构建上下文感知 AI：解锁企业级决策智能的关键
联合Celonis
企业 AI 能够生成建议、自动化任务，并帮助组织加速决策。但如果缺乏对业务实际运作方式的理解，即便模型强大，也很容易忽略那些决定决策是否正确的关键约束与关联。当企业试图将 AI 从实验阶段推向日常运营时，未来的核心挑战在于赋予技术足够的上下文，使其能在复杂的业务流程中有效行动。
对于 Celonis 企业 AI 首席科学家 Devavrat Shah 而言，这种上下文是他所说的“决策智能”的核心。他主张，AI 智能体可以支持更大决策流程中的单项任务，但前提是它们必须理解每个任务的角色及其周围的业务环境。“你不能凭空做这些事，”他说。若缺乏合适的操作上下文，智能体有可能忽视重要约束、犯下代价高昂的错误，或在试图弄清所需信息时消耗过多的算力资源。
解决方案始于将 AI 与企业现有的流程和数据进行连接。一个上下文层可以帮助智能体理解工作流、在既定护栏内运行，并产出可供人工审核和批准的推荐。Shah 建议组织从一个具体的业务决策入手，找出其中最难的关键步骤，测试 AI 能否改进这些环节。随后，通过衡量速度和价值的提升，可以判断该应用是否值得大规模推广。
这种方法还可能改变员工的时间分配方式。通过自动化重复性的人工操作，并协调跨团队的任务，人们得以专注于更复杂的战略决策。不过，要真正实现这一收益，需要在员工教育上投入，让员工能够理解 AI 输出的结果及其影响，而不是仅仅把决策权完全交给智能体。
展望未来，Shah 看到机会正在从例行的运营任务扩展到企业级的规划，涵盖财务、人力资源、市场营销和销售等领域。在合适的上下文支持下，AI 能够帮助组织更快地评估选项并做出重大决策。用 Shah 的话说：“现在，也许[资源规划]不该占用那么多时间，人们其实可以迅速做出正确选择。”
本期《Business Lab》节目由 Celonis 联合出品。
完整文字记录
Megan Tatum： 来自 MIT 科技评论，我是 Megan Tatum。欢迎来到 Business Lab，这档节目旨在帮助商业领袖理解那些从实验室走向市场的新兴技术。
本播客由 Celonis 联合出品。
目前，企业 AI 正处在某种十字路口。经过多年的实验、演示和试点，领导层希望看到确凿的证据，证明扩大规模能切实提升业绩，但许多人却忽略了拼图中不可或缺的一环：缺乏运营上下文。这使得企业 AI 和 AI 代理在显著劣势中运行。它们将通用原则生搬硬套到特定场景中，结果往往差强人意，这也让商业领袖们难以置信，AI 的潜力未能真正释放。
送两个词给你们：上下文至关重要。
今天我的嘉宾是 Celonis 企业 AI 首席科学家 Devavrat Shah。
欢迎，Devavrat。
Devavrat Shah： 你好，Megan。谢谢邀请。
Megan： 非常高兴今天你能来。Devavrat，首先想问一下，为什么组织现在必须重视与 AI 相关的运营上下文？在从实验走向规模化的过渡中，它为何如此关键？
Devavrat： 问得好。正如你指出的，就 AI 而言，我们正站在从实验阶段迈向主流应用的门槛上。你知道，我在 MIT 教授 AI 课程已有二十多年，因此对企业 AI 的未来持非常乐观的态度。
我认为，AI 对企业产生最大价值的领域在于决策支持，换句话说，就是如何将“决策智能”引入企业。让我们审视一下当前的决策模式：无论是 MIT 科技评论、Celonis、MIT，还是其他大型机构，决策大致可分为战略性和运营性两类——前者如情景规划，后者则要求高频执行。无论哪类决策，我们既有的流程都是逐步执行的：先做这件事，再做那件事。我们中的许多人负责协调这些环节，并承担特定角色——正如 Jensen Huang 所言，这就是“任务”。按步骤完成这些任务后，最终才能做出决策。
关键在于，正是这些任务或角色，为 AI 提供了切入点。AI 能够以原子的粒度提供 agentic 能力，至少辅助决策的部分环节，甚至在某些痛苦环节中实现自动化。但要精准定位该执行哪个角色或任务，我们必须依赖上下文信息。脱离上下文的决策是无效真空，唯有将上下文以恰当方式与 AI 结合，才能真正为企业带来“决策智能”，并由此引发最大变革。
Megan：没错。想更具体地探讨这一点。正如你所说，许多组织正在拥抱“identic AI”，其潜力在于日益自主的决策能力。如果同步不引入上下文机制，将面临哪些商业风险？
Devavrat：好问题。回到我描述的设定：根据决策和任务类型，我们的目标可能是自动化、支持或增强某个角色。假设这些被称为“前沿实验室”的机构已构建出惊人模型与 AI 基础设施，囊括宇宙中已发生及未来可能发生的一切信息。
目前，面对那个极其具体的场景，我们需要做一个小小的决策。如果没有掌握这些上下文，就算这套庞大的系统由极其聪明的人主导，最终也得靠不断提问来摸索出答案——就像我们人类那样——然后才能做出正确的判断。问题在于，要做到这一点，系统得消耗海量的计算资源；相比之下，完成一些简单任务却耗费如此巨大的算力，效率显然太低。这就是第一种情况。
但现实往往不是这样。我们会遗漏关键的上下文、重要的约束条件或必要的安全护栏，从而犯下错误。有些错误无伤大大雅，比如我推荐你去 A 餐厅吃饭，结果你没那么喜欢；但有些错误的代价极其高昂，比如我给出的财务预测有误，进而导致公司陷入困境。
Megan： 没错。在企业环境中，这些决策往往关乎核心业务。如果搞错了，影响岂不是更加深远？那么在实际操作层面，组织有哪些不同方式能加入我们所说的这层上下文？例如，Celonis 是如何通过企业的实时数字孪生体来传递运营上下文的？
Devavrat： 绝对如此。我觉得很有必要回顾一下 Celonis 的发展历史。众所周知，Celonis 这家公司成立的初衷和使命，就是帮助组织遵循理想流程、构建更优流程，并支持人们在多种相互交织的流程中协同工作。这构成了它的主要基因，可以称之为“流程智能”：帮助企业将各种要素整合起来，实现数字化，助力员工优化流程、定位问题，进而对组织内部的流程进行重新设计，让事情运行得更顺畅。
如今，若你想引入决策智能，过去那些由专家手动完成的流程中的每个原子步骤，现在都希望有 Agent 来协助实现。这正是理解企业内流程背景，并引入我们所谓的“角色型 Agent”的价值所在——它为企业引入决策智能提供了恰当的路径。这正是 Celonis 通过提供上下文来帮助企业做出更好决策的方式。
Megan：没错。那么，关于其运作机制，上下文层如何同时关联上下两层？即下层的记录系统层和上层的识别层？
Devavrat： Megan，问得非常好。下层主要是记录系统，即现有的工作流工具及其生成的事件日志。上层则是业务专家消费这些信息，或者专家通过运行在上下文层之上的 Agent 来消费这些信息。Celonis 设计的上下文模型旨在同时实现三件事。第一，对下层进行恰当抽象，使流程的关键部分能够被 Agent 化。第二，以结构化且受护栏约束的方式，为这些部分引入角色型 Agent。第三，保持 Agent 优先，如果已有其他 Agentic 基础设施在与之交互，它们可以自然地对接，从而为人类或专家输出合适的内容供其审阅、查看和批准，必要时实现自动化。
Megan：太好了。谈到这些好处，在实施上下文层时是否存在挑战？例如，大多数组织是否拥有合适的数据来为 AI 提供所需的上下文？如果没有，我想知道他们可能需要采取哪些实际步骤来解决这个问题。
Devavrat： 这又是一个让落地成为现实的关键问题。我们可以想象一个理想世界，但如果无法触及那个理想，它就只是空想。所以在此场景中，正如我们讨论的三个层级，其中一层位于记录系统和工作流工具之下。从某种意义上说，这些东西已经存在了，它们不必完美无缺，也不必是最干净利落的。上下文模型基于 Agent 架构进行设计，它设法与这些工具连接并理解其内容。
至于上层的部分，则完全由 Celonis 的基础设施掌控，因此并不复杂。但这里的关键在于，当面向企业时，当你打开记录系统或工作流工具、事件日志等，你必须经历我所谓的传统信息安全流程，以确保可以信任进入你组织的供应商软件。我认为这是主要流程，可以看作是前后衔接的一步。
Megan： 没错。所以这才是人们真正需要关注的关键步骤。随着拥有上下文的 AI Agent 能够做出更复杂、希望也更准确的决策，我想知道你认为未来人类智能和输入的作用会如何演变，组织又该如何在这两者之间取得平衡？
Devavrat： 这里有好处，也有挑战。好处是很明确的。如果你拥有合适的 AI Agent，以正确的方式介入决策流程，希望它们能更快地执行，从而使决策更早做出，避免机会成本的流失。你能及时做出决策，更好地进行规划等等。这在需要处理非常手动、重复、琐碎的任务时尤为有用，此时劳动力的获取和人员协调成为决策过程的关键部分。从某种意义上说，巨大的价值就来自这里。但另一方面，这意味着人类将不再从事这些工作。
Megan: 对于正在收听这一内容的决策者来说，他们应该如何着手实施这些变革？例如，他们该如何为 workforce 做好准备？治理机制又应扮演何种角色？
Devavrat: 这是个好问题。如果要开始行动，首要任务是确定你希望引入智能的具体决策场景。接着梳理该决策相关的流程，识别每个步骤，并挑选其中最关键、最困难的环节。尝试引入 AI agent 来协助完成这一步骤。在此基础上，衡量由此带来的速度提升和价值收益，从而判断这项投入是否值得。这是第一步。
从另一个角度看，还有一种我们日常都在做的决策，即战略性决策。无论规模大小，组织通常缺乏足够的精力去深入思考这些战略性决策。然而，这类机会一旦敞开，往往需要更多人类专家的深度参与。从这个意义上说，未来的技术将更好地支持人们理性地分析各种选择及其利弊，最终由组织根据自身利益和发展方向决定采纳哪个选项。
因此，从某种意义上讲，我们的工作结构将发生转变：重复性工作会大幅减少，而战略性工作会显著增加，这也是人们需要投入时间的领域。
我个人对另一方面的乐观之处在于，每当技术发生变革，都会创造出当时难以预见的新工作机会。我希望会出现更多类型的新机会和岗位，从而吸纳我们的劳动力。不言而喻，这要求我们深思熟虑地重新培训或教育部分员工。作为一名学者和教育者，我深感这些变化发生得极快，因此我们必须同样迅速地采取行动。
Megan: 对于任何正在收听这段内容的决策者，他们该如何着手实施这些变革？举例来说，他们如何为劳动力做准备？治理在其中应发挥什么作用？
Devavrat: 好问题。如果你想开始，首先要识别一个你希望引入智能的决策点。让我们梳理其围绕的流程，明确流程中的每个步骤，并锁定其中最关键、最困难的环节。尝试引入 AI agent 来帮助你完成该步骤。随后，衡量我们能获得多少速度提升和价值增益，这将帮助我们判断此项投入是否物有所值。这就是第一步。
其次是治理。我们将为角色中的每个任务以这种规定性的方式引入 AI。这意味着对于该角色，我们可以非常清楚地界定它能做什么、不能做什么。Celonis 为此推荐了认证的角色智能体。这有助于你清晰地理解此类契约的范畴。
第三是人员，而这恰恰是关键所在。部分流程会被自动化，但另一部分仍需要专家参与，而在此环节，专家必须理解 AI 的输出，思考如何与之协作以及其带来的影响。这就需要一定的 AI 培训，也需要相应的工具培训。
Megan： 是的，绝对如此。这个领域的节奏是不是非常惊人？说到这个，如果我们能展望未来，在具备适当上下文的前提下，你认为哪些企业 AI 用例即将兴起，可能最具影响力？或者你只是最期待什么？
Devavrat： 我认为可以将它们分为三类。它们都属于决策智能、决策制定，但存在三种类型。第一类，我称之为大量重复性的、劳动密集型的手动任务。
第二类，我称之为协调型任务。目前信息劳动力做的大量工作都耗在协调上，这正是电子邮件、电子表格等存在的意义。协调工作可以做得更好、更快、更不枯燥。
第三类，特别是作为对人为决策者的支持，提供战略支持增强。这就是第三种决策。如果考虑到企业中的任何规划流程——财务规划、劳动力规划、营销、销售、产品，任何东西——这些都是我们需要做出的关键业务决策，都需要每年的规划过程，占用年度时间。也许它们不应该花那么多时间，人们实际上可以快速做出正确的选择。
Megan： 那将非常精彩，不是吗？太棒了。非常感谢这场精彩的对话，Devavrat。这是 Celonis 企业 AI 首席科学家 Devavrat Shah，我从英国布莱顿与他进行了交谈。
你可以在任何提供播客的地方收听本节目。如果你喜欢这一集，希望你能花点时间给我们打分并留下评论。Business Lab 由 MIT 科技评论制作，本集由 Giro Studios 制作。非常感谢收听，再见。
本内容由 MIT 科技评论的定制内容部门 Insights 制作，而非其编辑团队。内容完全由人类研究并撰写，任何可能使用的 AI 工具仅限于受人类监督的制作流程。