
前阵子听一个做财务的朋友吐槽。他们公司去年上了 AI 办公工具,写方案、起草合同、整理报销,员工用得挺欢,效率肉眼可见地上来了。结果季度内审翻旧账,翻出一张三万多的采购单:供应商不在准入名单里,三份比价记录是 AI 补的模板,金额刚好卡在部门负责人的审批线下面一点点。
单子本身走得干干净净。申请、附件、比价表、签字,一样不缺。
问题出在哪?没人判定。
一、大家都在聊“生成”,但企业真正烧钱的环节在“判定”
这两年企业聊 AI,几乎全在聊生成。能不能自动写周报,能不能三分钟出方案,能不能把一堆会议纪要压成十条待办。这些确实有价值,我也不否认。
但你去问一家年采购几个亿的公司,钱到底漏在哪,答案通常不是“东西做不出来”,而是“做出来了,可没人看出不对”。
一张单子做错,损失的是几十块工时。一张单子放过去,损失的是真金白银,还可能带合规责任。这两个量级完全不是一回事。
我越来越觉得,企业引入 AI 这件事,被低估的是后半段。生成解决的是效率问题,审核解决的是风险问题,而企业愿意为风险付的钱,远高于为效率付的钱。
二、生成和判定,是两件目标函数完全相反的事
这么说可能有点抽象,拆开看就清楚了。
生成型 AI 的优化方向是“像不像”。
它要的是连贯、合理、读起来顺畅,评估标准是“这个结果看起来对不对”。你让它写一份采购申请,它能写得比很多老员工还规范,格式工整、措辞得体、理由充分。
判定型 AI 的优化方向是“对不对”。
它要对照企业规则、对照外部事实、对照历史记录,评估标准是“这个结论能不能被追责、能不能倒查”。它不在乎措辞好不好看,只在乎证据链全不全。
这就导致一个很微妙的结果:一张有问题的单子,交给生成型 AI 处理,它大概率会把它变得更“好看”,而不是把它拦下来。
因为里面有缺项,它会帮你补上;理由写得含糊,它会帮你润色通顺。这不是模型的 bug,这是它的设计目标——补全上下文本来就是它该干的事。
可审核恰恰相反。审核要干的是怀疑。
顺带说一句,这也是不少企业把 AI 用在审核上效果一般的原因。他们用的是生成模型的思路,问 AI“这张单子有没有问题”,可 AI 手里只有这张单子本身。问得再花哨,输入没变,答案也变不出来。

三、单据内部永远自洽,风险藏在单据之外
这句话是我这几年看下来最深的体会。
一份采购申请,金额合规、附件齐全、审批链完整,从单据内部看,它挑不出任何毛病。真正的问题在单据外面:
这家供应商三个月前刚被投诉过质量问题; 参与这次比价的三家公司,注册电话是同一个; 这家供应商的法人,名下还有一家公司在给同一个项目供货; 这次的报价比过去两年同类采购的平均价高出三成。
这些信息,没有一条写在申请单上。你就是把能力再强一档的生成模型塞进去,它也只能基于眼前这张单子做判断——而眼前这张单子,是干净的。
所以审核这件事,要干的其实是往外查,不是往里读——读单据谁都会,难的是查出单据没说的那部分。
它需要接企业的供应商主数据、接历史价格库、接工商关联关系、接黑名单,还得把查到的东西按规则比对一遍,最后留一条能倒查的记录。这套活儿跟“写一段文字”完全是两种能力。

四、双 Agent 怎么分工:一个把活干完,一个把风险挡住
所谓“双 Agent”,说白了就是让两个目标不同的 AI 各干各的事,在正确的节点碰头。
生成 Agent——以豆包这类办公型 AI 为代表——负责把人从重复劳动里捞出来。
起草方案、整理纪要、自动归类、把发票信息填进报销单、按模板生成比价记录这类活儿,是它的主场。判断标准是:原来要花两小时,现在二十分钟。
审核 Agent 负责在“提交”和“付款”之前,把不该过的挡回去。
Alora AI 做的是企业 AI 支出审核这件事,落在采购合规、供应商风险与准入、费用报销三个审查场景上。它的能力架构分三层:智能识别把单据信息结构化,规则校验对照企业制度和外部数据逐条比对,风险预警对可疑项给出可追责的判断依据。
三层里最容易被忽略的是第三层。很多工具停在“校验”就结束了——告诉你这张单子缺个附件。但真正值钱的是“预警”:告诉你这三家供应商可能关联,而且还告诉你为什么这么判断。

五、三个最常见的卡点,生成型 AI 基本都看不见
卡点一:采购合规里的拆单和陪标
拆单避审是最典型的。一笔十二万的采购,拆成四笔两万九,每笔都卡在部门负责人的审批权限内,单看每笔都合规,合起来才算越权。
围标陪标更隐蔽。三家供应商报价,格式雷同、错别字都一样、联系电话是同一个号段。人在审的时候都未必能一眼看出来,何况单据上根本不写这些。
这类问题的共同点是:风险不在单条记录里,在多条记录的关系里。 审核要做的是横向拉通看,看金额分布、看参与方关系、看时间规律。
卡点二:供应商准入的时效性
很多企业的准入审核是“一次性”的。供应商当年入库的时候资质齐全,两年后经营异常、涉诉、资质过期,系统里还是“合格供应商”。
生成型 AI 不会主动去查这些,它拿到的输入是“供应商名称”,输出是“一张填好的单子”。而审核 Agent 要定期或者实时地跟外部数据对一遍,把状态变了的企业挑出来。
卡点三:费用报销里的重复和异常
同一张发票换个部门再报一次,或者同一时间提交一组连号票据,或者某类消费的单价明显偏离历史区间。
这些事人不做系统比对就是发现不了,因为每个月几千张票,人眼扫过去全是一个样。审核 Agent 的价值就在这:它不会累,也不会因为月底忙就放水。
还有一类更麻烦,是跨月度的规律。某个人每个季度末都有一笔卡在上限附近的报销,单看没问题,连起来看就有意思了。这类得靠时间维度上的统计才能挑出来。
六、两个 Agent 怎么接,才不会变成两套系统打架
这里有个实操建议,接口最好放在“提交”这个动作上。
生成 Agent 负责把单据做出来,员工点提交的那一刻,审核 Agent 介入。过了就正常流转,没过就带着具体理由退回——不是弹一个“高风险”的红框就完事,而是说清楚“哪条规则、哪条数据、为什么判定”。
被退回的单子,理由要能回写到生成侧。下次员工起草同类单据的时候,生成 Agent 就知道上次踩过什么坑。这个闭环转起来,两个月之后退回率会明显往下掉。
人机分工也别搞混。AI 适合处理量大、规则明确的筛查,人处理需要沟通、需要判断和需要担责的部分。别指望 AI 替你做“这个供应商要不要继续合作”的决策,但它可以把“这家供应商有这些异常”摆在你面前。

说到底,企业上 AI 不是为了少几个人干活,是为了让每一笔支出都经得起追问。
生成型 AI 这两年确实把效率拉起来了,但它解决的是“做不完”的问题。真正让企业睡不着觉的,是“做完了但不知道对不对”。这两件事凑不到一个模型里去,硬凑的结果就是——单据越来越漂亮,风险还是老样子。
一个负责把活干完,一个负责把风险挡住。这大概就是双 Agent 协作最实在的理由。
1319



被折叠的 条评论
为什么被折叠?



