匿名央国企
财务流程自动化
Datawhale
财务/企业服务
明确FDE
标准案例｜可参考但仍有缺口
A级证据
已落地/规模化
A
证据等级
Datawhale FDE案例100｜NO.09 从“表哥表姐”到智能执行：FDE用AI重构央国企财务流程效率
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
标准案例｜可参考但仍有缺口
8 / 12
业务背景1 / 2
改造流程1 / 2
技术工作流2 / 2
人机与治理1 / 2
量化结果1 / 2
来源定位2 / 2
仍可补强：业务背景、改造流程、人机与治理、量化结果
业务问题
报销、建单、审核等流程既有语义判断，也有大量重复系统操作，且责任要求高。
解决方案
AI负责信息组织、分类判断与风险识别；RPA/API负责建单、填表和提交；高风险事项升级人工。
技术架构与生产工作流
Step 01
业务材料/发票/单据/申请
→
Step 02
OCR/字段抽取 + 业务材料结构化
→
Step 03
AI识别业务类型、补齐上下文并做初步风险判断
→
Step 04
规则/监督逻辑复核：金额、材料完整性、规则冲突、低置信度
→
Step 05
RPA/API进入ERP/OA完成建单、填表、附件上传、提交
→
Step 06
高风险/异常 → 财务人员复核和最终审批
→
Step 07
审批结果、异常原因沉淀为后续规则和样例
关键技术与基础设施组件
OCR/文档解析LLM规则/监督逻辑RPA/APIERP/OA/财务系统Human-in-the-loop
人机分工与责任边界
人工承担高风险、低置信度和最终审批责任。
FDE 动作拆解
- 跟岗观察真实财务操作，找出员工自己说不清的隐性判断
- 把流程拆成“语义判断 / 机械执行 / 最终责任”三类任务
- 访谈老员工并把经验转成明确规则、例外和升级条件
- 尽量复用原ERP/OA，把AI做成上层intelligence而非重做财务系统
- 从小场景PoC验证，再决定私有部署和算力投入
- 用低置信度和高风险路由设计责任边界
可迁移复用的落地方法论
- 企业AI不等于一个万能Agent；最稳的结构往往是 AI判断 + 确定性执行 + 人负责
- 先改造一段高频流程，再扩展基础设施
- FDE的第一产物常常是新的工作流，而不是模型
业务成效与交付成果
形成“AI判断 + RPA执行 + 人终审”的可迁移架构；部分案例推动私有化算力投入。
证据边界与核验记录
- 中：Datawhale案例公开了业务分工和落地方法；具体模型、框架、接口产品未完整披露，组件层使用通用技术类别表示。
- 来源可直接定位到该案例；数值仍属于来源方披露，不代表独立审计。