不可见字段内容，但是可通过多个字符计算得出，比如预付款金额=合同总金额*预付款比例；预付款金额在合同不可见，合同总金额和预付款比例可见；
3. 附件理解得出：肉眼不可见、也无法通过其他结构化数据计算得出，只可以通篇理解文章，或通过关键词库做匹配才可以理解；比如合同的是否为框架合同，整篇文章都没有框架合同这个字符，得需要通过合同类型得出。

经验：

1. 反对者总是会举一个特殊例子（一张非常特殊的附件）来证明这件事情的不可行，你只需要用2/8原则去回怼他（这个业务模块是整个企业80%的量么、这个附件是这个业务的80%的附件量么？这个附件的识别规则是所有规则的80%的量么）
2. 市场上的AI平台均有提示词工程，产品人员可以不掌握AI底层算法，但是一定要知道调试提示词，也要知道AI的评估模型；

5.6.2 大模型评估指标

AI大模型需要引入，还需要建立一个企业整体的模型评估指标，这个指标是结合全局来做的思考，也可作为技术评估指标。如下表：

5.7 机会洞察第五阶段：审单作业端到端流程分析、建立产品矩阵架构图

企业内现在也存在一个怪圈，人人都在谈数字化转型、人人都在谈端到端流程打通。好像不这么说上两句，视野就不够高、说服力就不够强似的。可真正深入了解并实践的也屈指可数。

笔者也是能力有限水平一般，不能免俗端到端流程分析一把，不然就会在产品评审阶段被质疑。

个人总结端到端流程的概念为：“以客户价值为依规、围绕流程整体经营和财务运营指标实施的打破组织壁垒的流程重构”。这里面的关键信息可以转换为几个自省问题：

1. 流程是否有存在的必要？
2. 流程的KPI是否是服务客户和经营价值最大化还是单个部门节点效率最大化（流程是局部最优还是全局最优）？
3. 流程的客户满意度如何？

1）流程分析详解：

就以普通的员工国内差旅报销为例（举一个例子，并非笔者所在公司）现在的流程是：国内出差是员工出差完毕后回来拿票填报报销单、国外出差是员工提报申请单后，出差完毕后关联申请单拿票报销。

注明：因本文章重点讨论的是AI大模型应用，故而就不展开端到端流程分析，下来再专门输出一篇端到端实践文章以飨读者、里面包含更全面的实践经验）

从上表信息可知、当我们打破现有流程的惯式、从客户满意度来审视流程的合理性的时候，现在的流程如此不堪、现在的指标如此狭隘。

原来的指标是“单个部门的审单时效和人效”，那么就会无脑驳回、就不会关注流程的体验和质量。而现在改成“单据一次通过率”和“自动化审单占比”等指标的时候，客户满意度得到了提升。

同时、流程方案也有了AI和新技术加持的可能，用户的填单服务体验也变成：不填单、少填单、不咨询、少耗时。

2）端到端流程分析的价值和意义：

1. 站在全局角度洞察机会与设计方案、与决策者和客户同频共振，
2. 方案具备多视角、多策略，不仅保证了立项时方案的客观和完整，也保证了结案时的价值经得住挑战；
3. 从成本最节约角度设计方案，不强依赖单一技术，不压码单一方案。保证了成本、也提升了项目的成功率，毕竟不能将鸡蛋全部放在一个篮子里。

ROI分析是大部分人最头疼的地方、人都希望快意恩仇、都希望信任有加、都希望资源滚滚。而世间最大的特点就是“资源永远是有限的”，而且大部分决策者的心理都是“花小钱办大事、最好是不花钱”。所以ROI就成为不可避免的一环。那我们就需要详细来审视下这个命题：

5.8.1 附件识别能力ROI为何如此痛苦

1. 这领导好麻烦：首先我们在心态上就认为ROI分析没有必要。要客观的认识ROI分析是项目立项的关键一环，并非个别领导的喜恶，更不是某几个领导的特意针对。
2. 这测算太定性：其次我们的ROI测算容易做成语文题，而难以量化成数学题。无图无真相、无数不证明。ROI测算一定需抽丝剥茧、泾渭分明。更需数据辅证、真凭实据。

5.8.2 收益测算

1）收益测算：定量分析维度

通过对影像件(含电子件)资料与单据填写内容做一致性校验，进行审单（即：AI审单）的详细分析：

2）收益测算：定性分析维度

1. 用户满意度提升
2. 人控改成技控、减少了审单风险，提升了账务质量；
3. 减少了审计风险
4. 减少了对账问题，可实现后期自动对账；
5. 发票结构化了，为后期的税务抵扣提供可能；

5.8.3 投入测算

六、本章总结

1. 通过FTE机会分析法，分类企业所有任务，整理形成AI审单外的排行前8的机会点，从整体视角看流程、从整体视角看AI在整个流程中的位置；
2. 依托工序计算分析法，围绕8个机会，深度研究耗时点、将机会进一步下钻打开，找出最耗时的工序，可指导后续的端到端流程分析、ROI分析、产品原型设计。所以工序研究是必修课；
3. 不要开始就大投入、大手笔的签订一个大厂商，上船容易、下船难啊。可先用SAAS服务运作一段时间，等项目架构、技术能力、团队能力稳健运营了、运营指标达成后再换用成熟厂商。
4. 80%时间要花在机会洞察阶段，FTE分析、工序计算、规则梳理、AI能力匹配。每一步扎扎实实的走下去，想不成功都难。
5. ROI测算花费再多时间都不为过，算不清账、就做不了事。

本文由 @boyka 原创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。