央企财务 AI 不只会识别发票，而是把判断和执行串起来
央企财务流程的难点不在于读出发票字段，而在于关联审批、项目和科目规则，并让风险可控地进入真实系统。
文章目录
在央企科研机构里，一张发票通常不是“识别字段、录入系统”这么简单。财务人员还要判断费用性质、关联出差申请和审批记录、匹配部门与项目，并按照复杂的财务科目规则完成单据填报。
过去，科研人员和财务人员共同承担了大量重复流程。员工要准备材料，财务人员要判断和录入，业务量一增长，人工投入就很难线性扩展。
这个案例的落地思路是把一条完整链路拆开：AI 获取和组织业务信息，AI 进行规则判断，监督机制识别风险，RPA 最后进入集团系统执行。模型不是孤立的聊天工具，而是嵌入了原有财务流程。
落地场景：让科研人员少参与低价值流程#
服务对象是央企科研机构的财务流程。以员工报销为例，一笔费用需要结合发票、出差申请、审批意见、所属部门和对应项目，判断应该记入哪个科目、哪个项目，以及下一步如何处理。
这些信息分散在不同业务流程里，真正耗时的不是把一张发票录入系统，而是前面的信息寻找、规则判断和后面的逐行填写。科研人员本应把时间投入科研工作，却被大量与科研无关的流程牵制。
因此，场景目标不是单独做一个发票 OCR，而是把报销及相关财务环节变成一条可以由 AI 辅助运行、由人处理例外的流程。
落地难点：财务流程既要自动化，也要可解释、可控制#
判断信息分散，不能只看发票#
一张发票本身不足以决定财务科目。系统还要关联员工的历史业务信息、审批记录、部门和项目，才能形成完整判断。AI 必须主动组织上下文，而不是等待用户把所有信息拼成一段提示词。
严肃业务不能把模型输出当最终答案#
财务处理涉及规则、资金和责任，模型即使表现良好，也不能直接“说什么就是什么”。确定性较高的业务可以继续流转，不确定结果必须进入风险监控，由相关人员重点关注。
能判断不等于能执行#
AI 可以给出应该如何处理的判断，但如果仍然需要财务人员打开集团网站、创建单据、逐项填写并提交，重复劳动并没有真正消失。因此，判断层和执行层都要进入方案。
安全和基础设施会影响模型选择#
央企科研机构的财务数据敏感，不能简单交给公共模型处理。算力、模型部署、数据不出域和本地化环境都可能成为前置条件。但如果一开始就投入重型基础设施，又可能在业务价值尚未证明前增加阻力。
如何落地：业务陪跑、监督机制与 RPA 组成闭环#
第一步，跟着业务人员跑一遍真实流程#
项目没有等待业务部门写出完整需求文档，而是直接陪跑，观察员工如何发起报销、如何查审批、如何判断科目、如何在集团网站填单。很多做了十几年的隐性判断，只有在现场逐步拆开才能被表达出来。
第二步，让员工只需要发起一个简单请求#
员工可以在钉钉里告诉机器人“我要报销”，并发送发票。后面的信息关联由系统完成：识别发票，查找出差申请与审批记录，关联部门和项目，再结合财务规则形成处理建议。
第三步，把 AI 判断和监督拆成不同角色#
一个 AI 角色负责执行判断，监督角色检查判断过程，风险角色识别不确定或异常结果。高确定性业务直接流转，存在冲突的结果进入人工关注范围。
第四步，用 RPA 把判断转成系统动作#
AI 完成判断后，RPA 打开集团网站，创建单据，填写相关信息并提交。整个闭环变成：业务信息获取 → AI 判断 → AI 监督 → 风险识别 → RPA 执行。
第五步，用“破冰项目”取得组织信任#
项目先选择离业务最近、最痛、最容易证明 ROI 的场景，让业务人员真正使用一次并看到时间节省，再逐步扩大范围。对于数据安全要求高的企业，轻量试点与私有化基础设施不必同时启动，应先用结果推动后续投入。
落地成果：完整流程从半个月到一两天，覆盖 10 个 AI 场景#
案例中，过去处理相关财务场景可能需要半个月甚至一个月；通过 AI 加 RPA，完整流程大约一天到两天可以完成。项目最终落地了 10 个 AI 相关应用场景，逐步覆盖财务不同环节。
对科研人员来说，操作被压缩到在钉钉发送发票和发起请求，信息关联、规则判断和系统录入被隐藏在后台。对企业来说，财务流程开始从依赖大量人工经验和重复操作，转向可以持续运行、由人处理风险的业务能力。
| 变化前 | 落地后的变化 |
|---|---|
| 员工、财务人员反复查找和录入信息 | AI 主动关联发票、审批、部门和项目 |
| 人处理所有判断，机器不参与 | AI 处理确定性判断，人关注风险和异常 |
| 财务人员逐行进入集团网站填单 | RPA 自动创建、填写和提交单据 |
| 场景各自试点，难以扩大 | 以破冰项目建立信任，逐步覆盖 10 个 AI 场景 |
这里的关键成果不是“发票识别率更高”，而是把判断和执行同时嵌入原流程。AI 负责信息组织和决策辅助，RPA 负责动作，业务人员负责风险与最终责任，三者共同构成可运行的流程。
这个案例给 FDE 的四个提醒#
第一，先进入业务，再进入技术。真正的业务规则经常隐藏在工作人员的下意识动作里。
第二，优先找最近、最甜的破冰项目。小场景先证明价值，组织才更愿意提供数据、预算和基础设施。
第三，严肃业务一定要设计监督和异常分流。把所有结果交给模型自动通过，会放大风险而不是创造效率。
第四，不同场景选择不同模型和部署方式。合规、安全、成本与任务能力共同决定方案，不要把某一家模型当成答案本身。
来源与边界#
- 原始资料：Datawhale《FDE案例100.pdf》，案例九“从流程自动化到智能决策：FDE推动央企财务AI落地”，案例访谈正文位于 PDF 第 89–96 页。
- 案例事实：财务流程需要关联发票、审批、部门和项目；AI 负责信息组织与判断，监督机制负责风险识别，RPA 负责系统执行；完整流程从半个月或一个月缩短到约一天或两天；最终落地 10 个 AI 相关应用场景；部分敏感场景需要私有化部署。
- 结果边界：时间变化来自案例访谈，没有提供统一样本、长期稳定性或所有 10 个场景的分项数据，不能据此推导所有央企财务流程都能获得相同收益。
- 产品化解读：关于“判断层—监督层—执行层”的分工和破冰项目策略，是基于案例事实的产品化分析。