AI交付实战系列 03|文档核对真正贵的,是数据源说不清

「AI交付实战系列」第三篇。案例做了脱敏和合成处理，不指向任何真实企业。

这个系列只讲企业 AI 项目从需求到交付，中间那些容易被忽略、但最后决定成败的事。

老板说工程师不该浪费在文档上

有一次聊到文档核对，客户老板说过一句话：

高薪工程师应该去做产品，不应该浪费在文档上。

这句话很刺耳，也很真实。

在很多强监管行业里，工程师明明应该做研发、做验证、做产品改进，最后却被大量文档工作拖住。

实验记录要写，Excel 数据要整理，注册资料要生成，质量标准、操作规程、检验记录、检验报告还要互相对得上。

单看每份文档，好像都是正常工作。

但放到一个项目里看，问题就出来了。

同一个数据，在实验记录里是一个值，到了 Excel 里可能变成另一个值，写进注册资料时又换了一种表达。质量标准里写的是一个要求，检验记录里填的是另一个口径，报告结论里又用了第三种说法。

客户说“能不能用 AI 帮我自动核对文档”，你听到这句话，千万别马上开干。

因为这件事表面是文档核对，实际是在问一个更深的问题：

公司里这些数据，到底从哪里来？

多文档核对，难的不是找错字

很多人一听文档核对，脑子里会先冒出几个技术词。

OCR、文档解析、表格识别、向量检索、大模型比对。

这些能力都重要，但它们不是第一步。

真正麻烦的是，企业里的文档本来就不是从同一个源头长出来的。

同一个项目里，可能有实验记录、原始 Excel、注册资料、质量标准、操作规程、检验记录、检验报告。

不同部门写不同文档。

不同人员维护不同版本。

不同模板里，同一个字段名字可能不一样。

有些数据来自实验，有些数据来自历史批准版本，有些数据来自某个部门临时整理的表。

单文档内部也会出错。

实验数据太多，人工复制、粘贴、改写、汇总，任何一步都可能抄错。

多文档之间更容易出错。

因为每份文档都可能是对同一件事的不同表达，写的人不同，时间不同，依据不同，模板不同。

所以多文档核对真正要查的，是几个说法背后的事实是否同一个。

这也是为什么强监管行业特别怕这类问题。

普通企业文档错了，可能只是返工。

医药、医疗器械、质量体系这类场景里，文档错了，可能意味着证据链断了、版本依据错了、复核责任说不清。

这张图把多文档核对里的几类关键材料关系放在一起：

图里真正重要的，是每个数据能不能追到同一个源头。

先别急着上 AI，先把四件事问清

我现在看到“自动核对文档”这类需求，通常会先问四件事。

第一，权威数据源是谁。

同一个数据，如果实验记录、Excel、注册资料里都有，到底以哪个为准？

如果这个问题没人回答，AI 比对出来十个差异，也只能告诉你“不一致”。它没法替企业判断哪个是对的。

第二，模板有没有统一。

模板不统一，系统就要花大量精力理解每份文档的结构。

字段名不同、表格位置不同、章节顺序不同、表达习惯不同，最后都会变成解析成本、适配成本和误判成本。

很多企业以为自己缺的是 AI，其实缺的是统一模板。 第三，当前版本是哪一版。

文档核对最怕新旧版本混在一起。

共享盘里一份，部门电脑里一份，群里转过一份，供应商回传一份，后来又有人改过一份。

AI 如果不知道哪份是当前有效版本，就可能把历史口径当成现行规则。

第四，差异由谁确认。

系统发现冲突以后，谁判断是错误、例外、历史遗留，还是允许存在的差异？

谁改源数据？谁改文档？谁负责复核？谁确认可以归档？

这些问题不清楚，AI 系统越勤奋，后面的确认工作越多。

这四件事问完，很多项目会从“做一个自动核对工具”，变成“先补一套数据和文档治理规则”。

这才是正确变化。

这四问可以直接变成项目开工前的检查表：

四个问题答不清，AI 就只能更快地暴露混乱。

AI 应该发现问题，但不能替企业拍板

多文档核对不是不能做。

相反，它是企业 AI 很值得做的场景。

因为人工很难稳定覆盖所有交叉关系。

一份实验记录里有产品、批次、浓度、重复次数、结论。

Excel 里有原始数据、统计结果、阈值判断。

注册资料里有英文描述、表格、最终结论。

质量标准和操作规程里又有判定依据。

让工程师一项一项去核对，既耗时间，也容易漏。

AI 在这里最适合做五件事。

第一，把多份文档里的关键字段抽出来。 第二，把同一产品、同一批次、同一实验、同一指标关联起来。 第三，发现数值、结论、时间、版本、表达之间的不一致。 第四，把每个差异定位到原文证据。 第五，输出问题清单和可能的修订建议。

但最后那一步，不能交给 AI 自己完成。

AI 可以说：这里疑似冲突。

AI 可以说：A 文档和 B 文档口径不一致。

AI 可以说：这条结论找不到对应实验数据支撑。

可它不能直接说：以我为准，公司就这么改。

在强监管行业里，系统必须把证据摆出来，把差异列出来，把风险标出来，然后让业务负责人和复核人确认。

这不是保守。

这是生产级系统必须有的边界。

老板真正要算的是这笔账

客户老板说“工程师不应该浪费在文档上”，这句话背后其实是一笔成本账。

第一笔成本，是高薪人员的时间。

工程师被文档核对拖住，少做的是产品验证、研发改进和问题分析。

第二笔成本，是反复返工。

一个数据抄错，可能带动三份文档一起改。

一个版本没对齐，可能让前面已经审核过的内容重新来一遍。

第三笔成本，是漏错风险。

人工核对最难的是疲劳。

越是重复，越容易漏。

越是接近交付节点，越容易赶。

第四笔成本，是合规信任。

如果材料之间经常对不上，企业内部会越来越依赖少数老员工记忆。

一旦人换了、版本变了、历史文件找不到，系统就很难解释当时为什么这么写。

所以老板真正该买的，不只是一个“能帮我看文档”的 AI。

更应该建设的是一套让数据、模板、版本、证据和责任能被追溯的底座。

AI 只是把这套底座用起来。

没有底座，AI 只能在混乱里找混乱。 有了底座，AI 才能把工程师从重复核对里慢慢解放出来。

真正该补的是底座

“帮我自动核对文档”这句话，听起来很具体。

但它背后往往藏着企业过去很多年的工作习惯。

数据从不同地方来，模板各部门自己改，版本靠人记，文档靠人抄，最后再让工程师一项一项核对。

AI 能帮你发现这些问题。

但 AI 发现问题以后，企业还是要回答：哪个数据是源头，哪个模板是标准，哪个版本有效，谁来确认差异。

这几个问题不回答，自动核对做得越快，暴露出来的问题越多。

这几个问题回答清楚，多文档核对就不只是一个降本增效工具。

它会变成企业补数据底座、补质量体系、补流程责任的一次机会。

我觉得这才是企业 AI 项目最有价值的地方。

它不是把脏活累活简单甩给模型。

它逼着企业把过去靠人记、靠人找、靠人兜底的东西，重新变成可以被系统理解、可以被证据追溯、可以被责任确认的工作流程。

如果这篇文章对你有帮助，欢迎点个赞、点个在看，也可以转给正在推进 AI 落地的朋友。想持续看到这类企业现场复盘，记得给我加个星标。

我是 jieson，致力于把 AI 从概念带进真实企业现场。我们下篇见。