AI 工作實務
單據辨識率很高，為什麼財務還是很忙？真正要自動化的是例外處理
財會、採購與內控團隊可用本文方法按缺欄、重複或金額例外分派覆核。附模擬工作表與核對答案。
能按缺欄、重複或金額例外分派覆核。
專題編輯：Iris Hsieh｜AI 資安與治理編輯
本文為文件研究與流程教學。情境、數字和工作表資料均為模擬，參考答案經本地規則或數值核對。未使用真實客戶資料，也未在企業系統或特定 AI 產品帳號實測。
每月數百張單據，即使 OCR 能辨識文字，重複請款、欄位不一致、憑證缺漏與權限問題仍需人工核對。建立例外分級、原件追溯與人工核准流程，才能衡量實際可節省的工作量。
假設財會團隊導入文件辨識工具後，系統每張單據都能讀出金額和日期，但月底卻仍需逐張確認。這未必代表 AI 失敗，而是企業把「讀得出字」誤當作「可以正確入帳」。財務自動化的目標應是讓規則明確、證據完整的單據快速通過，把時間留給例外與責任判斷。
三種能力不能混為一談
OCR 是讀取文件上的字；欄位擷取是把字放入 invoice_no、seller_tax_id、net_amount 等欄位；稽核檢查則是比對採購、驗收、合約、付款與稅務資料。前兩者即使準確，也不代表第三者自動成立。AI 模型可以提出候選欄位與分類，但金額計算、檔號格式與重複驗證盡量使用明確規則。
先定義五類真正值得注意的例外
第一是 DUPLICATE：相同供應商、憑證號碼與金額疑似重複。第二是 MISSING: 缺少採購或驗收佐證。第三是 AMOUNT_MISMATCH：單價、數量或稅額不符。第四是 IDENTITY：供應商識別資訊需確認。第五是 AUTHORIZATION：請款超過核准額度或未取得必要簽核。是否構成實際錯誤，由經授權的財會與採購人員決定；不能用 AI 的預測分類直接拒付。
建立直通與人工覆核兩條路
STP（Straight Through Processing）只讓來源可信、必要欄位完整、金額與訂單一致、無重複及權限問題的資料通過。其餘先進 REVIEW_QUEUE，依財務風險分級分派。每張單據要保留原檔、辨識結果、比對規則版本、校正者、處理時間與最終狀態。人工覆核不能只按「同意」，需要能看見是哪一條規則觸發。
用小樣本先做可量化的驗收
選取一段經授權且具有代表性的歷史單據，建立人工核對的基準答案。按正常件、各類異常、模糊掃描與資料不足分層抽樣，逐筆計算真陽性、假陽性、漏抓例外以及人工覆核時間。初期不應只公布「欄位辨識率」，更要知道漏掉一張重大重複請款的後果。資料若含員工或供應商個資，蒐集及外部傳輸要符合適用法規與契約。
別讓自動化製造新的審計黑洞
掃描品質、格式更新、供應商更名與平台規則變更都可能使模型與規則漂移。每次更版應保存測試集結果及規則版本，並讓財務主管有權暫停自動通過。涉及稅務憑證與折讓，應對照財政部現行作業規範與實際使用情境；AI 不是稅務或會計師意見的替代品。最後以「直通比例、重大例外漏抓率、人工每件處理時間及查帳可追溯性」共同衡量成果。
直通處理的標準應先由財務決定
讓單據自動通過的前提應可寫成簡單規則，例如「供應商為已核准對象」「憑證號碼與資料來源一致」「必要欄位完整」「PO 與驗收證據相符」「金額差異在公司核定的容許範圍內」「未命中重複規則」。其中任一項未知都應轉人工，而不是要求 AI 說明為什麼大概沒問題。公司還需要確定哪些單據原本依法或依內控就必須人工核准，不可因為工具自動化而略過。
把例外工作量從總件數分離
假設某月有 400 張單據，其中 320 張符合已核定的直通規則、80 張需要人工核對，這只是示意，並非系統測試結果。管理者應問：「80 張裡有多少是真異常？有多少只是模型讀錯？是否因資料來源缺漏導致？」假設 30 張因供應商資料格式不同被誤判為重複，應優先修正主檔或規則；每次都要求財務重看 30 張，不算有效的自動化。
用抽樣與覆核證據降低漏抓成本
建立兩組抽樣：一組是模型判定應人工覆核的單據，觀察誤報與真正異常；另一組是模型判定可以直通的單據，抽樣檢查是否漏抓。兩組都應標記原始單據、規則版本、人工答案與處理結果。若只有第一組，團隊永遠不知道被系統直接放行的單據是否正確。驗收報告要同時列出平均人工核對時間、直通比例與重大漏抓件數。
企業導入的下一步
適合從文件分類與例外檢查培訓開始，對帳與核准規則成熟後再導入財務工作流。
下載工作表與核對範例
缺採購或驗收依據時，金額即使一致也送覆核；疑似重複不可直接拒付。
參考資料
實際工程、旅客通知、合約或財會處理依適用規範、契約和具權責人員核定。
本文由 TARAISG（TIANDIREN AI SOLUTION GROUP）使用 AI 模型產生正文、整理來源並設計實務工具。方法依據與限制列於文末；案例為明確標示的教學假設。未有具名紀錄時，不宣稱經人工或專家審核。
查看內容製作與更正說明
