AI 智能体如何把企业应用升级为决策引擎

基础AI副驾驶擅长执行任务，但如果你想要真正的业务成果，你需要能够真正协调企业决策的AI智能体。

去年，我与一个企业领导团队合作，他们在客户服务、IT运营和生产力工作流等领域对生成式AI的试点投入了大量资源。从表面上看，这个企业似乎走在了前列，员工正在使用副驾驶，业务单元正在试验AI助手，高管们正在追踪各部门的AI采用指标。

但当我们审视运营绩效时，实际上几乎没有什么改变。

跨团队审批依然缓慢，客户升级仍然依赖人工干预。在做出决策之前，仍然需要花费大量时间来解决不同数据集之间的差异。AI在这个环境中的使用已经得到了优化，但它在企业自身流程和职能中的智能化程度并没有提升。

在过去一年里，我在多家企业中都看到了这种模式：这些企业积极推进AI，但业务绩效并没有因此加快。

问题不在于投入，大多数企业已经有了某种形式的AI举措。

问题在于，大多数企业继续将AI技术当作一个支撑层来使用，而不是将其作为嵌入企业运营和应用中的智能。

这正是AI智能体相比自动化流程而言，意味着更大范式转变的原因。

它们已经开始通过将企业系统从单纯的记录系统转变为行动协调系统来带来变革。

企业应用正在超越记录系统

几十年来，企业应用一直是事务性系统。

企业资源规划系统将财务流程、采购和供应链标准化了。CRM应用帮助企业了解客户及其互动信息，人力资源系统简化了与员工相关的运营。

所有这些应用都为运营管理提供了坚实的基础。

然而，它们在解读信息、做出决策、协调和应对任何变化方面都需要大量的人工参与。

现在正在改变的是AI智能体对上述流程的参与。

AI赋能的企业应用不仅能够报告和可视化，还能够：

· 检测运营异常

· 在不同系统的更广泛背景下解读情况

· 建议下一步最佳行动

· 协调工作流

· 学习

在我实践中进行的一次运营分析中，一个采购团队因为供应中断和人工工作流协调而面临重大挑战。

人们不得不花数小时查阅企业资源规划、库存、物流和财务系统，以找到合适的采购替代方案并做出决策。

这个组织引入了一款AI应用，它能检测供应风险、提出采购替代方案，并根据预先定义的业务逻辑启动相关审批流程。

必须指出的是，节省的时间不仅仅是因为自动化。

许多组织仍然认为AI的应用仅限于支持生产力，真正的潜力在于让企业系统具备智能执行能力。

为什么许多AI举措在交付业务价值之前就停滞了

多年来学到的一个一致教训是：AI实施不等同于运营转型。

企业往往相对容易地实施了副驾驶能力，因为它们涉及为员工提供辅助任务的能力，比如创建内容或检索知识。

然而，这些瓶颈通常依然存在。

审批可能仍然需要穿越许多不同的系统，决策仍然依赖于不同的数据源，跨部门协作仍然是人工的，在根据AI提供的建议采取任何行动之前，信息仍然需要大量的验证。

这个问题在行业背景下正被越来越多地认识到，麦肯锡将其称为“生成式AI悖论”。在其对自主式AI的分析中，麦肯锡观察到，尽管企业中生成式AI的采用迅速普及，但许多企业仍然难以利用这项技术的采用对业务成果产生切实影响。企业副驾驶和AI助手的部署速度已经超过了改变运营以改善决策、协调和执行的需求。

在许多情况下，主要问题并非来自AI所使用的模型，挑战在于将智能融入运营流程。

这就是企业智能发挥作用的地方。

企业智能并不一定意味着只是实施另一种形式的AI技术，它意味着企业有能力将AI、企业数据、工作流、治理和人工决策链接成一个有效的运营模型。

已经发现，成功的企业不一定开展了最多的试点，它们专注于优化工作流，使智能能力到达决策点。

AI智能体正在改变企业决策的执行方式

面向特定任务的AI智能体的日益涌现正在加速这一趋势。

与传统自动化平台不同，AI智能体能够在业务系统和工作流内部及跨系统地感知上下文。AI智能体在协调行动方面变得越来越成熟，而不仅仅是完成特定的、孤立的任务。

这一趋势在需要跨多个团队和系统做出决策的运营系统中尤为明显。

例如，在企业资源规划系统中，AI智能体可以：

· 检测采购异常

· 评估与供应商相关的风险

· 建议采购方案

· 启动审批流程

· 协调采购、财务和运营团队之间的活动

在客户关系管理系统中，企业开始使用AI智能体来：

· 根据购买信号对客户进行优先级排序

· 建议销售中的下一步最佳行动

· 个性化客户互动

· 在不升级的情况下自动执行客户挽回工作流

IT运营是这一趋势正在迅速获得势头的另一个领域。

我合作过的一个IT运营团队通过实施由AI辅助支持的事件协调流程，显著减少了告警疲劳。在该流程中，事件被优先排序，基础设施内的关联信号被检测到，部分修复任务被自动化。工程师保留了对决策的控制权，但响应时间变快了，因为团队不再浪费时间过滤运营噪音。

这些例子说明了一个更广泛的观点：AI智能体不仅仅是在自动化任务，它们正在重塑企业决策的协调和执行方式。

为什么决策智能很重要

随着AI智能体在工作流流程中的部署增加，另一个考虑因素出现了——确保AI生成的建议能够提升组织效能。

这就是决策智能概念发挥关键作用的地方。

几十年来，企业一直认为更多的仪表盘和分析自动等同于更好的决策。根据我的经验，事实恰恰相反——在数据泛滥中，决策变得更慢、更碎片化、更不一致。

信息不足以带来改变。

决策智能是关于优化决策的制定、治理、监控和持续迭代的流程。

除其他考虑因素外，这些包括：

· 哪些决策对业务影响最大？

· 运营瓶颈在哪里？

· 哪些流程需要人工决策？

· AI决策支持在哪里发挥作用？

· 哪些行动可以安全地自动化？

· 有哪些新的治理要求？

随着AI智能体参与度的增加，这些考虑因素变得尤为相关。

如果适当的工作流重新设计不伴随治理，就存在在不提升整体绩效的情况下自动化任务的风险。

这是行业分析师越来越多提出的问题，在这方面，Gartner指出，如果不建立治理和控制措施，企业中的许多AI智能体项目可能无法交付预期结果，这是因为AI智能体将越来越多地负责系统中的任务协调，因此有必要在决策方面设置一些护栏。

我合作过的成功企业，只有当它们将AI驱动的流程直接聚焦于关键业务指标——如周期时间缩短、避免升级、利润率提升或客户留存——时，才成功降低了服务解决时间并提升了运营敏捷性。

这种转变——从试验到可衡量的运营影响——正是许多企业现在关注的焦点。

碎片化的AI产生碎片化的结果

我不断遇到的一个关键运营挑战是企业内部的智能碎片化。

销售部门使用一套AI解决方案，客户服务部门使用另一套AI解决方案，供应链使用又一套预测模型，财务分析在一套完全不同的AI工作流中运作。

虽然每个解决方案可能在局部取得一些进展，但企业层面的整合往往是一个挑战。

例如，在与一家主要从事零售的企业合作时，营销优化推动了比库存和人员配置所能满足的更多的促销需求。每个领域都有自己的智能，但没有企业层面的智能协调。

结果是运营内部的摩擦而非加速。

为了让企业应用为未来做好准备，这种碎片化的AI方法行不通。企业应用必须成为整合信号、工作流、决策和执行的系统。

这本质上就是AI被企业采用与被企业转化之间的区别。

AI智能体企业的领导优先事项

但随着AI智能体整合到企业系统中，企业领导者的关注点也需要转变。

领导者不应再只考虑将部署什么样的AI技术。

相反，他们需要问自己：

· 哪些成果需要更好的绩效？

· 哪些流程摩擦太多？

· 哪些决策最好留给人工？

· AI在哪里适合进行安全协调？

· 谁将治理和监督事情如何运作？

· 成功将如何被追踪和衡量？

一般来说，进展良好的企业往往对AI采取运营方法而非试验方法。

它们不专注于使用最前沿的AI，而更专注于运营效率、协调、治理和价值。

这种转变是更大图景的一部分，当今企业意识到，获得任何竞争优势的方式不在于仅仅拥有AI系统，而在于建立国际商业机器公司所提出的“AI运营模型”，在该模型中，AI智能体与公司数据、自动化系统、治理和人工决策协同工作。随着AI能力变得越来越普遍，竞争因素将在于企业如何围绕智能执行来设计其运营。

实际上，我观察到的最佳运营模型将人工决策与AI协调相结合。在某些流程中，人工主导。在其他流程中，AI提出建议，但经理做出最终决定。最后，某些重复性操作最终可以独立运行，但设有护栏。

一切都关乎意图性。

未来企业将以不同方式运营

随着时间的推移，所有企业都将获得与他人可比的AI模型、云计算和企业软件系统。

区别在于组织将智能嵌入其工作流的程度。

能够蓬勃发展的企业将是那些能够开发出具备以下所有能力的系统的组织：

· 及早感知运营中的变化

· 快速做出决策

· 减少工作流摩擦

· 基于结果持续学习

· 将AI投资直接嵌入其业务流程

AI智能体正在帮助实现这一点。

然而，更大的挑战超越了使用更多AI。

挑战在于改变企业在运营中感知、决策、执行和学习的方式。

这就是正在进行的演变，它将改变企业应用软件以及企业工作本身。

如果您在企业IT、网络、通信行业的某一领域工作，并希望分享观点，欢迎给企业网D1net投稿。

投稿邮箱：

editor@d1net.com

合作电话：

010-58221588（北京公司）

021-51701588（上海公司） 

合作邮箱：

Sales@d1net.com