用 AI 自動處理文件：發票、合約、表單擷取的完整實作教學

財務小姐每天上班的第一件事，是把昨天收到的三十幾張供應商發票，一張一張看過、把廠商名稱、發票號碼、未稅、稅額、總計，手動敲進 Excel 再轉進會計系統。一張兩三分鐘，三十張就是一個半小時，而且敲到第二十張眼睛開始花，金額抄錯一個位數，月底對帳就要加班抓鬼。這不是哪一家公司的特例，這是台灣絕大多數中小企業每天都在重演的日常。

這篇要解決的問題：教你用 AI 把發票、合約、報價單、表單這些「非結構化文件」自動轉成「乾淨的結構化資料」，從選工具、寫擷取指令到設覆核機制，做到可上線、不出包。 適合誰讀：財會、行政、採購、人資、法務助理——任何每天要從一堆文件裡抄資料進系統的人，沒有技術背景也跟得上。 讀完你會得到：一套文件自動化的完整心法、一張工具選擇對照表、五個實作步驟、可直接複製的擷取 Prompt、一個台灣貿易公司導入前後的真實數據對照，以及最容易出包的錯誤清單。

TL;DR：把文件自動化做成功的關鍵，不是「找一個最強的 AI 一鍵全包」，而是「先 OCR 再理解、用 JSON 定義欄位、加信心分數讓人工只覆核少數件」。先用無程式方式驗證 Prompt 準確率，再串系統，自動化率可達八成以上而錯誤被擋在進帳之前。

免責聲明：本文涉及的會計、稅務與合約欄位擷取為流程教學示範，AI 擷取結果可能出錯；正式記帳、報稅與合約簽署前，務必由具會計師、稅務或法務專業者覆核原始文件。

為什麼「文件處理」特別值得用 AI

很多老闆對 AI 的想像停在「寫文案、做圖」，卻忽略了 AI 最能立刻省錢的場景，其實是這種沒人想做、又不得不做的文件搬運工作。原因有三個。

第一，它是純粹的重複勞動，價值低但量大。把發票金額抄進系統不需要創意、不需要判斷，卻每天都要做、做不完。這種工作交給人，是用昂貴的時間做廉價的事；交給 AI，剛好物盡其用。

第二，人工出錯率高且難察覺。連續敲三十張發票，少打一個零、把 6 看成 8，這種錯不會當下跳出來，要等月底對帳對不上才爆。AI 不會疲勞，再加上自動的交叉驗證規則，反而比人更不容易讓金額錯誤溜進系統。

第三，過去做不到，現在才做得到。十年前要自動讀發票，得為每一種版型刻一套模板，廠商一改版就壞，維護成本高到只有大企業玩得起。現在的多模態 AI 是「理解」文件內容而非「比對」固定位置，所以它能容忍版型變化，中小企業也負擔得起。這是這兩年才真正成熟的能力，值得重新評估。

換句話說，文件自動化是 AI 投資報酬率最高、最容易看到成果的起手式。你不需要先有宏大的數位轉型藍圖，光是把「抄發票」這一件事自動化，就能立刻釋放出一個人力。

核心概念：從「非結構化」到「結構化」

要理解這件事，先搞懂一個關鍵詞：非結構化資料。一張發票對人來說一目了然，但對電腦來說，它只是一堆像素或一段沒有欄位標記的文字——電腦不知道哪個數字是「總計」、哪串文字是「統一編號」。文件自動化的本質，就是把這種「人看得懂、電腦看不懂」的東西，翻譯成「電腦能直接存進資料庫」的結構化資料。

這個翻譯過程分成兩層能力，很多人會混淆，務必分清楚：

關鍵心法是：清晰的數位 PDF 或截圖，可以直接丟給多模態 AI 一步到位；但掃描檔、手寫、傾斜、低解析度的影像，要先過 OCR 再交給 AI 理解，準確率會高很多。 不要因為多模態模型「也能看圖」就全部直接丟圖，遇到爛掃描檔它一樣會猜錯。先 OCR 再理解，是專業做法與玩票做法的分水嶺。

下表幫你快速判斷不同文件該怎麼處理：

實際做法：五步打造可上線的文件自動化

Step 1：盤點文件類型與欄位清單

不要一開始就想「把所有文件都自動化」。先挑一種量最大、最痛的文件（通常是進項發票），列出你每次要從它身上抄哪些欄位。這份「欄位清單」就是 AI 擷取的標準答案，也是你日後驗收準確率的依據。

以進項發票為例，欄位清單可能是：供應商名稱、統一編號、發票號碼、開立日期、未稅金額、稅額、含稅總計、品項明細。把它寫清楚，後面每一步都會用到。

Step 2：選對工具——OCR 還是多模態

依照前面的對照表，判斷你的文件主要是哪一種品質。數位 PDF 為主，就用 ChatGPT、Claude 這類能讀檔的多模態工具起步；掃描與手寫多，就先接一個專業 OCR。不確定時，最快的驗證法是各拿五份真實文件，分別用兩種路徑跑一次，比對哪個準。延伸的工具選擇可參考最佳 AI 自動化工具盤點。

Step 3：寫結構化擷取 Prompt

這是整套流程的心臟。重點是不要讓 AI 用一段文字回答你，要它回傳機器讀得懂的 JSON。Prompt 裡要把欄位、型別、規則全部寫死（找不到填 null、金額去逗號與貨幣符號、日期統一成 YYYY-MM-DD）。完整範例見下一節。

Step 4：設信心分數與人工覆核

這一步決定你敢不敢把它上線。要求 AI 對每個關鍵欄位額外輸出一個信心分數，再加上業務邏輯驗證規則（未稅＋稅額是否等於總計）。把「低信心」或「驗證對不上」的件數自動標記出來退給人工，其餘自動放行。這就是所謂的 human-in-the-loop（人在迴圈中）——你不是要 100% 全自動，而是要 80% 自動＋20% 聚焦覆核，整體又快又不出包。

Step 5：串接系統與歸檔

最後把擷取出來的 JSON 寫進 Excel、Google Sheet 或會計／ERP 系統，原始檔依「日期＿供應商＿發票號碼」之類的規則自動改名歸檔。小量手動貼即可；要每天自動跑，就用 Make、n8n 把「收信附件→OCR→AI 擷取→寫表→歸檔」串成一條 Workflow，整套流程設計可參考 AI Workflow 設計教學，現成範本到 /workflows 直接套用。

可複製的擷取 Prompt

把下面這段貼進 ChatGPT 或 Claude，連同發票檔案一起送出。實務上請依你 Step 1 的欄位清單增刪欄位。

你是專業的財會文件擷取助理。我會提供一張發票（圖片或 PDF）。
請只輸出 JSON，不要任何其他文字或說明。

擷取規則：
1. 嚴格依照下方欄位結構輸出，欄位順序不可更動。
2. 任何欄位若文件中找不到，一律填 null，不要省略該欄位、不要猜測。
3. 金額一律輸出純數字，去除逗號、貨幣符號與空白；日期統一為 YYYY-MM-DD。
4. 每個關鍵欄位附一個 confidence（high / medium / low），表示你對該值的把握。
5. 額外做一個交叉驗證：判斷 untaxed + tax 是否等於 total，
   結果填入 validation.amount_check（true / false / null）。

輸出格式：
{
  "supplier_name": "",
  "tax_id": "",
  "invoice_number": "",
  "invoice_date": "",
  "untaxed": 0,
  "tax": 0,
  "total": 0,
  "line_items": [
    { "description": "", "qty": 0, "unit_price": 0, "amount": 0 }
  ],
  "confidence": {
    "tax_id": "high",
    "invoice_number": "high",
    "total": "high"
  },
  "validation": { "amount_check": true },
  "needs_human_review": false
}

最後依規則自行判斷：若任一關鍵欄位 confidence 為 low、
或 validation.amount_check 為 false，請把 needs_human_review 設為 true。

這段 Prompt 的設計重點有三個：強制 JSON 讓下游程式好接、強制保留 null 欄位避免漏抓、內建信心與驗證讓系統知道哪些要退人工。要處理合約或其他文件時，把欄位換成你的清單即可，合約條款擷取的進階技巧見 AI 合約審閱教學。

台灣中小企業實作案例：一家貿易公司的進項發票自動化

公司背景：台中一家做五金零件進出口的貿易公司，二十多人，每月要處理約 600 張進項發票，來自上百家國內外供應商，版型五花八門。原本由一位行政人員負責 key-in 進會計系統。

導入前的痛點：

• 一位行政人員每天約花 2.5 小時抄發票，一個月超過 50 小時純人工。
• 月底常因金額抄錯（漏零、稅額算錯）導致對帳對不上，平均每月加班 6 至 8 小時抓錯。
• 旺季發票暴增時，發票積壓、請款延遲，影響與供應商關係。

導入做法：先用本文 Step 1 到 Step 4 的方法，拿 50 張真實發票在 Claude 上手動測 Prompt，把準確率調到滿意。確認可行後，用 n8n 串成自動流程：供應商寄來的發票附件進信箱→自動過 OCR→送 AI 擷取→低信心或驗證失敗的退到一個「待覆核」清單、其餘直接寫進 Google Sheet 並轉入會計系統→原始檔自動歸檔。整套花了約兩週建置，類似的登打自動化思路見 AI 資料登打自動化。

導入後成果（上線三個月後統計）：

關鍵心得：負責導入的會計主管說，最有價值的不是「全自動」，而是「AI 先把八成做掉、把對不上的兩成清楚標出來，人只要看那兩成」。行政人員從每天抄兩個半小時，變成每天花二十分鐘檢查退件，省下的時間拿去做應收帳款追蹤，整個財務流程都鬆了下來。這套思路同樣適用於會計事務所的 AI 應用。

常見錯誤：八成的人都踩過

錯誤一：追求 100% 全自動，結果一個出包就全盤不信。 文件自動化的正確目標是「高自動化率＋低風險」，不是「零人工」。沒有覆核機制的全自動，遲早因一次錯帳被老闆叫停。先求穩，再慢慢提高自動放行門檻。

錯誤二：爛掃描檔直接丟多模態模型。 看到模型「能讀圖」就全部丟圖，遇到歪斜模糊的掃描件辨識率直接崩。記得分流：清晰的直接讀，爛的先過 OCR。

錯誤三：讓 AI 用自然語言回答，下游無法自動處理。 「這張發票總計是 12,600 元」這種回答程式接不住。一律要求結構化 JSON，並把欄位、型別、缺值規則寫死。

錯誤四：沒有交叉驗證，錯了也不知道。 只擷取不驗證，等於把 AI 的猜測當成真理。一定要加業務邏輯檢查（未稅＋稅＝總計、品項加總＝小計），讓系統自己抓出可疑件。

錯誤五：把高機密文件丟進公開版聊天工具。 合約、人事、客戶個資不該丟進可能拿去訓練的公開服務。改用 API 方案、確認資料不留存條款，並在送出前遮蔽敏感欄位。

錯誤六：一次想吃下所有文件類型。 同時自動化發票、合約、報價單、簽收單，每種都做不深、都不上線。先把量最大那一種做到能上線，嘗到甜頭再擴張。

結論

用 AI 自動處理文件，是中小企業導入 AI 投資報酬率最高、最快見效的一步。它不需要宏大的轉型計畫，只要挑出「抄發票」這種量大、低價值、又出錯率高的工作，用「先 OCR 再理解、JSON 定義欄位、信心分數讓人工只覆核少數件」這套方法，兩週內就能讓一個人力從重複勞動裡解放出來。

記住三個原則：目標是「可控的高自動化」而非「魯莽的全自動」、永遠用結構化輸出加交叉驗證、敏感文件要顧好資安。先用無程式方式把 Prompt 的準確率調好，再決定要不要串系統，你就能把每天那一個半小時的抄寫，變成每天二十分鐘的安心覆核。

想把這套自動化擴展到其他流程，可以接著看 AI 文件自動化的批次與歸檔流程、用 自動化工作流範本 直接套用現成設計，或到 /tools 挑選適合你文件類型的工具。

常見問題 FAQ

延伸閱讀

• AI 文件自動化：批次處理與歸檔流程
• AI 資料登打自動化：告別人工 key-in
• AI 合約審閱教學：抓出風險條款
• AI Workflow 設計：把重複流程自動化
• 自動化工作流範本，直接套用