AI重构企业流程，如何构建“AI for Process”体系才能更好落地应用？丨ToB产业观察

今年，AI来到了“拐点”之年，在此之前的企业在AI方面的竞争更多是在技术层面角逐，来到今年，AI将更多的向落地应用层面“卷”。

当AI从“效率工具”向“认知伙伴”跃迁的过程中，AI的试验阶段已经结束，企业核心竞争力将取决于定制化AI应用和可量化的业务成果方面。

企业流程亟待重塑

在全球竞争加剧、消费者需求个性化、技术迭代周期缩短（如AI、物联网）等因素的影响下，企业传统线性流程无法快速响应变化。麦肯锡2024年报告指出，61%企业因流程僵化牺牲业务敏捷性，系统间数据孤岛使决策滞后3-5天。

原先，通过诸如ERP等管理软件，静态的流程管理就能满足企业需求的情况已经不复存在，基于业务敏捷性、流程敏捷性等需求的同时，企业还需要通过打通内部数据流，以满足让数据赋能业务的需求，这时候，企业就需要一个全新的流程管理，更为自动化，更高效的流程管理，成为企业追求的目标。

流程的重塑在企业部署企业级AI落地的过程中亦是极为重要。WAIC期间，神州数码联合德勤中国、中国信息通信研究院共同发布的《AI for Process企业级流程数智化变革》蓝皮书（以下简称《蓝皮书》）中也指出，无论是企业还是科研机构，目前都是依靠流程来运转，最终通过人和事务的交互完成整体运作。从这个视角来看，AI应以流程为核心展开能力建设，这才是企业运用AI的最佳方式，才能为企业带来最大价值。

从企业战略到业务流程，逐层往下分解直至最底层，最终支撑流程的是企业的技术架构。AI 时代，技术范式的智能化是推动企业创新的基础设施。随着 AI 技术尤其是大模型的爆发式演进，企业流程与数智技术的协同价值被推向新高度。如果企业还是信息化时代的“烟囱式架构”，那么就无法快速响应 AI 时代企业业务模式的发展和管理方法的创新，也无法推动企业管理向“全面感知、敏捷决策、快速迭代”的目标进行演化。

不仅于此，《蓝皮书》中指出，若将企业比作生命体，三者关系可具象为，流程是“肌体”作为组织协作的基础形态，数据是“血液”贯穿流程节点的核心要素，通过流动与循环赋予“肌体”感知力与行动力，AI 是“营养元素”，是“肌体”快捷、高效、灵活运行的关键要素。

AI重构企业流程

显然，企业若想有更好的发展，重塑流程是必经之路。而在这条路上，AI是必不可少的技术，在AI实现从“效率工具”向“认知伙伴”过程中，最先给企业带来的改变就是企业流程的重构，麦肯锡报告中指出，2025年将成为分水岭：全球企业AI采用率突破60%，生成式AI推动流程重构从“单点提效”迈向“系统再造”。

Gartner 2024 年报告显示，AI 将在未来两年内自动化 30% 的业务流程，而麦肯锡全球调研发现，那些同步重构工作流的企业，其息税前利润（EBIT）提升幅度比仅部署 AI 工具的企业高出 42%。这种变革并非简单替代人工步骤，而是通过 "思维链" 编排实现流程基因重组。

与此同时，IBM调研显示，73%的高级管理者将AI部署于财务、人力资源、IT支持等流程自动化任务，任务执行速度提升40%-60%。如某头部物流企业通过AI实现货运单据在2秒内自主生成，全程无需人工干预。

在神州数码首席信息官李晨龙看来，企业级AI的落地，首先要打破传统技术架构，构建新的技术架构，为业务模式的持续创新创造条件。“基于此，神州数码提出了‘AI for Process’的概念，我们认为它是企业数智化转型的必经阶段。”李晨龙指出。

具体来看，在传统模式下，企业从“0”开始构架系统及流程，往往是通过购买分散的各类系统，比如，在营销方面，购买一个CRM（客户关系管理）系统，进而直接套用该CRM系统的流程。在产业链管理方面，购买一套SRM（供应商关系管理）系统，进而直接套用这套SRM系统的流程....这种模式下，各个系统之间是割裂的，企业端到端的流程并不能很好地在这些系统串起来。

李晨龙以医药企业为例，分享了传统系统当前存在的问题，他指出，在给某医药企业做调研的过程中，神州数码发现很多隐性的决策链，并没有在企业流程图中体现出现，而这些决策链反而是会影响到该企业实际决策的过程点，“综合来看，最大的‘坑’就是：流程设计和实际执行两张皮。”李晨龙强调。

进一步来看，企业流程本质上是业务逻辑的结构化表达（如研发流程、供应链流程、客户服务流程等），其核心目标是通过标准化协作提升效率、 降低风险。《蓝皮书》中明确，AI 的价值在于突破传统流程的 “线性边界”，通过算法和算力实现本质变革。AI对流程主要有三种作用：

第一种，帮助企业从“经验驱动”转变为“数据驱动”。传统流程依赖人工经验设计（如销售漏斗管理），AI 则通过分析历史数据（如客户行为、交易记录），动态优化流程节点（如自动识别高价值客户、预测成交概率）。比如，某零售企业通过 AI 分析用户浏览路径，将线上购物车转化率提升 30%。

第二种，帮助企业从“固定规则”转变为“智能决策”。传统流程受限于预设规则（如人工审核阈值），AI 则通过机器学习实现 “规则自适应”（如信贷审批中动态调整风控模型）。比如，某银行用大模型解析复杂信贷数据，将中小企业贷款审批时效从3天压缩至1小时.

第三种，帮助企业从“局部优化” 转变为“全局重构”。传统流程优化聚焦单点效率（如单个审批环节提速），AI 则能通过跨流程数据关联（如打通生产、库存、销售数据），实现端到端的全局最优（如供应链智能排产）。比如，特斯拉通过AI算法重构整车制造流程，将Model Y的生产周期缩短40%。

同时，《蓝皮书》中指出，未来，AI作用流程的终极形态将是：企业流程从 “人类设计的固定框架” 演变为“AI驱动的动态系统”，实现“数据输入-智能决策-价值输出”的闭环自治。

AI在重构企业流程的同时，企业流程也在对AI进行“反哺”。企业流程作为企业运营的核心载体，其自身特点、成熟度以及变革需求，深刻影响着 AI 的落地效果、应用边界和发展方向，对企业科学的应用 AI、实现高质量发展具有重要意义。对此，《蓝皮书》中明确：AI 不是流程的“替代品”，而是“翻译器”。具体来看，《蓝皮书》中指出，传统流程以“人类可理解的规则”运行（如 Excel 表格、邮件审批），AI 则将其“翻译”为“机器可执行的智能逻辑”（如算法模型、自动化工作流）。二者的深度融合不是“技术对流程的征服”，而是“让流程获得智能进化的能力”。

就如同AI对企业流程的作用一样，企业流程对AI发展主要有三种作用：

第一种，从流程“变化”到AI“升级”。随着客户企业业务流程的变化，以及客户体验的提升，对 AI 技术升级与创新也有了一定的要求，迫使 AI 在这个过程中不断的自我迭代和升级。

例如，生产流程中的能耗过高、质量不稳定等，也促使企业利用 AI 技术开展针对性研究，如开发智能能耗管理模型、质量预测模型，推动 AI 技术向更专业、更深入的方向发展。

第二种，从流程“应用”到AI“数据源”。企业流程是 AI 应用的 “试验田” 和数据 “宝库”。以供应链管理流程为例，从采购订单生成、库存管理到物流配送，每个环节都产生大量结构化和非结构化数据，如订单信息、库存变动记录、物流轨迹等。这些数据为 AI 模型提供了训练素材，助力企业构建需求预测模型、智能库存管理模型和物流路径优化模型。

第三种，从流程“标准”到 AI “遵循”。企业流程的标准化需求推动 AI 技术的标准化进程。例如，在金融风控流程中，为确保风险评估的一致性和合规性，企业需要AI风控模型遵循统一的数据标准、算法规范和评估流程。这促使行业内制定AI风险评估模型的开发标准、数据安全标准和模型验证规范，推动AI技术在金融领域的标准化应用。

AI重构企业流程的几个阶段

AI对于企业流程的重构已经开始，对于不同AI技术储备，以及企业流程管理基础的差异，AI for Process 的建设绝非一蹴而就——如同当年数据治理从概念到落地的演进历程，它本质上是企业修炼数字化内功的长期工程。具体来看，AI for Process可以分为L1到L5五个阶段。

L1层级是辅助工具，AI作为辅助手段，聚焦流程中离散、单一任务(如数据标注、文档检索)，以工具形态提升局部效率，人类仍为流程主导者；

L2层级是人机协作，AI 实现流程内多关联任务的自动化串联执行 (如合同审批全流程处理)，成为流程运转的核心驱动力，显著减少人工干预；

L3层级是智能执行，AI 突破单流程边界，基于预设规则实现跨部门、跨系统的多任务协同(如销售订单与供应链联动)，人类角色转向规则制定与异常监督；

L4层级是流程优化，AI 通过实时分析流程数据与行业经验，自主识别瓶颈并提出优化方案(如动态调整风控审批阈值)，深度参与流程治理与改进；

L5层级是自主进阶，AI作为流程的自主管理者 (AI Owner)，不仅实现全流程自动化执行，更具备流程重构与动态编排能力，如根据业务变化自动重组生产流程。

李晨龙在与笔者的交流中，也分享了神州数码对于当下企业AI for Process建设情况的分析，他表示，由于企业流程的复杂性，企业数据质量的脆弱性，以及数字化建设的实际情况，“目前我们看到的企业大多数处于AI for Process五级演进体系中的L1~L2之间的状态，能突破L3的非常少，”李晨龙进一步指出，“这也是为什么蓝皮书中提到‘AI离个人很近，离企业很远’。”

而神州数码在与合作伙伴实施AI for Process的过程中，总结出了些许经验，“我们总结出了Twin-Drive（TD）双驱动模型。它指的是两种实施方法。一种是自顶向下的Top-Down的方法，一种是自底向上的Bottom-up的方法。”李晨龙指出。

具体来看，《蓝皮书》中指出，Top-Down Decomposition方法以战略驱动为出发点，旨在将企业战略目标与AI深度融合，帮助企业从一个较高的维度和长期发展建设策略。该模型将流程逐级拆解成可执行的任务节点，再借助AI技术对各环节进行智能化赋能，最终实现战略目标的快速和高效达成，也同时对AI for Process在企业的价值进行统计和肯定。

Bottom-Up Emergence是以业务痛点和迫切需求为切入点，通过散点式场景实现AI for Process的快速落地。该模式可使企业迅速获取AI价值，有效提升工作效率与用户服务体验，同时缓解IT部门短期 KPI 压力。在这种方法的实施过程中，企业可沉淀AI长期 建设的土壤，如：AI文化，AI场景梳理方法和AI初步的技术体系。通常，这种模型的实现方式是通过IT或者AI部门进行调研问卷填写和访谈的形式。据李晨龙介绍，目前95%以上的企业均采用这种模式推进AI场景部署。

而在对未来AI在企业流程中发展的展望中，李晨龙指出，未来，哪家企业的渗透率更高，就发展得更快。“但从整体时间轴预测：三年后，AI还是辅助为主，渗透率10%-20%；五年后，人类指挥多个AI协作，渗透率30%-50%；十年后，将是人类监督AI自动运行，渗透率可能达到50%-80%。”李晨龙预判道。（本文首发于钛媒体APP，作者｜张申宇，编辑丨盖虹达）