如何让人工智能真正融入企业，成为推动效率与创新的引擎？本文作者以亲身实践的AI审单项目为例，深入探讨了AI在企业落地的五步法，从成本节约到流程设计，再到运营策略，为AI的商业应用提供了一条清晰的路径。

一、引言

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、AI应用的5步法概述

本系列文章将回答如下几个痛点，文章较长，收藏再看。

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要在企业内取得成功并复制成功，推进方法论是什么；

三、第三步：流程设计与产品设计

3.1 AI产品设计流程概述

AI大模型以字数收费、而且还不便宜。要的信息又少，那如何实现成本最节约下的AI技术引入呢。我总结了两个方法、亲测非常好用。分别为“AI成本最节约下的审单流程设计”和“对标工序和ROI的原型设计”。

前者是开放的思考流程情况、数据来源情况、附件类型情况、需要内容情况下的AI成本考量、并融入开放思考到流程设计中。从而在流程设计上就思考和设计成本问题。

后者是从工序分析和ROI的角度拆解用户操作步骤，变革新的流程做出新的产品原型。

3.2 AI成本最节约下的审单流程设计

日本质量大师田口玄一博士说过:“产品质量首先是设计出来的,其次才是制造出来的”。笔者认为、产品成本首先是设计出来的，其次才是管控出来的。

所以，若要实现最节约下的AI投入，就需要审单流程设计，笔者将审单流程方法，划分为两个步骤，先做脑暴、再做流程。脑暴就是开放思考AI的成本消耗点，不考虑技术实现性；然后拿着这些成本点再套入到审单流程之中。最终你会发现，AI的成本消耗变得透明和清晰。

第一步：AI成本节约脑暴

AI成本节约脑暴是从“流程”、“来源”、“附件类别”、“识别内容”角度发散思考成本节约的消耗点。脑暴是一种发散思维，可避免一下陷入到流程设计之中，流程设计会让人脑去修正逻辑、去修正合理性，会使得产品人员的注意力被流程合理性所吸引，结果哪些成本最节约策略，就会被产品所忽略，AI成本潜移默化下则增长了。

第二步：基于成本节约下的流程设计

基于上面的脑暴，我们对整个产品有一个结构概要，也知道要实现这些脑暴点的依赖条件，下一步我们就进入流程设计，在整个流程设计之前，我们还对规则进行分类，规则分类的原因也是因为脑暴有依赖（脑暴点1、脑暴点6），同时我们也建立了其他配置要素，

规则分类表：

系统后台配置：

有了上面的分类规则、系统后台配置、脑暴点。我们下来就进行具体的审单场景设计。如下是设计出来的两条流程。因企业保密需要，架构图等就不分享给各位。这些流程一方面是现在实现的，另外一方面也是我个人基于现状的畅想（当然也是可实现），是比较合理的流程，各位大可放心。

国内差旅报销场景（提单人自助识别发票和非票附件场景）：

流程解析：

1. 移动端拍照发票完成发票抬头、真伪、重复等“发票正确类规则校验”（下表有详细的规则分类）；移动端拍照非票附件形成影像；

2. PC和移动都有统一的个人影像中心（含发票和非票附件）、这时候非票附件并没有调用AI识别和AI大模型能力；

3. 员工选择报销场景“国内差旅报销”、系统调用后台的规则引擎，告知需要提交的发票类型和非票附件；员工选中对应的发票和非票附件（规则引擎明确哪些非票附件必填，报销人需要选中附件，这里不用AI是因为附件太多，成本太高，分类也需额外收费的）；

4. 系统根据后台配置的“场景+发票的消费类别>费用科目”，自动生成对应的报销明细行，自动关联对对应的消费科目；（消费类别就是“用车>汽车油票”）；

5. 用户点击提交按钮，系统会先检查单据填写类规则、发票正确类规则、票单校验类规则、附件提供类规则。若错误，则异常报错；若正确，则系统会调用AI大模型去识别附件（AI识别和规则校验会耗时，系统会有载入提示）；

6. 系统识别非票附件为文本数据后，会调用“非票附件部分篇幅AI识别配置”功能、将精准的部分篇幅给到AI大模型去形成结构化数据，并返回给系统后台库，后台库统一发送给规则引擎进行“非票附件校验类规则”校验；

7. 校验成功则返回正确结果、校验不通过则返回比对的结构化数据给前端；

8. 审单助手页统计所有规则数、校验成功规则数、校验不通过规则数。审单人作人工判断。

流程图：

国内差旅报销场景（提单人不识别校验、由审单人识别校验单）：

流程解析：

1. 提单人提单时读取规则引擎、系统自动校验提单人必须提供的附件类型、提单人需准确提供；

2. 单据到了审单人节点，系统会先对发票先做OCR校验、然后调用规则引擎去检查单据填写类规则、发票正确类规则、票单校验类规则、附件提供类规则。若错误，则异常报错；若正确，则系统会调用AI大模型去识别非票附件（AI识别和规则校验会耗时，系统会有载入提示）；

3. 系统识别非票附件为文本数据后，会调用“非票附件部分篇幅AI识别配置”功能、将精准的部分篇幅给到AI大模型去形成结构化数据，并返回给系统后台库，后台库统一发送给规则引擎进行“非票附件校验类规则”校验；

4. 校验成功则返回正确结果、校验不通过则返回比对的结构化数据给前端；

5. 审单助手页统计所有规则数、校验成功规则数、校验不通过规则数。审单人作人工判断。

流程图：

3.3 对标工序和ROI的原型设计

我们在做原型设计之前，需要回顾下《AI应用企业落地方法论：践行财务共享AI审单项目(第一篇)》文章的“5.2.2 分析步骤2：工序计算分析法、下钻机会下的耗时工序 ”和“5.2.6 分析步骤6：ROI分析方法”内容，从中找出原型设计的出发点。现在我们将部分原文截取过来

工序计算分析法中，将审单分为这几个工序：（1）在所有附件影像中找到对应附件；（2）在一份附件中找到具体关键信息；（3）计算和统计附件内容；（4）比对附件与单据的数据的一致性；（5）检查本岗位规则的审阅覆盖度。

ROI分析方法中，我们可以明确的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；ROI要对标具体的工序，拆解工序来做ROI测算。

对标工序和ROI后，我们就可以用下表做前后对标工序设计，以前的工序做参考、现在的工序基于上面新的流程进行详细设计。有了这个工序详细设计，接下来则可放心大胆的画原型了。

6.4.1 前后对标工序

下表是审单人员的AI引入前后的工序，并附有审单原型图，各位看官可详细阅读：

现在的审单助手页（也可应用在用户填单校验环节）

原型设计经验总结

1. 产品原型需建立在流程重构的基础上，绝非优化原有流程和工序；

2. 不切换页面、少点击，集中一个页面讲清所有，极大考验对工序的整合设计能力。产品的归属就是无需培训即可上手。

3. 原型每个人都会画、但是比较有说服力（也可以说专业~~哈哈）的做法还是要先做完工序计算、ROI计算、流程设计后，再做工序设计。

四、第四步：速赢机会运营

4.1 速赢落地关键成功要素

很多小伙伴理解速赢就是“在最出效果的地方做项目开发”，这太过狭隘，速赢落地的核心而是“价值运营达成”。我们可看下速赢落地的关键成功要素：

1. 速赢点上线了，可整个产品就是一个黑盒子，出现自动化率低问题后，无法判断问题根因，是AI识别能力、AI理解能力、规则引擎还是系统代码？到底是哪里出问题了！

2. 产品上线后，团队反对者和部分领导会质疑产品效果，一句话否定你一切！而项目组无法拿出量化指标来证明；

3. 速赢机会成功了，可要全面推广时，项目组信心不足，没有人可以拍着胸脯说上线一定没有问题；

上线只完成了整个产品的20%，剩下的80%时间则是运营、调优、再运营、再调优。在速赢阶段，我主要做的是如下几件事情：

1. 监控运营指标和分析运营日志、提升产品能力：通过监控识别置信值、规则引擎通过率、驳回率这些指标、再每条异常日志打开来看，可以发现很多AI的能力不足点、更可以发现我们的规则引擎的函数的写法问题；

2. 用BI平台监控作业提效变化，证明提效可行性：数据不会说谎、通过监控审单耗时和规则校验通过率、不断让团队和关键意见领袖认可产品。

4.2 速赢运营指标

4.3 AI审单运营的经验

在实际运营过程中，个人踩过了很多坑，当然也总结了点滴经验。在一定的脱敏后分享给大家，希望大家在引入AI的时候能够更成功：

1. 单据不是必填，造成规则校验失效、所以需要再运营中或规则梳理时仔细甄别。

2. 附件存在一些特定类型无法提供准确数据源，造成规则失效；比如合同是框架合同则没有合同金额；这就需要对合同做AI识别看是否是框架合同，这都是需要再运营中去发现。

3. 规则没有做合理的命名，造成审单人无法理解；规则是给人看的，团队leader没有做统一命名则会造成规则阅读成本极高，信任度大打折扣。

4. 规则没有考虑多行情况，比如A和B需校验，采用相等，可后来发现A中存在多行，则就需要修改为包含或分组后再对比；所以在规则梳理时、一定要多多考虑异常情况，

5. 合同印章识别不准、手写内容识别不准；手写的内容识别不准可推动业务前端进行修改；

6. 能用开源的就先用开源的，只要有投入就会有沉没成本，即不要一下去买一家厂商的成熟包装后的产品，先去用SAAS产品吧，跑通逻辑后掌握了主动权，再去选购成熟产品。

7. 规则引擎的核心是规则函数，而非前端规则配置页面，其实Drools workbench就足够了，没必要再去搭建一个人人可用的规则配置页面；个人在这里差点掉到坑里了，设计了好久，还特意做了几千个字的规则引擎调研报告，幸亏是这份报告，让我意识到规则引擎的核心是什么，我自己能做什么，我最应该做什么。这也给所有人提一个醒，要是对某件事情有疑问，那就写研究报告吧，你可以相信身边的人，可他们不能替代你的思考，主意还得自己拿！

8. 分析不仅仅只是看最终经营指标，比如规则自动化通过率，还要重点看日志，我们花了非常多的时间去看日志，从日志中发现了很多问题，每一条日志都是上天的恩赐，都是团队迈向更成功的垫脚石。重视日志就是尊重现实、就是一个“唯物主义者”哈哈！

9. 无论是支持者、观望着、反对者，所有人都有一个信任过程、你需要“让朋友搞得多多的，让敌人搞得少少的”，方法就是持续运营、不断优化。让数据告诉项目干系人，你是尊重他们的，你也希望得到他们的信任。感激你的朋友、也感谢你的敌人！

附录图：提示词工程

五、全面推广和下一步规划

路漫漫其修远兮吾将上下而求索！要全面推广和走向自动化，还需要很长的路来走，我也做了一些整个AI产品的下一步计划，梦想还是得有嘛：

1. 保障AI审单准确率的核心是：规则越清晰、附件越标准、单据量越大；所以，下面的全面推广就需要建立这个选择标准进行推进。

2. 印章问题是一个老大难问题，可以考虑相似度算法+代码个性逻辑来算出百分比，如下是一些典型问题 ：印章都盖在甲乙方上面，在识别的时候就存在错误；印章有名字类型的，顺序无法判断，比如王明印、结果识别成为王印明；

3. 每一个规则设定“自动化必须通过”的标志、比如发票与法人的关系，要是错了，哪怕其他规则都通过了，只要这条规则不通过，那么自动化就不会通过；这可以降低成本；

4. 每一条规则返回的时候都带了“校验准确率”，普通规则则要么100%、要么0%；而采用相似度算法的则会返回具体的校验准确率，即相似度算法校验后的结果；最终结合“自动化必须通过”和“校验准确率”来判断是否可自动化通过；也得出一个最终的“总校验准确率”；通过这个阈值，低于这个值的则人工、高的则自动；

5. AI的成本还需要进一步降低，希望国内各大厂商进一步推进吧，AI的引入决策成本还是蛮高的，其实若AI真的没有这么贵，我也没必要写这篇文章了。

6. 前置规则到用户和本地接单人人员，审单本身就是一个流程冗余的动作、要是每个人都填得对、每个人填单就校验完毕，那么流程的成本将极大降低，没有审单人员、没有管理成本，审单人会去做更重要、更有价值的事情。世界将会变得更加美好！

六、最后

AI从产生概念到实际应用已是许久，我们对AI还是那么期待，而在恐怖谷理论中，当下的AI还没有让我们反感和害怕，这是否正说明AI还是很弱~~这确实让人心塞。

AI的未来一方面是三算的提升，另一方面还是企业应用的探索。希望更多的企业和个人能够放心大胆的信任AI，去探索AI场景。