AI 識別采購單后直接入系統？企業先校驗字段、金額和審批狀態
不少企業在采購、倉庫和財務之間反復錄入單據：供應商發來 PDF 或掃描件，員工再把單號、物料、數量和金額填進 Excel 或業務系統。看到 AI 或 OCR 能自動提取字段，管理者很容易得出一個結論：既然能識別，就讓結果直接入系統。
真正的風險不是“偶爾認錯一個字”這么簡單。供應商可能匹配到同名主體，數量和單位可能錯位，含稅與未稅金額可能混用，已經作廢或未審批的單據也可能被繼續處理。最容易誤解的地方，是把“文檔被讀出來”當成“業務數據已經成立”。企業需要把識別、業務校驗、人工確認和正式入庫分成不同層，尤其不能讓金額與審批狀態只依賴模型判斷。
識別結果只是候選，不是最終事實
單據識別工具通常會返回文字、表格和字段，并給出某種置信度或位置依據。Microsoft 的 Document Intelligence 透明度說明明確指出，真實場景中的表現會隨文檔類型、版式和業務數據變化，企業應使用代表自身場景的樣本測試，并根據實際要求決定哪些結果可以直通、哪些需要人工復核。
置信度有用，但不能被理解為“達到一個固定數字就永遠正確”。供應商名稱、單號、數量、幣種、總額和審批狀態的重要程度不同；同一個閾值也未必適合清晰 PDF、手機拍照、傳真掃描和多頁表格。
因此，第一層輸出應當是“待校驗字段”，并保留它來自哪一頁、哪一區域。員工看到異常時，能夠快速回到原文，而不是只面對一組已經脫離單據的數字。
表格類單據還要關注行、列和跨頁關系。單個格子看起來正確，不代表它仍屬于原來的物料行；頁眉、合計行和續頁也可能改變字段含義。驗證時既要看單個字段，也要看它與整張表的結構關系。
字段看對了，也可能匹配錯業務對象
即使字符識別完全正確，業務含義仍可能不對。單據上寫的是供應商簡稱，系統里卻有多個相似主體；物料名稱相同，規格或單位不同；一箱與一個、套與臺之間的換算沒有統一；同一張單據被郵件和群文件重復收到，又被創建兩次。
自動化需要把識別字段與企業自己的主數據和流程狀態交叉檢查。供應商應匹配穩定編號，物料應核對編碼、規格與單位，單號要檢查重復，日期要判斷是否處于可處理范圍。無法唯一匹配時，正確動作不是讓 AI 猜一個最像的結果，而是停止并交給責任人確認。
這里也要區分“缺字段”和“字段為空”。單據確實沒有填寫，與模型沒有識別出來，后續處理不同。系統應保留原始值、標準化值和修改記錄，避免員工糾正后找不到最初來源。
金額和規則要用確定性邏輯復算
金額是最不適合只看識別結果的字段之一。單價乘數量是否等于小計，各行小計是否等于總額，幣種是否一致，含稅與未稅口徑是否對應，折扣和運費如何處理，都應由企業已有規則重新計算。
AI 可以負責定位和提取候選值，正式計算應交給可追蹤的公式或程序。系統發現差異時，要顯示原值、復算值和差異來源，而不是靜默覆蓋。關鍵字段可以設置更嚴格的復核條件，但閾值應根據企業真實樣本、業務影響和可接受風險確定，不能照搬廠商示例。
對紙質不清、表格跨頁、手寫修改、單位不明或金額關系不一致的單據，寧可進入人工隊列，也不要為了“全自動”強行直通。自動化的價值在于減少重復搬運，不是取消業務責任。
審批狀態和操作留痕不能省
采購單被識別，不代表它已經獲得授權。有的文件只是詢價或草稿，有的還在等待負責人確認，有的已經作廢或被新版替代。如果自動化只識別內容，不讀取流程狀態，就可能把一份“不該執行的單據”準確地錄進系統。
NIST AI RMF 強調在接近實際部署條件下測試 AI 系統，記錄測試方法與結果，并在運行中持續監測。NIST Playbook 也建議對異常輸入和不可靠輸出保留人工復核，明確監督人員的責任。
放到采購單流程里，審批界面至少要展示原始文件、關鍵字段、異常提示、重復檢查、復算結果、當前審批狀態和修改記錄。誰確認、改了什么、何時入庫、最終關聯哪份原單，都應可以追溯。
建議企業先完成 4 項準備
- 給字段分級。列出供應商、單號、物料、數量、單位、幣種、金額和審批狀態，按業務影響確定直通、提示或人工復核規則。
- 保留原文定位。每個提取字段都能回到原頁和原區域，保存原始值、標準化值與修改記錄，避免結果脫離證據。
- 補上業務校驗。用主數據匹配供應商和物料，用確定性公式復算金額，檢查重復單據、版本和流程狀態。
- 先做小范圍雙軌驗證。用脫敏歷史樣本覆蓋不同版式、拍照質量、跨頁表格和異常情況；系統先生成待確認記錄，比較人工結果后再逐步擴大范圍。
我的看法是，單據自動化最值得做的，是把“找字段、搬數據、對格式”交給系統，把“業務是否成立、金額是否正確、誰批準執行”留在清楚的規則和責任鏈里。識別層做得再快，也不能跳過校驗層。
如需梳理采購單、訂單或入庫資料的識別、校驗與審批流程，可以聯系煜企智能，從現有單據樣式、主數據和責任邊界開始評估適合自動化的步驟。
資料來源
- Microsoft Learn，Document Intelligence Transparency Note：<https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/document-intelligence/transparency-note>
- NIST，AI Risk Management Framework Core：<https://airc.nist.gov/airmf-resources/airmf/5-sec-core/>
- NIST，AI RMF Playbook：<https://airc.nist.gov/docs/AI_RMF_Playbook.pdf>