• 机构：Grupo Financiero Banorte
• 项目：Document validation automation with AI and machine learning
• 时间：2025 年 9 月
• 类别：信贷运营 / 文档验证 / 机器学习 / 流程自动化 / 自动审批
• 来源：https://www.banorte.com/GFB/Boletines-de-prensa/Banorte-gana-premio-internacional-por-la-robotizacion-de-procesos-y-el-uso-de-Inteligencia-Artificial-en-la-operacion-bancaria ↗

Banorte 的案例来自墨西哥银行零售信贷和信用卡申请中的高频、重复、强合规流程。客户在申请工资贷款、即时信用卡等产品时，需要提交身份证明、地址证明等材料；银行后台必须抽取文件信息、核验真实性，并与内部系统进行比对。传统做法依赖人工逐件查看，容易在高峰期形成积压，也会把运营人员长期困在机械性校验工作里。

这个场景的价值在于它不是“炫技型生成式 AI”，而是把 AI 与流程机器人放进真实银行运营链条，直接改造客户开户、授信、发卡和合同流程中的瓶颈。对于大型零售银行，文档验证速度会影响客户等待时间、审批体验、营销转化率和风险控制一致性，因此是非常适合优先自动化的“低风险、高频次、强规则”环节。

Banorte 从 2022 年开始内部建设 AI 与机器学习方案，用于自动抽取身份证件、地址证明等材料中的关键信息，并与银行内部系统进行自动比对。方案结合智能文档处理、机器学习判断和流程自动化，使申请资料能够在后台被快速读取、结构化和校验。

项目的重点不是让 AI 独立做复杂授信决策，而是把最耗时的前置材料验证自动化。系统可在同一时间处理大量申请材料，减少人工重复录入和比对，并把异常或无法确认的材料留给人工复核。这样既能提高自动审批比例，也能让运营人员把时间转向异常处理、客户沟通和流程优化。

Banorte 披露，该项目获得 SS&C Blue Prism Customer Excellence Awards 2025 区域奖项，被评为 Innovation Brilliance 类别的代表案例。银行披露，文档验证能力从人工分析师 1 至 1.5 小时处理约 100 个案例，提升到系统每小时可验证多达 500 个信贷或新卡案例。

运营指标改善非常具体：信贷和工资贷款申请中的文档审核时间下降 86.6%；此类申请自动审批率从 2022 年的 70% 提升至 2024 年的 91%；工资贷款拒绝率从 1.12% 降至 0.2%。银行也强调，项目释放了员工在机械任务上的时间，使其转向更具分析性、战略性和创新性的工作。

• 从“文档抽取和比对”切入，而不是一开始就让 AI 做完整授信决策。
• 将身份证明、地址证明、收入证明等材料拆成字段级校验任务，便于审计和错误定位。
• 把自动通过、自动拒绝、人工复核三类结果分层，降低误判风险。
• 将 AI 与 RPA/工作流系统结合，避免 AI 输出停留在报告层。
• 用自动审批率、拒绝率、单小时处理量、人工复核占比来衡量价值。
• 让运营人员参与异常样本标注，持续提高模型对本地文件格式的适应性。

• 文件识别错误可能导致误拒、误批或客户投诉，必须保留人工复核通道。
• 身份证件和地址证明属于敏感个人信息，训练、测试和日志留存要做脱敏和访问控制。
• 自动审批比例提高后，要监控是否引入群体偏差或区域性误差。
• 规则更新、文件版式变化、欺诈样本变化都需要纳入模型漂移监控。
• 对外宣传应避免让客户误以为“AI 自动授信无人工监管”。
• 审批链条必须能还原：用了哪些文件、抽取了哪些字段、通过了哪些规则。

• 用公开样例制作“身份证明/地址证明字段抽取表”，模拟 OCR 后字段核验。
• 设计一个三层审批流：自动通过、人工复核、拒绝补件。
• 用 30 条虚拟申请记录测试自动审批率如何随缺失字段变化。
• 画出“客户提交材料—AI 抽取—系统比对—人工复核—结果通知”的流程图。
• 设计一张文档验证质检表，包含字段准确率、异常率、复核耗时和客户等待时间。
• 讨论如果地址证明版式变化，模型和规则应如何回归测试。