康奈尔大学借助AI追回10万美元不明付款

康奈尔大学AI创新中心与财务部合作，成功开发了一款AI工具，从积压的不明付款中追回了10万美元。该项目历时两个学期，由研究生、AI专家和财务人员共同完成，将原本耗时数小时的手动调查过程转化为高效自动化流程。

每年，康奈尔的银行账户都会收到数百笔电汇或自动清算所（ACH）付款，但这些付款缺乏足够的路由信息——没有发票号、供应商名称模糊或缩写、缺少部门代码。这些资金被记入一个通用总账暂存账户，无法分配给应得的部门。如果未能及时处理，纽约州法律要求康奈尔将这些资金作为无人认领财产上缴州政府，历史上积压金额峰值曾达400万美元。

财务团队的Cheryl Barnes和Marie Graves此前每天要花费多达半天时间处理这个问题：搜索旧邮件、谷歌搜索供应商缩写、打电话联系、交叉核对历史交易。有些付款需要数小时才能解决，许多则始终无法确认。当时的活跃积压约有100万美元，涉及数百笔交易。

项目从2025年秋季开始，由AI创新中心与财务运营部合作。AI创新中心的Pete Stergion和Phil Williammee担任技术联合负责人，Ayham Boucher和David Keith Nelson提供监督。研究生团队在秋季学期完成了基础工作：分析付款数据、在n8n中原型自动化工作流、测试Gemini、GPT和Claude等AI模型。他们的分析得出了关键洞察：99%的不明付款上存在供应商名称，而发票号和采购单号出现比例不足4%。这一发现决定了后续方向。

2026年春季学期开始，团队利用Claude Code的规划模式，加载了所有背景信息（项目背景、当前手动流程、会议记录、学生工作流原型以及脱敏数据文件），Claude Code首先提出完整的实施架构，经团队批准后才开始编码。这种“先规划后构建”的方法使团队能在一次会话中从学期笔记和原型直接进入工作工具。

在针对当前积压运行之前，团队用历史数据进行回测。从财务部已解决的9,131笔付款中，他们隐藏已知答案，测试工具能否得出相同结论。对于有稳定路由的回头供应商，基础模糊匹配在500笔测试中达到97%准确率，全AI流水线达到100%；对于从未见过的供应商，识别率从76%升至100%。但回测也暴露了主要局限：当一家供应商支付多个康奈尔部门时，工具能正确识别供应商，但有时无法精确匹配到具体部门账户。该局限已记录在案，供财务人员额外注意。

工具是一个自定义Python流水线，作为Claude Code中的技能使用。财务人员从Kyriba系统导出标准不明付款电子表格，交给工具后，流水线运行三个阶段：历史匹配（模糊字符串匹配，过滤无关词）、AI供应商研究（通过Gemini企业网络搜索查询供应商信息）、Claude综合（汇总所有证据给出结构化建议）。最终输出是一个按置信度排序的Excel表格，已预填部门联系信息。整个过程只需几分钟。

首次批处理后，财务团队向23个部门发送了确认邮件，7个部门回复，共确认5笔付款，总额10万美元。这10万美元只是第一步。虽然工具能在几分钟内生成建议，但最终确认仍需财务人员与部门沟通核实。财务团队正继续使用此方法处理剩余事项。

下一步是让财务团队纳入康奈尔的Claude试点计划，设置自定义/treasury技能，使他们能自行运行调查流水线。目标是实现团队自主运营的可持续工作流，AI创新中心提供持续指导和支持。

项目的成功在于前期的扎实工作：研究生一学期的分析基础、财务团队分享的领域知识和数据。当构建时机成熟时，AI已拥有设计真正解决方案所需的一切。10万美元只是一个开始。