康奈爾大學藉助AI追回10萬美元不明付款

康奈爾大學AI創新中心與財務部合作，成功開發了一款AI工具，從積壓的不明付款中追回了10萬美元。該專案歷時兩個學期，由研究生、AI專家和財務人員共同完成，將原本耗時數小時的手動調查過程轉化為高效自動化流程。

每年，康奈爾的銀行賬戶都會收到數百筆電匯或自動清算所（ACH）付款，但這些付款缺乏足夠的路由資訊——沒有發票號、供應商名稱模糊或縮寫、缺少部門程式碼。這些資金被記入一個通用總賬暫存賬戶，無法分配給應得的部門。如果未能及時處理，紐約州法律要求康奈爾將這些資金作為無人認領財產上繳州政府，歷史上積壓金額峰值曾達400萬美元。

財務團隊的Cheryl Barnes和Marie Graves此前每天要花費多達半天時間處理這個問題：搜尋舊郵件、谷歌搜尋供應商縮寫、打電話聯絡、交叉核對歷史交易。有些付款需要數小時才能解決，許多則始終無法確認。當時的活躍積壓約有100萬美元，涉及數百筆交易。

專案從2025年秋季開始，由AI創新中心與財務運營部合作。AI創新中心的Pete Stergion和Phil Williammee擔任技術聯合負責人，Ayham Boucher和David Keith Nelson提供監督。研究生團隊在秋季學期完成了基礎工作：分析付款資料、在n8n中原型自動化工作流、測試Gemini、GPT和Claude等AI模型。他們的分析得出了關鍵洞察：99%的不明付款上存在供應商名稱，而發票號和採購單號出現比例不足4%。這一發現決定了後續方向。

2026年春季學期開始，團隊利用Claude Code的規劃模式，載入了所有背景資訊（專案背景、當前手動流程、會議記錄、學生工作流原型以及脫敏資料檔案），Claude Code首先提出完整的實施架構，經團隊批准後才開始編碼。這種“先規劃後構建”的方法使團隊能在一次會話中從學期筆記和原型直接進入工作工具。

在針對當前積壓執行之前，團隊用歷史資料進行回測。從財務部已解決的9,131筆付款中，他們隱藏已知答案，測試工具能否得出相同結論。對於有穩定路由的回頭供應商，基礎模糊匹配在500筆測試中達到97%準確率，全AI流水線達到100%；對於從未見過的供應商，識別率從76%升至100%。但回測也暴露了主要侷限：當一家供應商支付多個康奈爾部門時，工具能正確識別供應商，但有時無法精確匹配到具體部門賬戶。該侷限已記錄在案，供財務人員額外注意。

工具是一個自定義Python流水線，作為Claude Code中的技能使用。財務人員從Kyriba系統匯出標準不明付款電子表格，交給工具後，流水線執行三個階段：歷史匹配（模糊字串匹配，過濾無關詞）、AI供應商研究（透過Gemini企業網路搜尋查詢供應商資訊）、Claude綜合（彙總所有證據給出結構化建議）。最終輸出是一個按置信度排序的Excel表格，已預填部門聯絡資訊。整個過程只需幾分鐘。

首次批處理後，財務團隊向23個部門傳送了確認郵件，7個部門回覆，共確認5筆付款，總額10萬美元。這10萬美元只是第一步。雖然工具能在幾分鐘內生成建議，但最終確認仍需財務人員與部門溝通核實。財務團隊正繼續使用此方法處理剩餘事項。

下一步是讓財務團隊納入康奈爾的Claude試點計劃，設定自定義/treasury技能，使他們能自行執行調查流水線。目標是實現團隊自主運營的可持續工作流，AI創新中心提供持續指導和支援。

專案的成功在於前期的紮實工作：研究生一學期的分析基礎、財務團隊分享的領域知識和資料。當構建時機成熟時，AI已擁有設計真正解決方案所需的一切。10萬美元只是一個開始。