不止于识别录入，AI 在发票处理中的真正作用

因为不同格式的发票和不同的接入渠道，需要采用不同的处理方式。随着结构化电子发票日益普及，处理重点正从数据采集转向数据校验、ERP 数据匹配，以及对后续处理流程的管控。

企业仍会接收以下几类发票： 

• 结构化电子发票
• 同时包含结构化数据和可视化版面内容的混合格式发票
• 通过电子邮件发送的 PDF 发票
• 扫描件及少量纸质发票

结构化电子发票本身已包含机器可读数据，但仍需进行技术校验、关联正确的业务伙伴、与 ERP 数据进行匹配，并按规则进入审批或异常处理流程。对于 PDF、扫描件及其他特殊情况，则仍需使用文档识别和数据提取技术。

不同技术在发票处理流程中发挥着不同的作用：

• OCR 与文档识别：从非结构化或图像类文件中采集信息；识别结果需根据文档质量、版式和具体应用场景进行验证；
• 基于 AI 的方法：对文档进行分类、识别语义关联、匹配相似描述，并根据历史交易生成建议；
• 业务规则与 ERP 验证：依据采购订单、收货记录、容差阈值和供应商主数据等因素，作出具有约束力的流程决策。

面向未来的架构应在发票处理的各个阶段采用适当的技术，以保证质量、可追溯性和成本效益。因此，关键不在于“选 AI 还是 OCR”，而在于如何将文档识别、智能辅助与可执行的业务规则结合起来，并在可控的流程中实现协同运作。

当任务需要理解上下文、识别相似性或借助历史经验进行判断时，AI 能发挥作用。但会计入账以及工作流决策，仍须经过技术、格式与算术、业务规则等方面的校验。 

结合 OCR、AI 和业务规则各自的优势，AI 在发票处理中有五大应用场景：

• 单据分类：AI 可区分发票、贷项通知单、付款催款通知及其他业务单据，并将其分流至相应的处理流程；
• 处理复杂文档结构：面对多种版式、多页表格以及供应商描述不一致等情况，AI 能够更灵活地识别相关信息，并将其整理为结构化数据；
• 辅助语义匹配：AI 可以识别发票描述与采购订单文本之间可能存在的对应关系；但要确认两者是否对应同一笔交易，仍需根据物料编号或项目编号、数量、价格、采购订单及供应商等信息进行核验；
• 提供会计科目分配建议：对于没有采购订单的发票，AI 可以分析历史入账记录，并建议总账科目、成本中心、项目或费用分摊方案。员工可审核、采纳或修正这些建议，从而减少查找和判断所需的时间，同时保留相关人员的财务责任；
• 异常检测：通过识别异常的入账模式或发票属性组合，可以筛选出需要优先复核的交易。 

不过，成功识别发票字段，并不代表这些数据已可用于过账。自动处理继续执行前，必须完成以下四个层面的校验： 

• 技术校验：文档是否完整且可处理？电子发票是否符合规定的数据结构和格式？
• 格式与算术校验：必填信息、总金额、税额、明细项目和币种是否完整且一致？
• 业务验证：采购订单、收货或服务接收记录、数量、价格和供应商是否与 ERP 的数据一致，并符合预设的容差范围？
• 工作流决策：发票能否自动过账？是否需要审批？由谁处理异常？处理时需要哪些信息？ 

人工参与与自动化并不矛盾。对于信息明确、处理规则清晰且可重复执行的交易，系统可以自动完成整个处理流程。当出现不确定性、异常或需要专业判断时，员工再介入。系统应向员工提供相关背景信息，并确保所有决策、修正和审批均可追溯。AI 可以提供建议，但不能取代流程中相关人员应承担的责任。

置信度仅反映识别系统对其输出结果的确信程度。置信度高，并不意味着相关信息在业务上必然正确。因此，自动化决策必须综合考虑技术、算术和业务校验结果，以及交易本身的风险。错误可能造成的业务影响越大，就越需要加强控制。 

AI 可以辅助开展这些检查。但只有将 AI 与业务规则、ERP 数据以及明确的职责分工结合起来，相关判断才能成为正式的业务处理决策。

如前文所述，AI 可以采集发票数据、识别数据间的关联并标记异常。但 AI 得出的结果不能取代可靠发票流程所必需的技术、格式及业务控制。

一套受控的可靠发票处理流程应包含以下措施：

• 恶意软件扫描与文件安全检查 
• 格式及数据结构（schema）校验 
• 税务与格式合规性检查 
• 算术一致性检查 
• 基于 ERP 数据的业务校验 
• 授权与审批规则 

即使 AI 正确识别了某个字段，该字段也可能来自内容本身有误的源文件。同样，文件即使通过安全检查且格式有效，也不一定能与相应的采购订单匹配。AI 可以辅助完成个别校验步骤，但要获得可靠结果，仍需各项控制措施协同运行，并明确划分责任。

发票文件本身通常不包含处理该发票所需的全部信息。只有将交易信息与 ERP 系统中的数据进行核对，采购到付款（P2P）流程才能判断该笔交易是否可以进入下一处理环节。 

相关 ERP 数据包括： 

• 供应商主数据及物料主数据
• 采购订单以及收货或服务接收记录 
• 会计科目分配信息
• 审批阈值及容差规则
• 公司代码及组织职责 

即使发票金额已被准确识别，且发票通过了所有格式检查，如果缺少收货记录，或价格超出允许的容差范围，系统仍无法自动过账。因此，ERP 集成并非流程末端的技术步骤，而是发票处理自动化逻辑不可或缺的一环。

PO 发票可以依据现有的采购订单等参考数据进行校验；非 PO 发票则需要采用不同的处理方式，重点在于会计科目分配、流程路由和审批。

有采购订单的发票（PO）：

• 采购订单是主要的参考依据；
• 将发票与采购订单及相应的收货或服务接收记录进行匹配；
• 后续处理方式取决于数量、价格和既定容差；
• 如果满足所有条件，发票即可自动继续处理；异常则会被转交进行针对性审核；

无采购订单的发票（非 PO）：

• 没有可供参考的采购订单；
• 需要确定总账科目、成本中心、项目或费用分摊方式；
• AI 可以根据历史入账记录推荐合适的会计科目分配；
• 明确的职责划分、审批规则和可追溯的检查，为作出具有约束力的决策提供必要控制。

异常场景更能体现自动化的真正价值。常见异常包括缺少采购订单或收货记录、价格或数量不符、供应商无法识别、会计科目分配不明确，或数据相互冲突。此类交易不应只是卡在流程中。解决方案应明确说明自动处理无法继续的原因、后续责任人、相关单据及 ERP 数据，以及问题最终如何解决。 

区分这两类发票，有助于避免把本质不同的流程需求笼统归入“AI 发票处理”这一含义模糊的概念。

我们的目标是在尽可能提高自动化水平的同时，维持明确的质量标准、让风险可控、让异常处理过程透明。为此，发票接入渠道、AI 能力、可执行的业务规则和工作流控制必须整合为端到端流程。

这些要求可以通过以下四层架构实现： 

1. 渠道与格式处理：接收结构化电子发票、混合格式发票、PDF、扫描件及其他输入，并将其分流至适当的处理路径；
2. 智能识别与辅助：对文档进行分类、提取信息、识别关联关系并生成建议；
3. 具有约束力的业务逻辑：结合规则、主数据和 ERP 上下文，从技术、形式和业务角度判断交易是否可以继续处理；
4. 受控的工作流执行：管理工作流、审批、监控和异常处理，并确保每项决策均留有可追溯记录。 

不能仅以提取字段的数量或高置信度结果的占比来衡量架构是否成功。更有意义的指标包括：

• 完整、准确处理的发票占比
• 需要人工介入的交易数量，以及处理这些交易所需的时间
• 重复发生的异常、主数据问题及用户更正记录
• 是否利用这些分析结果持续改进规则和流程
• 决策和变更是否始终完整可追溯 

我们并非一味追求 “零人工干预”。只有智能辅助、严格的业务校验和透明的工作流管理协同运行，才能实现受控的直通式处理（straight-through processing）。因此，端到端采购到付款架构的优势不在于某一项 AI 应用，而在于对上述四个层级进行有序、受控的整合。

SEEBURGER 将发票接入渠道与校验、系统集成及采购到付款工作流融为一体，帮助企业以统一、规范的方式处理发票，减少人工操作，并确保从发票接入到 ERP 过账的全过程可追溯。

在 SAP 环境中，我们支持将发票与采购订单、收货或服务接收记录及主数据进行自动匹配。通过预先设定容差范围，让符合条件的常规交易自动通过，出现异常的则转交相关负责人，按既定流程处理。对于非 PO 发票，系统会借助 AI 给出科目分配建议，简化编码和审批环节。

对于非结构化单据的处理及其他 AI 能力，可通过集成专业技术解决方案来实现，包括 TCG Process 提供的解决方案。企业无需依赖彼此孤立、缺乏协同的工具，而是能够构建覆盖全流程的端到端处理流程，实现：

• 统一处理结构化与非结构化发票;
• 将 AI 辅助处理与 ERP 系统的强制校验机制相结合;
• 让异常处理过程公开透明灵活适配现有 IT 系统架构与业务需求。

真正的价值并非来自某一项单独的技术，而在于建立一套可控的发票处理流程，覆盖从单据接收到 ERP 系统处理的整个过程，无论企业使用的是 SAP、Microsoft Dynamics 365，还是其他 ERP 系统，都能适用。