银行凭证录入效率提升60%，AI文档中台怎么做？-合合信息解决方案

2026-11-02 12:00:00

一家深耕区域经济、重点服务中小微企业的银行，业务覆盖公司金融、零售金融、金融市场等多个板块。其柜台与后台每天要处理大量凭证、票据、合同和影像件，单笔凭证的录入时间、多页影像的分类排序归档、单据的核对校验，全靠人一环一环走完。规模一大，录入慢、核验难的问题就长期存在，差错、漏录、材料在环节之间流转失序的风险也一直存在。

这些问题看起来都属于“识别不准”，实际上却分布在不同的环节：录入慢，是由于字段没有自动写回业务系统；核验难，原因是单据内容与账面记录还要人工比一遍；流转失序，则是因为材料在几个系统之间来回搬。三个问题分属录入、核验、流转三段，处理方式并不相同。

为什么只装一套 OCR 走不通

原因在于，柜台递交上来的往往不是单个文件，而是一摞资料：申请单压着现金凭证，转账支票夹在回单中间，一份信贷材料里还混着身份证、营业执照和合同。OCR 能把每一页上的文字读出来，但读完之后仍要回答三个问题——这一页属于哪一类单据、这一摞应该按什么顺序排列、读到的字段写到业务系统的哪个位置。这三件事并非单点识别能够解决的。

文件的版式同样是变量。比如分支机构自印的单据、客户换版后的合同、监管调整过的凭证格式......同一个文件可能在不同网点长得不一样。而版式一变，靠模板匹配的识别就会失效，于是这批单据又回到逐格手工录入。所以症结不只在识别精度，更在识别之后有没有一条能承接分类、排序、抽取、校验、比对的链路。

OCR读出文字不等于业务完成了

一条链路上，上层管流程、下层管识别

由前述分析，能够搭出上下两层配合的链路：上层是影像平台，负责影像采集、合并、分类、存取和版本比对；下层是智能 OCR 平台，按环节需要提供各类识别能力。两层之间不是简单调用，而是每一环都对应一个明确的处理动作。这家银行引入的合合信息旗下 INTSIG DocFlow，就是按这个结构，把分散在柜面系统、影像平台、国结系统、信贷系统中的文档处理需求收敛成一套统一能力。

在采集环节，DocFlow能够先做图像切边增强，把手机拍摄、扫描仪输出的歪斜、阴影、底色偏差修正掉。先将影像质量修好，后面几步的识别才不会因为一张歪斜、发暗的影像而整体重来。在合并环节，系统能将材料按页码顺序重排，多页材料由此从“一堆图片”变成“一份文件”。模型还能够在分类环节自动判断影像类型，材料进来就能被贴上是申请单、凭证还是合同的标签。

分类之后，不同文件资料可以走两条支线：一条做影像文字识别，按类别提取预设的关键信息，票据类单据走票据分类加识别，卡证类走卡证信息识别；另一条做影像关键信息识别，把需要进业务系统的字段抓出来。抽取结果进入影像存储，再进入影像不同版本比对环节，判断同一份材料在不同时点的版本之间有什么变化。

底层能力的组合方式是整条链路跑得快的关键：切边增强、卡证分类、票据分类、卡证信息识别、通用 OCR 文字识别、文档比对交给轻量模型，响应快、资源占用低；跨页面的复杂分类与信息抽取交给大模型，负责那些规则写不全、版式变化多的部分。轻量模型跑高频动作，大模型兜复杂判断，耗时才能整体压下来。

DocFlow帮助搭建银行文档从采集到业务系统写回的完整处理链路

改造之后，柜台上的五处变化

变化一在录入。申请单、现金凭证、转账支票进来后自动识别、精准反写进业务系统，单笔凭证录入从 15—20 秒压缩到 5—7 秒，效率提升约 60%，柜员不必再逐格敲数字。

DocFlow帮助银行柜台录入耗时减少

变化二在抽取的适应性。DocFlow支持对多语言、多版式的单据的自动提取与校验，跨境业务里的英文、繁体合同不必再单独定制一版规则；提取出来的关键信息还能与业务系统里的记录做交叉校验，单据和账目信息是否匹配等问题便可以由系统先比一遍。
变化三在新文档类型的上线节奏。先前遇到新版式、新合同时，如果每加一种单据都要单独做一次识别工程，业务侧就得先排期等模型；而DocFlow 由大模型能力承接版式变化，无需为每种单据单独做一次工程，新的票种、新的合同版本因此可以更快上线。
变化四关乎部署与数据边界。这家银行采用私有化部署，影像和识别过程留在行内，满足金融机构对数据不出域的要求；同时对外提供标准接口，柜面系统、影像平台、国结系统、信贷系统都能按需接入，无需替换现有架构。
变化五在存量影像。历史影像治理过去主要靠人工抽查，样本有限、覆盖有限；接入之后，归档影像可以批量走一遍分类、识别与比对，需要人工过目的范围从“抽到的几张”变成“按规则筛出来的部分”，存量材料也具备了被系统化处理的条件。