RFS：用大语言模型自动化传统企业后台流程

摘要

Y Combinator 发布了关于利用大语言模型（LLM, Large Language Model）自动化大型企业复杂后台（Back Office）流程的请求创业（RFS, Request for Startups）。演讲者指出，虽然许多人已经关注到用 LLM 自动化客户服务工作，但鲜为人知的是，在企业内部还存在着大量"隐性"的手动流程亟待自动化。以银行为例，在客户服务团队回答海量客户咨询的背后，还有一个合规（Compliance）团队在抽检每 100 条对话中的 1 条，以确保投诉处理得当、未获资质的代理人未提供财务建议。这项工作由庞大的团队完成，他们日复一日地审阅堆积如山的文本——而这正是 LLM 擅长的任务。演讲者呼吁具有零售银行、保险或医疗计费等领域专业知识的人去寻找大团队从事重复性且较为复杂工作的场景，并构建解决方案。如果你正在这一领域创业，Y Combinator 诚邀你申请加入。

被忽视的巨大机会：企业后台的隐性流程

大众对 LLM 在企业中的应用认知往往停留在前台——自动化客户服务、聊天机器人等。然而，前台背后隐藏着更深层的痛点：企业后台存在大量依赖人工审阅文本的复杂流程，这些流程不仅规模庞大，而且高度重复，却需要一定的理解与判断能力，传统规则系统难以胜任。

银行合规场景：典型案例

演讲者以银行为例进行了深入阐述。银行客户服务团队每天处理海量客户咨询，人们已经开始用 LLM 自动化这一环节。但鲜为人知的是，在客户服务团队背后还设有一支合规团队，以 1:100 的比例抽检对话记录，重点核查以下事项：

• 投诉处理是否合规：客户投诉是否按照监管要求得到妥善处理
• 财务建议的资质审核：确保未取得相应资质的客服人员未向客户提供财务建议

这支合规团队规模庞大，工作内容是逐条审阅海量文本记录——这正是 LLM 最擅长的任务类型。

其他高价值领域

演讲者进一步指出，类似银行合规的后台手动流程在以下行业广泛存在：

• 零售银行（Retail Banking）：合规审查、交易监控、报告生成
• 保险（Insurance）：理赔审核、保单比对、欺诈检测
• 医疗计费（Healthcare Billing）：编码审核、账目核对、保险索赔处理

这些领域的共同特征是：存在大团队从事重复性但具有一定复杂性的文本审阅工作，是 LLM 自动化的理想场景。

创始人行动指南

如果你拥有上述行业的专业知识或从业经验，Y Combinator 鼓励你：

1. 深入现场：去寻找那些由大团队承担的、重复且具有一定复杂性的工作
2. 理解流程：用行业洞见识别传统规则系统无法解决、但 LLM 可以胜任的环节
3. 构建方案：开发真正理解行业语境的 LLM 应用，而非通用工具

如果你正在这一领域构建产品，Y Combinator 诚邀你申请加入，共同推动企业后台流程的智能化变革。