演示并非工作流
摘要
文章认为，企业AI的真正挑战并非获取模型，而是将AI融入工作流，并配备适当的边界和审核流程。
演示并非工作流。这是我对企业AI当前的理解。OpenAI推出部署公司，Anthropic引入企业AI服务，这些很容易被描述为“带有AI品牌的咨询”。但这种反应也揭示了真正的问题：获取模型不再是全部难题。困难的部分在于将AI融入工作流，并同时具备：
* 可信输入
* 有边界的工作
* 指定负责人
* 审核节点
* 异常处理路径
* 权限边界
* 维护循环
如果缺少这些，更好的模型可能只会让模糊性更具说服力。在企业AI部署之前，我的问题是：“哪个工作流足够清晰，以至于AI能够在不增加更多审核负担的情况下改进它？”并非每个团队都需要庞大的治理机制。但每个严肃的AI用例都需要知道它信任哪个来源、谁负责输出、哪些需要人工审核，以及当出现非正常情况时该如何处理。产品不仅仅是模型。它是模型加上它能够可靠改变的工作流。
相似文章
我们是否高估了模型智能，低估了工作流质量？
文章认为，令人印象深刻的AI与无用的AI之间的区别往往不在于模型本身，而在于围绕它的工作流——上下文、记忆、工具访问和编排。它表明，工作流架构可能成为比原始模型能力更重要的竞争优势。
AI 智能体开始暴露出大多数工作流程原本就已支离破碎的事实
文章认为，AI 智能体揭示了企业工作流程实际上是多么缺乏结构和混乱不堪，暗示成功的自动化更多取决于整洁的系统和完善文档，而非先进的模型。
小企业AI是工作流清理问题
这篇观点文章认为，小企业的AI与其说是取代员工，不如说是逐个清理工作流，强调在将任务委托给AI之前需要明确工作流的关键组成部分。
企业是否将AI用错了地方？
这项分析质疑了将AI机械地插入所有企业工作流程的做法，指出确定性系统往往需要传统软件而非概率性模型。它主张采取一种战略方法，区分AI能够创造杠杆效应的领域与成熟架构仍占据优势的领域。
大多数企业正试图在组织混乱之上扩展AI
文章认为，企业AI采用的障碍并非模型能力不足，而是组织混乱和数据碎片化，导致难以安全有效地扩展AI。