Legora用GPT-6 Astra处理了41份文件，耗时仅数分钟，找出了全部4个植入的错误，金融审查流程的效率直接提升了近40%。
数分钟完成的审查成果
这是发生在金融审查场景里的具体案例，不是概念性的演示。41份文件，应该是财报、合规说明这类需要逐一核对的文档；4个错误是特意植入的，用来测试工具的检测能力。最终结果很明确：AI不仅完成了全部审查，还没有漏掉任何一个错误，流程效率也提升了近40%。这里的“近40%效率提升”，大概率是指相同工作量下耗时缩短，或者相同时间内能处理更多文档，虽然具体计算逻辑没说明，但数字足够有冲击力。
这次表现的核心门道
金融审查对AI工具的要求很实在，不能只追求快，还要能保证准确性。这次案例里，“找出全部4个植入错误”是关键——说明GPT-6 Astra在处理这类金融相关文档时，没有因为速度而牺牲判断的精准度。对Legora而言，他们选择用GPT-6 Astra来做这项工作，核心是这个大模型能适配金融审查的场景需求，而不是泛泛的通用AI工具。没有复杂的技术黑话，就是实际场景里的验证：AI做重复枯燥的文档处理工作的速度，加上可控的准确性，是这次成功的核心。
对各方的实际影响
对Legora来说，近40%的效率提升，直接能转化成实际的收益：要么是处理相同业务的时间缩短，能承接更多的审查订单；要么是减少人力投入，降低运营成本。对那些同样需要处理大量金融文档的公司来说，这个案例是个可参考的落地方向——大模型不是只能聊天，也能用来解决具体的业务问题。
那其他需要处理金融审查这类重复性文档工作的公司，会不会也马上把GPT-6 Astra接入自己的流程来提升效率呢？
素材来源：OpenAI News · AI情报、大模型、AI应用落地
查看报道原文
发表第一条评论吧