大多数企业流程，都是围绕“材料齐全、身份标准、路径明确”的客户设计的。
一旦客户的证件、语言、居住经历或业务情况偏离标准模板，系统就容易进入两种状态：要么直接拒绝，要么把问题抛给少数资深员工线下处理。前者损失客户，后者依赖个人经验，成本高、周期长，也难以审计。
2026 年 9 月 9 日，Microsoft for Startups 发布 Welcount 案例。这家金融科技公司服务在欧洲生活的国际专业人士、学生、研究人员、移民、难民和寻求庇护者，并将 AI 用于合规流程、身份验证、客户支持和产品创新。案例提到，一名赴法国工作的研究人员在 24 小时内完成信息核验并开立账户；针对缺少传统证件的难民和寻求庇护者，Welcount 还与联合国难民署合作，探索使用联合国签发文件的专门核验能力。
这条消息真正值得企业关注的，不是“AI 开户更快”，而是一个更普遍的经营命题：AI 能否把原本依赖人工特批的非标准情况，变成有证据、有边界、可复核的正式服务通道？
标准化提高了效率，也会制造“流程看不见的人”
企业习惯用标准化控制风险：固定字段、指定证件、统一规则、自动校验。对于高频且稳定的业务，这套方法有效；但标准并不等于现实的完整表达。
跨国员工可能还没有本地地址记录，新成立企业可能缺少足够长的经营历史，患者的病历可能分散在不同机构，工业客户也可能仍在使用旧型号设备。客户并非没有真实需求或有效证据，只是证据没有以现有系统预期的形式出现。
当这类情况增长，企业常见的应对方式是增加一个“其他”选项，再让后台人工判断。问题在于，人工例外往往存在于邮件、聊天和员工记忆中：为什么补充这些材料、依据了哪条规则、谁做了决定、相似情况能否复用，都没有沉淀下来。
AI 的机会不是绕过标准，而是降低理解非标准情况的成本：识别客户缺少的并非哪一个固定字段，而是哪一项待证明的事实；从多语言材料和不同类型文件中提取证据；提示仍然存在的冲突；把完整上下文交给有权限的人决定。
“识别不了”不应自动等于“风险过高”
传统系统很容易把三种不同状态混在一起：
第一种是产品能力边界，第二种是待补充事实，只有第三种才接近风险结论。如果企业把前两种也直接转成拒绝，表面上降低了处理成本，实际上可能把系统局限伪装成风险判断。
这也是 Welcount 案例之外，官方资料提供的重要校验。联合国难民署指出，政府认可的身份文件能够支持难民开立银行账户、办理通信服务并进入数字经济。金融行动特别工作组关于金融普惠的指南也说明，基于风险的方法可以采用简化的客户尽职调查或替代身份核验方式，同时适当控制洗钱和恐怖融资风险。
欧盟《支付账户指令》则确立了欧盟合法居民获得基本支付账户的权利，不应仅因居住地或财务状况被排除。换句话说，客户路径的包容性并不是风控之外的“体验优化”，在部分场景中，它本身就是产品、合规与社会责任需要共同解决的问题。
- 系统不支持这种证件或数据格式；
- 当前证据不足以完成核验；
- 已有证据显示风险不可接受。
为非标准情况建立一份“证据缺口单”
企业可以把无法按标准流程完成的申请，从“异常工单”升级为结构化的证据缺口单。它至少回答六个问题：
这张单据的重点，是让 AI 围绕“证明事实”工作，而不是围绕“填满表格”工作。对于系统无法读取的文件，结论应是待转换或待人工核验；对于没有足够可靠来源支持的身份主张，结论才是证据不足。两者不能被同一个失败代码覆盖。
- 要素：需要记录的内容
- 待证明事实：当前业务决定真正需要确认什么，而不是机械缺少哪个字段
- 已有证据：客户提供了什么，来源是谁，是否可验证，仍在何时效范围内
- 不一致之处：哪些信息相互冲突，哪些只是格式或语言差异
- 可接受替代：法规、内部政策或合作机构允许哪些替代文件与核验方法
- 剩余风险：采用替代证据后仍有哪些风险，能否通过限额、观察期或增强监测控制
- 决策责任：AI 给出什么建议，谁批准、拒绝或要求补充，依据的规则版本是什么
例外通道必须比普通流程更可解释，而不是更随意
非标准路径越灵活，越需要清晰的控制面。欧洲银行管理局关于远程客户准入的现行指南要求金融机构评估解决方案的充分性与可靠性，明确哪些步骤完全自动化、哪些需要人工介入，并保存完成准入过程所需的数据、图像、音视频和验证结果。指南还要求对技术变化进行持续监测，并在缺陷影响效率和可靠性时采取补救措施。
因此，企业不宜让生成式 AI 直接“综合判断后放行”。更稳妥的职责划分是：
例外通道不能成为降低合规标准的后门，也不能成为“模型说可以”的黑箱。它应该比普通流程留下更多证据、更明确地暴露未知，并把最终责任交给有权限的人。
- AI 负责理解与编排：识别客户情形、翻译和归类材料、列出证据关系、提示冲突与下一步；
- 确定性系统负责校验：执行格式、有效期、名单、额度和明确政策规则，不让模型改写硬性条件；
- 授权人员负责裁决：对需要判断的例外批准、拒绝或附加条件，并说明理由；
- 独立复核负责发现系统性偏差：检查哪些客户群体更频繁失败、哪些替代证据被不同人员不一致地接受，以及 AI 是否把某些语言、国家或文件类型错误地关联为高风险。
从一类高频拒绝开始，而不是一次重做全部准入系统
企业可以从过去三到六个月的拒绝、放弃和人工升级记录中，选择一类数量较多、客户价值明确、且法规允许替代核验的情况进行回放。
第一阶段只做观察：AI 生成证据缺口单，但不影响原决定。验收重点不是回答是否“像专家”，而是看它能否完整找到相关事实、准确区分系统不支持与证据不足、引用有效规则，并把未知明确标出。
第二阶段让 AI 辅助人工处理，对照原流程衡量：
只有当效率、客户可达性与风险结果同时满足门槛，才应扩大覆盖。单纯提高通过率不是目标；如果新增通过来自降低证据要求，项目只是把风险推迟到了后续环节。
- 客户补交材料的轮次是否减少；
- 从首次申请到明确决定的时间是否缩短；
- 原本因格式问题失败、后来经合规核验通过的比例是多少；
- 人工决定的一致性是否提高；
- 错误放行、错误拒绝和后续风险事件是否变化；
- 每个成功服务客户的完整核验成本是多少。
一个客户案例不能证明普遍效果
Microsoft 的文章是厂商创业客户案例，主要披露产品方向和个别故事，没有提供 Welcount 的总体申请量、通过率、误判率、风险事件、人工复核成本或对照实验。文中“24 小时开户”是一个具体客户示例，不能解释为所有客户都能达到的服务水平；2031 年服务超过 100 万用户则是企业目标，不是已实现规模。
同样，与监管机构合作、采用云基础设施或与联合国机构合作，并不自动证明某一套 AI 核验流程已经满足每个国家、每类客户和每项金融产品的法律要求。企业仍需根据适用司法辖区、产品风险和本机构政策完成法律与合规判断。
这个案例更适合作为一个方向信号：AI 的商业价值未必只来自让标准流程更快，也可能来自把过去无法经济地服务、但能够合法且可靠核验的客户纳入正式产品体系。
企业 AI 的下一片增长空间，可能藏在“例外”里
许多企业最先把 AI 用在已有流程中最规则、最容易自动化的部分。这能迅速看到效率，但也容易把旧流程的服务边界一并固化下来。
更深一层的转型，是重新检查那些被标记为材料不符、系统不支持、需要人工或无法服务的情况：其中哪些是真实风险，哪些只是旧系统没有理解现实复杂性的能力？
当企业能把非标准材料转成可验证事实，把替代路径转成明确规则，把人工经验转成可审计决定，AI 才不只是节省处理时间，而是在不牺牲责任边界的前提下，扩大企业能够服务的市场。
标准流程决定企业今天服务谁；可核验的例外通道，决定企业明天还能服务谁。
