收益：
- 能够选择银行定期报告和文件制作的哪些步骤（管理报告、委员会说明、客户信函）可以安全自动化
- 能够使用人工智能进行报告起草、数据汇总和一致性检查，熟练地验证数值准确性和来源归属
- 能够理解自动化提高了速度，但也缩小了错误并维护了控制点和最终签名责任
银行业是一个产生文件和报告的行业：月度管理报告、信贷委员会备忘录、风险摘要、客户信函、审计回复、产品信息表。其中许多文档具有重复性，通过人工智能草稿生成、数据汇总和一致性检查节省了时间。但请记住一个警告：自动化会提高速度和错误。如果您在手写时输入了错误的数字，则文档将不正确；如果自动流程携带错误的编号，数百份文档将突然出现错误。因此，报告自动化的真正技巧不是出草稿，而是作为专家确认数值准确性和来源链接，并负责任地做出最终签名。
在本单元中，我们将了解哪些报告步骤可以安全地自动化，如何使用人工智能进行起草和检查，以及如何设置检查点。
我们可以自动化什么，我们签署什么？
将报告分为三个部分：
- 结构和语言（安全自动）：模板、标题、过渡句、格式。人工智能在这里很强大，风险也很低。
- 数据和数字（需要控制）：利润、余额、比率、金额。人工智能可以总结，但每个关键数字都必须根据来源进行验证。
- 解释和决策（人）：“这个结果意味着什么，我们应该做什么？”这是专家的结论。
报告步骤
人工智能角色
控制
设置模板和标题
产生
轻度审查
文字大纲和语言
产生
专家纠正
数值总结
草案
根据源重新验证
图表/表格说明
草案
号码一致性检查
结论与建议
（仅草稿）
专家作家/代言
签名并提交
—
有能力的人
提示：自动报告中最危险的错误是“看似正确的错误数字”。流畅的句子中嵌入的不正确的利润数字很容易被忽视。因此，无论文本如何，都要从来源中一一检查数字。
数值验证学科
- 只有一个来源。标记报告中的每个关键数字来自哪个表/系统。
- 重新计算。亲自验证总计、比率、变化百分比。当 AI 说“较上季度增长 12%”时，它可能会错误地处理数字。
- 一致性。报告不同部分的同一数字是否一致？图表中的值与文本中的值匹配吗？
- 源拟合控制。可能引用非人工智能来源；验证每个参考。
四个可复制模板
1) 报告草稿（忠实于给出的数字）：
您的角色：撰写管理报告草案的助理。仅使用我给您的经过验证的数据；不要编造新数字，解释数字时不要夸大其词。将来源写在[括号]中每个数字旁边。将结论/建议部分留空并注明“[专家完成]”。数据：[季度数据和来源]
2）数值一致性检查：
列出下面报告文本中的所有数字，并标记那些相互矛盾、不相加或未指定来源的数字。只需检查一致性，不要添加新数字。文本：[报告文本]
3) 委员会笔记摘要：
您的角色：助理，为信用委员会提供中立的摘要。将我给您的经过验证的案例调查结果转化为平衡的总结，而不建议做出决定。分别列出优点和缺点。委员会将决定；你提交一份草稿。调查结果：[文件注释]
4) 起草客户信件：
您的角色：起草正式客户信函的助理。不使用个人数据，做出坚定承诺，建立法律承诺。撰写礼貌、清晰且适合模板的文本。授权员工将检查并签字。主题：[通信主题]
弱提示/强提示
弱提示：
为本季度写一份令人印象深刻的管理报告，合理估计所需的数字，并使其看起来不错。
“猜数字”的指令会产生幻觉，无法连接到源，并产生无法签名的文档。
强力提示：
您的角色：报告起草助理。只使用我提供的经过验证的号码，不要编造新号码。请在括号中显示每个数字的来源。将结论/建议留空；专家会写的。用“[需要确认]”标记不清楚的地方。
强烈的意志禁止捏造，约束来源，并将解释留给人类。
三个迷你箱子
案例 1 — 节省时间。风险团队利用人工智能起草每月 40 页管理报告的结构和语言。它提供系统验证的数字。写作时间从2天减少到半天；专家将时间投入到数字验证和解释上。
案例 2 — 抓到了错误的号码。 AI草案中写道：“净利润较上季度增长23%。”专家根据来源重新计算：实际涨幅为13%；该模型混合了两个数字。如果没有验证，管理层将得到不准确的情况。
案例 3——人为否认来源。在审核回复草案中，AI 指的是不存在的内部程序编号。专家找不到该参考文献并将其删除；只有经过确认的来源才会进入文档。用编造的参考资料来回应审计将导致严重的信任丧失。
自动化的规模影响：一个错误，一百份文档
手写报告时，错误“单一”；在自动化中，错误可能是“系统性的”。让我们具体化一下。假设 60 个分支机构的每月绩效信件是使用单一模板和单一数据流生成的。如果模板中的公式不正确（例如，在计算“增长”时使用去年的值而不是上个月的值），则该错误将反映在所有 60 个字母中，并且它们都将不正确。如果你是手写的，也许你会注意到其中一个；自动化悄无声息地大量增加了错误。
这就是为什么自动流程的控制是两层的：
- 模板/流程检查（一次、深入）：在上线之前使用示例数据测试公式、字段映射和逻辑。这里的错误是最昂贵的，因为它会扩展。
- 样品检查（每次）：每批生产后随机抽取一些打印输出进行手动验证。你无法阅读全部内容，但样本捕捉到了系统性偏差。
提示：首次设置自动报告流程时，“正确生成”并不足以证明。使用不同的边缘情况进行测试（负值、零、非常大的数字、缺失数据）；缩放误差通常隐藏在这些边缘处。
另一个潜在的风险是使用旧数据进行生产：流程可能会停留在上一期的数据上，而新的期间报告会以正确的格式但包含错误的数字。这些类型的错误是最容易被忽略的，因为表格看起来很完美。所以每次量产前都会“是这个时期的数据源吗？”问题进入流程作为控制步骤。只要自动化的速度依赖于准确的数据，它的速度就很有价值；使用不正确的数据进行快速生产只会更快地传播错误。
常见错误
- 不重新计算数字。不相信文本的流畅性并确认关键数字。
- 编数字。告诉模型“预测缺失的数字”；会产生幻觉。
- 不检查来源归属。没有注意到不存在的程序/报告引用。
- 将评论留给模型。让模型说出“我们应该做什么”的结论，而不是由专家把它写下来。
- 低估了签名。仅仅因为该文件是自动生成的，就不对其负责；签名是你的。
注意：签署报告意味着“我支持其中的每个问题和主张”。自动化并没有改变这一点；它只是加快草稿速度。错误数字的责任在于签署该数字的专家，而不是生成该数字的模型。
综上所述
在报告自动化中，结构和语言是安全自动化的；数字必须根据来源进行验证；解释和决定属于人类。由于自动化也会缩小误差，因此数值验证、一致性和源代码控制至关重要。不要让人工智能编数字，确认每一个参考资料，像专家一样写出结论和建议。一句话简介：AI加速起草；号码和最终签名的准确性由您负责。
应用任务
准备一个小型季度数据集（一些经过验证的数据及其来源）。使用模板 1 生成草稿报告，然后检查相同文本与模板 2 的数字一致性。手动重新计算草图中的百分比变化并将其与模型的值进行比较。还要注意当您故意创建一个微弱的提示“猜猜丢失的数字”时，会出现伪造的风险。
清单
- [ ] 我已根据来源重新验证了报告中的每个关键数字。
- [ ] 我没有用数字拟合模型；我删除了没有来源的参考文献。
- [ ] 我检查了报告中的数字是否一致。
- [ ] 我以专家的身份写了结论和建议部分。
- [ ] 我通过了检查站并留下了审计线索。
- [ ] 我承认我拥有最终的签名和责任。