企业AI落地关键：情境感知与决策智能
企业人工智能具备生成建议、自动化任务及加速决策的能力。然而，若缺乏对企业实际运作逻辑的理解，即便是高性能模型也可能忽略决定正确性的关键约束与关联关系。随着企业致力于将AI从实验阶段推向日常运营，核心挑战在于如何让技术在复杂的业务流程中发挥实质性作用。
Celonis 企业人工智能首席科学家 Devavrat Shah 指出，这种背景信息是“决策智能”的核心所在。他认为，AI代理可以在宏观决策过程中支持具体任务，但前提是必须理解每个任务在整体流程中的作用及其所处的业务环境。“不能在真空中进行决策”，Shah 表示。若缺乏正确的操作环境上下文，代理可能会忽视重要约束条件，导致高昂的错误成本，或因试图自行探索必要信息而消耗过多计算资源。
构建上下文层以连接流程与数据
解决这一问题的首要步骤是将AI与企业现有的流程和数据进行连接。引入一个“上下文层”有助于代理理解工作流程，在定义的护栏内运行，并生成可供人类审查和批准的建议。Shah 建议组织应从具体的业务决策入手，识别其中最困难的环节，测试AI能否优化这些步骤。通过衡量速度和价值的增长，企业可以判断该应用是否值得进一步扩展。
这种方法同样能改变员工的时间分配模式。自动化重复性手工工作及跨团队协调任务，可使人员专注于更复杂的战略决策。然而，要实现这一收益，企业需投资于劳动力教育，确保员工能够理解AI产出的结果及其影响，而非简单地将决策权完全移交至代理手中。
从原子任务到企业级规划的应用前景
展望未来，Shah 认为AI的应用机会涵盖从日常运营任务到企业范围内的规划领域，包括财务、劳动力管理、营销和销售等。在适当的环境下，AI可以帮助组织更快地评估选项并做出相关决策。他提到：“现在，（资源规划）不应该花费那么多时间。”
在播客《商业实验室》（Business Lab）的访谈中，主持人 Megan Tatum 与 Shah 探讨了企业AI面临的十字路口。经过多年实验、演示和试点后，领导团队需要明确的证据来证明价值。Shah 强调，脱离运营背景的通用AI原则往往难以在专门场景中达到目标，从而削弱了管理层对AI潜力的信心。因此，“上下文至关重要”成为从实验转向规模化部署的关键因素。
决策智能的实现路径与挑战
Shah 解释称，企业决策分为战略性决策和运营性决策两类。无论哪种类型，都涉及一系列按顺序执行的任务或角色。AI带来的变革潜力在于对这些原子化任务的增强或自动化。为了确定执行哪个任务，系统必须了解背景信息。这就是所谓的“决策智能”，即在正确的环境下，AI为企业带来最大的转变。
关于并行引入上下文时的商业风险，Shah 举例说明：即使拥有前沿的大模型基础设施，在处理特定环境下的微小决策时，若缺乏上下文，系统可能需要通过大量提问来获取信息，导致计算效率低下。此外，缺失重要背景、约束或防护机制可能导致错误。在企业环境中，这类错误的影响远超推荐餐厅失误，可能直接导致财务预测偏差甚至公司危机。
Celonis 的上下文模型架构
在实际操作层面，Celonis 通过提供组织的实时数字双胞胎来构建运营环境。Shah 回顾了 Celonis 的使命：帮助组织坚持理想流程，建立更好的流程，并处理相互交织的多重业务流程，即“过程智能”。要将决策智能融入其中，需要了解企业内部流程的背景，并将AI代理（称为“角色代理”）带入每一个原子步骤。
上下文模型位于记录系统（如工作流工具及其生成的事件日志）与商业用户之间。该设计旨在实现三个功能：首先，对下层记录系统进行正确抽象，使流程中的关键部分可被代理化；其次，以结构化且带有防护的方式为每个模块引入代理制剂；最后，确保与其他已存在的代理基础设施自然交互。
实施策略：治理、教育与分步验证
尽管存在潜在挑战，Shah 指出，大多数组织的数据基础已存在，无需完美清洁即可连接和理解。关键在于信任供应商软件的安全性（InfoSec），这是中间步骤的重要考量。
对于决策者如何开始实施变化，Shah 提出三点建议：
- 聚焦关键决策：确定希望注入智能的具体决策点，分析其流程步骤，优先针对最困难环节引入AI代理，并通过测量速度与价值增长来验证效果。
- 明确治理边界：以规范方式将AI应用于角色中的每个任务，明确定义代理能做什么和不能做什么。Celonis 为此提供认证的角色代理，确立清晰的合同界限。
- 重视人力资本：自动化并非取代人类，而是转移劳动力重心。专家需参与并理解AI成果及其影响。鉴于技术变革速度极快，教育和重新培训劳动力需同步快速行动。
Shah 将未来的应用场景归纳为三类：一是多重复性、劳动密集型的手工任务；二是协调风格的任务（如电子邮件、电子表格处理），旨在提高效率并减少枯燥感；三是作为人类决策者的战略支持增强，涵盖财务、员工、营销、销售及产品规划等企业核心业务决策。在这些领域，AI有望帮助人们迅速做出正确选择。
