建议：建立一个由高级 C 级管理人员领导的 AI 优先运营办公室，负责转型并与管理目标保持一致。该办公室将定义数据协议，拥有支持 AI 的剧本，并协调各个团队。
在早期阶段，绘制财务、风险、IT 和客户服务方面的核心活动，并设计 AI 副驾驶，以使一线团队能够更快地采取行动。在设计上，这项工作通过明确的责任、可衡量的结果以及专注于消除减缓反馈和决策周期的昂贵的手动步骤来实现。随着数据流的改善，这种方法会产生更深入的见解。
根据我们的框架，前 90 天交付了一个最小可行运营模式：AI 驱动的仪表板、事件警报和卡片，将复杂的决策提炼为可操作的步骤。这种转变反映了团队如何从真实数据中学习并实时调整，而高级和中层管理人员则可以了解进展情况和不断出现的瓶颈。
围绕支持 AI 的服务而不是孤立的工具来设计运营模式。创建实用的问题卡和内部决策卡来指导行动，提高速度和问责制。一个小型治理委员会可以严格控制范围，并确保负责任地使用 AI。
注意成本：最昂贵的错误是在没有证据的情况下进行部署。首先想到的应该是分阶段的实验计划：在受控环境中试点价值主张，使用金融级别的指标衡量影响，并在扩大规模之前锁定投资回报率。
关于实际推广的建议包括在 AI 运营的保护伞下组建跨职能团队，实施数据协议，以及每月进行一系列实验。跟踪 MTTR、自动化覆盖率、误报率和客户满意度，以确保 AI 优先方法在运营中复合价值。
通过有纪律的节奏和一套清晰的卡片来指导决策，Brex 可以在不牺牲治理或可靠性的前提下扩展 AI 驱动的运营。
案例研究：Brex 利用 AI 实现自动化费用分类
部署一个用于自动费用分类的单一 AI 组件，并通过它路由支出行来授权您的团队；根据批准的合同和过去的账单中的知识来训练模型，然后将结果推送回这些帐户的活动源中。该组件以高于 90% 的准确率自动对已花费的行进行分类，标记置信度较低的项目以供人工审核，并在高峰周期期间节省手动工作。
在一个为期 12 周的试验中，处理了来自 1,000 名客户的 120,000 行项目；该系统产生了 78% 的自动分类率，标记了 8,500 个项目以供审核，并将大多数案例的对账时间从几小时缩短到几分钟。该案例表明，快速自动化如何转化为切实的节省和更快的结账。
在设置过程中，我们构建了一个知识图，将描述、供应商和合同条款链接到类别标签；该组件从更正中学习，并且反馈循环有助于它通过每次迭代迅速改进。好的方法是将传统控制与 ML 相结合，在扩大覆盖范围的同时降低风险。
对运营的影响证明是切实的：客户看到更清晰的类别，使财务团队能够在不增加员工人数的情况下真正提高能力；每周节省数小时，并更快地完成月度结算。这些收益再次使团队能够专注于战略工作而不是重复检查，并且它们在不断变化的合同和新的支出流中仍然有效。
要进行扩展，请应用以下策略：强制执行数据质量检查、维护关于供应商和合同的实时知识库，并与运营人员建立闭环反馈；为标记项目设置服务水平协议(SLA)并自动化后续行动，以快速解决问题，确保更长的运行时间和基于Excel的报告。
这些步骤使Brex能够发展成为一个AI优先的运营设置，其中组件中捕获的知识可以为客户带来可衡量的改进，同时成本在模型成熟之前保持受控。
用于人工智能驱动的费用分类的数据摄取和标记
将所有费用来源摄取到集中式的、带时间戳的Feed中，并在导入时标记数据。这个简单的步骤可以简单地加速更智能的分类，并减少财务和运营方面的对账时间。
- 摄取设计和来源
构建一个摄取设计，从ERP导出、卡Feed、银行对账单以及通过OCR或移动应用程序捕获的收据中提取费用。使用API连接器通过单个管道将数据传递到数据湖或仓库。保留原始数据、摄取时间和版本元数据，以便您可以跟踪整个生命周期中的决策。对于高容量项目，目标是接近实时的流式传输；对于历史数据，目标是可靠的批处理，最终形成一致的Feed，而不是分散的孤岛。
- 数据模型和标记策略
定义以财务为中心的分类法，包括类别、子类别和策略标志。捕获日期、金额、货币、商户、vendor_id、部门、项目、来源和置信度评分等字段。首先使用基于规则的映射以高置信度在导入时进行标记，然后使用ML模型进行丰富。维护一个标记配置文件，记录谁在何时以及为何标记了什么，以便您了解每个标签背后的理由，并可以在策略演变后进行调整。要注意规范化，以减少团队间流程中的后续错误。
- 标记质量和人工参与
对于模棱两可的项目，纳入人工审核，并使用主动学习来选择低置信度案例。跟踪自动标记准确率、人工审核率和标记时间，以改进循环。鼓励跨团队反馈以完善分类法和映射，这有利于采用，并使团队与结果保持一致。
- 对账和解决
通过将标记的费用与总账分录进行匹配并标记不匹配项来自动化与总账的对账。将调查笔记和证据附加到每个案例，并路由到解决方案工作流程。这种方法最大限度地减少了重复处理，并在期末提供明确的解决方案。
- 健康、治理和隐私
使用仪表板监控覆盖范围、准确性和延迟，并执行隐私控制和访问策略。维护支持审计和合规性的保留规则。良好的数据健康支持更智能的决策，并降低核心流程中财务报告和计划的风险。
- 运营推广和问题框架
分阶段启动：从高容量帐户开始以证明模型，然后扩展。跟踪自动标记率、对账匹配率和解决问题的平均时间等指标。向利益相关者提出的第一个问题应该确定缺失的来源或数据缺口，当您将配置文件、仪表板和警报与业务目标保持一致时，最后一步就变得简单明了。此设计旨在提高公司更快、更少返工地完成帐簿的能力。
模型架构：选择和微调成本中心
从一个标准的模块化基础开始，并将特定任务的模块对齐到成本中心的结果；仅微调最小的组件，以保持审核的精简和决策的及时。整合来自财务、风险和运营的数据，使用共享的嵌入层来擅长通用任务，同时隔离高价值的适配器用于承保和审批。
保持一个精简的评估循环，减少审查和进行强大的分析检查，以便架构可以在你从一家创业公司扩展到更广泛的运营时快速适应。对于像承保这样的成本中心，设计一个专门的评估组件，为审批的治理层提供信息，提高速度而不牺牲风险控制。
采用模块化微调方法：运行一个标准的基模型，然后添加特定任务的适配器，包括一个用于案例级别风险的分析预测器和一个面向审批的模块。这减少了计算量，同时不断提高准确性和速度，以实现今天的直接商业价值。
通过自动化检查点和即时反馈循环，标准化调整节奏，将绩效与成本目标对齐，从而提升团队的赋能。对于一家风险投资支持的运营公司来说，单组件架构支持迭代实验，提高了承保、风险和产品决策的结果和洞察力。
确保数据合同和模型版本控制被嵌入到标准组件集中；这增加了可追溯性，减少了难题，并加速了审批，从而实现及时部署。
部署延迟和吞吐量：实时与批量费用分类
启动一个混合的实时加批量部署：在流式传输路径中对顶级费用类型进行分类，以提供现金和报告的可见性，同时为其余部分运行批量作业以最大化吞吐量。实时延迟应以每个项目 200-500 毫秒为目标；15-60 分钟的批量窗口支持显着更高的吞吐量，适用于不需要立即采取行动的成本，适合该行业中追求人工智能原生效率的公司。这种设置可以成为自适应推理和治理协同工作的基础。
自适应管道将强大的 AI 驱动的推理引擎与现代化的特征存储、模型注册表和基于浏览器的仪表板相结合，用于报告和可见性。在实时环境中，事务通过具有亚秒级决策延迟的流式传输路径（Kafka、Kinesis 或类似路径）进行传输，而每晚或每小时的批处理会重新处理历史数据以刷新标签并检测漂移。这种分离保留了知识，同时在整个行业需求曲线中保持了吞吐量，使销售团队和业务运营能够迅速而自信地做出反应。
关键指标指导计划：延迟百分位数、吞吐量（每分钟记录数）、费用分类的准确性和漂移。实时通道的目标是顶级类别亚秒级的端到端响应；批量通道在峰值期间保持稳定的吞吐量；校准周期每 24-72 小时刷新嵌入和阈值。人工智能原生方法将人工审核减少约 40-60%，用于常规分类，为领导层生成可操作的见解，并实现更快的现金决策。
运营步骤：定义 SLO，使用跟踪工具对管道进行检测，设置特征标志以切换通道，运行 A/B 测试以比较结果，并构建显示行业范围趋势的报告。从一小部分类别开始启动，然后扩展到涵盖旅行、卡和报销。启动后不久，审查延迟和吞吐量，调整阈值，并确保只有对时间敏感的项目以实时方式流动。这套人工智能原生套件通过浏览器仪表板交付，保持了可靠的知识和清晰的治理。
质量保证：人工参与审核和持续反馈
在生命周期的关键决策点实施结构化的人工参与审核，并要求审核员对超过置信度阈值的输出进行签字确认，以便在造成影响之前发现错误。这种协调使产品、工程和风险团队能够做出贡献，他们的反馈显著提高了准确性，切实提升了金融科技应用的效果。
定义一组映射到数据和模型处理生命周期的 HITL 时刻。标记具有风险和用户影响视图的案例，并在置信度低于阈值时将其路由给人工审核员。将自动化检查与分析性的个人反馈相结合，以保留背景信息，并支持审核员在积累更广泛的专业知识时实现职业发展。
建立诸如准确性差值、人工干预率和反馈时间等指标。跟踪使用情况和错误信号以量化改进。预计会减少误报和上报，同时输出认证的平均时间会缩短，团队会学会更快地响应异常情况。
组织一个治理层，将风险、产品、数据科学和运营团队连接起来，并将 QA 职能定位为公司内部的创新者。提供清晰的成功标准，并为审核员提供指导，使其能够在保持实用和以人为本方法的同时处理困难的事情。这种协调使团队能够切实感受到愿景并加速成长。
制定一个简单的上报手册：告诉审核员何时上报，哪些阈值会触发纠正性变更，以及变更如何在处理和部署管道中传播。这可以保持反馈循环的紧密性，避免可能降低金融科技环境中产品速度的延迟。
分阶段推出：试点两个小队，收集使用反馈并进行迭代。记录决策和版本策略，以维护所有团队都可以参考的生命周期实时视图。通过这种方法，公司能够提供更可靠的体验，并在扩展时保持信任。
系统集成：将 AI 分类的费用推送到总账和报告
启动一个集中的、人工智能驱动的集成层，将 AI 分类的费用推送到总账和报告套件；这能实现实时的可见性和完全自动化的对账。
根据我们在该领域的经验，这种方法通过将费用模式与总账对齐来减少低效，提高准确性和速度。
在治理下，一个知识丰富的映射层将 AI 分类的行转换为 GL 账户，并由经验丰富的财务专业人员和 c 级管理人员提供输入，以确保控制和问责。对于寻求可靠、及时数据的管理层，此设置在共享策略下提供了必要的可见性。
要实施，请将标准化的 API 套件连接到源系统；从单个业务部门的试点开始，使用解决问题的思维方式来识别优化机会。该项目最初是一个小实验，旨在验证该方法，然后再进行扩展。
使用轻量级控制框架监控效率和风险：映射异常情况，维护审计日志，并随着模式的变化重新校准 AI 分类，确保解决方案在不断变化的支出概况下保持准确。
最终成果是一个统一的运营和财务平台，可改善管理报告、加快结算周期，并为未来在全公司范围内实现人工智能驱动的成本优化解锁机会。 该解决方案将人工智能分类的数据与总账和报告联系起来，为财务和业务领导者提供单一的事实来源。
