企业里大量业务凭证——合同、发票、报关单、订单、物流单——都是非结构化的。它们格式千变万化、版式年年更新，纯靠人工录入慢且错，纯靠通用 OCR 又常常"识别准但业务跑不通"。本文拆解一套文档智能的端到端实践，重点聊容易被忽视的"兜底"环节。
一、为什么单据是自动化的硬骨头
与固定界面的系统操作不同，单据的难点在于"没有固定结构"：同一类发票来自不同供应商、排版各异；同一份合同每次条款顺序不同；扫描件还有倾斜、印章遮挡、表格跨页等问题。这些因素叠加，让单点识别模型在真实业务里频频失手。
二、五步法：采集 → 分类 → 提取 → 审核 → 录入
一套稳妥的文档智能流水线通常拆成五步：
- 采集：从邮件、网盘、业务系统或扫描设备统一汇聚单据，统一格式与命名。
- 分类：自动判断单据类型（发票 / 合同 / 订单 / 报关单），分流派发到对应处理流。
- 提取：用多模态识别从单据中抽取关键字段（金额、税号、日期、明细行等），而非仅做整页 OCR。
- 审核：按业务规则校验字段一致性（如价税合计是否等于金额加税额），低置信度自动转人工。
- 录入：把结构化结果回写到 ERP 或财务中台，驱动后续自动化执行。
三、不能只靠 OCR：版式差异是真实挑战
很多团队低估了版式差异。通用 OCR 对规整文档表现好，但遇到以下情况会明显退化：表格线缺失或错位、字段跨页、竖排或混合排版、印章压字。此时"识别字符"和"抽取正确业务字段"之间还有距离。
因此第 4 步的"审核"不能省。实践中的做法是建立"抽取—规则校验—转人工"的兜底闭环：模型给每个字段打置信度，低于阈值的连同上下文一并推给业务人员确认；确认结果再反哺模型。这样既保住了准确率，又让人工只处理真正疑难的单据。
这里要强调"多模态"的价值。纯 OCR 本质是图像转文字，对版面结构不敏感；而多模态识别能同时理解文字、表格线、印章位置和排版逻辑，更贴近"人看单据"的方式。对带印章压字、表格跨页、混合排版的复杂单据，多模态的字段抽取稳定性明显优于单模态 OCR。但即便如此，它仍不是银弹——所以兜底闭环必须保留，把模型不确定处交给人，才是生产环境跑得稳的组合。
四、场景落地
- 应付与订单：从供应商发票、采购订单中抽取字段，自动与合同三单对齐，差异自动预警。
- 物流与清关：从运单、报关单抽取关键信息，驱动报关与库存更新。
- 招采数据整理：某医药集团运营人员需登录 30 多个省份的医药局采购系统筛选招采数据，用"AI 识别 + 平台执行层"组合实现全天候自动查询整理，近千条数据达到 100% 正确率，完全释放人力。
- 客服与合同：从客户邮件附件、销售合同中抽取关键条款与要素，自动生成工单或归档索引，让客服与法务从翻文档中解放出来。
这些场景的共同点是：先让文档智能把"非结构化"变成"结构化"，再交给自动化执行层去"跑流程"，二者串起来业务才真正闭环。
五、与自动化平台的集成
文档智能单独存在价值有限，真正的收益在"识别结果驱动执行"。例如发票字段抽取完成后，平台自动发起付款申请、更新应付账款、触发审批流；识别到异常则转人工并挂起后续流程。文档智能是"眼睛"，自动化执行层是"手脚"，缺一个都跑不通。
结语
文档智能的终点不是"识别准"，而是"业务跑得通"。五步法保证流程完整，版式兜底保证极端情况不崩，人机协同保证准确率可持续——这三件事做到位，非结构化单据才真正从成本
