2025年来也ADP：文档处理进入智能体时代白皮书

第

1

章文档处理的范式转移

............................................................................................................

4

1.1

企业流程自动化的“最后一公里”1.2OCR和IDP的局限性与瓶颈1.3

大模型和智能体：文档处理的范式转移第2

章ADP

实现从识别到理解的跨越

...............................................................................

82.1

ADP的定义：一个新范式的诞生2.2大模型≠ADP：操作系统与应用的关系2.3ADP的三大核心特性第3

章ADP:企业智能体落地的第一步

........................................................................

143.1

为什么文档处理是企业智能体的理想入口？3.2从ADP到企业智能体：渐进式演进路径3.3ADP适用性自评：您的企业准备好了吗？3.4

组织变革：让人与AI协作成为现实来也ADP：文档处理进入智能体时代2ADP

的技术架构与可信实现

....................................................................................

244.1

三层架构设计4.2

性能指标4.3

安全合规4.4

开放集成:与企业IT生态无缝融合第5章行业应用与价值验证

..........................................................................................................

305.1

制造业：采购订单处理自动化5.2制造业：全球发票处理自动化5.3保险行业：理赔文档处理自动化5.4银行业：中小企业贷款审核自动化5.5实施风险与应对策略第

6

章未来展望

............................................................................................................................................

386.1短期愿景(2025-2026)：成为被广泛应用的企业级智能体6.2中长期愿景（2027-2030）：搭平台、建生态——成为企业智能体的基础能力平台之一结语

.........................................................................................................................................................

40来也ADP：文档处理进入智能体时代第4

章31.1企业流程自动化的u最后一公里想象这样一个场景：某跨国制造企业的财务部门，每月需要处理来自全球数百家供应商的数千张发票。这些发票有着不同的语言和版式。十多名财务人员每天的工作就是逐一打开这些文档，找到关键信息并进行核对，然后手工录入到系统中。企业尝试过多种自动化和

AI

工具，面对供应商不断变化的发票模版，系统常常识别出错，反而增加了人工修正的工作量。这不是个案。企业在自动化和

AI

领域投入了大量资金，却仍然在文档处理这个看似基础的环节上受阻。根据IDC研究数据，非结构化数据已占企业数据总量的80%以上，且正以

60%的复合年均增长率快速膨胀。到

2027年，全球数据总量将达到

284.30ZB

，其中非结构化数据将占到86.8%。这些非结构化数据的主要载体正是文档，合同、发票、订单、报告等。它们携带着企业运营的关键信息，却因为缺乏有效的处理手段，成为了业务流程自动化的主要瓶颈。1.20CR和

IDP

的局限性与瓶颈为什么传统技术无法满足需求？我们需要深入分析OCR和IDP各自的局限与瓶颈。OCR（光学字符识别）技术能识别文档中的文字和位置，在标准印刷体文档上识别准确率可达90%以上。但OCR的本质局限在于：只能"识别文字"，无法"理解文档"。面对多栏排版、图文混排、无框线表格、跨页表格等复杂版式时，OCR更是无能为力。IDP（智能文档处理）在OCR基础上引入了机器学习、NLP、规则引擎等技术，能够识别文档类型和结构，提取结构化字段。然而，当企业试图大规模推广IDP时，很快就遇到了新的瓶颈。第1

章文档处理的范式转移来也ADP：文档处理进入智能体时代4需要进行大量的重新标注。部分使用

IDP

的企业不禁感叹：

"我们不是在用人工智能，而是在用'人工'支撑'智能'。

"其次是场景碎片化。企业面临的文档场景远比想象中复杂：一家企业可能有数百种文档类型，

IDP

的应对方式是"一个场景一个模型"，导致项目复杂度高、实施周期长、维护成本高昂。从ROI角度出发，企业往往只能将IDP应用于10-20%最高频的场景，无法覆盖到更多场景。第三是对多语言的支持不够。对于不同的语言，

IDP

往往需要多个不同的模型来处理。像上一节中提到的多语言供应商发票，IDP需要针对每种语言使用一个模型，这让企业的采购成本和维护成本都大幅提升。第四是系统割裂。为了应对不同需求，企业往往部署多套系统：OCR系统A处理票据、OCR系统B处理证件、IDP系统C处理订单、IDP系统D处理合同、这给系统的兼容、维护和升级都带来了极大的挑战。无论是

OCR

还是

IDP，都面临一个共同的根本性问题：它们都在"记忆"——记住某个位置有某个字段，记住某种模板对应某种提取规则；而企业需要的是"理解"——理解文档的语义，理解业务的逻辑，理解上下文的关联。就像我们不能要求一个只会背诵标准答案的学生去解决从未见过的新问题，OCR

和

IDP

也无法应对企业多变、复杂、个性化的文档处理需求。1.3大模型和智能体:

文档处理的范式转移过去几年，几个关键的技术拐点正在汇聚，为文档处理带来范式级的转变。视觉语言模型（VLM）的突破使得

AI

第一次真正具备了"看懂"复杂文档的能力。它能够理解文档的视觉结构（版式、表格、图表），识别多种语言，理解跨页、多栏等复杂首先是数据标注成本高。IDP训练模型需要大量标注数据：每种文档类型需要几十份到几百份标注样本，所需的标注时间和成本都不可忽视。更糟糕的是，当文档格式变化时，来也ADP：文档处理进入智能体时代5理解，能够进行推理和逻辑判断，无需针对性训练即可胜任多种文档处理任务。智能体（Agent）技术的工程化落地，则使得大模型能力能够真正转化为可用产品，通过智能体的任务规划、工具调用、多轮推理能力，可以处理复杂的端到端文档处理流程。这些技术的融合催生了一种全新的文档处理范式-

智能体文档处理（AgenticDocumentProcessing，ADP）。ADP是基于大模型和智能体技术的新一代文档处理解决方案，它不再是需要配置模板或标注样本的"工具"，而是能够理解业务需求、自主规划执行的"智能体"。传统的文档处理系统是"工具"

：用户需要明确告诉系统"怎么做"（How）。而ADP是"智能体"（Agent）：用户只需告诉系统"做什么"（What），系统能够自主理解、规划和执行。以发票处理场景为例：传统IDP方式需要为每种海外发票类型准备标注样本，训练多个模型识别不同供应商的发票格式，配置规则来提取金额、税率、商品明细等字段，供应商更换发票模板时重复上述流程。而在

ADP

智能体方式下，用户只需用自然语言描述需求："提取这批海外发票中的供应商、金额、税额和商品明细"，系统就能自动识别文档类型和语言，提取所需信息，新格式出现时无需任何配置调整。根据Gartner

预测，全球智能文档处理市场规模将从2024

年的约

20

亿美元增长到2029年的52亿美元，年复合增长率接近29%。目前全球已有超过100家供应商进入IDP市场，但企业真正需要的不是"更好的

OCR"或"更智能的

IDP"，而是能够真正理解文档、端到端自动化的新一代解决方案——这正是ADP的价值所在。排版，有效过滤印章、水印等干扰因素，支持无框线表格识别。大语言模型（LLM）则展现出惊人的通用能力，它们在海量文本上预训练，具备对世界知识、语言结构的通用来也ADP：文档处理进入智能体时代6文档处理正在经历一次范式转移——从基于规则的模板识别，到基于样本的模型训练，再到基于大模型的智能理解。传统的

OCR

和

IDP技术都面临"从记忆到理解"的鸿沟：它们只能记住模板和规则，无法真正理解文档语义和业务逻辑。ADP的出现，标志着文档处理进入了智能体时代：AI不再是需要被精心训练和配置的工具，而是能够理解业务、自主学习、协作执行的智能体。这不仅是技术的进步，更是企业自动化能力的跨越。当文档这个"最后一公里"被打通，企业的端到端自动化才能真正实现。来也ADP：文档处理进入智能体时代本章小结：7ADP代表了文档处理领域的两个根本性转变。第一个转变是从识别到理解。OCR和IDP的方式是识别字符、提取字段、输出数据，这是一种机械式处理；而

ADP

的方式是理解语义、理解业务、自主执行，这是一种智能化处理。第二个转变是从工具到智能体。传统系统是被动响应的工具，需要大量的人工标注和反复的模型训练；而

ADP

是主动理解的智能体，能够基于目标去自主完成任务。ADP（Agentic

Document

Processing，智能体文档处理）是基于大语言模型和视觉语言模型，结合智能体技术，实现文档端到端自动化处理的新一代平台。这个定义包含三个关键要素：第2章ADP

实现从识别到理解的跨越2.1ADP

的定义:一个新范式的诞生什么是ADP？来也ADP：文档处理进入智能体时代8第一

，大模型没有记忆，

每次生成都靠输入指令驱动

。

大模型本质上是无状态的（stateless），它不会记住之前处理过什么文档、提取过什么信息、遇到过什么异常。企业文档处理的现实是：今天处理100张A供应商的发票，明天处理

100张

B

供应商的发票，后天又来了C供应商的新格式。如果直接使用大模型，每次都需要给它不同的指令，这种"健忘症"使得大模型无法胜任需要上下文延续的企业应用场景。第二，大模型本身不能持续学习和优化。大模型的能力在训练完成后就固定了，它无法从实际业务中学习和改进。当企业使用大模型处理文档时，即使发现某些字段总是提取错误、某些格式总是识别不准，大模型也无法自动优化。人工反馈和修正的数据无法被系统吸收，每次处理都是"从零开始"。这意味着只用大模型处理文档无法形成"越用越好

"的数据飞轮效应。第三，大模型无法处理多步骤复杂任务。真实的文档处理往往需要多个步骤：先对文档进行分类，再读取文档的内容，然后从中提取和业务相关的信息，接着进行计算与核验，最后执行业务动作。大模型擅长单次推理，但无法准确可靠的执行这样的多步骤工作流，这种"单打独斗"的特性使得大模型无法胜任复杂的端到端业务流程。这三个根本性局限决定了：企业不能直接使用大模型来处理文档，而需要在大模型之上构建应用层。ADP正是这样一个应用系统，它不仅利用大模型的理解能力，更在此基础上补足了记忆、学习和编排能力，将"理解引擎"转化为"可用产品"。大模型提供的通用理解能力是ADP的基础，但光有这个基础还不够。理解大模型和ADP的关系，最好的类比是操作系统与应用的关系：大模型是底层的"理解引擎"，ADP是构建在其上的"应用系统"。大模型的三个根本性局限2.2大模型士ADP:操作系统与应用的关系来也ADP：文档处理进入智能体时代9维度大模型ADP定位通用理解引擎专用应用系统记忆无状态，每次独立处理有状态，维护处理上下文学习能力固定，无法优化持续学习，越用越好编排单次推理，无法组合多步编排，端到端流程工具无法主动调用外部工具自主调用API、系统、工具传统

IDP需要为每种文档类型准备大量标注样本，而ADP实现了零样本学习：用自然语言描述需求，如"提取这批发票中的供应商名称、发票号、商品明细和总金额"，即刻生效，无需训练等待，即使供应商更换文档模板也无需重新配置。ADP支持100+种语言，包括简繁中文、英语、日语、欧洲多国语言、东南亚多国语言等，一套系统自动处理多种语言，多语言混合文档也能正确处理。这种多语言支持能力对于跨国企业和跨境业务场景至关重要。那么，ADP

究竟如何补足大模型的这三个局限？它的核心特性是什么？我们在下一节详细展开。2.3ADP

的三大核心特性特性1:

零标注、全语言、

强泛化[表2-1：大模型

vsADP的本质差异]来也ADP：文档处理进入智能体时代10ADP的独特优势在于通过人机协同形成数据飞轮，让系统越用越聪明，让文档处理效果持续提升。ADP的人机协同可同时基于置信度与业务规则，判断是否需要人工介入，实现智能分流。具体包括两方面：•置信度规则：系统对识别结果自动进行置信度评分，高置信度（如>95%）的直接通过无需审核，中置信度（如

85-95%）的标记疑点供人工快速复核，低置信度（<85%）的转人工处理；•业务规则：用户可自定义业务校验条件，例如“订单编号必须由数字和字母组成”，不符合规则的结果即使置信度较高也会自动转入人工复核流程。人工修正的案例会自动反馈给系统，系统基于这些反馈调整提示词或微调模型。这是ADP相比传统IDP的根本性优势：传统IDP上线后效果固定，业务变化需要重新训练，形成"技术债"；而

ADP

上线后持续进化，业务数据自动反馈优化，形成

"数据护城河"。下表直观的对比了OCR、

IDP、ADP的技术演进。ADP的泛化能力体现在多个维度：格式泛化，支持对段落、多栏、表格等各种格式的解析；场景泛化，在少量样本上适配的能力可以迁移到未见过的样本上；任务泛化，不仅特性2:人机协同的数据飞轮能提取信息，还能胜任分类、对比、审核、总结等多种任务。来也ADP：文档处理进入智能体时代11维度OCR（第一代）IDP（第二代）ADP（第三代）核心技术模式识别机器学习+规则大模型+智能体理解层次字符识别字段提取语义理解+推理+执行配置方式模板配置样本标注+训练自然语言指令多语言支持需单独训练支持主流语言100+语言标注成本高（模板配置）极高（每个模型需数百样本）零标注效果持续进化能力弱（依赖人工配置模板）中（需重新训练）强（人机协同数据飞轮）业务价值数字化结构化自动化+智能化在模型日新月异的时代，很难有一种模型能够适合所有类型的文档处理任务。一个简单的发票处理流程就可能需要：专门的文档分类模型识别发票类型，视觉语言模型理解复杂版式和表格结构，大语言模型提取字段并进行语义推理。不同文档、不同场景、不同任务需要不同的模型来完成，这是文档处理的客观现实。特性3:

智能体编排让多个模型和工具协同工作[表2-2：OCR

→

IDP

→ADP技术演进对比]核心差异体现在三个层面：来也ADP：文档处理进入智能体时代12关人员等。传统方式下，这些模型和工具的串联依靠人工编写规则或代码来实现，不仅开发成本高，而且缺乏灵活性，业务流程一旦变化就需要重新编码。ADP

的核心优势在于智能体能够自动编排多个模型和工具。在复杂文档处理场景中，ADP智能体能够理解任务目标，

自主规划需要调用哪些模型和工具、按什么顺序调用、如何处理中间结果，监控执行过程并在遇到异常时自适应调整，最终输出业务所需的结果。这种智能体编排带来三个根本性优势。第一是多模型自动协同，不同模型各司其职，

VLM

负责视觉理解，

LLM

负责语义理解和推理，系统自动选择最合适的模型完成每个子任务。第二是模型与工具的自动串联，不需要人工编写代码，智能体自动调用

API、查询ERP、发送邮件等工具，并处理它们之间的数据传递。第三是自适应执行，遇到异常能够自主判断并调整流程，而不是简单地报错中断。本章小结：ADP的提出，标志着文档处理进入了智能体时代。这不是OCR或IDP的升级版，而是一个全新的范式——基于大模型的通用理解能力，结合智能体的自主推理能力，通过编排多个模型和工具实现复杂工作流自动化，并通过人机协同形成数据飞轮，让系统持续进化。ADP的三大核心特性（零标注的预训练能力、持续进化的数据飞轮、多模型协同的智能体编排）共同构成了其竞争优势，使其能够真正解决企业文档处理的痛点，实现从"识别"到"理解"、从

"工具"到"智能体"的跨越。ADP带来的不仅是效率提升，更是企业文档处理能力的根本性跃迁。更重要的是，真实的企业文档处理工作流不仅仅需要模型，还需要各种工具：查询ERP系统核对库存，调用汇率API进行货币转换，使用代码进行数值计算，发送邮件通知相来也ADP：文档处理进入智能体时代13企业智能体（EnterpriseAIAgent）是一个能够理解业务、自主决策、协同工作的智能系统。但从概念到落地，企业需要一个务实的切入点。本章将阐述：为什么

ADP

是企业智能体落地的理想第一步。3.1为什么文档处理是企业智能体的理想入口?普遍性：所有企业都有文档无论企业规模、行业、地域，都需要处理大量文档。从业务文档如合同、订单、发票、报表，到内部文档如流程审批、会议纪要、项目文档，再到外部文档如邮件附件、客户资料、供应商文件，文档无处不在。研究表明，非结构化数据占企业数据总量的80%以上，而文档是非结构化数据的主要载体。这种普遍性为

ADP

的规模化应用提供了坚实基础。痛点明确：人力密集且错误频发文档处理一直是企业运营中的痛点。财务人员每天处理发票、报销单、对账单，行政人员处理合同、审批流、档案管理，审核人员处理质检报告、合规文档、风控材料。这些工作重复性强、价值密度低，员工满意度低，且容易出错。这种人力密集、效率低下、容易出错的现状，正是ADP要解决的核心问题。ROI清晰：价值可量化与许多

AI

应用不同，文档处理的价值可以清晰量化。人力成本的节省、处理时效的提升、错误成本的降低，都可以用具体数字衡量（第

5章将详细介绍ADP的典型应用场景和业务价值）。不同于许多AI项目需要长期投入才能看到效果，ADP的价值立竿见影，这大大降低了企业的决策门槛和投资风险。第3章

ADP:企业智能体落地的第一步来也ADP：文档处理进入智能体时代14ADP

支持渐进式部署策略，让企业可以根据自身情况灵活调整。第一阶段可以将

ADP作为辅助工具，由系统提取数据，人工审核，验证准确率并建立信任。第二阶段进入智能协作模式，高置信度的文档自动通过，中低置信度的转人工审核，逐步降低人工审核比例。第三阶段实现高度自动化，90%以上文档自动处理，人工仅处理复杂异常，并形成数据飞轮持续优化。这种渐进式部署方式让

ADP

的实施风险远低于其他需要一步到位的AI项目。技术成熟度：现在就能用与许多AI概念不同，ADP的技术已经成熟。日新月异的LLM和VLM展现出强大的文档理解能力，满足生产环境要求。智能体技术已经工程化落地，可以私有部署满足数据安全要求，提供标准API易于集成。Gartner也将智能文档处理列为企业AI落地的Top10场景之一，大型企业纷纷将文档自动化列为数字化转型的优先项目。多家企业的成功案例证明，这不是概念验证，而是可规模化部署的产品。技术的成熟、市场的验证、生态的繁荣，让ADP成为企业现在就能用、用了就见效的AI应用。风险可控：渐进式部署来也ADP：文档处理进入智能体时代15第一阶段的目标是在一个高价值场景验证

ADP

能力，建立信任基础。企业通常会选择财务的发票或报销单处理、采购的订单或合同处理，或者HR的简历和入职材料处理作为试点场景。这些场景具有业务价值明确、流程相对标准、数据量充足的特点。成功的标准是准确率超过90%，人工审核比例低于20%，投资回收期少于12个月。通过单点突破，企业验证了ADP的能力，建立了对AI技术的信心，为后续扩展奠定了基础。在第一阶段成功验证后，第二阶段的目标是将

ADP

能力扩展到多个场景和部门。扩展可以有多种方式：在同一部门处理不同文档类型，如从发票扩展到订单和合同；在不同部门处理相似场景，如从财务发票扩展到采购发票和销售发票。这个阶段的关键工作是建立企业级

ADP

平台，制定文档处理的标准和规范，形成可复用的实施方法论。通过横向扩展，ADP

从一个孤立的试点项目变成了企业级的基础能第2阶段：横向扩展（6-12个月）第1阶段：单点突破（0-6个月）3.2从ADP到企业智能体:渐进式演进路径来也ADP：文档处理进入智能体时代16第三阶段的目标是让ADP深度嵌入业务流程，成为

IT架构的核心组件。这时ADP

不再是独立的工具，而是与ERP、CRM等核心系统深度集成，嵌入P2P（采购到付款）、

O2C（订单到收款）等端到端流程，成为业务流程中不可或缺的智能节点。在深度集成的过程中，企业开始构建文档知识库，积累企业特有的文档模型。通过人机协同建立的数据飞轮开始发挥作用，系统处理效果持续优化，对企业特定场景的适应性越来越强。这个阶段的标志是，ADP已经从"可有可无的工具"变成了"离不开的基础设施"，其处理能力成为企业的核心竞争力之一。3.3ADP适用性自评:

您的企业准备好了吗?在决定是否实施

ADP

之前，企业需要客观评估自身的准备程度和适配性。以下自评工具帮助企业从业务场景、技术环境、组织准备度三个维度进行全面评估（总分100分）。力，处理的文档类型更多、覆盖的部门更广、产生的价值更大。企业开始积累文档处理的最佳实践，形成了自己的AI应用方法论。第3阶段：深度集成（12-24个月）来也ADP：文档处理进入智能体时代17评估项评分标准得分文档处理量

（每月）<500份：5分500-2

，000份：10分2

，000-5

，000份：15分5

，000-10

，000份：18分>10

，000份：20分_____/20分文档处理业务价值非核心业务，错误影响较小：3分影响业务效率，错误有一定影响：6分关联关键业务流程，错误有明显影响：9分直接影响客户体验或合规风险：12分是业务瓶颈，错误可能导致重大损失：15分_____/15分文档处理占员工工作时间<10%：2分10%-30%：4分30%-50%：6分50%-70%：8分>70%：10分_____/10分文档多样性单一格式、结构化程度高：1分2-5种格式，半结构化：2分6-10种格式，格式差异较大：3分10-20种格式，包含非结构化文档：4分>20种格式，包含手写、图片、多语言：5分______/5分一、

业务场景评估(满分50分)业务场景评估关注企业文档处理的规模、复杂度和业务价值，这直接决定了

ADP

实施的必要性和价值空间。表3-1：业务场景评分标准自评维度与评分标准业务场景评估小计：_____/50分来也ADP：文档处理进入智能体时代18评估项评分标准得分IT基础设施基础薄弱，无专业IT团队：0分有基础IT环境，但无算力资源：4分有基础IT环境，能提供算力资源：6分IT基础完善，有AI应用经验：8分有专业AI团队和完善基础设施：10分_____/10分系统集成复杂度需要集成的系统≤2个：5分需要集成3-5个系统：3分需要集成>5个系统：1分______/5分数据安全与合规数据安全要求较低，可接受公有云：6分有一定安全要求，需要混合云：8分安全要求高，必须私有化部署：10分_____/10分技术环境评估关注企业IT基础设施的成熟度和数据安全合规要求，这决定了ADP实施的难易程度和部署方式。表3-2：技术环境评分标准二、技术环境评估(满分25

分)技术环境评估小计：_____/25分来也ADP：文档处理进入智能体时代19评估项评分标准得分高层支持高层持观望态度，未明确支持：2分高层认可但未投入资源：4分高层明确支持并配置预算和团队：7分高层深度参与，列为战略项目：10分____/10分员工接受度员工抵触情绪强：0分员工中立，愿意尝试但有顾虑：4分员工积极，期待AI提升工作效率：8分员工主动拥抱，有AI应用经验：10分____/10分变革管理能力缺乏变革管理经验，沟通机制薄弱：1分有基本沟通机制，但培训体系不完善：3分有成型的变革管理流程和培训体系：5分_____/5分组织准备度评估关注企业高层支持力度、员工接受程度和变革管理能力，这决定了ADP实施的组织阻力和成功概率。表3-3：组织准备度评分标准组织准备度评估小计：_____/25分自评总分：_____/100分三、组织准备度评估(满分25

分)来也ADP：文档处理进入智能体时代20根据总分，企业可以判断自身实施ADP的准备程度和建议行动：总分80-100分：强烈推荐，立即启动您的企业非常适合实施ADP，具备快速见效的所有条件。业务需求强烈、技术基础扎实、组织准备充分，预计能够在短时间内产生显著价值。行动建议：立即启动项目，选择2-3个高价值场景作为首批试点。建议采用"并行试点+快速扩展"策略，同时在多个部门启动，验证后快速推广到全公司。总分60-79分：推荐实施，从试点开始您的企业具备实施ADP的良好基础，但某些方面仍需加强。行动建议：建议采用"单点突破+渐进扩展"策略，降低风险的同时验证价值。先选择单一高价值场景进行试点（如财务发票处理或采购订单处理），

选择标准是文档量大、业务价值明确、部门支持度高。在试点过程中同步加强薄弱环节，试点成功后再逐步扩展。总分低于60分：暂不推荐，优先提升基础条件您的企业目前可能不适合实施ADP

，建议先提升基础条件，待时机成熟后再考虑。行动建议：根据评分识别薄弱环节，制定对应的提升计划。如果业务场景得分低（<25分），需要梳理文档处理流程，识别核心痛点，评估业务价值。如果技术环境得分低（<12分），需要提升IT基础设施，配置GPU服务器，或考虑采用云端部署降低门槛。如果组织准备度得分低（<12分），

需要加强组织沟通，获得高层明确支持，开展员工AI认知培训。准备工作完成后，从小规模试点开始，逐步验证和调整。评估结果解读来也ADP：文档处理进入智能体时代21技术的成功实施离不开组织的准备。ADP不仅是一个技术项目，更是一次组织变革。本节提供简明的变革指引，帮助企业顺利实现人机协同。岗位转型：从操作到判断ADP实施后，员工的工作重心将发生转变。以财务部门为例，原本15人的发票处理团队，实施后可能调整为2名AI训练师（负责标注反馈和系统优化）、3名数据审核员（处理低置信度文档和异常

case）、2

名业务分析师（基于释放的时间做数据分析和流程优化）。关键是让员工从"重复劳动"转向"高价值工作"，从

"操作型"转向"判断型"。应对变革阻力员工可能会担心"AI会让我失业"。企业需要明确传递信息：ADP是增强工具，让员工从重复劳动中解放，去做更有价值的工作。通过案例和数据展示，说明实施

ADP

后员工的工作更有意义，技能更有价值。员工可能会担心"我不会用AI"。企业需要提供充足培训，设计简单易用的交互界面，让非技术人员也能轻松使用。同时可以设置"AI大使"岗位，由技术接受度高的员工帮助同事，提供一对一指导。员工可能担心"我的专业能力会贬值"。企业需要重新定义专业能力，从"会操作"升级为"能判断"。例如，从"会录入发票"升级为"能发现发票异常并追溯根因"

，这是更高层次的能力。CEO推动变革的关键行动CEO或业务负责人的支持至关重要。关键行动包括：在全员大会上阐述AI战略和愿景，说明为什么要实施ADP，对企业和员工意味着什么；定期视察项目进展，与一线员工交流，了解实际困难并及时解决；设立"AI创新奖"，奖励在AI应用中表现优秀的员工和团队；将AI应用成效纳入部门KPI，让各部门真正重视起来。3.4

组织变革:

让人与Al

协作成为现实来也ADP：文档处理进入智能体时代22ADP不仅是一个文档处理工具，更是企业智能体落地的理想第一步。它的切入点选择精准：文档处理具备普遍性、痛点明确、ROI清晰、风险可控、可扩展、技术成熟等特征，是企业

AI

落地的最佳起点。它的演进路径清晰：从单点突破到横向扩展，从深度集成到智能体网络，每个阶段都有明确的目标和成功标准。通过适用性自评，企业可以客观评估自身是否准备好实施ADP。通过组织变革指引，企业可以系统性地应对实施过程中的人员和文化挑战。对于正在探索AI落地的企业，ADP提供了一个务实、可行、高回报的起点。它让企业能够用最小的风险验证AI的价值，用真实的场景培养AI能力，用渐进的方式走向智能化未来。从ADP开始，企业不仅解决了文档处理这个具体问题，更重要的是踏上了通往企业智能体的演进之路。来也ADP：文档处理进入智能体时代本章小结：23前几章我们讨论了"为什么需要ADP"，介绍了"什么是ADP"。本章将深入技术层面，展示ADP不仅是产品创新，更是经过工程验证、可落地、可信赖的企业级解决方案。4.1三层架构设计ADP采用三层架构设计，实现了模型、智能体与业务场景的解耦，保证了系统的可扩展性和可维护性。架构全景模型层是

ADP

的核心能力来源，其设计遵循两个关键原则：一是支持接入多个不同特性的VLM和LLM，让上层智能体能够根据任务特点灵活编排选择最适合的模型；二是针对特定文档处理任务进行微调优化，使模型在处理特定任务时的效果和性能更好。第4章

ADP

的技术架构与可信实现第一层：模型能力层——多模型接入与优化来也ADP：文档处理进入智能体时代24在模型日新月异的时代，没有单一模型能够在所有文档处理任务上都表现最优：某些模型擅长处理复杂表格，某些模型在多语言场景表现更好，某些模型在同样效果下成本更低。ADP的模型层设计为可扩展的模型池架构，支持同时接入多个VLM和LLM，包括通用大模型、企业自有模型，以及针对特定场景微调的定制模型。上层的智能体编排系统能够根据任务特点自动选择最合适的模型。例如，处理复杂财务报表时调用擅长表格理解的模型，处理手写申请表时调用手写识别能力强的模型，处理多语言合同时调用跨语言能力优秀的模型。这种多模型协同的架构，使得

ADP

能够应对各种复杂文档处理场景，而不受限于单一模型的能力边界。特定任务微调与性能优化虽然预训练大模型具备强大的通用能力，但针对企业特定的文档处理任务进行微调，能够显著提升准确率和处理效率。ADP支持两个层面的优化。第一个层面是提示词（Prompt）优化。通过分析企业的实际文档样本和业务需求，系统自动优化提示词策略，明确指令格式、增加领域知识提示、优化输出结构定义。这种优化成本低、见效快，通常能将准确率提升5-10个百分点。第二个层面是模型参数微调（Fine-tuning）。ADP支持基于企业实际数据对VLM和LLM进行微调，微调后的模型在处理特定文档时，准确率和性能相比通用大模型均可提升，显著降低运营成本。智能体层是ADP的"大脑"，负责任务理解、规划、执行。当接收到用户的文档处理需求后，智能体编排系统首先理解任务目标和约束条件，识别任务类型（分类、解析、抽取、对比等）。然后将复杂任务分解为子任务序列，根据每个子任务的特点选择合适的模型和工具，确定执行顺序和并行策略。例如，智能体可调用

VLM

完成文档解析任务，调用LLM进行文档抽取，调用外部API获取信息（如汇率查询、地址验证），使用代码执行等辅助工具进行计算。针对复杂场景，ADP支持多个智能体的协同工作。文档分类智能体负责识别文档类型，文档解析智能体负责提取文档结构转换为Markdown，信息抽取智能体负责提取关键字第二层：智能体编排层——任务规划与工具调用多模型接入与灵活编排来也ADP：文档处理进入智能体时代25业务层提供开箱即用的场景化应用以及灵活的配置和扩展能力。ADP

预置了多个业务场景模板，包括财务场景（发票处理、报销审核、账单对账）、采购场景（订单处理、入库单核对、供应商管理）、合同场景（合同审核、条款提取、风险识别）、物流场景（运单处理、仓储单据、货运文档）、金融场景（贷款申请、征信报告、银行流水）、医疗场景（病历处方、检验报告、费用单据）等。此外，业务层提供

RESTfulAPI接口、Webhook回调机制，支持批处理和实时处理模式，可与RPA、

BPM等系统无缝集成。4.2

性能指标ADP在真实业务场景中，私有部署单节点的性能表现如下：[表4-1：典型文档处理任务性能]处理类型

单页时延

最佳并发数

吞吐量文档解析（图像

→

Markdown）8-12秒20约7

，000页/小时文档抽取（图像→结构化数据）20-30秒15约2

，000页/小时性能可根据场景优化：批处理场景优先考虑吞吐量，可提高并发数；实时处理场景优先考虑时延，降低并发数；多GPU部署时吞吐量线性扩展。基于NVIDIAL20或RTX4090等标准GPU

，单台服务器即可满足中等规模企业需求。段，数据验证智能体负责验证数据有效性，业务审核智能体负责执行业务逻辑提供决策建议，编排协调智能体负责协调其他智能体制定完整执行方案。这些智能体各司其职又第三层：业务应用层——场景化配置与API集成相互协作，共同完成复杂的文档处理任务。来也ADP：文档处理进入智能体时代26在字段抽取准确率上，ADP相比传统IDP可提升10-20个百分点，主要源于以下几点：在跨格式泛化能力上实现零样本迁移，无需为新格式重新训练；在多语言支持上覆盖100+语言；在复杂版式处理上全面支持无框线表格、多栏排版、手写识别等。4.3安全合规企业级应用必须满足严格的安全和合规要求。ADP

在设计之初就将安全性作为核心考量，尤其是通过私有化部署彻底保障数据安全。支持私有化部署ADP支持完全本地化部署，VLM和LLM模型均可部署在客户数据中心，所有文档数据都在本地处理，处理结果存储在企业自有数据库中，彻底消除企业数据安全顾虑。[表4-3：私有化部署配置方案]海外发票抽取1

，000份92.3%94.1%93.2%采购订单抽取800份91.7%93.5%92.6%银行对账单抽取600份94.2%95.8%95.0%合同条款抽取500份89.6%91.2%90.4%配置方案GPU需求性能表现适用场景标准配置48G（VLM）+48G×2（LLM）最佳性能大规模用量紧凑配置48G（VLM）+48G（LLM）均衡性能中等规模用量硬件方面，支持

NVIDIA

L20、

RTX

4090、

RTX

3090等标准GPU

，CPU需48核以上（主频>2GHz），内存

128GB

以上，硬盘

500GB

以上。单台服务器即可部署，支持横向扩展。兼容国产操作系统和数据库，满足国产化替代要求。最小配置48G（VLM）+

客户自有LLM基础性能客户已部署LLM场景类型样本规模

准确率召回率

F1-Score[表4-2：常见文档类型的抽取准确率]来也ADP：文档处理进入智能体时代27数据隔离方面，每个企业客户的数据完全隔离，拥有独立的存储空间和访问权限，无法跨租户访问；开发、测试、生产环境完全隔离，数据不在环境间流动。数据加密方面，所有网络传输使用TLS加密，API调用强制HTTPS。访问控制访问控制方面，支持多种认证方式（用户名密码、SSO、LDAP、OAuth2.0），

可选多因素认证（MFA），API访问采用Token认证且定期轮换；基于角色的访问控制（RBAC），预置管理员、配置员、操作员、审计员等角色，支持自定义角色和权限组合，遵循最小权限原则；所有操作记录日志，敏感操作二次确认，审计日志不可篡改并定期归档。4.4

开放集成:

与企业It生态无缝融合ADP作为企业级平台，具备良好的开放性和集成能力，能够与现有IT系统无缝协作。支持客户接入自有模型ADP采用开放架构，允许客户接入自有的大语言模型和视觉语言模型。许多大型企业已经投资建设了自己的大模型能力，或者希望使用特定的商业模型。ADP的模型层支持标准化的模型接入协议，企业可以将自有LLM或选定的第三方模型接入ADP平台，与平台预置的模型一起，由智能体编排层根据任务特点灵活调用。这种开放性使得企业可以充分利用已有投资，同时根据具体任务选择最合适的模型组合。API优先：所有能力均可编程调用ADP遵循API优先的设计理念，所有核心能力均通过RESTfulAPI对外提供。文档解析API将图像转换为结构化文本，字段抽取API从文档中提取业务数据，文档分类API识别文档类型，工作流执行API支持复杂的批处理场景。所有API符合REST规范，使用JSON格式的请求和响应，提供完整的API文档和多语言代码示例。支持Webhook回调机制，异步处理完成后主动通知业务系统。提供Python、Java、Node.js、C#等主流语言的SDK，

自动处理认证和重试，支持同步和异步调用，降低集成开发成本。来也ADP：文档处理进入智能体时代数据安全保障28ADP

与来也

RPA

实现原生集成，开箱即用无需额外开发。在

RPA

流程中可直接拖拽ADP组件，配置文档处理任务；ADP处理结果自动传递给RPA后续流程，支持条件分支和异常处理，提供统一的任务监控和日志查看界面。轻松被企业现有系统集成ADP

提供标准化的集成方式，可轻松被企业现有系统集成。与

ERP

系统集成可实现供应商发票自动入账、采购订单自动核对、应付应收自动匹配。与

CRM系统集成可实现客户合同自动归档、销售订单自动录入、客户资料自动更新。与OA系统集成可实现报销单自动审核、审批流程自动流转、档案文档自动归档。此外，

ADP

可以作为MCP（ModelContextProtocol）

Server被其他智能体系统调用，实现智能体之间的协作，构建企业级智能体网络。本章小结：ADP

的技术架构体现了"能力先进"与"工程可靠"的平衡。三层架构实现了模型能力、智能编排、业务应用的解耦，保证了系统的可扩展性。模型层支持多模型接入和任务微调，智能体层实现复杂工作流的自主编排，业务层提供场景化的快速落地。性能和准确性指标证明了

ADP

在真实场景中的有效性，多层可靠性保障机制确保了企业级稳定性。私有化部署彻底保障数据安全，满足严格的安全合规要求。开放的架构和丰富的集成能力让ADP能够融入企业现有IT生态，成为智能化的增强层而非孤立系统。与来也RPA原生集成来也ADP：文档处理进入智能体时代29技术的价值最终要通过业务成果来体现。本章将通过四个真实行业场景，展示

ADP

如何帮助企业实现流程自动化、提升效率、降低成本、减少风险，真正实现从"AI能力"到

"业务价值"的闭环。5.1

制造业:

采购订单处理自动化客户痛点某制造业企业服务全球

4000+客户，每月处理约

5000

份采购订单。订单来源多样化，包括微信、QQ、邮件、客户系统等多个渠道，涉及Excel、PDF、图片等多种格式，文档模版超过4000种，覆盖中英日德泰西等8种以上语言。这种订单碎片化的现状给企业带来了严重的运营挑战。企业面临的核心痛点体现在四个方面。首先是效率瓶颈严重，人工录入每张订单需要5-10分钟，还需要额外时间核对物料编码和客户信息，需要23人专职处理订单录入。其次是质量风险突出，人为失误频发导致数据错录、漏录，订单审核不详造成库存异常，客户信息维护不及时影响交付，错误订单导致客户投诉和经济损失。第三是资源错配问题，团队80%的精力消耗在基础录入工作上，无法释放人力做订单分析、客户开发等高价值工作。第四是扩展障碍明显，多语言订单处理困难，新客户、新格式需要重新培训，业务高峰期无法及时扩充人力。解决方案ADP

智能体文档处理平台通过端到端全流程自动化来解决这些痛点。系统支持全渠道接入订单文件，能够统一管理来自客户系统、邮箱、IM软件等多个来源的订单。平台通过语义理解自动抽取关键字段，包括订单号、客户名称、订单日期、商品编码、名称、数量、金额等信息。系统设计了智能置信度评估机制，对于置信度低于一定阈值的字段，会通知人工进行二次校准，确保准确率的最后一公里。这种人机协作模式既保证了效率，又确保了质量。提取的订单信息会自动进行审核，包括与历史订单比对、编码转换、规则审核等。对于审核异常的订单，系统会自动通知人工处理；通过审核的订单则通过

RPA

机器人自动录入订单管理系统，并可下推发货至CRM系统。整个流程中，人工校准的反馈会反哺第5章

行业应用与价值验证来也ADP：文档处理进入智能体时代305.2制造业:全球发票处理自动化客户痛点某跨国制造企业在全球20多个国家设有工厂和办事处，每月处理2000+张海外供应商发票，涉及

15

种以上语言，需要与采购订单、入库单进行三单匹配，还涉及多币种结算和汇率换算。这种复杂的全球化业务场景给财务团队带来了巨大挑战。企业面临的核心痛点集中在四个方面。首先是多语言处理困难，财务人员无法阅读所有语言的发票，需要翻译协助导致流程冗长，容易产生理解偏差。其次是格式千差万别，200多家供应商的发票格式各不相同，传统IDP需要为每家供应商单独配置，供应商更换发票模板后系统就会失效。第三是三单匹配复杂，发票、订单、入库单信息不一致，手工匹配耗时巨大，遗漏和错误频发。第四是审批周期长，平均审批周期达

15

天，影响供应商关系，丧失早付折扣机会。这些问题不仅影响了财务运营效率，更重要的是影响了企业的现金流管理和供应商关系。传统的IDP解决方案因为需要大量样本训练，面对版式多样、总量有限的海外发票显得指标实施前实施后改善幅度订单处理时间5-10分钟/单30秒/单提升90%日处理能力10-30单/人100-200单/人提升6倍录入准确率92%98.5%+6.5%所需人力23人5人+系统节省80%订单响应时效平均4小时平均15分钟提升94%"以前高峰期订单堆积如山，客户催单电话不断。现在系统几乎实时处理，业务团队可以专注客户沟通和客户价值挖掘。

"——

采购部经理优化建议，持续优化效果，形成数据飞轮。这种端到端的自动化方案不仅解决了订单处理的效率问题，更重要的是打通了数据孤岛。价值收益表5-1：制造业订单处理自动化效果对比来也ADP：文档处理进入智能体时代31解决方案ADP平台通过智能发票处理流程实现了端到端自动化。系统接收扫描件、邮件或电子发票后，能够自动识别语言和格式，提取供应商、发票号、商品明细、金额、税额、币种等关键信息。系统支持多币种统一换算为本位币，并通过智能匹配算法自动匹配采购订单和入库单。系统的核心优势在于强大的智能匹配能力。即使发票和订单的商品描述不完全一致（如"LaptopComputer"vs"笔记本电脑"），

系统也能通过语义理解正确匹配。系统能够自动处理部分交货情况，即一张订单对应多张发票的场景，还能识别并处理价格调整、折扣、运费等特殊项目。系统进行三单一致性验证后，会根据匹配结果自动分类处理：完全匹配的自动审批通过，进入付款流程；小额差异的会标记说明，转入快速审核；重大差异的会生成详细报告，转人工审核。这种分级处理机制在保证准确性的同时，最大化了自动化比例。价值收益表5-2：跨国企业发票处理自动化效果对比指标实施前实施后改善幅度发票处理时间平均45分钟/张平均3分钟/张提升93%三单匹配准确率85%96%+11%审批周期平均15天平均3天缩短80%端到端自动化率0%75%+75%"最让我惊讶的是系统对多语言的处理能力，我们的财务团队终于不用再为看不懂发票而头疼了。更重要的是，审批周期从15天缩短到3天，让我们有机会获得更优惠的采购条款，这直接转化为真金白银的收益。

"——

财务总监除了直接的效率提升，系统还带来了额外价值。更及时的向供应商付款，能改善与供应商的关系，有机会获得更优惠的采购条款。来也ADP：文档处理进入智能体时代力不从心。32客户痛点某保险公司在新单、保全、理赔三大核心业务环节中，面临着大量纸质单证（如身份证明、投保建议书、医疗单据等）的处理压力。随着保险业务的持续发展，尤其是第三方渠道的发力，纸质单证的处理量逐年提升，每年超过

30万份。理赔单证处理的核心痛点体现在三个方面。首先是人工工作量巨大且重复，现有单据量已具规模，全流程依赖人工操作。销售及相关角色需要线下扫描各类单证至影像系统，再手动完成单证分类；营运及相关角色需要在影像系统逐一查看单证，手动将关键信息录入业务系统，同时人工校验信息一致性与单据齐全性。两类角色均承担大量机械重复劳动，人力成本高且易因疲劳产生误差。其次是核心耗时环节突出，处理效率低。人工处理时长主要集中在三大关键节点：身份证明类文件的信息逐一确认；投保建议书、投保单等标准化单据的逐字段看单和手动录入；非标准化单据的投保人/受保人身份匹配与单据齐全性检查。第三是手写识别难度加剧人工负担，需处理的单证含印刷体和手写体两类内容，且手写体覆盖简中、繁中、英文三种语言，部分手写字体规范性差，人工识别与校验耗时显著增加。解决方案项目采取分阶段实施策略，首先聚焦50多种高频单证，覆盖80%高频场景，既保证了项目的快速见效，又为后续扩展奠定了基础。项目通过ADP智能体文档处理平台+RPA构建端到端的一体化单证处理平台。ADP作为平台的"大脑"和"眼睛"，负责理解和抽取信息；RPA作为系统的"手"和"脚"，负责执行重复性的录入操作。两者通过一个"智能调度中心"无缝衔接，形成完整的自动化闭环。ADP先自动分类单证类型，再提取关键信息（如客户信息、投保字段），

并自动对接业务系统的新单、保全模块。系统还具备自动审核能力，自动校验身份信息一致性、关键单据齐全性，替代人工确认环节。5.3

保险行业:理赔文档处理自动化来也ADP：文档处理进入智能体时代335.4

银行业:

中小企业贷款审核自动化客户痛点某城市商业银行中小企业贷款业务量大，每月处理500+笔贷款申请，每笔申请包含10-20份文档，需要审核身份证、营业执照、财报、银行流水、资产证明等多种文档。这种大量文档的人工审核给银行带来了严重的运营压力和风险隐患。企业面临的核心痛点体现在四个方面。首先是审核工作量巨大，人工审核每份文档需要3-5分钟，每笔贷款审核需要1-2小时，审核团队15人仍经常加班。其次是审核质量不稳定，依赖审核员经验，质量参差不齐，疲劳工作容易遗漏风险点。第三是客户体验差，审批周期长达

5-10

天，客户需要多次补充材料，影响贷款获取率和客户满意度。第四是合规风险突出，审核过程难以留痕，事后难以追溯审核依据，监管检查压力大。这些问题不仅影响了银行的运营效率和客户满意度，更重要的是增加了信用风险和合规风险。解决方案ADP

智能文档审核系统通过端到端自动化流程来解决这些痛点。客户提交贷款申请文档后，系统自动分类文档类型，提取关键信息并结构化。对于身份证，系统提取姓名、身份证号、地址、有效期；对于营业执照，提取公司名、统一社会信用代码、经营范围、指标实施前实施后改善幅度单证处理方式纯人工自动化为主大幅自动化单证识别准确率90%（人工）95%（人工+AI）+5%单证处理时间5天x8小时7天x24小时大幅降低时间风险管控人工抽检AI全量覆盖显著降低风险"保险单证处理一直是我们的痛点，尤其是手写单据的识别，ADP

系统对手写体的识别能力让我们很惊讶。更重要的是，系统能够自动校验不同单据间的信息一致性，这对风险管控非常重要。

"——

营运部主管表5-3：保险理赔文档处理自动化效果评估来也ADP：文档处理进入智能体时代价值收益34系统随后进行交叉验证，检查姓名、身份证号、公司名是否一致。接着进行业务规则检查，包括身份证是否过期、营业执照是否在有效期、财务指标是否达标（负债率、流动比率等）、银行流水是否与申报收入匹配、是否存在黑名单客户等。系统的核心优势在于强大的智能风控能力。数据一致性检查能够验证财报数字与银行流水的逻辑一致性；异常模式识别能够识别批量注册公司、关联交易等风险模式；系统还能自动查询企业征信、法院执行、舆情信息等外部数据。最终，系统生成风险评分与建议。对于低风险申请，建议快速审批；对于中风险申请，标记疑点，转人工复核；对于高风险申请，详细说明理由，拒绝或要求补充材料。价值收益表5-4：银行贷款审核自动化效果对比指标实施前实施后改善幅度文档审核时间1-2小时/笔15-20分钟/笔缩短85%审批周期5-10天1-2天缩短80%审核人员15人6人节省60%"ADP不仅帮助我们提高了审核效率，也提升了审核质量。很多人工容易遗漏的风险点，系统都能准确识别，避免了潜在损失，这个价值是无法用金钱衡量的。

"——风控部主管5.5实施风险与应对策略在看到

ADP

带来的显著价值的同时，企业在实施过程中也可能遇到一些挑战。了解这些潜在风险并提前准备应对策略，是确保项目成功的关键。注册资本；对于财务报表，提取营收、利润、资产、负债；

对于银行流水，提取进账、出账、余额、交易对手。来也ADP：文档处理进入智能体时代35这是企业最常担心的问题。某些企业可能有数百种不同的文档类型，格式极不统一，担心ADP无法全部准确处理。实际上，这个问题可以通过务实的实施策略来解决。应对策略是采用"二八原则"，先聚焦处理量最大的20%文档类型，这通常能覆盖80%的处理量。在第一阶段，将目标设定为80-85%的准确率，配合人工审核机制确保质量。随着系统运行，通过3-6个月的数据飞轮效应，准确率可逐步提升至90%以上。风险二：数据安全担忧，尤其是处理敏感文档金融、医疗、政务等行业对数据安全有极高要求，担心文档上云