案例 10 · 零售对账

文字由原PDF提取，阅读顺序和表格请以原页为准。

真正让我觉得这个问题值得做的，是我们后来发现：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，我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。
Q2：在你参与之前，这个问题过去是怎么解决的？
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。
这也是为什么我后来越来越觉得，FDE做AI落地的时候，不能上来就说“原来的流程太落
后了，我们用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，我们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。
97/243