北京
这不是高盛的银行故事。这是每个还在手工对账的财务团队，正在桌上放着的、可测量的真金白银。
Twarx创始人Rushil Shah在2025年1月公布的案例中，记录了一个6人应付账款团队的真实经历：他们没用买现成软件，而是自己动手搭建了一个AI代理（AI Agent），在失败了两次之后，找到了发票对账流程里那个被他们称为“对账死区”（Reconciliation Dead Zone）的关键地带，然后才让模型接触真实数据。结果，90天内处理了2200张发票，每张发票的中位处理时间从23.4分钟降到了6.3分钟，提速73%。
这个数字是怎么量出来的？他们用的是NetSuite系统日志交叉比对n8n执行日志的方式，抽样窗口为90天，以中位数而不是平均值计算端到端处理时长。在第一个90天里，单是人力成本的替代效应，就省出了15,246美元。
整套技术架构并不神秘。编排层用LangGraph做状态管理，记忆力部分用Pinecone加载了18个月的供应商与发票历史数据做RAG（检索增强生成），审计日志走n8n，异常推理交给Claude 3.5 Sonnet，PDF信息抽取用OpenAI GPT-4o，ERP（企业资源计划系统）只开了MCP（模型上下文协议）的只读权限。全栈建设成本47,200美元，年化节省21.84万美元，首年投资回报率363%，回本周期2.6个月。
但真正值得拆解的不是工具选型，而是那套“对账死区”的11步地图。从ERP接收发票到最终批准付款之间，Twarx把这11步拆成了三类：7步完全交给AI代理自主完成；3步需要人机协同（human-in-the-loop）；1步——争议升级——被刻意保留为纯人工处理。最终结果是84%的发票全程无需人类干预，直接走完了从抓取到清账的闭环。
准确率方面同样有账可查。旧流程中发票字段抽取准确率只有89%，通过提示工程加RAG，把准确率拉到了97.3%，全程没有做模型微调。错误率从8.7%掉到1.1%。
Shah给出了一个明确的判断：如果你想在财务系统里找一个验证AI投资回报率的切入点，别从预测、资金管理或者分析入手，就从发票对账开始。原因就一个——它结构化程度高、流程可审计、漏掉的钱一眼就能看见。
两次失败的尝试也写进了案例里：第一次代理在遇到供应商数据缺失时直接断掉了流程，第二次在并发处理时把不同发票的字段搞混了。正是这两次翻车，逼着团队重新设计了整套工作流——在模型触碰任何一张真实发票之前，先彻底弄清楚“对账死区”到底长什么样。
他们还做了一个生产控制台，按每个发票字段输出置信度评分，以此决定一张发票是走全自动通道，还是被路由到人工复核。这就是整个框架的核心机制：不是靠模型一次做对，而是让系统知道什么时候该说“我不确定”。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
