我用AI核对信用卡账单，竟发现自己的计算过于乐观

信用卡还款设置调整后，想确认是否真正生效往往很麻烦。尤其是循环信贷，费用计算复杂，账单上该看哪些数字都不容易搞清楚。一位开发者决定把这个核对任务交给AI，结果AI在核对过程中推翻了自己此前的还款模拟假设，发现真实账单中费用占比远高于预期，导致本金偿还速度被严重高估。

委托AI读屏核账：安全边界先行

直接让AI登录金融机构网站，从安全角度看是不可接受的，也不应该这么做。这位开发者的做法是：自己先在浏览器中完成登录，再通过浏览器扩展让AI读取已经打开的账单页面。

提示词很简单："请重新检查循环信贷还款是否正确应用。"

AI需要读取屏幕上的循环余额、当前还款金额、本金与费用拆分等数字，目标是确认设置是否按预期生效。这种做法虽然多了一步人工登录，但它同时也是一个关键的安全机制——避免把敏感信息直接交给AI。

浏览器扩展与读屏核账的技术原理
所谓「AI读屏」，技术上依赖浏览器扩展（如 Chrome Extension）调用页面 DOM 结构或截图，把页面上可见的数字文本抽取为结构化数据供模型推理。这一过程让 AI 仅接触「已渲染出来的信息」，而不接触账号密码、Cookie 或会话令牌。相比让 AI 通过凭据直接登录网银，读屏方案把认证环节完全隔离在人工操作内：AI 只能看到用户主动打开的页面，无法自行发起请求、翻页或导出数据。这一边界既降低了敏感信息外泄的面，也缩小了 AI 误操作可能波及的范围——即便模型判断有误，也不会在后台自动提交还款、修改设置。正因如此，读屏至今仍是金融类 AI 辅助场景中被反复推荐的折中方案。

意外反转：AI纠正了自己的旧结论

AI最初的回复是"设置已正确应用"，到这里一切正常。但随后它发来一条意料之外的报告：

🔴 重要更正：一次性还款金额将是此前预期的两倍。

原因是AI将其自己此前的还款模拟假设与实际账单数据对比后发现，还款中分配到费用的比例远高于原先预期，本金偿还速度因此比模拟中慢得多。AI给出了一行核对等式：

核验：519,980（累计变动金额）- 14,700（10/13偿还本金）= 505,280 ✓

"已偿还本金"远小于过去模拟中的数值。按这个速度，未来若一次性还清，总额将膨胀到原先估算的近两倍。

循环信贷中的费用分摊与本金摊还
循环信贷（如信用卡循环额度、部分消费贷）的每期还款通常不是先还本金，而是先抵扣当期产生的利息、手续费、滞纳金等费用，剩余部分才计入本金摊还。因此「还款中费用占比」是决定本金下降速度的关键变量。若把费用比例估得过低，模拟出的本金余额会下降得比现实更快，从而严重低估最终一次性结清所需金额。案例中「519,980 累计变动金额 − 14,700 已偿还本金 = 505,280」这类核对等式，本质是用总变动额减去真实入账的本金部分，反推出仍需承担的本金规模——它正是发现此前模拟高估本金偿还速度的直接证据。理解费用优先于本金的抵扣顺序，是读懂这类账单数字的前提。

为什么AI会推翻自己

这件事的启示并不在于"AI算错了"，而在于AI的失误机制：它擅长基于给定前提做计算，但如果前提本身有偏差，结果自然也会偏。

过去的还款模拟中，AI对费用占比的假设过于宽松，导致本金下降速度被高估。而当它被要求用真实账单数据回头核对时，错误的前提就被暴露出来。

换句话说，这不是"身份验证"，而是"自我验证"——让AI扮演同行评审的角色，去检查自己此前的工作。正是在这种交叉核对中，计算中的松懈被抓住了。

「自我验证」与自洽性检查的边界
让 AI 回头核对自身历史输出，在方法上接近软件工程中的「回归测试」：用新的真实数据去冲击旧的假设，暴露此前未被察觉的偏差。它的效力来自两个前提——一是存在可供比对的原始数据或历史记录，二是 AI 愿意以对抗性姿态审视自己的结论，而不是复述原答案。需要注意的是，这种自我验证并非严格意义上的独立审计：同一模型在相同前提偏差下可能重复犯错，甚至「合理化」原有错误。因此最可靠的做法是引入真实账单、原始日志等外部锚点，让模型的计算结果与客观数据硬碰硬。案例中 AI 之所以能推翻自己，关键并不在于它「自省」，而在于真实账单数字无法被旧假设迁就。

可迁移的方法：把验证纳入同一个工作流

这套方法可以复制到其他任务上。核心操作是在AI完成一项任务后，紧接着让它用自己的原始数据或历史记录去反查结果。

• AI生成报告或数据分析后，追加一句："请与原始数据交叉比对，重新核验正确性。"
• AI起草邮件后，追加一句："请确认内容是否与我们过去的沟通一致。"

这相当于在同一个工作流中增加一个验证步骤，让AI自己找出隐藏的假设或错误前提。你不再只是把AI当执行者，而是同时把它当评审者。

盲目接受AI输出是风险最大的做法。用原始数据做交叉核对，投入很小，但对准确性的提升显著。对于涉及金额、还款、费用拆分这类数字敏感的场景，这一步几乎不可省略。

登录类场景的现实约束

对于需要登录才能访问的网站，"人工登录、AI读屏"的模式在可预见的未来仍会是必要步骤。看起来多了一道手续，但它把敏感信息的控制权留在了人手里。

AI可以提高核对的效率和覆盖面，但它不能替代你对前提假设的审视。真正有价值的用法，是让AI去挑战它自己此前的结论，而不是仅仅重复确认你想听到的答案。

背景补充

把验证步骤产品化的实践建议
要让「AI 执行 + AI 复核」真正落地，可把验证固化为工作流的一部分而非临时提醒：在提示词模板中预留一段校验指令，要求 AI 输出结论时必须附上可追溯的数据来源或核对等式，并对金额、日期、数量等关键字段做二次比对。对数字敏感的任务，还可要求模型显式列出其使用的前提假设，便于人工快速识别偏差来源。验证步骤应尽量在同一上下文或同一工具链内完成，以减少信息在传递中被简化的风险。核心原则是：让 AI 的每一个结论都对应一个可被外部数据推翻的检查点，而不是一个自我确认的闭环。