“十四五”之后，人工智能技术已开始快速进入企业各管理环节。对于战略、流程乃至数据、系统来说，数字化转型要处理的要点，现在不是先“上系统”，而是先“理清楚”——先查清业务及其有关要素（应用、数据、技术等），才好着手做智能化安排。企业架构（Enterprise Architecture）正好是完成这类任务的基础性手段。
就“数字X光片”而言，过去的拍摄与处理基本都用人工：要逐句整理流程、按手头资料找字典、把接口文档一一核对。集团类企业做架构分析一般要花几个月时间，结果出来时业务可能已经不同。AI的应用，是造成这种变化、使事情变容易的现实因素。
本文以某信托公司企业架构项目的实践为主线，结合制造、供应链等领域的项目经验，从流程梳理、数据治理、应用盘点、架构维护、人机协同五个维度，剖析AI为企业架构带来的实效，供正在推进数字化转型的企业参考。
该信托公司处于业务转型关键期：融资类、通道类业务持续压降，标品信托、服务信托、家族信托等新业务加速布局，监管对数据报送的及时性和准确性要求不断提高。业务变了，系统、数据、流程却还停留在旧格局里，管理层迫切需要一张看得清、跟得上的“数字X光片”。
流程梳理：智能识别
将“逐句整理”换成“语义归纳”
传统流程梳理高度依赖人工：流程节点、角色、审批点等内容，要由专人按访谈材料逐句整理，所费时间多而易错。使用AI之后，语音可被转写为文字，自然语言技术可对流程、审批作基本语义归纳；访谈中一再提到的“卡壳”环节，会被自动标示，是核查的重点所在。
信托业务的全生命周期（尽职调查、产品审批、设立信托、投后安排、分利、清算）所涉环节较多、跨部门，正好属于流程梳理的“深水区”。
文中所提几十次访谈的录音已由AI做过转写及基本归纳；对尽调或审批来说，多次出现的补件现象被自动识别，是后面分析、改进流程时要加以重视的要点。有关某制造企业项目的资料表明，“访谈到流程初稿”所用的周期大致是原来的三分之二，由此获得的时间可用于查证逻辑、商议流程及整理思路，较切实际。
数据治理：自动映射
将“手工对照”换成“批量比对”
在数据治理中，若用同一客户编号在不同系统中查找，所遇的名称及口径未必相同。按旧方法做字段比对要逐项分析，集团类数据字典整理一般需耗时几周。采用AI来处理，即能同时利用多系统数据字典，自动作比对：把各字段是否对得上、有无缺项、是否一致都列出来，提出映射方案；对低置信度部分加以说明，交由人来做最后确认。
信托公司这一痛点尤为突出：有关监管报送的数据口径有明确要求，“受益人”“委托人”“产品代码”这类关键字段，在TA以及估值核算和风控系统中是各自表述的，到报送时间点，财务及技术部门便要花很多力气做核对。
就本项目而言，AI将十余种业务所用的字典一并加以比对，按类提出初步映射方案，人工只须修正低置信度标记的内容，报送数据的查证工作因此大大加快。对数据资产所作的盘点，现在应以“体力活”为起点，而“审核与决策”是需要处理的重点问题。
应用盘点：动态绘制
将“人工翻查”换成“自动梳理”
调用关系、接口说明或数据流动的信息，一般不是集中于一处，部门之间又可能有版本差异（有的已失效）。假定已有对日志或源代码的访问权，那么AI可用来整理调用关系、画出关联图，而且能识别长期未动而未删除的“僵尸接口”类资源。
所涉信托公司过去已有好几次系统的大规模更换，新旧系统长期共存，接口复杂。AI对调用关系作辅助性图示说明，把主链路讲清楚，又将已不用但仍被调用的接口、现有单点隐患列出来，由此给出系统整理或运维简化所应着手处理的完整清单。
就供应链系统做一次架构分析时，AI对所涉各部分的调用予以说明，并指出已有三年未使用但仍被调用的三类接口，由此为有关“技术债务”作了清理。
架构维护：持续运营
把“交付即过时”换成“常用常新”
按旧有思路设计的架构图，一般只在项目完成之后才失去现实意义，很少使用。若采用AI的方法，就可以把流程、数据的变动纳入周期性检查，用自动方式修改架构图，又可指出数据或流程上的缺陷。架构不再是仅作一次提交的成果，而是能配合业务而不断演化的工具。
从转型的角度看，信托公司现在特别需要做到这一点：新业务要不断开展，所用架构若不相应地改进，很快又会失效。文中所提项目把扫描及更新都纳入定期安排，有关业务的变动能即时传达到架构上，数据错误亦可被指出，因此架构分析不是只写在纸上，而是实际进入公司运作各环节的成果。
人机协同：价值重塑
将“技术最优”改为“落地可行”
AI对数据来说，“最优解”是可计算项，而企业要的是“最可行的解”。有关组织、既定职责及利益关系，不能由算法加以完全说明。就所提信托项目而言，数据统一方式最后得到业务各方认可，原因不是将“理论上最干净的方案”照搬过来，而是按实际分工、依据传统做约束性思考，把各项现实条件纳入设计之中，分阶段予以落实。
所称的专业复核，属于成果交付的常规步骤：对于已知的每条AI结果都要作核实，企业可自由地抽查或回查，不出现“黑箱结论”这类问题。
三点启示。
第一，先作小切口试验，后做整体展开。对某类流程或某个系统所涉数据加以分析，用两至四周时间即能取得成果，所费不大。
第二，数据授权须同时完成。有关应用所用的数据，应从接口及代码、日志诸方面获得授权，在项目一开始即说清获取办法，可免后患。
第三，将“可验证”列入项目规范。AI作初稿、加人工复查、有完整记录，正好是质量与信任的双重保证。
结语
AI让企业架构的“数字X光”拍得更清楚、更新得更及时，但“我是谁、我在哪里、我要去哪”这些方向性问题，最终仍要由人来回答。
上述信托公司的实践表明：AI负责把现状看清、把底账盘明，企业据此做出的转型决策，才真正有据可依。
对正在推进数字化转型的企业而言，务实的路径是先从一个具体场景试点验证——一个部门的流程梳理、一个系统的数据字典比对、一条业务线的调用关系分析，用两到四周检验效果，再逐步扩展。技术负责把现状看清，方向由企业自己把定。
作者：孔瑶
编辑：Huang
责编：Little J
正略集团是一家致力于服务中国企业向人工智能时代转型的咨询公司，以协助企业客户在战略、组织、人力资源、制度流程、营销、研发、生产、物流等关键领域实现转型为目标，通过迭代规划，推动人工智能技术与企业经营管理的深度融合，助力企业优化经营管理，在人工智能时代探索发展机遇，提升行业竞争力。
全国统一业务电话
400-800-0139
正略钧策管理咨询
咨询中国，智惠四海
-END-
推荐阅读：
点击以下【关键词】
查看您感兴趣的内容合集
