Apian 专家：企业应选择性部署 AI，避免“为了用而用”
随着人工智能在企业中的普及，管理层面临的核心挑战已不再是“能否使用 AI”，而是“在何处使用 AI 才能产生实际价值”。针对这一议题，Apian 全球解决方案咨询负责人、高级副总裁 Gregg Aldana 指出，许多企业在引入 AI 时存在误区，即优先考量技术能力而非业务痛点。
从“哪里能用”转向“解决什么问题”
Aldana 认为，错误的出发点往往是询问“我们可以在哪里使用人工智能？”，这种思维将技术置于商业问题之前。正确的逻辑应当是首先明确组织希望解决的具体问题，识别最大的瓶颈和低效率环节。这要求 IT 团队、业务部门及高管层共同参与，深入分析待改进的决策流程、所需数据依赖以及人类监督的必要位置。只有在此基础上，企业才能判断 AI 是否能让特定过程变得更好，而非仅仅测试其功能上限。
区分传统自动化与 AI 代理的应用场景
并非所有业务流程都需要 AI。关键区别在于任务是否具有可预测的规则和明确的结果。对于此类任务，传统的自动化或商业规则引擎往往能更快、更低成本地达成目标。强行引入 AI 不仅无法改善结果，反而会增加不必要的复杂性。
- 传统自动化的适用场景：例如保险公司根据在线索赔表单中下拉列表的选择内容，通过业务规则对索赔进行分类（如汽车赔偿归入 A 部门，房屋保险归入 B 部门）。这种基于结构化数据的确定性逻辑无需 AI。
- AI 代理的价值区间：当工作涉及适应性推理、复杂环境处理或非结构化输入时，AI 更具优势。例如，面对包含网页、移动表单及非结构化电子邮件内容的混合数据源，经过训练的人工智能代理可以根据“高速公路”、“碰撞”、“乘客”等关键词推断出索赔属于汽车事故类别，并自动转发至相应部门。
企业应采取平衡的投资组合策略：在高量级、可重复的逻辑处理中使用规则引擎，而在需要动态分类或调查的场景中部署 AI 代理。
隐性成本与治理架构的重要性
除了模型本身的算力成本，企业常低估数据集成、监控、安全、治理及例外管理带来的隐性开销。Aldana 强调，AI 模型所需的运营基础设施至关重要。代理人需要获取准确的数据和系统支持，同时企业必须建立相应的监控与安全机制。
问责制是另一大挑战。组织需要能够追踪行动原因、发生过程及错误处理路径。若缺乏统一平台来协调数据、执行政策及管理审计轨迹，治理开销可能会超过 AI 带来的生产力增长。因此，只有在确认 AI 能提供有意义价值时，这些投入才是合理的；每一个额外的代理都会增加系统复杂度，需谨慎评估。
人类在回路中的角色界定
在金融服务、保险、生命科学和公共部门等受监管行业，当决策失误成本高或后果严重时，人类判断依然不可替代。但这并不意味着人类需批准每一项 AI 行动。核心在于风险评估：常规活动可由 AI 自主执行，而敏感、异常或重大决策则需人类审查。
这些边界应在流程设计初期确定。组织需明确代理人有权自行决定的范围，以及哪些情况必须在行动前引入人类判断。未来的理想模式并非端到端的完全自动化，而是编排——结合可预测的业务规则、适应性 AI 代理和人类专业知识，让每个组件处理其最擅长的部分。
避免效率倒退与技术债务
在不适合的地方引入 AI 可能导致效率降低。用概率性的 AI 模型取代确定性的简单规则，会引入延迟、成本和不可预测性。如果一个任务已通过简单规则快速可靠地完成，引入 AI 代理可能并无显著收益，甚至因维护复杂模型而产生技术债务。
有时，最明智的决定是承认某些流程根本不需要 AI。企业不应因为 AI 更新或更复杂就盲目替换传统自动化，而应根据需求选择最适合的技术。
衡量成功的指标：业务成果而非覆盖率
Aldana 警告，以“启用 AI 的流程数量”作为成功标准是危险的，这可能鼓励错误行为。真正的衡量标准应与其它运营和技术投资一致，关注具体成果：循环时间是否减少？运行成本是否降低？决策质量是否提高？
案例显示，某银行通过优化流程，将客户开户时间从两周缩短至几分钟，并自动化了 96% 的招聘流程，同时新客户增长了 900%。端到端流程的成本可降低十倍甚至更多。这才是检验 AI 价值的试金石。
给 CEO 的建议：聚焦瓶颈，拒绝强制推广
对于被要求制定全面“AI 战略”的 CEO，建议停止在任何地方强制使用 AI。不要问“我们可以在哪里使用人工智能”，而要问“我们试图解决哪些问题？”。
应从组织中最大的瓶颈入手，识别耗时过长、手工干预过多或决策质量有待提升的三个最有价值的操作环节。针对这些环节，调整规则、代理和人类判断的最佳组合。成功的 AI 战略不在于让代理无处不在，而在于通过技术手段切实提升业务表现。
