下一代 AI:从观察人类到自主进化丨行业观察(二)

既然 AI 还无法为结果的正确性负责，我们不妨换一个角度思考：能否先确保过程是正确的。一个直接的想法是为 AI 设定标准化的工作流程，也就是大家熟悉的 SOP（Standard Operating Procedure）。但回到真实的业务场景，又有多少任务有现成的标准流程呢？既然如此，是否可以让 AI 在实践中自行学习并形成工作流？

在最早探索 AI 的阶段，我们也曾有过一个看似合理、却极具误导性的判断：“只要把所有历史文档、业务规范、老师傅的经验资料一次性喂给模型，AI 自然就能学会业务。”

换句话说，只要把人类过去的认知沉淀“搬进模型”，AI 就能像新员工一样，快速上手、照章办事。

但很快我们发现，这条路走不通。

根本原因在于：绝大多数业务文档，不是为“机器理解”而写的，而是为“人类共识”服务的。

• 描述工作过程的文档本就稀少。相比于过程，人们更喜欢记录结论，尤其是成功的样子更值得浓墨重彩。

• 即便是有限的过程文档，也充斥着不一致的表达和参差不齐的专业水平。针对同一任务，有的文档只说明如何做到 60 分，有的则是为 90 分而写。

• 大语言模型并不擅长抽象和归纳，它更擅长（或者说只会）模仿与复制。如果一个标准流程不存在，那它就真的不存在。

运气好的话，AI 或许能在海量文档中捕捉到几句高度概括的人类工作方式，读起来往往“非常正确”；但在关键执行环节，仍大量依赖默认常识、行业背景和隐含判断——这些在人类协作中不言自明，却恰恰是模型无法自动补齐的部分。

在真实业务场景中，这种问题会被迅速放大。例如，在企业报销场景里，文档中常见类似表述：“材料齐全且符合要求的，可进入快速审批流程；异常情况需人工复核。”

对人而言，这句话并不难理解，具体执行过程的细节总是可以找老师傅请教；但对模型来说，却存在一连串无法自行推断的问题：

什么叫“材料齐全”？“符合要求”对应哪些校验项？“异常情况”如何被识别？触发人工复核的边界在哪里？这些模糊性或许是人类工作中保留的弹性，却恰恰构成了 AI 实现过程正确的最大障碍。

结果就是：模型看似“读过”了文档，却无法在具体决策节点上给出可执行判断，只能停留在模糊、泛化的语言层面。

因此，“把文档直接丢给模型”这条路，本质上是一种偷懒式的乐观假设。

真正有效的路径，是为 AI 重新构建一套面向模型理解方式的知识体系，而不是照搬人类的表达习惯。这也意味着，资深 IT 人、人力专家、业务专家，都需要将自己的经验与规则，按照“可判断、可触发、可执行”的方式重新组织——这正是我们所说的「知识提纯」。举一个更贴近真实业务逻辑的例子。

传统文档写法：“审批流程需符合公司规章制度，大额报销需经理确认。”

这类表述在人类语境中是“完整”的，但模型读完后仍然不知道：“大额”的量化标准是什么？“经理”对应哪一级角色？是否存在例外情况？

提纯后的知识写法：报销审批是否需要升级，主要取决于以下判断：

• 首先，单笔报销金额是否超过 5000 元；

• 其次，该笔报销是否属于差旅预付类；

• 在满足升级条件的情况下，审批需由具备二级审批权限的角色完成。

在这种表达下，业务规则不再依赖“默认理解”，而是被拆解为模型可以直接执行的判断条件、动作和角色关系。

这正是从“非结构化经验”到“结构化业务逻辑”的转变。这是 AI 时代每一位管理者首先需要完成的工作。

因此，AI 的下一个阶段，并不是缺模型、也不是缺参数规模，而是缺少这批高质量、面向 AI 的领域知识与业务逻辑资产。它不来自“更会说话的模型”，而是来自更懂业务规则、能参与决策的 AI 系统——而这一切，都建立在知识提纯之上。

既然依靠文档让 AI 自主学习行不通，还需要人类专家和管理者交出结构化的业务逻辑，我们究竟该把对“AI 自我进化”的期待放在哪里？

我更倾向于认为，下一代智能应用不会诞生于静态文档之中，而是成长于真实的工作流里。它不再依靠“被动阅读”，而是以观察者的视角，持续参与人类如何解决问题、如何做决策。

这背后其实是一种关键转变——让 AI 进入你的工作与生活，让它成为过程的参与者，而不是工具栏里的一个按钮。

• 告诉 AI 完成 50 个报销单的审批，草拟结果让我复审。

• 告诉 AI，第 23 号报销单中，审批第二步“是否属于差旅费用”的判断可能需要调整。

• 请 AI 查看报销员工的请假记录，是否在出差目的地滞留期间包含个人休假？发现有2天个人休假。

• 告诉 AI 将“是否差旅费用”的判断由“是”改为“否”，并记录原因：大部分滞留时间属于个人休假，不构成公务差旅，同时完成保存。

• ......在长期观察你对第二步判断的反复修订与补充后，基于大量相似记录，AI 可能会建议扩展一个子工作流，引入 HR 请假系统的集成，以提升该步骤的判断准确率。

在评估 Kyligence Data AI Agent 的真实应用效果时，我们发现，随着应用不断深入，市场、销售和管理者的提问持续扩展，问题也从单纯“看数”，逐步演进为“为什么”，以及“接下来该怎么做”。

去年底，我们对 Data AI Agent 能力进行了两项更新：一是支持收藏高频问题，帮助用户快速复用常见分析路径；二是基于用户搜索行为与关键词，推荐相关的基础指标、复合指标与业务衍生指标，自动形成业务看板，并由 AI 一键生成分析结论与决策建议。相比传统的数据查看、分析、整理和报告制作流程，这一方式在实际业务中至少提升50%的的工作效率。

这也进一步印证了我们的判断：未来真正能成长起来的智能体，决定性因素不在于“读过多少文档”，而在于“见过多少真实的人类工作”。

行业与 AI 的融合，本质是一场确定性很强、但节奏注定缓慢的演进。随着应用深入，智能化能力的增长将不再主要依赖人为灌输，而是来自持续使用中的自学习与自迭代——只有长期置于真实业务环境中，AI 才会在反复参与中逐步贴近现实需求。也正因此，AI 的价值不再取决于一次性的技术投入，而取决于是否被纳入稳定运转的业务闭环。我们预计，在2026年，能够被业务价值验证的 AI 场景将逐步成熟，企业也将从“技术驱动”的尝鲜期，进入“业务驱动 + 知识共创”的深水区。

关于 Kyligence

跬智信息（Kyligence）由 Apache Kylin 创始团队于 2016 年创办，是领先的 Data+AI 公司，为企业客户提供大数据分析平台、AI 智能分析平台等相关的产品和解决方案，以 AI 赋能全民用数，帮助企业充分利用数据价值，加速数智化转型。

Kyligence 已服务中国、美国、欧洲及亚太的多个银行、证券、保险、制造、零售、医疗等行业客户，包括建设银行、平安银行、浦发银行、北京银行、宁波银行、太平洋保险、中国银联、上汽、长安汽车、星巴克、安踏、李宁、阿斯利康、UBS、MetLife 等全球知名企业，并和微软、亚马逊云科技、华为、安永、德勤等达成全球合作伙伴关系。Kyligence 获得来自红点、宽带资本、顺为资本、斯道资本、Coatue、浦银国际、中金资本等机构多次投资。

点击「阅读原文」了解更多