Celonis 首席科学家解析为何企业 AI 需要“情境感知”

企业级 AI 可以生成推荐、自动执行任务，并帮助组织更快地做出决策。但如果缺乏对企业实际运作方式的理解，再强大的模型也可能忽视那些决定一项决策是否正确的约束条件和相互关系。随着企业希望将 AI 从实验阶段推进到日常运营中，摆在面前的挑战是让技术获得在复杂业务流程中有效行动所需的上下文。

对于 Celonis 企业级 AI 首席科学家 Devavrat Shah 来说，这种上下文正是他所说的“决策智能”的核心。他认为，AI 智能体可以支持更大决策流程中的单个任务，但它们需要理解每个任务所扮演的角色以及围绕它的业务条件。“你不能在真空中做这件事，”他说。如果没有正确的运营上下文，智能体可能会忽视重要的约束条件、犯下代价高昂的错误，或者在试图弄清楚自己需要知道什么时消耗过多的计算资源。

解决方案首先要将 AI 连接到企业已经在使用的流程和数据上。一个上下文层可以帮助智能体理解工作流、在设定的护栏内运行，并产出可供人们审核和批准的推荐。Shah 建议企业从一个具体的业务决策入手，找出其中最困难的步骤，并测试 AI 是否能够改进这些步骤。随后，通过衡量速度和价值方面的收益，可以帮助判断某个应用是否值得扩展。

这种方法还可能改变员工的时间分配方式。将重复性的手工工作自动化并在团队之间协调任务，可以让人们腾出时间专注于更复杂的战略决策。然而，要实现这一好处，就需要在员工教育上进行投入，让员工能够理解 AI 的输出及其影响，而不是把决策直接交给智能体。

展望未来，Shah 看到的机会从日常运营任务延伸到财务、人力管理、营销和销售等领域的全企业规划。有了正确的上下文，AI 可以帮助组织更快地评估各种选项并做出影响重大的决策。正如 Shah 所说：“现在，也许[资源规划]不应该再花费那么多时间，人们实际上可以快速做出正确的选择。”

本期 Business Lab 节目由 Celonis 联合制作。

完整文字实录

Megan Tatum: 来自 MIT Technology Review，我是 Megan Tatum，这里是 Business Lab，这档节目帮助商业领袖理解那些正从实验室走向市场的新技术。

本期播客由 Celonis 联合制作。

如今，企业级 AI 正处在某种十字路口。经过多年的实验、演示和试点，领导团队想要明确的证据，证明扩大规模将对他们的利润产生积极影响，但许多团队缺少拼图中至关重要的一块。由于在没有运营上下文的情况下行动，企业级 AI 和 AI 智能体的表现存在明显缺陷。它们把通用原则套用在专业化场景中，结果不尽如人意，这让商业领袖们望而却步，也让 AI 的潜力未能实现。

送你两个词：上下文很重要。

今天的嘉宾是 Celonis 企业级 AI 首席科学家 Devavrat Shah。

欢迎你，Devavrat。

Devavrat Shah: 你好，Megan。感谢邀请我来这里。

Megan：非常感谢您今天来到这里。Devavrat，先从一个问题开始：为什么企业现在思考与 AI 相关的运营背景（operational context）如此关键？是什么让它成为我刚才提到的从实验走向规模化这一转型中如此重要的一环？

Devavrat：这是一个非常好的问题。正如您正确指出的，就 AI 而言，我们正处于从实验性走向主流的临界点。您知道，作为教授，我在 MIT 教 AI 已经超过二十年了，所以毫不奇怪，我对 AI 在企业中的未来非常乐观。

我认为 AI 能在企业中产生最大影响的地方是决策——帮助企业做出决策，换句话说，就是如何为企业带来决策智能（decision intelligence）。谈到决策，我们今天是如何做决策的？拿 MIT Tech Review、Celonis、MIT 或任何大型组织来说，粗略来看，我们要做的决策有不同的类型。有些是战略性的、偶发性的决策，另一些则是需要高频执行的运营性决策。无论是哪一种，我们都有一些既定的流程：先做这个，再做那个，然后做那个，接着做那个。我们中的许多人负责协调这些事务，许多人在其中扮演角色，也就是 Jensen Huang 所说的任务（task）。当你把这些事情一步一步完成之后，才能到达决策这一步。

正是这些任务，或者我所说的角色，才是 AI 能够以原子化的方式注入智能体能力的地方，这样即使不能覆盖全部决策，至少也能在部分决策上增强支持，有时甚至可以在痛苦繁琐之处实现自动化。而要做到这一点，要知道该执行哪个角色、哪个任务，我们真正需要了解背景。你不能凭空做到这一点。这就是为什么把背景与 AI 以正确的方式结合在一起，会为企业带来我所称的决策智能。我认为最大的转型将发生在这里。

Megan：是的。让我们更深入地探讨一下这个话题。我们知道，正如您所说，许多组织如今正在拥抱智能体 AI，它有望实现越来越自主的决策。如果没有同步引入背景信息，会面临哪些商业风险？

Devavrat：很好。我们就拿我刚才描述的场景来说。我们要根据决策类型、任务类型，去自动化某个角色、支持某个角色或增强某个角色。让我们暂时想象一下，所有这些所谓的前沿实验室（frontier labs）已经构建了这些出色的模型和出色的 AI 基础设施，以至于宇宙中已经发生的一切以及可能发生的一切都在其中。

现在，我们要针对一个非常具体的背景做一个小决策。如果不接触那个背景，这个庞大的系统——这个极其聪明的人——最终会通过提出大量问题来弄清楚它，就像我们人类所做的那样，然后最终做正确的事。问题在于，要走到那一步，它在某种程度上会消耗大量的算力，为了完成简单的任务，我们要花费海量的算力。这是第一种情形。

现实中，情况不会是这样，我们会遗漏一些重要的上下文、重要的约束、重要的防护栏，然后犯错。有时这种错误还可以接受。就像我给你一个建议说，去 A 餐厅，也许你对这顿晚餐不太满意；但有时错误会非常非常昂贵。那就是我告诉你财务预测是什么，而它不知怎么导致了公司的毁灭。

Megan：对。所以在企业环境中，这些是真正关乎业务的关键决策。如果我们在这方面出错，影响就会大得多，不是吗？那么从实际层面来看，组织有哪些不同的方式可以加入我们所说的这个上下文层？例如，Celonis 如何通过组织的实时数字孪生来交付这种运营上下文？

Devavrat：当然。我想先深入回顾一下 Celonis 的历史可能会有所帮助。如你所知，Celonis 作为一家组织的成立使命和目标是帮助组织遵循其理想流程、构建更好的流程、使人们能够以相互交织的方式处理多个流程。这就是他们的主要基因——可以称之为 DNA——一直是被我称为流程智能的东西。观察企业如何将多种事物整合在一起、将其数字化、帮助人们改进他们的流程、了解问题所在，然后在组织内重新设计流程，让事情做得更好。

现在，如果你想把决策智能引入其中，这个流程的每个原子步骤以前可能是由专家、由人来完成的，现在我们希望智能体来帮助我们实现这一点。这就是为什么了解企业内流程的这种上下文，并在此基础上引入 AI 智能体——我称之为角色化智能体——正是为企业带来决策智能的正确方式。Celonis 正是这样提供上下文，帮助企业做出更好的决策。

Megan：好的。另外，关于这一切是如何运作的，这个上下文层与下面的层（即记录系统层）以及上面的层（即智能体层）是如何关联的？

Devavrat：这是一个非常好的问题，Megan。下面的层主要是——如果我们称之为记录系统——主要是现有的工作流工具以及它们围绕其生成的事件日志。上面的层要么是业务用户专家在消费信息，要么是他们通过在上下文层之上工作的智能体来消费这些信息。而 Celonis 所称的上下文模型的设计方式，正是要同时做三件事。一是对下面的层进行正确的抽象，使流程中正确的部分可以被智能体化。二是以结构化、有防护栏的方式为每个部分引入角色化智能体。三是以智能体优先，这样如果已经有其他智能体基础设施在与它通信，它们可以自然地对接，从而为人类或专家带来正确的输出供其审查、查看、批准，有时或许再实现自动化。

Megan: 太好了。我们谈到的这一切好处之外，在实现上下文层的过程中是否也存在挑战？比如，大多数组织是否已具备合适的数据来为 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切实可行的步骤来解决这个问题。

Devavrat: 这又是一个让这一切落地的关键问题。我们可以设想一个理想世界，但如果我们无法抵达那个理想世界，那它就只是理想而已。在当前这个场景中，正如我们讨论过的三层，其中一层是记录系统和工作流工具之下的那一层。从某种意义上说，这些已经存在了。它们不需要是完备的，也不需要以最干净的方式呈现。上下文模型借助智能体架构进行设计，能够连接到这些东西并理解它们。

而其上的部分完全在 Celonis 基础设施的控制范围内，所以并不那么复杂。不过这里的关键是，当进入企业时，当打开一个记录系统或工作流工具、事件日志之类的东西时，必须经过我所称的经典信息安全流程，以确保你可以信任进入你组织的供应商软件。我认为这是之前和之后之间的主要流程，可以这么说。

Megan: 没错。所以这是人们在这里要跨过的真正关键的一步。随着具备上下文的 AI 智能体能够做出更复杂、但愿也更准确的决策，我想知道你认为人类智能和人类输入在未来会扮演什么角色，组织又该如何在两者之间取得平衡？

Devavrat: 既有机遇也有挑战。好处很明显。如果有合适的 AI 智能体以合适的方式参与你的决策流程，但愿它们能更快地完成，因而你的决策能更早做出，机会成本就不会流失。你能及时决策，能更好地规划等等。当你必须处理非常人工、重复、繁琐的任务时，这尤其有用，因为人力获取和人员协调会成为决策流程中的关键环节。从某种意义上说，这正是巨大价值所在。而它的另一面是，这意味着人们将不再做那些事。

另一方面，还有我们一直在做的另一类决策，即战略性决策。它可以是小的战略决策，也可以是大的战略决策，但这类战略性决策通常是大多数组织没有精力去思考和做出的，这样的机会将会打开，而这正是许多人类和专家会更深入参与的地方。从某种意义上说，他们现在会有更好的支持，帮助他们理性地思考自己有哪些选择、不同选择之间如何比较。而归根结底，决定选择哪个方案是组织的职责，因为这关乎他们自身的利益和想要前往的方向。

所以从某种意义上说，将会出现我称之为劳动力转变的过程：重复性工作大大减少，而战略性工作大大增加，人们将不得不把时间花在那里。

我个人非常乐观的另一个方面是，每一次技术变革都会催生在变革发生时难以预料的新工作。我希望会创造出另一种类型的机会和工作，让我们的劳动力得以投入其中。不言而喻，这意味着我们必须深思熟虑地对部分员工进行再培训或培训。而作为学者、作为教育者，我深切感受到这些变革发生的速度实在太快了。因此我们也需要以同样快的速度行动。

Megan：对于正在收听这期节目的决策者来说，他们应该从哪里入手实施这些变革？例如，如何为他们的员工做好准备？治理在其中又应该扮演什么角色？

Devavrat：好的，这是个很好的问题。如果你想开始，第一件事是确定一个你希望引入智能的决策。然后确定围绕它的流程，确定流程中的每一步。挑出其中最关键、最困难的一步，尝试引入 AI 智能体来帮助你完成它。然后从这里出发，衡量我们获得了多少速度提升，获得了多少价值？这会帮助我们理解这样做是否值得。这是第一点。

第二是治理。我们要以这种规范化的方式，为某个角色中的每项任务引入 AI。这意味着对于该角色，我们可以非常清楚地说明它能做什么、不能做什么。Celonis 为这些场景提供了经过认证的角色智能体。这能让你清楚地理解这相当于一种怎样的契约。

第三点是人，这一点现在非常关键：有一部分工作会被自动化，但还有一部分需要专家参与其中，这时他们需要理解 AI 的输出、如何与之协作，以及它会带来什么影响？这就是需要一些 AI 教育以及一些工具教育的地方。

Megan：是的，确实如此。这个领域的节奏令人惊叹，不是吗？说到这里，我想如果我们能以展望未来来收尾的话——当然是在合适的条件下——您认为企业 AI 眼下正在浮现的用例中，哪些可能最具影响力，或者您最期待的是什么？

Devavrat：我想把它们分为三类。它们都属于决策智能、决策制定，但分为三类。第一类，我称之为大量重复性的、劳动密集型的工作，这是一类。

第二类，我称之为协调型任务。作为信息型劳动力，我们现在所做的很多工作都耗费在协调上，这就是为什么会有电子邮件、电子表格等等。这类工作中有很多都可以被完成得更好、更快速，也可以说更不那么枯燥。

第三类则是作为人类决策者的支持，提供战略层面的支持增强，这是第三类将被完成的决策。想想企业中的任何规划流程——财务规划、人力规划、市场营销、销售、产品等等，这些都是我们做出的、需要年度规划流程、需要一年时间才能完成的业务关键决策。现在也许不应该再耗费那么多时间了，人们其实可以快速做出正确的选择。

Megan: 那就太棒了，不是吗？太棒了。非常感谢 Devavrat 的精彩对话。这位是 Celonis 企业 AI 首席科学家 Devavrat Shah，我在英格兰布莱顿与他进行了对话。

本期 Business Lab 节目到这里就结束了。我是主持人 Megan Tatum。我是 MIT Technology Review 旗下定制出版部门 Insights 的特约编辑兼主持人。我们于 1899 年创立于麻省理工学院，您可以通过印刷版、网络版以及每年在世界各地举办的活动找到我们。欲了解我们和本节目的更多信息，请访问我们的网站 technologyreview.com。

本节目可在您收听播客的任何平台收听。如果您喜欢这一期节目，希望您能花点时间为我们打分并撰写评论。Business Lab 是 MIT Technology Review 的出品节目，本期节目由 Giro Studios 制作。非常感谢您的收听。再见。

本内容由 MIT Technology Review 的定制内容部门 Insights 制作，而非其编辑团队出品。内容由人工调研与撰写，任何可能使用的 AI 工具仅限于人类监督下的制作流程。