怎么衡量价值
每天拍一张送货清单：462 个印刷格子，13 个手写数字，机器有把握的只有 1 个
送货员每天只拍一张打印的清单；AI 在表格上找手写痕迹，机器把手写数字与实送数量比对。上线两天：10 张清单、13 个手写数字，机器有把握的只有 1 个——价值在于把有笔迹的格子摆到人眼前，本文说明如何给它算钱。
每天拍一张送货清单——机器能下结论的有多少，值多少钱？
只需要每天的送货员人数、每人每天的送货单数、拍清单的天数占比，以及有手写数字的格子占比。所有金额都由此推出。每一项都可以改。
由上面四个数字推出
假设——点开逐项查看和修改
清单
识别
金额
这是估算，不是承诺。试两个极端：把 AI 有把握的占比设为 0——收益只少一点；把人工复核占比设为 0——几乎归零。把拍清单的天数占比设为 0：每一行都归零，包括成本。诚实的模型必须做得到。
每天早上，送货员从系统领到一张打印纸：他自己当天的送货清单——每行一家门店，每列一个品项，格子里是数量。 跑完一圈，纸上全是笔迹：门店没要的格子打了叉，12 改成了 10，几处画圈提醒自己。到了下午，这张纸在口袋里， 系统里仍是早上打印的数字。
本文说的改变很小：每天给这张纸拍一张照片，而不是什么都不拍。AI 在印好的表格上找手写痕迹，机器把手写数字与已录入 的实送数量比对。我们测量了一家生鲜食品分销商上线后的头两天：10 张清单、462 个印刷格子、13 个手写数字。机器有把握 读出的，13 个里恰好 1 个；其余 12 个显示出来，留给人看照片确认。这个结果决定了价值在哪里——而且它不在人们通常以为的地方。
1. 改变了什么
- 一张清单，一个人，一天。 手机送货界面上有「送货清单」卡片，送货员拍一张或几张（最多 6 张）。系统已经知道清单上 印的内容——就是这名送货员当天的送货单——于是把这张表格一并发给 AI。清单的照片也可以混在一整天的照片里，机器会 认出它是清单并归进去。
- AI 不重读整张纸，只找手写痕迹：划掉、改数、补写、画圈、备注——并逐个说明自己有没有把握。
- 由机器比对，规则是写好的。 划掉表示纸上是 0；改数或补写表示纸上是手写的数。只有 AI 有把握、且与实送数量不同 的痕迹才算「差异」，在手机上通知送货员本人。没把握的痕迹显示在品项下方，附「需看照片」，不通知。画圈和备注只显示，不比对。
- 干净的印刷格子不下结论。 AI 可能漏看淡淡的痕迹，所以没有手写痕迹的格子不算作「相符」。
- 送货员在手机上改了实送数量，机器立即用已保存的识别结果重新比对，不再调用 AI。
2. 头两天测到了什么
| 项目 | 实测 |
|---|---|
| 有照片的清单 | 10 张，照片 17 张 |
| 拍了清单的人·日 ／ 有送货单的人·日 | 10 / 29 |
| 这些清单上的送货单 | 93（每张 9.3） |
| 清单上的印刷格子 | 462 |
| AI 找到的手写痕迹 | 67 |
| ——其中画圈或备注，没有数字 | 54 |
| ——其中手写数字（划掉、改数） | 13 |
| AI 有把握读出的手写数字 | 1 |
| 发出的差异通知 | 0 |
13 个手写数字中：5 个已与系统里的实送数量一致——送货员已在手机上改过；7 个与实送数量不同，但 AI 都标为「没把握」， 所以只显示给人看；1 个被涂改覆盖，读不出来。结果在第一张照片后 14 分钟内返回，通常只要一两分钟。
也要直说：这两天里，没有人因此不再逐张拍送货单。清单上的 93 张送货单中，87 张仍有各自的 签收单照片，而签收单的识别在其中 24 张上报了差异。清单是送货员自己的纸， 没有门店签字；它是一层便宜的额外检查，还不是能取代签字单据的东西。
3. 第一个来源：开票前发现差异
差异有两条路被发现：AI 有把握读出、且与实送不同的数字（机器通知），加上没把握但不同、有人打开照片确认的数字。
怎么测。 取最近两个月的月底对账单：有多少差异行能追溯到送货员在清单上划掉或改过的地方，追查各花了多久。 「之后」的数字直接从拍下的清单读取：痕迹数、有人复核的数、已改正的数。
可信度： 中。7 个「不同」都是 AI 没把握的数字，其中一部分可能是读错，而不是真正的差异。
4. 第二个来源：趁来得及把货留住
怎么测。 下次盘点时，把清单上最常被划掉或改数的品项的差异单独拿出来，与开始拍照前的两个月比较。
可信度： 低——这是最软的一项，因为损耗比例是假设。
5. 要减去的：人工复核照片和 AI 识别
复核没把握的数字是实打实的时间：148 个 × 50% × 2 分钟 ≈ 每月 17 万盾。AI 每张照片读一次，每张清单 1.7 张照片， 每张 800 盾：≈ 每月 17 万盾。识别后再改数字不再花钱——比对由代码重新运行。
6. 加起来
| 来源 | 每月 | 每年 |
|---|---|---|
| 处理差异的工时减少 | 60万 | 721万 |
| 趁来得及把货留住 | 56万 | 674万 |
| 人工复核照片的工时 | −17万 | −207万 |
| AI 识别照片 | −17万 | −208万 |
| 净收益 | 82万 | 980万 |
数字不大，而且确实不大：清单上只有约 3% 的格子有手写数字。计算器里的矩形树图说明了原因——几乎全部面积是机器不下任何 结论的干净印刷格子，机器自己决定的那一块只是角落里的一道细条。
7. 这个 ROI 建立在哪些假设上
有没有人打开照片。 这是两天测量中最重要的发现。在计算器里把 AI 有把握的占比设为 0：净收益只从 82 万降到 72 万。 把人工复核占比设为 0：几乎归零。清单的价值在于把有笔迹的格子准确地摆到人眼前，而不在于机器自己裁决。
「不同」是否真的不同。 54% 是 AI 读出的数字（包括没把握的）中的比例。如果你认为一半是读错，就设成 25%：净收益约 19 万。
干净的格子不等于正确。 AI 可能漏看痕迹，所以系统有意不把干净的印刷格子算作「相符」。不要把「没有差异通知」读成 「没有差异」。
清单上没有门店签字。 它是送货员自己的说法。门店签收的地方，签字单据仍是证据；清单只在完全没有签字单据照片的送货单上 顶替它——本次测量是 93 张中的 6 张。
和本站所有计算器一样：把拍清单的天数占比设为 0，每一行都归零，包括成本。
8. 在你自己的公司里测
- 取基线。 用一周时间收回每个送货员的纸质清单：数有手写数字的格子，以及其中开票时还没录入系统的有多少。
- 拍四周。 每周跟踪：拍清单的天数占比、手写痕迹数、AI 有把握的占比、没把握的数字中有人打开照片的占比。
- 比较前后的月底对账单：能追溯到清单上某处笔迹的差异行，就是这张照片应当抓住的部分。
9. 值得记住的
每天一张照片便宜到值得拍——但它买到的是人的注意力，不是机器的裁决。 462 个印刷格子里，机器只对一个数字有把握。 其余是一份很短的清单：有笔迹的格子，摆在对的位置，告诉人该看哪里。
送货员口袋里的那张纸早已写着答案。照片的任务，是在开票之前把它带回来。
实测数据来自一家食品分销商上线后的头两天，已匿名化；样本仍然很小。货物成本、分钟数、损耗比例以及计算器中的其他假设 都是示例数字。请换成你自己的数字。
继续阅读
-
从工作项清单生成 G8 文件：少花多少小时重新录入，又有多少抄写错误不再留在预算里
工程量在自己的表格里算好，再把每个编码、每行工程量计算重新录入预算软件 G8：每月几个小时，外加几个抄写错误。当助手把工作项清单写成一个符合 G8 2020「Công trình」工作表导入格式的文件 — 计算行是公式，带分组合计和分项合计行 — 能拿回多少小时，少多少错误，又要扣掉多少 AI 费用？
-
用一个链接共享预算：邮件来回传 Excel 要花多少小时，「哪个是最新版？」从何而来
一套预算通过邮件里的 Excel 文件在 2–4 个人之间流转，总有人问「哪个是最新版？」。当整套资料 — 图纸、工程量表、每个数字的来源 — 放在一个共享项目后面，可以按邮箱邀请一起做，或发一个无需账户的只读链接，审阅往返每月能拿回多少小时？
-
不重复开票：开票前先查会计账簿，209张中有199张已经存在
开票工作从会计软件迁入ERP时，会有一段两边都在开票的时间。如果ERP在开票前直接查询会计账簿，一次切换能避免多少张重复发票——每张不必清理的重复发票又值多少？