能力一：单据字段抽取
发票、行程单、回单与合同付款条款被抽成结构化字段，与报销单、付款申请做三单匹配。为什么从这里起步：量大、规则明确、错漏可在复核环节拦住，抽取结果还能直接喂给后面的核对与筛查，是投入产出最清楚的一项能力。
能力二：账证核对
把银行流水、往来台账与明细账按客户、单号、金额与日期做匹配，输出未达账项与疑似串户清单。怎么做才不返工：先确认容差与匹配优先级，人工确认规则后再批量跑；口径未对齐就上批量，会把正常差异误报成异常，反而增加工作量。
能力三：异常筛查
对重复报销、超标准、科目与业务不符、跨期费用做规则加模型的提示，每条附凭证号与判断依据。边界在于提示只是线索：是否调整、如何调整属于会计判断，涉及重要性水平与职业判断的部分不交给模型，也不自动生成调整分录。
能力四：编报素材整理
月末把科目余额、明细、调整事项与上期对比整理成编报底稿的素材，标出波动较大的科目供复核。为什么有用：编报最耗时的是找数与对口径，模型把分散的数据源归集起来，会计只做核对与判断，减少来回找表的时间。
能力五：口径解释
业务方常问某科目包含什么、某数字为何变化。把会计政策、科目说明与月度调整记录做成知识库，生成解释草稿由财务复核后回复。边界要写清：对外披露、审计沟通与税务口径解释由财务负责人出面，模型不生成对外表述。
适用与不适用
适合谁
- 单据量大、报销与付款审核占用大量工时的企业
- 多银行账户、往来客户较多的财务共享中心
- 已用核算系统、愿意开放只读接口的财务团队
不适合谁
- 希望 AI 直接制单并完成纳税申报的企业
- 账套与科目口径未统一、缺少历史单据样本的团队
典型场景
某制造企业月末有大量报销与付款单据。改造后，单据先做字段抽取与三单匹配，输出问题清单由财务退单；银行流水与应收台账按规则匹配，未达账项逐条确认；编报时系统归集科目余额与调整事项，会计核对波动项，对外解释仍由财务负责人出具。
可执行步骤
- 选一个高频场景，导出近三个月的单据与台账，作为影子运行的样本
- 与财务确认匹配规则、容差范围与退单口径，并留下双方签字确认记录
- 用历史数据逐条比对人工结论，把每类分歧的原因记在同一张表，作为规则输入
- 接只读接口，AI 只出问题清单，结论与账务调整一律由会计给出
- 每月复盘错误类型，更新匹配规则，并把抽检结果纳入内控检查计划
常见坑
- 把字段抽取当成记账结论，未做三单匹配与复核，错账要到结账才暴露，返工得追到凭证级。
- 银行流水与台账口径不同，含手续费与部分回款，未对齐就批量匹配，正常差异被误报成异常。
- 异常提示没有附凭证号与依据，会计无法核对来源，只能全部重做，工具很快被弃用，投入白费。
- 让模型生成对外口径或申报数据，一次错误表述就进入公开文件，纠正成本极高，还可能引发问询。
自检与验收清单
- 匹配规则与容差范围是否书面化并经财务确认
- 每条异常提示是否附凭证号、判断依据与来源
- 结论是否由会计给出，系统只负责输出问题清单
- 对外口径与申报数据是否由财务负责人出具并签认
- 错误类型是否按月复盘，并纳入内控抽检范围
常见问题
财务 AI 能直接记账吗？
不能替代会计确认。它可以抽取字段、生成凭证草稿、提示异常，但制单、审核与记账责任仍在会计；涉及收入确认、成本分摊与减值等判断属于职业判断，不能交给模型决定。
单据识别率不高怎么办？
先分层处理：清晰扫描件走高置信通道，模糊件与手写件进人工队列并标注原因。追求全自动往往导致错误累积，把识别结果与人工修正都记下来，才能逐步提升可用比例。
数据能放在外部环境吗？
按数据分级决定。财务数据敏感度高，优先在客户环境或客户指定环境处理，不用于训练，项目结束支持导出与删除；涉及个人信息与跨境传输的，按相关法律要求做评估与告知。