AI 识别采购单后直接入系统？企业先校验字段、金额和审批状态
不少企业在采购、仓库和财务之间反复录入单据：供应商发来 PDF 或扫描件，员工再把单号、物料、数量和金额填进 Excel 或业务系统。看到 AI 或 OCR 能自动提取字段，管理者很容易得出一个结论：既然能识别，就让结果直接入系统。
真正的风险不是“偶尔认错一个字”这么简单。供应商可能匹配到同名主体，数量和单位可能错位，含税与未税金额可能混用，已经作废或未审批的单据也可能被继续处理。最容易误解的地方，是把“文档被读出来”当成“业务数据已经成立”。企业需要把识别、业务校验、人工确认和正式入库分成不同层，尤其不能让金额与审批状态只依赖模型判断。
识别结果只是候选，不是最终事实
单据识别工具通常会返回文字、表格和字段，并给出某种置信度或位置依据。Microsoft 的 Document Intelligence 透明度说明明确指出，真实场景中的表现会随文档类型、版式和业务数据变化，企业应使用代表自身场景的样本测试，并根据实际要求决定哪些结果可以直通、哪些需要人工复核。
置信度有用，但不能被理解为“达到一个固定数字就永远正确”。供应商名称、单号、数量、币种、总额和审批状态的重要程度不同；同一个阈值也未必适合清晰 PDF、手机拍照、传真扫描和多页表格。
因此，第一层输出应当是“待校验字段”，并保留它来自哪一页、哪一区域。员工看到异常时，能够快速回到原文，而不是只面对一组已经脱离单据的数字。
表格类单据还要关注行、列和跨页关系。单个格子看起来正确，不代表它仍属于原来的物料行；页眉、合计行和续页也可能改变字段含义。验证时既要看单个字段，也要看它与整张表的结构关系。
字段看对了，也可能匹配错业务对象
即使字符识别完全正确，业务含义仍可能不对。单据上写的是供应商简称，系统里却有多个相似主体；物料名称相同，规格或单位不同；一箱与一个、套与台之间的换算没有统一；同一张单据被邮件和群文件重复收到，又被创建两次。
自动化需要把识别字段与企业自己的主数据和流程状态交叉检查。供应商应匹配稳定编号，物料应核对编码、规格与单位，单号要检查重复，日期要判断是否处于可处理范围。无法唯一匹配时，正确动作不是让 AI 猜一个最像的结果，而是停止并交给责任人确认。
这里也要区分“缺字段”和“字段为空”。单据确实没有填写，与模型没有识别出来，后续处理不同。系统应保留原始值、标准化值和修改记录，避免员工纠正后找不到最初来源。
金额和规则要用确定性逻辑复算
金额是最不适合只看识别结果的字段之一。单价乘数量是否等于小计，各行小计是否等于总额，币种是否一致，含税与未税口径是否对应，折扣和运费如何处理，都应由企业已有规则重新计算。
AI 可以负责定位和提取候选值，正式计算应交给可追踪的公式或程序。系统发现差异时，要显示原值、复算值和差异来源，而不是静默覆盖。关键字段可以设置更严格的复核条件，但阈值应根据企业真实样本、业务影响和可接受风险确定，不能照搬厂商示例。
对纸质不清、表格跨页、手写修改、单位不明或金额关系不一致的单据，宁可进入人工队列，也不要为了“全自动”强行直通。自动化的价值在于减少重复搬运，不是取消业务责任。
审批状态和操作留痕不能省
采购单被识别，不代表它已经获得授权。有的文件只是询价或草稿，有的还在等待负责人确认，有的已经作废或被新版替代。如果自动化只识别内容，不读取流程状态，就可能把一份“不该执行的单据”准确地录进系统。
NIST AI RMF 强调在接近实际部署条件下测试 AI 系统，记录测试方法与结果，并在运行中持续监测。NIST Playbook 也建议对异常输入和不可靠输出保留人工复核，明确监督人员的责任。
放到采购单流程里，审批界面至少要展示原始文件、关键字段、异常提示、重复检查、复算结果、当前审批状态和修改记录。谁确认、改了什么、何时入库、最终关联哪份原单，都应可以追溯。
建议企业先完成 4 项准备
- 给字段分级。列出供应商、单号、物料、数量、单位、币种、金额和审批状态，按业务影响确定直通、提示或人工复核规则。
- 保留原文定位。每个提取字段都能回到原页和原区域，保存原始值、标准化值与修改记录，避免结果脱离证据。
- 补上业务校验。用主数据匹配供应商和物料，用确定性公式复算金额，检查重复单据、版本和流程状态。
- 先做小范围双轨验证。用脱敏历史样本覆盖不同版式、拍照质量、跨页表格和异常情况；系统先生成待确认记录，比较人工结果后再逐步扩大范围。
我的看法是，单据自动化最值得做的，是把“找字段、搬数据、对格式”交给系统，把“业务是否成立、金额是否正确、谁批准执行”留在清楚的规则和责任链里。识别层做得再快，也不能跳过校验层。
如需梳理采购单、订单或入库资料的识别、校验与审批流程，可以联系煜企智能，从现有单据样式、主数据和责任边界开始评估适合自动化的步骤。
资料来源
- 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>