每天一百一十份单据，没人经手

一辆卡车跑完一圈回到场院。司机手上有一叠运输单据：有的打印得很规整， 有的是手写的，还有一张对折四次塞在车门储物格里。与此同时，办公室里的认证邮箱 又收到了二十份来自供应商和合作方的单据，扫描仪那儿还排着一摞。 在我长期工作过的一家约百人的环境服务企业里，这就是每一天的场景： 因为在那个行业，每一次作业都会产生一份受法规约束的单据，要填写、要核对、要归档， 而且多年以后一旦被检查，还得能立刻翻出来。

当时的处理方式，和几乎所有企业里的一样：能干的人花上几个小时去分拣、 重命名文件、把每一份单据挂到正确的档案上。它是能转的，公司照样在运转。 但它不具备可扩展性：公司越大，需要的工时越多，而擅长做这件事的人， 永远也正是别处更需要的那批人。

真正的成本不是工时

一说到单据自动化，所有人首先想到省下来的时间。那是最显眼的好处，也是最不重要的。 手工分拣真正的成本是另一样：差错。挂错档案的那一份。用别人名字归档的那一份。 根本没到、而且没人发现的那一份——直到监管部门来要。对普通文书来说， 这种差错是个麻烦；对受法规约束的文书来说，这是实实在在的风险， 要用罚款来付账，还要用声誉付出更高的代价。

还有第三种成本，比较隐蔽：知识留在了做分拣的那个人脑子里。 如果那位"知道东西该往哪儿放"的人休假了或者换了工作， 公司会突然发现自己有多依赖她。

第一条规则：到单据诞生的地方去

我看到的第一个错误，是买一套"单据管理系统"，然后指望它解决问题。 但问题不是从档案库开始的：问题是从单据诞生的地方开始的。 如果司机得把纸一直留到周末，这段旅程的每一段都是一次丢失的机会。 所以链条上的第一环是采集，而且要挪到源头去：一个在场院上就把单据拍下来的 App， 带发送队列，没信号也能用；认证邮箱自己同步，不需要任何人做转发； 剩下的交给办公室的扫描仪。

然后才是 AI，而且要留一个安全出口

第二环是读取。一个 AI 模型检查每一份进来的单据，弄清三件事： 这是什么类型的单据、它属于哪个档案或哪次作业、它涉及哪些主体。 这不是魔法：这是分类和抽取的工作，当下的模型在真实单据上做得很好， 哪怕是拍歪的，哪怕是手写的。第三环把结果挂到管理系统的数据上， 并把单据带索引归档：从那一刻起，按档案、按主体、按日期，几秒钟就能查到。

第四环才是让整件事跑得起来的那一环，也是技术含量最低的一环：人工复核队列。 当模型没有把握时，它不去猜：它把单据放进队列里问人。一个人看一眼， 确认或者更正，系统从这个案例里学到东西。这就是这套自动化能在生产环境里站住脚的原因： 不是因为 AI 从不出错，而是因为它可能出错的时候，它会问。 一套没有安全出口的自动化，遇到第一个奇怪的情况就会被弃用，而且弃用得有道理。

过渡，不需要硬掰

没有人要求这家公司一夜之间抛弃纸张。纸质单据照样进来， 和其它一切一样被数字化、被读取；与此同时，原生数字单据的比例自己在涨， 被法规推着，也被便利推着。一年之内它几乎翻了三倍。这是一个普遍成立的模式： 好的自动化不强推新世界，它陪着旧世界慢慢变。

我总会听到的几个疑虑

"如果 AI 出错了怎么办？"它会出错，很少，而复核队列正是为此存在的： 正确的问题不是"它会不会出错"，而是"它出错的时候，谁会发现，怎么发现"。 在手工流程里，往往是没有人。

"我们的单据比较特殊。"永远都特殊，而且从来没成为障碍： 模型会适应你们的格式。真正需要梳理的特殊性是流程：谁碰这份单据，在哪儿碰，什么时候碰。

"是不是要上一个很大的项目？"不用：从一种单据开始， 从最让人头疼的那一种开始，再往外扩。头几周就必须有产出， 否则说明项目的形状本身就不对。

可以带走的东西

三件事，对任何靠单据活着的企业都成立。第一：从最痛的那份单据开始， 因为回报在那里最看得见，也最能说服人。第二：可靠的自动化永远为人工例外留位置， 是设计出来的，不是补救出来的。第三：真正的回报不是省下的工时， 是不再发生的差错；而这些差错，不像工时那样每个月都会重新计一次费。

你的公司也淹在单据里吗？跟我说说。