2025年9月18日，《培训杂志》主办的第十三届中国企业教育培训服务会展在京开幕。绚星智慧科技CTO & COO 吴亚洲受邀参会，并作主题演讲。吴亚洲系统阐述了企业级AI面临的核心挑战及其破解之道。他指出，AI在企业管理运营中要实现工业级的落地，其关键不在于技术本身，而在于建立系统化的知识处理标准、人机协同模式与组织变革机制。企业变革的核心是实现"自进化的链式反应"，将AI能力从少数人的“魔法”转变为团队的集体智慧和创造力的源泉。以下为演讲全文。

在当今时代，人工智能已不再仅仅是一个工具，而是推动社会变革、组织变革和个人变革的重要生产力。作为绚星智慧科技的代表，我非常荣幸能与大家分享我们在企业级AI与流程赛道方面的思考与实践。

在探讨具体实践前，我想先提出几个关键问题，这些问题关乎AI时代组织变革的核心挑战：在AI时代，大模型存在"幻觉"问题，当给大模型提供知识库并提问时，10%的错误率对我们意味着什么？不同场景下我们能否接受这种错误率？更重要的是，如果错误是随机的且无法预知，我们是否还能接受？这些问题不仅关乎技术，更关乎我们如何在组织层面应对AI带来的变革。

AI时代的核心挑战与思考

在AI应用过程中，我们首先面临的是知识可靠性问题。当大模型提供10%的错误率时，不同场景对错误的容忍度各不相同。有些场景可能完全不能接受错误，而有些场景则可以容忍一定程度的不准确。关键在于，我们不仅需要知道错误率是多少，更需要了解错误的性质和分布——如果无法预知哪个回答是错误的，我们的信任基础将受到严重挑战。

值得注意的是，人类自身也存在“认知幻觉”。我们在写作、演讲甚至日常交流中，也并非100%准确。因此，问题不在于AI是否有错误，而在于我们如何建立一套机制来识别、管理和最小化这些错误，同时充分利用AI带来的效率提升。这正是企业级AI落地必须直面的首要课题。

在组织层面，AI时代带来的第二个核心挑战是岗位的重新设计。一个复杂组织由多种岗位构成，包括销售、营销、研发、产品、服务、运营、战略和人力资源等。面对AI技术的快速发展，我们需要思考：这些岗位应该如何被重新设计？

这个问题可以进一步细化：岗位设计是变得更难还是更容易？是更动态还是更静态的过程？哪些岗位会被AI化？哪些部分会保留长久的人类价值？特别值得注意的是，我们不应简单地问“哪些岗位会被AI化”，而应思考“哪些岗位的哪些部分会被AI化”。随着AI能力的动态升级，这种AI化过程也在不断演变。

一个关键误区是认为岗位AI化比率越高，该岗位就越不被需要。实际情况可能恰恰相反——在某些情况下，虽然岗位的AI化比率很高，但企业可能需要扩大规模，以适应新的业务特点和提升竞争力。因此，我们需要重新思考AI化与组织规模之间的关系。

第三个核心挑战涉及组织流程的AI化。一个复杂组织包含大量一级、二级和三级流程。我们需要明确：哪些流程应该被AI化？哪些部分应该被AI化？哪些流程或部分暂时不适合AI化？

这不仅是技术问题，更是管理问题。我们不能简单地依赖外部咨询公司提供的方案，因为这些方案往往难以落地和持续调整。组织变革需要结合外部智慧与内部实践，形成适合自身特点的解决方案。

AI应用的工业级标准：

AI规模化应用的关键

回顾历史，任何一项革命性技术要实现规模化、可靠化的工业级应用，都离不开精密而系统的标准体系作为支撑。正如汽车的普及并非源于制造更快的马车，而是得益于福特流水线所定义的标准化生产流程（SOP）。这些标准确保了产品在型号、公差和尺寸等方面的可靠性与一致性，为工业化奠定了基础。一台高性能航空发动机的可靠运行，也依赖于无数关于材料、公差、尺寸与工艺的极致标准。

同样，AI作为带有自身特点的新生事物，在企业应用中也需要配套的工业级标准。这些标准不仅关乎技术实现，更涉及知识处理、智能体构建和流程再造等多个维度。

我们绚星智慧科技推出的“绚星智立方AI Box”致力于解决AI工业化的两大关键能力和管理模式挑战。

在知识处理方面，我们发现传统方法存在明显不足。企业的海量非结构化知识（文档、表格、图表等）如同原油，必须经过一系列“精炼”工序才能转化为高质量的“汽油”（即可靠的知识原料）。

我们在这方面进行了深入探索，建立了动态知识切片标准。与传统僵化切片不同，我们的系统能够根据上下文动态判断和分割知识，使AI在回答问题时更加准确。特别是在处理复杂表格、嵌套图表和Excel文件等场景时，我们的解决方案显著提升了AI的理解能力。

当前智能体构建主要有两种流派：一种是大跨步流派，强调自由化对话；另一种是自动生成智能体，探索多个智能体之间的对话与进化。然而，我们认为这两种方式都存在局限。

我们主张“人机协同+专家系统”的构建理念。在这一理念下，专家系统（System Agent）作为核心，将业界最佳实践与方法论内化为标准组件，为用户提供高质量的初始方案，用户则在此基础上进行决策或简单修正。这种模式既发挥了AI的计算优势，又保留了人类的判断力，特别适合将业界方法论和知识精华转化为系统级AI应用。我们的绚星智立方AI Box提供了智能体搭建的五个等级：从Level 1的手工代码模式（从零开始编码，无专用框架支持）到Level 5的给到目标自主完成搭建。

我们开发了"剥洋葱式"的智能体生产流程。当需要实现一个复杂目标时，系统会引导用户逐步定义目标、拆解模块、细化子模块及流程，层层递进。这一过程类似于“剥洋葱”，从宏观到微观，确保每个环节都得到充分考虑。

在这一过程中，专家级智能体提供全程辅导，业务人员只需清晰定义目标与问题，该系统便能辅助其一步步拆解任务、设计模块、规划流程，完成80%的基础构建工作，人类则专注于最关键的业务决策与创意优化。这使得非技术背景的HR、市场、销售等部门的员工，经过适当培训，也能成为“AI建设专家”，极大降低了AI应用的门槛，推动了AI能力的全员化。

这套工业级标准的意义在于，它让AI的应用从一个高度定制化、不确定性的“手工作坊”模式，迈向了一个可量化、可复制、可评估的“现代工业”模式，为AI在企业中的大规模、可靠落地奠定了坚实基础。

工业级AI落地：

流程再造与岗位AI化

在奠定了智能体搭建工业基础后，AI驱动的组织变革将直接触及企业的核心架构：岗位与流程。我们的核心理念是：每个岗位由两个要素构成——人和岗位智能体。基于这一理念，我们推动从人力驱动到智能生产力驱动的转变。

在协作方面，我们建立了多层次的智能协作体系：一是公共协作智能体——处理跨部门协作任务。二是岗位专属智能体——针对特定岗位需求优化。三是智能PM（项目经理）——负责任务调度和结果检查。

当任务需要处理时，智能PM首先调度相关智能体完成工作并检查结果；如果智能体无法完成，则调度相关人员介入。这种模式确保了人机协作的高效与有序。

在具体的落地实施上，我们绚星内部也获得了成功的应用。我举两个案例。

一是智能客服。传统客服面临响应速度慢、人力成本高等问题。通过优化知识处理方案和客户服务流程，我们实现了大约95%的客户问题直接由AI解决，仅有5%左右的问题需要转交人工处理。这不仅大幅提升了客户满意度，也显著降低了服务成本。

二是销售数据分析案例。传统上，销售总监需花费大量时间查阅静态的数据看板来管理团队绩效。如今，通过AI智能体自动分析销售线索转化、客户拜访、丢单原因等海量数据，并能动生成深度分析报告，直接指向问题根源，提示严重等级，并推送至个人、总监及区域总经理，使其能快速聚焦关键问题，极大提升了管理决策的效率与精准度。

这种AI的应用，打通了知识、岗位、流程的智能闭环后，我们实现了“双50%”的量化目标：即人均效能提升50%，核心业务流程的交互周期缩短50%。

分享到这里，我们回答了AI工业级实施这个主题中，工业级标准的问题。现在还剩下岗位和流程如何设计两个问题。我的答案是，无论企业是通过咨询、行业对标还是其他的方法，我们只要掌握一个核心原则——“自进化的链式反应”即可。这个概念是指：

1. 系统能够自动监测各岗位的AI化程度。

2. 识别业务流程中的卡点和瓶颈。

3. 基于数据驱动团队智慧，自主讨论、分析和解决问题。

例如，如果销售总监岗位的AI化程度较高，系统能够自动识别这一优势，并将其经验推广到其它岗位。这种链式反应使AI能力不再局限于少数人手中，而是成为团队集体智慧和创造力的源泉。

企业需要建立配套的管理机制和资源投入，但真正的驱动力来自团队和集体的智慧。正如核反应中的链式反应，一个点的突破可以引发整个系统的持续进化。

****

在AI时代，企业面临的不仅是技术挑战，更是组织变革的深刻命题。通过建立工业级标准、优化知识处理、重构岗位设计和业务流程，企业可以实现从人力驱动到智能生产力驱动的转变。关键在于，我们不应将AI视为简单的工具替代，而应将其视为推动组织变革的核心生产力。

通过“自进化的链式反应”机制，企业可以持续优化AI应用，使技术真正服务于业务目标和组织发展。在这个过程中，尊重专业咨询、学习优秀实践、吸收行业经验固然重要，但更重要的是建立适合自身特点的AI应用体系，让AI成为组织持续进化的动力源泉。只有这样，企业才能在AI时代真正实现变革与成长，创造持久的竞争优势。