智能化解决方案:业务应用 + 数据应用 + AI 赋能
智能化不推翻业务与数据应用:业务应用负责记录与执行,数据应用负责可信口径,AI 赋能层在其上增加"理解、建议与协作"。先选场景、定边界,再让模型进入流程,并为人机协同的后果负责。
1. 方案范围:两层之上加 AI 赋能
| 层次 | 本方案 | 说明 |
|---|---|---|
| 业务应用 | 延续 | 记录与执行的底座,流程节点仍是入口 |
| 数据应用 | 延续 | 指标、口径与数据服务成为模型可用的上下文 |
| AI 赋能 | 本方案新增 | 场景与智能体、知识与检索、模型服务、评测治理 |
AI 赋能不是给每个系统加一个对话框:方案对象从功能模块变成场景、智能体、知识、模型服务与评测治理。没有可信数据与稳定流程,这一层只会把错误放大。
2. 阶段判断
出现以下信号,说明企业具备进入智能化的条件:
- 业务流程与数据口径已经稳定,指标可追溯、可复算;
- 规则与人工判断成为瓶颈,异常处理依赖少数资深人员;
- 知识分散在文档、工单与个人经验中,检索与培训成本高;
- 业务希望用自然语言获得分析与操作,而不是逐层点开菜单。
3. 业务问题
| 问题 | 典型表现 |
|---|---|
| 场景 | 想做的很多,说不清哪个值得做、做成什么样算成功 |
| 边界 | 哪些判断可以自动、哪些必须人工确认,没有约定 |
| 知识 | 资料散落,模型回答缺少依据,无法追溯 |
| 评测 | demo 效果不错,上线后无法判断是否变差 |
| 责任 | 出错时说不清是数据、模型还是使用方式的问题 |
4. AI 赋能层与业务、数据应用的差异
| 维度 | 业务与数据应用 | AI 赋能层 |
|---|---|---|
| 方案单元 | 功能模块、报表与菜单 | 场景与智能体 |
| 交互 | 人按固定路径操作系统 | 人描述意图,系统组织查询与操作 |
| 依据 | 规则与代码逻辑 | 规则 + 模型 + 知识检索,回答需带出处 |
| 数据 | 业务库、指标口径与数据服务 | 业务与指标数据 + 知识资产 + 反馈数据 |
| 质量 | 用例测试与验收 | 评测集、线上反馈与回归 |
| 风险 | 权限与操作审计 | 数据边界、内容安全、越权与责任归属 |
差异不意味着推翻前两层:业务系统仍是记录与执行的底座,数据口径仍是回答可信的前提。AI 赋能层改变的是"判断怎么形成",而不是"记录长什么样"。
5. 业务方案
- 场景筛选:按价值与可行性排序,优先选择高频、规则清晰、错误代价可控的场景;
- 人机分工:明确模型建议、人工确认、自动执行三档权限,以及每档的触发条件;
- 流程嵌入:把模型能力嵌进现有流程节点,而不是另起一个入口;
- 责任边界:每个场景有业务负责人,对使用范围与结果负责。
6. 应用方案
- 助手与 Agent:面向查询、分析与操作的智能入口,按场景拆分而不是做一个万能助手;
- 知识与检索:企业知识库与检索增强(RAG),回答带出处与版本;
- 模型服务:模型接入、路由与降级统一管理,业务系统不直连模型厂商;
- 评测与反馈:场景级评测集、线上反馈与回归机制,版本变更可比较;
- 权限与审计:模型可访问的数据范围与操作范围显式配置,调用留痕。
7. 数据与知识方案
- 知识资产:文档、工单、规程经过清洗与结构化,形成可检索的知识库;
- 向量与索引:按场景建立向量库或混合检索,保留来源与更新时间;
- 反馈数据:人工采纳、修改与拒绝的记录回流,用于评测与优化;
- 数据边界:敏感数据分级,模型可用的数据范围小于人可用的范围;
- 特征与上下文:把业务上下文(客户、订单、指标)按最小必要原则注入。
8. 技术方案
- 模型接入层统一封装多家模型,支持路由、限额与降级;
- 推理服务与业务服务分离,避免模型抖动影响核心交易;
- 提示与上下文版本化管理,重要场景的提示变更走评审;
- 日志、审计与成本监控覆盖调用量、时延与费用;
- 安全控制包括密钥管理、内容过滤、越权访问检测与沙箱执行。
9. 落地方案怎么排
- 先定场景与验收口径:没有评测标准,不进入开发;
- 再定数据边界:明确模型可用与不可用的数据、可执行与不可执行的操作;
- 从只读场景起步:查询、总结、检索优先,写操作与人机确认流程后置;
- 评测与回归先行:评测集与线上反馈在首个场景就建立,随场景扩展;
- 治理同步成型:负责人、审计、成本与安全规则随方案一起交付。
10. 本阶段产出的架构产物
| 产物 | 内容 | 相比智数化阶段的变化 |
|---|---|---|
| 场景清单与价值评估 | 场景、价值、可行性、风险与负责人 | 从指标树升级为决策场景组合 |
| 人机协同流程 | 建议、确认、执行三档权限与触发条件 | 从人操作流程升级为人机分工流程 |
| AI 应用架构 | 助手、Agent、知识库与模型服务边界 | 从业务应用升级为含模型能力的应用架构 |
| 知识与数据边界 | 知识资产、检索范围与敏感数据规则 | 从数据资产升级为可用且有边界的上下文 |
| 评测集与治理规则 | 场景评测、回归、审计与责任约定 | 从数据质量升级为模型效果与安全治理 |
11. 常见误区
- 为 AI 而 AI:没有场景与验收口径,先搭平台再找用途;
- 把 AI 方案做成万能助手:场景、权限与评测全部缺失;
- 把 demo 当交付:没有评测集与回归,上线后无法判断效果;
- 只做生成不做检索:回答没有出处,错误无法追溯;
- 模型直连业务库与生产接口:绕过权限与审计;
- 数据边界按"技术能不能"而不是"业务该不该"划定;
- 责任缺位:出错归因于"模型",没有业务负责人与处置流程。