从人工核对到智能对账：FDE用AI让线下零售对账又快又准

访谈资料整理：依据 Datawhale《FDE案例100》所收录访谈。案例叙述与成果均归属于原访谈，本站未进行独立项目审计。

原案例封面

为什么这个案例值得看？

线下零售门店需要在商场系统与自有收银系统之间逐项核对纸质单据，一个周期通常消耗 1—2 个人天。项目用 OCR 和视觉能力自动完成第一轮核对，并让员工只处理差异与例外，对账时间缩短到数小时，也开始识别过去因处理成本过高而被忽略的收入差异。

这个案例的价值不只在于采用了某种模型，而在于把数据、规则、系统和人工责任连接成可执行的业务链路。落地过程围绕问题识别、方案选择、交付路径、业务结果和关键难点展开。

一、企业与业务场景

项目实践表明，FDE真正有价值的地方，在于找到一个和企业业务目标足够近的问题。

能不能用AI做出一个东西，反而是次要的。

这个案例就是这样。

客户是一家以线下零售为主的消费品企业，年营收规模达到几十亿元，门店主要开在百货公司和商业综合体里。

它的资金结算链路比较特殊：门店自己的收银系统会产生一套数据，商场也会有一套结算数据，最终资金经过商场结算给企业，所以每个结算周期，都需要把两边的数据和单据重新核对一遍。

最开始客户找到项目团队的时候，提出的其实就是一个非常朴素的问题：对账太费人工了。

这件事情听起来很标准，甚至有点“不值得用AI”。

但随后，FDE发现，恰恰是这种事情值得仔细看。

过去店员或者店长要拿着纸质单据或单据转成的扫描件/图片，从不同系统里把数据拉出来逐项核对。

整个过程基本是人工、肉眼完成。

如果发现对不上，还要双方重新核对，改完之后可能还会再出现新的差异，于是不断来回拉扯。

一个周期下来，可能就要花掉一两个人天。

这背后其实有三层问题。

第一层是业务问题。

对账做得不够彻底，意味着有些本来应该收回来的钱可能被遗漏了。

第二层是流程问题。

真正承担这项工作的往往是店员或者店长，而他们同时还背着销售指标。

对账占用的时间越多，能够投入销售和门店经营的时间就越少。

第三层是信息问题。

两边的数据并没有天然打通，纸质单据又增加了人工核对的成本，所以人只能不断在不同信息之间做比对。

真正让项目实践表明这个问题值得做的，是项目团队后来发现：它除了省人工，还可能直接影响收入。

过去总部甚至会给门店设一个“容忍区间”，因为大家都知道人工对账太麻烦，如果差异在一定比例以内，就干脆不再追了。

可是现在，如果机器能够把这些差异找出来，那么原来被忽略的钱，就有机会重新被识别出来。

这个价值就从“节省几个人天”，变成了实实在在的收入增益。

所以从FDE的角度看，FDE最终优先选择的是业务价值最容易被验证的场景，把“AI最酷的场景”往后放。

二、原有流程与核心问题

原来的解决方案逻辑非常直接：拉多个系统数据、看总额、看分项、针对差异找原因。

对于一个店或者少量门店来说，人完全可以完成。

但问题是，业务规模扩大以后，人工方式的边际成本越来越高。

一个门店可能还能接受一两个小时甚至一天的核对，但当门店数量增加以后，每个周期都要重复做同样的事情。

更麻烦的是，人工除了“慢”，还会产生连续的返工：发现差异、重新确认、修改，再核对；如果员工觉得某些差异不值得继续追，就可能直接放弃了。

所以，过去的方法本身并没有错，问题在于业务复杂度超过了人工方式的承载能力。

这也是为什么随后，项目实践表明，FDE做AI落地的时候，不能上来就说“原来的流程太落后了，企业用AI替代”。

真正应该问的是：原来的方式为什么能够运行？

它在哪个节点开始失去效率？

AI究竟应该接管哪一部分？

在这个案例里，项目团队没有试图把整个对账流程全部AI化，而是先接管最标准、最重复、最适合自动化的那一轮核对，把人从大量机械比对中释放出来。

这也是为什么员工最后对这个方案的接受度比较高。

在他们看来，这更像是“有人已经帮业务人员做完第一轮对账了，业务人员只需要看结果和处理真正的差异”，很少被当成“又一个需要重新学习的系统”。

三、AI 解决方案与交付路径

这个案例真正让项目实践表明有价值的，在于项目团队怎么选这个问题，以及怎么控制交付范围，OCR或者视觉本身反而排在后面。

第一步，是从客户提出的多个需求里排优先级。

客户当时并不只有对账一个需求，还提出过自动化客服、竞品对比等方向。

如果单纯从“AI能做什么”来看，这些事情都可以做。

但站在FDE角度，需要先问一个问题：哪个事情能够最快形成业务上的正反馈？

客服可能同时涉及效率和新增商机，需要积累比较长的数据周期，才能证明商机到底增加了多少；竞品分析则涉及后续多种运营策略，最终业务结果并不容易在短时间内验证。

相比之下，对账的价值非常直接：少花多少人工，可以很快看到；少漏多少钱，也可以直接计算。

所以第一个判断，重点是哪个任务最有可能最快得到正反馈，技术上是否最先进反而次要。

第二步，是把AI放在真正适合它的位置。

项目团队最后采用的是OCR加视觉的方式，对纸质/图像单据和相关信息进行识别、比对，再通过自动化工作流按照周期定时运行。

简单说，就是让AI完成大量重复性的第一轮核对，把已经能够确认的结果先筛出来，再让人处理真正需要判断的部分。

这个方案其实并没有什么特别“炫”的技术。

但项目经验表明这很典型：FDE要做的，是找到一个足够简单、成本足够低、又能真正解决业务问题的方案，而未必是最复杂的技术。

第三步，是从一开始就考虑规模化，不只停留在Demo。

当时项目团队只落了上海几个门店，数量还是个位数。

但客户整体门店规模比较大，所以FDE在方案设计时就已经考虑了后续扩展的问题。

几个门店每个周期跑一次，和几百、上千个门店在接近的时间窗口里同时运行，对系统稳定性和AI出错后的冗余要求完全不一样。

所以项目团队一开始就把它拆成两个阶段。

第一阶段尽可能轻量，甚至在Cherry Studio加本地电脑的情况下就可以完成；第二阶段如果真正扩展到更大规模，就需要在后端数据和冗余机制上增加更多能力。

FDE比较看重这一点：轻量化不等于没有规划。

可以先用最小成本验证价值，但从Day One开始，就应该知道如果验证成功，下一步怎么走。

第四步，是尽量不给一线员工增加额外负担。

这一点其实很容易被技术团队忽略。

一个新的AI工具，如果需要员工额外录入数据、重新学习流程、增加操作步骤，那么员工看到的首先是“业务人员又多了一件事”。

所以项目团队尽量让AI出现在原有流程里面，不让员工重新建立一套流程。

最终员工拿到的是已经经过第一轮处理的结果，无需再维护一个自己的系统。

项目实践表明这也是AI真正落地时一个很重要的细节：不要让用户先看到自己的投入，再等待未来的收益；尽量让他第一时间感受到收益。

四、项目结果与业务价值

最直接的变化，是时间从“人天”变成了“小时”。

链接层过去一个周期可能要花一两个人天，甚至因为反复核对而把周期拉得更长。

现在整个过程压缩到几个小时，员工只需要处理真正需要人工判断的部分。

但如果只把它总结成“省人工”，项目实践表明还是低估了这个项目。

真正让项目实践表明意外的是，AI把原来被人工流程掩盖的问题暴露了出来。

在实际数据里，有的门店差异在一两个百分点，有的能达到两三个百分点。

这里面既有少收，也有多收，最终需要看净差异。

但对于一家线下零售企业来说，即使只有一两个百分点，如果落到纯利层面，也已经是一个非常大的数字。

所以这个项目给FDE的一个很大启发是：AI的价值有时候在于，让企业终于有能力把过去因为成本太高而放弃的事情重新做起来。

现在核对成本降下来了，那部分被放弃的价值就有机会重新捡回来。

目前项目团队落地的还是上海部分门店，未来还有进一步扩大范围的空间。

项目图示

原案例图示（PDF 第 102 页）

五、关键落地难点

这个案例本身比较顺，但项目团队其实踩过不少坑。

从项目结果看，项目实践表明主要有三个挑战。

第一个挑战，是高估AI能力，低估真实行业的难度。

项目团队之前做过一个国内电商横向价格对比的案例。

当时项目团队清楚这项工作的难度，因为市场上已经有专门做电商比价的公司，人家背后有数据、接口，还有各种数据来源和业务门道。

但当时还是有一个判断：项目团队觉得AI应该能够解决其中百分之七八十的问题。

真正开始做之后才发现，现实比想象复杂得多。

国内电商平台的风控和反风控一直在博弈，平台本身对快速价格查询、模拟人为操作等行为有很强的限制。

即使找到一个方案，也可能很快被平台策略堵掉。

最后导致交付周期拉长，能覆盖的场景也不断缩小。

这件事情让FDE意识到，AI能力和真实业务难关之间，必须做匹配。

不能因为模型和Agent 现在很强，就默认现实世界的问题都能解决。

本质上还是行业认知不够。

如果一个行业里已经有公司专门靠某个问题生存，那就应该先认真研究：它到底解决了什么难点？

它掌握了哪些信息差？

为什么这个事情值得一家公司的长期投入？

第二个挑战，是需求调研不够深，导致后面不断返工。

另一个案例是学校批改作业和智能推题。

这个需求听起来非常顺：先批改，再给分，再分析，然后根据学生情况推题；题目还来自学校自己的题库。

但真正拆开以后，问题非常复杂。

比如准确率到底要多少？

批改时效要求是什么？

哪些科目？

批改频率多高？

题库需要结构化到什么程度？

推题有什么规则？

学生一道难题做错之后，是应该降低难度，还是继续围绕同一个知识点给他更难的题？

人工到底在哪个环节介入？

这些问题如果前期没有问清楚，后面就会不断出现需求变化。

以前软件工程时代，这叫产品经理需求没定义清楚，研发不断返工；到了AI时代，本质没有变，只不过后面的“返工成本”还可能直接表现成大量Token消耗和交付成本。

所以现在项目团队做FDE，会比以前更谨慎。

技术调研要认真做，方案调研要认真做，业务调研也要认真做。

第三个挑战，是组织和责任边界没有提前对齐。

AI项目很容易被理解成“老板想要、FDE来做、一线员工来用”。

但实际上老板、中层、一线员工关注的东西完全不一样。

如果前期没有把每个层级的目标、预期、能力边界和责任讲清楚，最后很容易出现“做得不好就是FDE的问题”。

所以项目经验强调一件事情：不仅要和老板对齐，还要和涉及项目的不同层级分别对齐。

谁负责什么，谁投入什么，做到什么程度算成功，AI出问题之后谁判断、谁处理，都应该尽可能在前面讲清楚。

六、FDE 交付方法与企业启示

将这次经历总结成几个最基本的原则，FDE反而不会先讲模型、Agent或者工作流。

需要先讲价值、优先级和信任。

第一，第一单一定要选对。

一个企业可能同时给项目团队十个需求，但第一个项目不能只看哪个最有意思，需要综合判断：业务价值是不是足够显性、正反馈是不是来得足够快、涉及的人是不是足够少、业务流程是不是足够清晰、用户需要投入多少、技术成本是不是可控、最终价值能不能算出来。

没有所谓的“六边形完美任务”，最终一定是权衡。

对账这个案例之所以适合作为第一步，就是因为它在这些维度上比较平衡：涉及的人少，业务流程相对清晰，价值可以计算，AI成本也不高，而且员工容易接受。

第二，第一版不要追求完美，要先跑出一个正循环。

FDE比较建议FDE做项目的时候，第一版先解决一个边界清晰的问题。

做到客户认可，做到有人真正使用，做到价值能够被看见。

当第一个正循环跑起来之后，信任就建立了。

第二个需求的容忍度会更高，再继续扩大，再继续扩大，最后形成一个持续的正循环。

这比一开始就承诺一个“全自动、全覆盖、一次解决所有问题”的方案，要健康得多。

第三，Day One就要想清楚交付边界。

尤其面对中大型企业，不能做到一半才告诉客户：“这个还需要业务人员买服务器”“这个还需要增加人”“这个还要改一套流程”。

客户的资源和信任都是真实存在的。

所以在第一天设计方案的时候，就应该尽可能把技术路线、资源投入、后续扩展路径和可能的边界讲清楚。

第四，不要把AI落地简单理解成“替代人”这是FDE团队比较坚持的一点。

如果AI把一个岗位里百分之七八十的事情做掉，很容易让企业产生一个冲动：既然效率提高了，那是不是可以直接裁人？

但项目经验表明，这很容易把AI项目变成企业和员工之间的对抗。

更好的方式，是把省下来的人工带宽转移到更高价值的事情上。

比如客服人员不一定继续只做客服，可以去做用户研究、销售或者其他与客户交互相关的工作；投流团队不只追求“少几个人”，更看重人均犯错率下降、人均ROI提升。

这样AI带来的，是组织的业务目标升级，降本反而退居其次。

第五，FDE最核心的能力，最后还是“懂业务”AI真正能够被快速放大的，是后端交付能力；但最难复制的，还是前端的行业认知、需求洞察和组织理解。

所以未来FDE可能会出现分层：有一小批人特别懂行业、懂组织、懂咨询，也懂AI交付；更多的人则可以在标准化、Agent友好的任务上，通过成熟的工具完成稳定交付。

但不管是哪一层，最基本的问题都不会变。

FDE可以要求团队一直回答这几个问题：客户真正关心什么？

他以前是怎么做的？

现在项目团队做完之后，他是怎么做的？

项目团队到底给他创造了什么价值？

和原来的方案相比，项目团队有什么优点，又有什么缺点？

项目实践表明这其实就是FDE最基本的“商业101”。

会做就是会做，不会做就是不会做；懂这个行业就是懂，不懂就是不懂。

不要因为AI和F DE现在很热，就把自己的能力边界包装得无限大。

真正好的FDE，在于知道什么值得做、什么现在能做，以及怎么把能做的事情做到让客户真正看到价值。

当第一个小胜仗跑出来，客户看到了价值，员工愿意使用，业务愿意继续投入，AI才真正从一个技术能力，变成了企业业务的一部分。

七、可复用的交付资产

同类项目若要复制这条路径，可以优先沉淀以下交付物：

• 场景访谈记录与 As-Is／To-Be 流程图
• 业务对象、关键字段、角色责任和异常分支清单
• 知识地图、文档清洗规则、切片规范和高频问题测试集
• 图像类型清单、标注样本集、识别错误集和人工复核规则
• Agent 工作流定义、工具调用清单、提示词版本和任务评测集
• 系统集成图、字段映射、权限配置、失败重试与回写日志
• 覆盖普通、复杂和异常任务的验收样本与业务指标口径

来源与作者

Datawhale《FDE案例100》，受访者：Michael（Cherry Studio合伙人）；PDF 第 97-107 页，书内页码 96-106。本文为访谈资料的第三人称整理，不是本站新采访。