人工智能在信用证单据审核中的应用探究
当前，人工智能技术发展日新月异，以ChatGPT、深度求索（Deep Seek）为代表的通用人工智能应用层出不穷，“人工智能+”在众多细分领域成果丰硕。商业银行大力推进数智赋能科技金融、数字金融建设，积极研究和推动人工智能在信用证单据审核中的应用，既是贯彻金融“五篇大文章”的题中之义，也是提升国际业务处理效率、赋能分支行员工、增强客户体验的必然要求。
信用证下单据审核现状
传统的信用证业务处理流程繁杂，包括开立、收单、审单、付汇等环节。其中，单证中心的审单环节对单据审核技术要求较高。
人工操作流程拆解
收单行处理环节。进口信用证下，收单行经办人员在国际结算系统进行单据币种金额维护，在面函上批注收单日期，进行单据影像件扫描、正副本份数录入。出口信用证下，收单行进行币种金额维护、信用证号录入或关联、单据影像件扫描。
单证中心处理环节。单证审核人员打印单据影像件和信用证，根据国际商会（ICC）的《跟单信用证统一惯例》（UCP600）、《关于审核UCP600下单据的国际标准银行实务》（ISBP821）以及信用证条款进行单据审核，在国际结算系统手工录入单据存在的不符点。
业务处理特点
要素录入靠人工处理，且要素类型固定。人工录入信息耗时费力，准确率也因经办人员操作习惯、经验程度而不同。要素类型包括发票号、提单号、货描、装卸货港、收货人、船公司名称、船舶名称、交易方公司名称及地址等信息。
部分单据不符点的产生源自人工操作的纰漏。比如，审单人员需要判断收单行经办人员是否存在金额维护错误、单据漏扫、单据正副本份数录入错误或正副本属性误判等纰漏，并与其沟通确认，影响审单效率。
部分单据不符点的判断依赖审单人员的经验。比如出口信用证下货物金额审核，银行就发票上货物金额计算与发票中印制金额不一致是否提出不符点，ICC在不同案例的指导意见中也有所差异。具体业务处理中，此类情况需要审单人员灵活应对。
部分信用证条款较为复杂，对审单人员专业水平要求较高。比如，某些信用证对偿付安排、寄单地址、软条款等要素有特殊安排，非单据化条款表述模糊不清，审单人员需要具备较强的专业水平加以处理。
人工智能应用于审单的技术路径分析
从传统审单业务流程可以看出，人工智能若想辅助或替代人工审单、减轻业务流程的工作负担、释放人力资源，需要解决三个主要痛点。一是单据信息的数字化。在标准化数字信息下，人工智能才能驾轻就熟处理和应用具体的算法。二是信息的自动提取与填充，满足日常信息存储、反洗钱信息核验等现实需要。三是准确列示具体单据的不符点，这是智能审单需要实现的终极目标。
单据信息的数字化
借助光学字符识别（OCR）和智能字符识别（ICR）技术，理论上可以实现纸质单据的图像向数字化字符信息的转变，建立数字化底座，为后续的信息切片、算法调用、人工智能大模型运算提供可能性。
信息的智能提取与填充
单据信息数字化后，通过计算机技术手段进行字符串切片，标记为不同的排列组合。比如使用Embedding模型算法根据数据结构和语义信息将高维度的图片、文字等数据信息映射到低维度空间的向量表示，计算和学习数据之间的相似性。在获得固定要素的数字信息后，可以使用机器人流程自动化工具（RPA）在国际结算系统中进行相应信息（如发票号、货描、提单号、装卸货港等）的自动化填充。
列示具体单据的不符点
首先是运算逻辑，即不符点的优先级判定。UCP600第十四条d款规定，单据中的数据，在与信用证、单据本身以及国际标准银行实务参照解读时，无须与该单据本身中的数据、其他要求的单据或信用证中的数据等同一致、但不得矛盾。此处“数据（Data）”从上下文，以及ISBP821 A26的解读，应理解为“信息”。该条款表明单据不符点优先级顺位的判定：第一级为单据与信用证矛盾，第二级为单据与单据本身矛盾，第三级为单据与国际标准银行实务矛盾。顺位在后的不符点判定逻辑服从于顺位在前的不符点判定。
其次是大模型技术方案。通用大模型适合多种类型的自然语言处理（NLP），例如文本生成、问答、翻译和内容创作等。人工智能审单的理想模式如下：通过通用大模型训练出一个熟练掌握UCP600、ISBP821、国际商会案例等专业知识的垂直领域大模型；将收单行收到的纸质单据影像件数字化和切片后“投喂”给大模型进行运算；大模型运算后输出单据的不符点信息。通过数据投喂、提示词优化、业务场景和技能限定等系列手段，将通用大模型训练成垂直领域的智能专家。
该技术方案可结合视觉问答（VQA）技术进行处理。VQA可以结合计算机视觉和NLP技术，回答图像内容相关的问题。目前，国产大模应用如通义千问Qwen3、Deep Seek-V3.1等均有VQA技术功能。以Qwen3为例，可上传提单影像件，然后进行提单装卸货港、船公司名称的信息提取式提问，也可以进行提单签字是否符合UCP600要求的信息判断式提问。
人工智能审单的挑战
特定单据数字识别成功率有待提升。OCR和ICR应对复杂图文场景的文字识别显得力不从心，图片分辨率、颜色、字体、单据本身印制的清晰度、特定单据栏位填列错位等情况都对识别结果的正确性有较大影响。特定的海运提单、保险单，以及不同国家和地区的检验证、检疫证等外贸单据可能包括多语言缮制的情况，也会增加数字识别成功的难度。
人工智能存在数据幻觉。人工智能基于数据和算法驱动，工作结构为输入数据、模型运算、输出结果。模型运算环节是一个巨大的黑箱，其具体的“思考”和输出过程有时与实际情况产生偏差，即数据幻觉。同时，提示词也会影响回答结果的准确性。审单业务中，业务处理逻辑并非基于精确的强结果导向的具体提问，计算机设定的提示词可能无法完全覆盖实际情况，程式化的提示词工程也容易让人工智能审单出现路径依赖的问题。
数字识别准确性影响VQA回答的正确率。对于缮制为浅灰色信息填充或者深色背景的单据，转换成黑白图片后信息模糊，识别难度指数级增加，VQA回答质量参差不齐。此外，目前国产大模型的图片问答模式对图片的数量、文件格式和大小有相应限制，短期内难以实现批量化准确处理大量VQA任务。
单据的审单尺度难以把握。人工智能审单基于模型算法，容易出现“镜像一致”审单方式，即单据的信息要素需要完全与信用证条款、单据与单据之间的要素一致，否则就是不符点。“镜像一致”的审单方式被ICC多次点名为不良银行实务。
数据隐私保护与数据安全存在挑战。国际结算单据涉及大量的客户与交易对手信息，在模型训练和数据“投喂”中信息的隐私保护与数据安全是摆在业务人员和科技开发人员面前的现实问题。实际开发中，由于算力投入的局限性，大模型本地化部署的运算效率和准确性与大模型本身的联网运算之间也存在一定差异。
可行性建议
持续加大计算机自动化辅助技术应用。持续推动自动化辅助信息录入。积极研究RPA和检索增强生成（RAG）技术应用场景。识别需要重复录入的相关信息，同时注意大模型应用中的知识局限性、幻觉问题和数据安全，提升技术应用的质效。
密切关注人工智能在审单领域的应用进程。持续跟进人工智能在数字识别上的技术发展，探索提高新技术对单据影像件的发票号、信用证号、提单港口等简单要素的识别效率。关注金融科技对数字化切片技术的应用研究以及大模型算法的更新迭代，梳理人工智能审单的可落地发展路径。
加强业务处理人员专业培训。在业务处理的前后端，上传单据影像件、对外寄单等操作是人工智能无法替代的，单据遗漏、上传影像不完整、寄单面函错放等人工纰漏是人工智能难以预判和拦截的。因此，仍需提高收单行人员专业技能，提升操作质效。
增强数据安全管理能力。加强数据治理，保护客户隐私和数据安全，坚持合规运营。强化对第三方科技公司合作的数据安全管理，杜绝数据安全相关的风险事件发生。
作者单位：浙商银行国际业务部