Ramai yang tidak menyedari betapa rumitnya proses automasi penyata bank untuk SME. Di AINNA, ini adalah realiti yang kami hadapi setiap hari bersama ratusan pemilik perniagaan.
Bayangkan 100 syarikat SME. Setiap satu memuat naik 100 halaman penyata bank. Itu bukan sekadar '100 fail'. Ia bermakna 10,000 halaman data kewangan, mungkin beribu-ribu transaksi, dengan gangguan OCR, catatan pendua, pemindahan dalaman, caj bank, bayaran balik, deposit tunai, pembayaran platform, pergerakan pinjaman, dan huraian yang tidak jelas.
Jika kita mengambil pendekatan pertama - agen AI membaca dan menaakul kesemua data secara langsung - untuk fail SME yang besar sebanyak 100 halaman, aliran kerja AI penuh mungkin menggunakan kira-kira 200,000 hingga 500,000 token bagi setiap SME, merangkumi pengekstrakan, klasifikasi, pengesahan, pembetulan, dan penjanaan laporan. Bagi 100 SME, jumlahnya mencecah kira-kira 20 juta hingga 50 juta token.
Menggunakan Claude sebagai model premium untuk pemprosesan penuh, kos boleh meningkat dengan pantas. Jika kita ambil anggaran pertengahan iaitu 35 juta token, dengan 80% input dan 20% output, ia bermakna kira-kira 28 juta token input dan 7 juta token output. Pada harga perkenalan Claude Sonnet, USD2 untuk input dan USD10 untuk output bagi setiap juta token, jumlahnya kira-kira USD126. Pada harga piawai USD3 input dan USD15 output, ia menjadi kira-kira USD189.
Pendekatan kedua berbeza. AI tidak membaca semuanya berulang kali. Sebuah sistem detached terlebih dahulu mengekstrak penyata bank menjadi baris transaksi berstruktur, membersihkan data, mengesan pendua, memisahkan pemindahan, mengaplikasikan peraturan perakaunan, memetakan huraian piawai, mengesahkan output, dan hanya mengarahkan transaksi yang kabur atau berisiko kepada AI.
Dengan pendekatan ini, model berkos rendah seperti Qwen boleh digunakan kerana guardrails telah mengawal aliran kerja. Model tidak diminta 'memahami segalanya dari awal'. Ia hanya mengendalikan pengecualian terpilih. Jika hanya 5% hingga 15% transaksi memerlukan semakan AI, penggunaan token keseluruhan mungkin menurun kepada kira-kira 3 juta hingga 7 juta token untuk kesemua 100 SME.
Menggunakan anggaran pertengahan iaitu 5 juta token, dengan 80% input dan 20% output, ia bermakna 4 juta token input dan 1 juta token output. Dengan model Qwen yang diurus secara pintar dan berkos rendah, kos inferens AI boleh kurang daripada USD1 dalam sesetengah struktur harga, tidak termasuk OCR, hosting, storan, kejuruteraan, dan kos semakan.
Oleh itu, perbandingan sebenar bukan sekadar Claude lwn Qwen. Itu terlalu cetek. Perbandingan sebenarnya ialah seni bina. Claude yang memproses semuanya secara langsung mungkin memakan kos kira-kira USD126 hingga USD189 untuk contoh ini. Manakala sistem detached yang menggunakan Qwen hanya untuk pengecualian yang diurus, mampu menurunkan kos token AI kepada kurang daripada USD1, bergantung pada harga pembekal.
Inilah sebabnya smart routing, segmentation, dan guardrails begitu penting. Masa depan automasi penyata kewangan SME bukanlah 'hantar 10,000 halaman kepada model AI terbesar'. Model yang lebih bijak ialah: sistem mengendalikan apa yang berstruktur, AI mengendalikan apa yang tidak pasti, dan manusia menyemak apa yang berisiko.
Di situlah penjimatan kos menjadi signifikan.
#ArtificialIntelligence #AIAgents #DetachedSystems #SmartRouting #Guardrails #Accounting #SME #FinancialStatements #TokenEfficiency #Automation #ESG
