车管所的 AI 价值，不在识别图片而在让办件继续往下走

这个项目最开始甚至不是一个 AI 项目。

FDE 进入一家车管所时，接到的是遗留系统运维工作：原承建商已经倒闭，源代码不完整，文档缺失，系统还同时涉及 .NET 客户端、安卓端显示程序、Web 管理与调度系统。真正的 AI 场景，是在驻场观察中才被发现的。

群众已经可以在线办理业务，但后台工作人员还要逐张打开身份证、营业执照、合同和发票图片，判断材料类型、读取信息、核对完整性，再把结果录入不同系统。一项已经“数字化”的服务，最后一公里仍然靠人盯屏幕完成。

这个案例最值得拆开的地方是：FDE 不是先带着一个视觉模型寻找应用，而是先看业务里哪些事情每天重复发生，再把识别能力接回原有流程。

落地场景：把后台人工审核变成可继续执行的办件流程#

车管所的前台服务已经在线化，后台却仍然依赖人工处理上传材料。工作人员需要逐张打开图片，用肉眼判断材料是否符合要求，再录入后续业务。

单件业务从头到尾审核大约需要 15 分钟。工作本身并不复杂，却高度重复，工作人员长时间盯着质量不一的图片，业务量也被审核产能卡住。部分服务还由驻点快递企业参与，车管所的审核速度会进一步影响合作方的人员投入和经营压力。

因此，真正的落地场景不是“给车管所加一个图片识别工具”，而是把一条办件链路拆成机器更擅长的部分：

• 看：识别材料类型和图片是否完整；
• 读：读取身份证、合同、发票等材料里的关键信息；
• 填：把识别结果写入业务表单；
• 搬：让数据在原有 Web 系统和统一业务系统之间继续流转。

工作人员不再逐张处理所有正常材料，而是查看结果和报表，对异常情况进行人工核验。AI 的价值由此从“识别出了什么”变成“业务是否能够继续往下跑”。

落地难点：模型之外还有材料、规则和组织#

真实材料远比实验室数据不规整#

项目最终覆盖大约 9 类图像材料，包括合同、发票、营业执照和身份证复印件。不同材料的格式差异很大，同一种材料也会因为拍摄角度、清晰度和上传习惯产生大量异常样本。

例如，身份证可能只拍到国徽面；机动车抵押登记涉及不同金融机构，每家的合同格式都不一样；有些合同被压缩在一页纸里，字体很小，再经过复印和拍照，识别难度进一步上升。

所以模型训练不可能一次完成。真实业务中的异常材料必须持续回流，补充正样本和负样本，再观察下一轮效果。

AI 会把原来被人工“放宽”的规则暴露出来#

自动审核运行后，团队发现部分业务在人工处理中存在一定程度的放宽。问题就不再只是“模型能不能识别”，而变成“识别出来以后，按什么标准处理”。

如果严格执行技术标准，可能影响原有业务量和合作关系；如果继续沿用模糊尺度，自动审核又失去意义。FDE 不能替业务方拍板，只能把不同审核尺度下的材料问题、日均处理量和潜在影响呈现出来，由业务负责人决定效率、合规与经营之间的平衡。

政务项目需要先建立信任，才能完成正式立项#

即使技术做出来，也不代表项目可以直接上线。正式落地还涉及报告、预算、立项和技术可行性论证。客户最初并没有提出明确的 AI 需求，也不确定现成能力能否适应真实材料。

因此，FDE 需要先用小范围真实结果证明方案，而不是只用 PPT 解释模型能力。这个过程中，原本的运维项目成为进入现场、持续观察和建立信任的入口。

如何落地：从问题拆解到系统串联的四步#

第一步，先拆人工动作，再决定技术组合#

FDE 没有从“上一个视觉模型”开始，而是把审核过程拆成看图片、识别类型、读取信息、判断材料、填写数据和系统间搬运六类动作。

拆开以后，技术边界就变清楚了：机器视觉和 OCR 负责看与读，大模型逐步参与合同等复杂文本的信息提取，RPA 负责重复填单和跨系统搬运。项目不追求一个模型包办全部任务，而是让每种能力接管自己擅长的环节。

第二步，用真实材料持续训练和回归#

团队围绕约 9 类材料收集真实素材、标注、训练和上线观察。识别率不是一次性验收，而是在真实异常样本不断回流的过程中逐步提升。

案例中，识别率从 70% 多提升到约 98%，前后研发与迭代周期大约持续半年。这个数字只能说明该项目在具体材料集合上的迭代结果，不能直接外推到所有政务材料或所有视觉任务。

第三步，把识别结果接进原有系统#

如果识别结束后，工作人员还要手动复制结果、打开另一个页面、重新填写表单，那么系统只是在原流程旁边增加了一个工具。

项目把识别、审核、填单和后续系统流转串了起来。车管所原有流程涉及多个 Web 系统，审核通过后还要进入统一业务系统，团队通过 RPA 完成数据搬运，让正常业务能够自动继续执行，异常情况再回到人工核验。

第四步，用小切口结果推动正式落地#

项目没有先要求客户接受一套完整的 AI 转型方案，而是先选取部分场景，把真实效果跑出来。运维服务持续推进，客户也在一次次交付中验证团队是否能把事情做成。

当识别效果、人员压力、业务量和政务创新需求同时出现时，AI 方案才获得正式立项机会。对 FDE 来说，小切口不只是试点，更是获得现场信息和组织信任的方式。

落地成果：审核从 15 分钟缩短到三五分钟#

案例给出了比较明确的业务变化：单件业务全流程审核时间从约 15 分钟缩短到三五分钟，日均办件量从约七八百件提升到约 1100 件。

变化前	落地后的变化
工作人员逐张查看并核对图片	正常材料由系统批量处理，人工重点核验异常
审核一单约 15 分钟	试点流程下缩短到约三五分钟
日均办件量受人工审核产能限制	日均办件量从约七八百件提升到约 1100 件
工作时间被重复审核占用	人员可以投入群众咨询、新业务和需要沟通判断的工作

这不是 AI 凭空创造了新的办件需求，而是把原来卡在人工审核环节的产能释放出来。对驻点服务合作方来说，人员不增加甚至减少时，业务量仍能保持并略有增长；对车管所来说，项目通过验收后，客户继续交付新的应用，并共同成立 AI 创新实验室。

更值得注意的是，人的工作没有被简单删除，而是被重新分配：机器处理正常、重复和可标准化的材料，工作人员处理异常、解释和更需要判断的任务。

这个案例给 FDE 的四个提醒#

第一，很多 AI 需求不会主动写在需求文档里。FDE 需要进入现场，观察哪些事情每天重复发生，哪些问题已经被组织习惯性地接受。

第二，模型指标必须和业务规则一起验收。识别率提升并不自动决定审核标准，技术团队要把不同选择的业务后果呈现出来，把最终决策交给业务负责人。

第三，AI 不能停在识别结果页。识别之后能不能审核、填单、搬运和继续流转，才决定它是不是业务能力。

第四，小项目可以是进入复杂组织的入口。运维、驻场和一项局部自动化，不一定是最终价值所在，却可能让 FDE 获得观察现场、建立信任和继续扩展的机会。

来源与边界#

• 原始资料：Datawhale《FDE案例100.pdf》，案例二“从人工审材料到自动化办件：FDE用AI提升车管所网办效率”，案例访谈正文位于 PDF 第 16–24 页。
• 案例事实：单件业务审核从约 15 分钟缩短到三五分钟；日均办件量从约七八百件提升到约 1100 件；覆盖约 9 类材料；识别率从 70% 多提升到约 98%；研发和迭代周期约半年。
• 技术口径：视觉识别、OCR、大模型信息提取和 RPA 在案例中承担不同环节，本文没有把它们描述成一个模型独立完成全部流程。
• 结果边界：上述数字来自案例访谈，未提供独立审计口径、完整样本量或对照实验；识别率和办件量不能直接外推到其他车管所、材料类型或政务场景。
• 产品化解读：关于“看、读、填、搬”、规则决策边界和小切口建立信任的总结，是基于案例事实的产品化分析。