Concentrix 通过幕后管理复杂且关键的业务运营，支持世界上许多最大的品牌。 其中一项职责是每月处理超过 100,000 张实用工具发票，来自 100 多家提供商，布局超过 300 个，采用多种语言。 起初只是常规工作流程，迅速演变成格式和例外情况的复杂组合，使得手动处理变得缓慢且不一致。
为了实现此工作流的现代化，Concentrix 使用 Microsoft Power Platform 和 AI 构建了大规模自动化解决方案。 该解决方案会自动引入和解释发票，适应数百种格式，并尽可能减少人工参与，提供高精度。
此案例研究重点介绍了 Concentrix 如何将手动、耗时的过程转换为可缩放、智能且高效的操作，现在的平均提取准确度为 96%。
业务挑战
处理发票需要大量手动工作。 由于每个州使用自己的一组供应商，导致存在数百种发票布局，因此不断出现异常，并花费大量时间来确定如何处理每个发票布局。
工作流还缺乏集中可见性。 Teams 无法轻松跟踪发票状态、识别延迟或衡量关键绩效指标，例如处理时间、准确性或异常率。 即使没有一个事实来源，即使是小调整也很难。
随着每月约500张发票数量增加到数十万张，每天有6,000张到8,000张发票，手动方法变得不可持续。 该过程速度缓慢、容易出错，而且随着业务量和供应商多样化的不断增长，越来越难以扩展。
就这个规模来看，手动处理发票成了一场噩梦。 要求本身（提取数据和加载数据）很简单。 真正的挑战是处理数量、变化以及业务需求的速度。
— 赛德·拉希德，首席建筑师，康森特里克斯
解决方案
Concentrix 将其手动发票流程替换为基于 Power Automate、Power Apps、AI Builder 和基于 GPT 提取的完全自动化解决方案。 新解决方案无需手动下载发票、键入数据并手动处理异常，而是自动读取发票、提取关键信息，并应用最少人工参与的业务规则。
主要优势包括：
在大规模情况下达到高准确度
- 每月处理超过 100,000 张发票
- 总体准确度达到 96%，2026 年 1 月达到 99%。
更快开发和降低成本
- 降低每发票处理成本
- 小型团队快速测试新的发票模式
改进了运营和客户满意度
- 高准确度增强了跨操作的信心
- 客户及时收到干净、一致的数据
我们在银行、零售、电信、教育、医疗保健等所有垂直行业中工作，自动化是我们帮助客户更好、更快速运营的关键部分。
— 赛德·拉希德，首席建筑师，康森特里克斯
建筑
该解决方案围绕四个主要领域构建：源、AI 处理、数据扩充和用户体验。 它们共同创建了一个完全自动化的管道，能够高精度处理大量发票。
来源。 发票通过电子邮件、共享驱动器、SharePoint和 Teams 接收渠道（运营团队将 PDF 拖放到聊天中）到达。 网关提供对客户管理的共享驱动器的安全访问，确保所有文件（无论是云还是本地）都输入相同的自动化工作流。
AI 处理。 一个计划好的 Power Automate 云端流每 15 分钟运行一次，收集新的发票，并分批处理以避免限流。 该解决方案应用多个 AI 层：
- 需要文本预处理的模式的光学字符识别 （OCR）
- AI Builder 自定义模型适用于其仍能表现良好的场景
- AI 提示包括常规和特定模式，由 GPT 模型提供支持。
AI 提示和AI Builder自定义模型从 OCR 预处理或原始 PDF 文件中提取数据。 这种混合方法允许解决方案以一致较高的准确度处理各种发票格式。
数据扩充。 提取的数据使用Power Automate云流转换和 Dataverse 引用表进行标准化。 此方法包括映射城市和邮政编码，并在将最终数据集加载到SQL Server之前扩充特定于供应商的字段。
用户体验。 Power Apps移动应用为运营团队提供了一种查看异常的简单方法。 该应用同时显示原始 PDF 和提取的数据，从而允许快速验证，而不会降低自动化管道的速度。
实施方法
随着发票量的增加和新的 AI 功能的出现，实施不断改进和完善。 最初，AI Builder 自定义模型运行良好，但维护大量模式变得过于耗时，且当每月发票量接近 20,000 份时，Power Automate 开始触及限流阈值。
GPT-4 改变了方法。 团队可以使用定义的提取规则将提取的 PDF 文本直接发送到 AI 提示符，而不是训练多个模型。 此方法将流程转变为流中的单个步骤，降低了复杂性并删除了限制问题。 一些复杂的布局仍然需要经过训练的模型，但更高版本 GPT-4.1 和 GPT-5 以更高的准确度处理了这些模式，允许几乎所有提取都移动到基于提示的逻辑。 在迁移到基于 AI 提示的提取后，自定义模型的准确性从 65- 70% 提高到约 96%。
重新设计还重塑了团队结构。 负责模式分析和模型更新的组从大约 40 人减少到 11 人，他们现在查看新模式，使用 GPT-5 对其进行测试，并将其迁移到生产环境。 自动化现在每月处理大约 100,000 张发票，将手动处理团队从大约 250 人减少到大约 50-60 张，并允许他们专注于更高价值的工作。
用于数据提取的 AI 提示
AI 提示构成了提取逻辑的核心，现在大约 90% 的发票是通过提示进行处理的，而不是使用 AI Builder 自定义模型。 常规提示处理大多数更简单的布局，而专用提示涵盖更独特或更复杂的模式。 每个提示都遵循以下结构：
- 一般说明定义角色、总体任务以及作为输入的发票数据
- 描述如何提取数据的全局规则
- 定义如何处理缺失值以及如何构造输出的格式规则
-
数据提取规则 ，包括表定义：
- 标题、计量和费用表
- 有关如何提取数据的详细说明
- 解释每个字段的规则
- 因供应商和客户不同而产生的变化
- 显示确切预期输出格式的 JSON 示例
下图显示了其中一个提示的开头。
Power Automate 门户页面的截图，显示配置为提取发票详细信息的 AI 提示。
Takeaways
此案例研究显示了使用 Power Platform 和 AI 将大容量、高可变性过程转换为可缩放的智能操作的潜力。 IT 专业人员的关键课程包括：
尽早提出正确的问题。 了解预期的量增长和数据模式多样性支持更好的体系结构决策。
从一开始就为变动做好设计准备。 灵活的提取机制可防止在新模式出现时需要返工。
预期不确定性，并针对它进行计划。 清晰的格式规则、规范和验证步骤可确保一致性。
集中可见性可增强治理。 实时跟踪和单个审阅界面可减少错误并提高可审核性。
未来计划
Concentrix 正在探索更深入的云集成，包括通过Azure Blob Storage路由所有发票引入，并将本地 SQL 数据库迁移到Azure SQL。 这些步骤将进一步简化操作并简化访问。
该团队还计划支持多语言发票，从法语、西班牙语和阿拉伯语开始。 一个主要里程碑是完全自动化所有 800,000 张每月发票，同时登记另外 50,000 张发票，以确保稳定性和性能。
这些改进将使 Concentrix 能够以更大的规模、更高的准确度和更简化的云驱动体系结构运行。