ARTICLE · 1159725
SemaLink 决策系统(六):让 AI 做简单重复的操作,把决策永远留给人
SemaLink 决策系统(六):让 AI 做简单重复的操作,把决策永远留给人上一篇讲了问答——业务人员用大白话，就能问出建立在因果逻辑上的答案。但问答解决的只是"问得出"，接下来是个更根本的问题：这套系统到底能替我们做多少事？ 这个问题不能含糊。含糊的结果只有两种：要么什么都不敢让它动，人还是自己干一遍，效率没提升；要么什么都敢让它动，出了事没人负责。 我们的答案很明确：区分"操作"和"决策"。简单重复的操作，直接交给 AI 做；涉及决策的，永远给到人。 先说一种常见但没什么用的做法：给 AI 加各种限制，让它只能"提建议"，所有动作还得人自己点一遍确认。看起来安全，实际上人一点没轻松——他不仅要自己干，还得先看一遍 AI 的建议再干一遍。效率不升反降。 另一种极端是放任：什么都让模型去改。这更危险。前面说过，模型会编，编出来的东西长得像真的，落到业务数据上就是事故。 也有人折中：给每个动作加一道人工审批，AI 做什么都等人点一下。问题是审批流把"操作"和"决策"混在一起审——人一天点几百次确认，手指头忙得要命，真正需要想清楚的那几个决策反而被淹没在琐碎里，审也审不仔细。 所以真正要回答的，不是"敢不敢让 AI 动手"，而是哪些事它可以直接动手。我们的判断标准只有一条：能不能把"这么做对不对"提前写成规则？ 能写成简单规则的，是操作——判断依据明确、重复发生、不牵涉取舍。比如按既定规则批量更新交期、把某类异常单据自动归集、同步状态、把超期未确认的单子自动催办。这类事让 AI 直接做。 写不成简单规则的，是决策——牵涉取舍、多个目标打架、需要经营判断。比如产能优先给谁、交期能不能让、要不要为了保住大客户牺牲这笔毛利。这类事永远给到人。 具体到设计上，凡是判断依据已经被固化进规则的操作，AI 可以直接执行到底——不需要弹一个"是否确认"的框让人再点一次，因为"该不该做"这件事，早在建规则的时候就已经被人定过了。 举个小例子：某类物料的库存跌破安全线，按既定规则自动生成补货建议并同步给采购。这一步不需要人点头，因为阈值定多少、跌破了做什么，都是人提前写好的规则；人要操心的，是"这条规则对不对"，不是"这一次要不要点确认"。 这不是放松管控，恰恰是把管控做在了前面：人不是在每一个动作上把关，而是在定规则的时候一次把关。一个动作重复一千次，人只需要做对一次——把规则写对。 这也解释了前面几篇为什么值得下那么大力气：关系网、约束与因果、数据映射，本质上就是把"操作"的判断依据一条条固化下来的过程。建得越全，能放心交给 AI 直接执行的操作就越多。 而且自动执行不是"做完就算了"，每一次动作都会留痕：不是靠人记，是靠系统记；事后能查清当时为什么这么做，出问题可以复盘。 先看另一侧。真正牵涉取舍的决策，系统不替人拍板。它做的是：把可选方案组织出来、把每个方案的影响顺着关系网算清楚、把依据链整理给人看，然后交给人选。比如"这批紧急订单能不能接"，系统能算出接了之后哪些客户交期受影响、毛利掉多少、有没有替代方案，但"接不接"永远是人说了算。 所以分工是这样的：AI 承担操作，人承担决策——AI 把重复的操作全部吃掉，人只做真正的判断。这条线不是系统替企业划的，是企业自己划的：哪些动作算"操作"、可以授权给 AI 自动执行，由业务和 IT 在建模时定下来，写进规则。 再说能达到的效果。人的时间从重复操作里被释放出来，只花在真正的取舍上；而且能自动执行的范围会随建模沉淀越来越大——规则建得越全，能放心交给 AI 的操作越多。反过来也要如实说：这条线划错是有代价的，如果把本该是决策的事当成操作授权出去，系统会"很高效地做错事"。所以授权清单要定期复核，跟着业务变化一起走。换句话说，AI 的自主权不是越大越好，而是刚好覆盖那些"判断依据已经被说清楚"的动作——说不清楚的部分，一律留给人。 这一节的核心作用是：让"极致敏捷"真正成立。敏捷不是让 AI 替你决策，而是让 AI 把重复操作全部吃掉、人只做判断——人省下来的那部分时间，才是这套系统真正的产出。 操作能自动执行、决策永远留给人、问答随时可用——到这里，系统已经能"算得出、问得出、做得动"。但这一切还分散在不同入口里。下一篇，我们讲驾驶舱：怎么把场景切换、取数、分析、推演、下发串成一条闭环，让决策从"看"走到"做"。