要用 AI 為採購支出分類，先凍結一套獲批的分類法及一份已核對的支出快照，再讓模型按明確允許的證據提議類別代碼。以人工標註的金標準評估這些提議，把含糊個案交給覆核人，並證明分類後的金額仍能與來源核對相符。供應商配對、例外及後續決定由採購負責人批准，而不是 AI。

通用 AI 工作流程提供基本的來源及覆核控制。本文討論的是採購發生後的支出分析，並非採購評估評分表、供應商資格審查、稅務分類或批出合約的決定。

關鍵要點

為任何資料列分類前，先為分類法、定義、排除項及配對規則定版本。

原始供應商身份與經覆核的標準供應商紀錄分開保存。

建立具代表性的金標準，包括罕見及含糊的採購。

每項提議都須附證據、允許的代碼及異常狀態。

按類別量度錯誤；整體準確率可能掩蓋代價高昂的少數類失誤。

分類前後都要核對資料列數目及金額。

用 AI 為採購支出分類，怎樣才算負責任？

支出分類把採購交易對應到受控的層級結構，讓分析人員了解買了甚麼、資金集中在哪裏、哪些紀錄需要更正。產出是一張與原始支出資料列連結、受管治的配對表，不是改寫過的總帳。

UNSPSC 是可選結構之一。美國商務部介紹其 segment、family、class、commodity 層級，CanadaBuys 亦描述了相同的八位數四層模型。［1］［3］你的機構亦可能採用產品服務代碼、本地類別樹或混合體系。不要讓模型暗中混用多套分類法。

以下產物須分開：

產物	用途	權威來源
支出快照	保存來源交易及總額	財務或採購系統
分類法	界定可用類別	類別負責人
配對建議	提議代碼並附證據	AI 輔助流程
覆核決定	接受、修改或拒絕建議	獲授權的覆核人
分析	匯總已批准的配對	受控報告流程

先要準備哪些分類法及證據？

第 1 步：凍結範圍、來源和分類法

寫一個分類表頭，記錄：

支出快照 ID、提取時間及會計期；
納入的實體、系統、單據類型及貨幣；
總額、淨額、稅款、貸項及取消的處理方式；
分類法名稱、版本、生效日期及負責人；
今次用途所需的分類深度；
混合採購及不可尋址支出的處理方式；
重要性或覆核門檻；以及
獲批的下游用途。

類別管理以既定的類別結構分析支出並制定策略。［2］但這不代表每筆交易都應歸入最細的代碼。按證據及決策需要選擇層級：寬泛但站得住腳的類別，勝過編造的商品代碼。

不要覆寫來源類別欄位。另加「建議」及「已覆核」欄位，以便比較新舊配對、重現報告，並撤回錯誤規則。

第 2 步：標準化供應商身份而不抹走證據

同一供應商可能以法定名稱、營業名稱、信用卡交易描述、分行、縮寫或串法變體出現。建立附穩定 ID 的標準供應商表，但保留每個原始值及其來源資料列。

一條安全的供應商紀錄可包含：

欄位	含義
`vendor_raw`	來源系統中的精確值
`vendor_canonical_id`	經覆核的內部身份
`vendor_display_name`	獲批的報告名稱
`match_basis`	合約 ID、供應商主資料或經覆核的規則
`match_status`	已確認、候選、含糊或未配對
`effective_period`	配對適用的日期
`reviewer`	批准該配對的人或角色

不要因名稱相近就推斷是同一間公司，也不要憑名稱、網站語言或一般口碑推斷供應商所屬行業。交易平台、經銷商或支付處理商可能涉及多個類別。身份含糊的留在隊列中。

來源欄位需要修補時，應使用受控的清理流程，不要讓分類器暗中彌補。資料驗證清單應涵蓋缺失 ID、重複資料列、零或負數金額、不可能的日期及不一致的貨幣。

第 3 步：寫清類別定義及邊界規則

為每個允許的類別記錄代碼、名稱、上層類別、納入定義、排除項、正例、容易混淆的相鄰類別、所需證據及上報負責人。把這套資料連同分類法版本一併凍結。

描述應區分用途與物件。為培訓室購買的手提電腦，在不少體系下仍屬硬件；與軟件授權捆綁的實施服務，可能需要拆分，或適用受管治的主類別規則。答案取決於你的分類法及報告目的，而不是模型的偏好。

建立明確的狀態，例如：

classified：證據支持一個允許的代碼；
multi_category：該列確實包含可分拆的多個類別；
insufficient_description：來源文字不足以支持任何代碼；
vendor_ambiguous：供應商身份未解決；
taxonomy_gap：沒有合適的允許類別；
out_of_scope：交易被凍結規則排除；以及
review_required：重大或敏感個案需要人工處理。

這樣可避免被迫猜測，也能把來源資料問題與分類法設計問題分開。

第 4 步：建立具代表性的金標準

在調校提示詞或規則之前，先挑選並標註樣本，包括常見類別、低頻類別、大額資料列、貸項、含糊描述、一次性供應商、混合發票、框架協議、經銷商及已知的歷史錯誤。

當類別影響重大或確實含糊時，至少由兩名合資格覆核人獨立標註樣本。記錄分歧，而不是把第一個標籤當作真值。透過分類法負責人解決分歧；如果爭議揭示了缺口，便更新定義。

把樣本分為開發集及保留集。不要反覆針對同一批測試資料列修改指示，再把結果稱為獨立表現。保留集在方法準備好評估前應保持不動。

文件分類指南解釋了相關的金標準及邊界個案原則，但支出分類另外需要金額核對及供應商配對控制。

如何分類、量度並管治結果？

第 5 步：讓 AI 提供提議、證據和異常

只提供獲批的欄位。行項描述、採購訂單類別、合約參照、經覆核的供應商 ID 及分類法定義或有用處。個人聯絡資料、銀行資料、機密價格細節及無關的發票文字，除非特別授權，否則不應提供。

使用受約束的輸出約定：

對每個 spend_row_id，回傳一個允許的類別代碼或一個異常狀態。
引用支持該提議的已提供欄位。不推斷供應商業務、
拆分金額、稅務處理、合規或供應商資格。如果證據
支持多個類別或沒有類別，回傳 review_required 並說明
含糊之處。不得建立分類法版本 TAX-07 以外的代碼。

以機械方式驗證回覆：拒絕缺失的列 ID、重複輸出、未知代碼、虛構欄位、無效狀態及被改動的金額。模型輸出只是候選配對，絕不能直接寫入供應商主資料或財務系統。

第 6 步：覆核可能的錯分

按後果而不只按模型信心排定覆核次序。低信心的辦公室用品資料列可能無關痛癢；對重大外判服務作出自信但錯誤的分類，卻可能扭曲策略。

有用的覆核切片包括：

金額最大的資料列及規模最大的供應商；
新的或未配對的供應商；
金標準樣本很少的類別；
經常混淆的相鄰類別；
與已批准的歷史配對分類不同的資料列；
「服務」「月費」「項目」這類含糊描述；以及
突然改變的供應商—類別組合。

覆核人必須看到來源欄位、分類法定義、建議代碼、證據及相鄰的備選類別，並記錄 accept、change、split、insufficient_evidence 或 taxonomy_issue，附上理由及覆核人身份。

不要把供應商盡職審查當作分類的隱性替代品。供應商盡職審查問卷收集的是另一類證據，無法證明某筆交易買了甚麼。

第 7 步：按類別評估錯誤

以混淆矩陣及類別層面的精確率、召回率及 F1 評估保留集。同時報告支持量——已標註樣本的數目及金額——讓讀者看到哪些百分比並不穩定。

指標	問題
Precision	歸入某類的資料列中，有多少正確？
Recall	某類的真實資料列中，有多少被找出？
F1	精確率與召回率是否平衡？
金額加權錯誤	有多少金額被錯分？
異常率	流程有多常放棄分類？
人工推翻率	人有多常修改提議？

不要在沒有類別分佈的情況下公佈單一「準確率」。系統只要一直預測主導類別便可能看似出色，卻漏掉每個罕見但重要的類別。按列數加權及按金額加權的結果都要看。

NIST 的生成式 AI 概況把評估及風險管理視為貫穿生命週期的工作。［4］當分類法、供應商群、來源系統、模型、提示詞或支出組合改變時，須重新評估。

第 8 步：核對資料列和金額

產生類別總額之前，先證明：

來源列數 = 已分類 + 異常 + 排除列數
來源金額 = 已分類 + 異常 + 有紀錄的排除金額
已覆核類別金額總和 = 已覆核的已分類金額
拆分子項金額 = 原混合列金額

除非有獲批的換算流程提供基準貨幣金額，否則按貨幣分別核對。保持貸項及沖銷可見。不容許四捨五入或 AI 產生的拆分憑空增減金額。

如果某項總額不符，便停止出報告，檢查連接、重複配對、多對多的供應商關聯、被丟失的異常、無效拆分、篩選條件及貨幣處理。模型不應為控制失效找藉口開脫。

第 9 步：版本化配對及變更

發佈一個配對版本，包含來源快照、分類法版本、指示、金標準識別、評估結果、已批准的供應商配對、逐列決定、例外、覆核人角色及生效日期。保留上一個版本以便比較及還原。

監察新供應商、新描述、類別分佈轉變、異常率、人工推翻及分類法變更。除了異常，也要抽查已接受的資料列，否則自信的系統性錯誤會一直隱而不見。

修改類別定義應觸發影響分析：找出受影響的歷史配對，決定是否重新表述報告，並記錄負責人的決定。切勿暗中把今天的分類法套用到昨天的報告。

常見錯誤

**只按供應商名稱分類：**要求有交易及合約證據。
**預設使用最細的代碼：**只選證據所支持的層級。
**把含糊資料列藏進「其他」：**保留附理由的異常狀態。
**只測試常見類別：**納入罕見及高金額個案。
**只優化一個整體分數：**報告按類別及按金額加權的錯誤。
**把建議直接寫入主資料：**要求經覆核、有版本的推行流程。
**因連接或拆分而增減金額：**在每個邊界核對列數及金額。

總結

凍結支出快照及一個獲批的分類法版本。
標準化供應商身份，同時保留原始來源證據。
界定類別、排除項、相鄰類別及棄權規則。
以具代表性、經獨立覆核的金標準評估。
覆核高影響、含糊、有變動及樣本不足的個案。
分析或發佈前核對每一列及每筆金額。

常見問題

可以只按供應商名稱為支出分類嗎？

通常無法可靠做到。一個供應商可能銷售多種貨品或服務、擔當經銷商，或使用含糊的描述。應以交易、合約、目錄及經覆核的供應商主資料作證據，否則把該列送交覆核。

應使用哪種採購支出分類法？

使用為你的報告目的及適用司法管轄區批准的分類法，記錄其版本及所需深度。UNSPSC 是選項之一，並非對每個機構或每項分析的統一規定。

混合發票應否自動拆分？

只有當來源證據提供了金額、而獲批規則容許拆分時才可以。AI 不得編造分攤。否則保持原金額不變，並送交覆核。

甚麼是錯分供應商？

嚴格而言，被分類的是交易；供應商層面的預設類別只是一種受管治的簡便做法。一個供應商可能橫跨多個類別，因此修改主配對前，要覆核受影響的資料列及證據。

模型信心足以跳過人工覆核嗎？

不足夠。信心分數可能未經校準，也不量度業務影響。應結合經驗證的門檻、重要性、類別風險、新穎程度，並抽查已接受的資料列。

金標準應該有多大？

沒有通用數字。它必須代表每個重要類別、容易混淆的邊界、來源系統、供應商模式、金額及異常類型。應報告支持量及不確定性，不要單憑樣本多寡便聲稱足夠。

分類結果可決定選擇哪家供應商嗎？

不可以。支出分類描述的是已批准的歷史配對。揀選供應商需要另外的準則、證據、利益衝突控制、採購規則及獲授權的決定。

何時須重新評估分類器？

在分類法、來源欄位、供應商群、提示詞、模型、門檻或預期用途改變後重新評估；監察顯示出現漂移、異常增加或人工推翻增多時亦須重新評估。

**免責聲明：**本文提供一般資訊，不構成採購、會計、稅務、合規或法律建議。請遵循適用規則及獲授權專業人士的決定。

來源

U.S. Department of Commerce, United Nations Standard Products and Services Codes (UNSPSC): https://www.commerce.gov/oam/resources/united-nations-standard-products-and-services-codes-unspsc
Acquisition.gov, Category Management: https://www.acquisition.gov/content/category-management
CanadaBuys, Commodity codes: https://canadabuys.canada.ca/en/tender-opportunities/commodity-codes
National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1): https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

Sources checked 2026 年 9 月 6 日。

如何用 AI 為採購支出分類：金標準評估與金額核對