ANE系列 | AI原生企业三部曲—第二篇

确定性边界  流程卡口  责任重构

上一篇我提到那家中型律所，花大力气上了一套AI尽调工具，几百页合同半天出初稿，风险条款自动标注，效率提升肉眼可见。但系统上线三个月，基本被束之高阁了。不是客户不买账。是内部推不动。

原因很具体：这家律所的尽调工作分属三个部门，法务、财务、合规。每个部门有自己的工作界面、向上汇报的线、KPI考核指标。AI产出的综合报告横跨三个部门，不属于任何一个部门的“工作成果”。没有人愿意在上面签字，因为签字意味着承担责任，而这份责任的归属，在原有的组织结构里根本找不到位置。这不是人的问题，是制度的问题。

我在过去两年里走访了几十家正在推进AI改造的企业，发现“AI做完了，但没人敢签字”的现象极为普遍，只是表现形式不同：

一家消费品公司上了AI客服系统，处理结果没有人复核签字，出了问题两个部门互相推诿。

一家制造企业用AI做质量检测，系统标注了生产异常，但没有任何岗位明确负责“对AI的标注结论负责”，问题在流程里漂了三天无人处理。

一家财税公司引入AI做账务核查，报告出来之后，会计说“这是AI生成的，我没参与”，财务经理说“我签字但我没做这个工作”。

三个案例，三个行业，根源是同一个：我们分配责任的工具是岗位边界，它在AI环境里失效了。

岗位边界的逻辑非常清晰，也非常合理：谁做的，谁负责。

在人工时代，这套规则运转良好。每一个业务节点都有人在操作，操作的动作本身就是责任归属的证明。A把文件交给B，B确认接收，责任就从A转移到了B。整条链路清晰，出了问题一查便知。这套逻辑有一个前提：人是唯一的执行单元。AI打破了这个前提。AI没有岗位，没有KPI，不签劳动合同，不承担法律责任。当AI完成了一项工作——分析了一份合同、生成了一份报告、标注了一批风险点，“谁做的谁负责”这条规则，找不到可以落地的对象。

于是出现了两种应对方式，都不解决问题：

第一种：回避。

员工把AI的输出复制一遍，签上自己的名字。AI工具变成“参考材料”，效率提升的大半价值被这道手续抵消。

第二种：推诿。

谁都说AI的输出不在自己的责任范围内。报告在组织里漂流，没有人推进，没有人负责最终结论。

两种方式的本质具有一致性，均是运用旧有规则来应对新的现实状况。这两种方式不仅会消耗组织的资源，而且无法有效解决问题。真正的解决办法在于对旧有规则本身进行更替。

鉴于问题根源在于规则层面，故需对规则进行更替。将新的责任判定标准定义为确定性边界。

其逻辑如下：

A.当一个业务节点的处理逻辑是确定的，规则清晰、输入输出明确、结果可预期，那么谁来执行都无所谓。AI可以自动完成，责任链不断，无需额外的签字节点。规则本身就是责任的保障：规则正确，执行正确，结果就正确。出了问题，追的是规则的制定者和验证者，不是执行者。

B.当一个业务节点的处理逻辑是不确定的，有判断空间、规则边界模糊、存在风险敞口，那么无论谁在处理，都必须保留人工确认节点。人的确认动作，是责任从“处理过程”转移到“正式结论”的签字。

这里有个有用的比喻：如果把业务流程想象成一张水网，那么确定性边界就是决定每个节点该装什么类型阀门的标准，而不是决定这段水管归哪个部门管。

A.处理逻辑确定的节点:装自动阀门，条件满足，数据自动流向下游，无需人工干预。

B.处理逻辑不确定的节点:装人工阀门，AI处理完、给出建议，但阀门要由人来开。人开关的动作，就是责任的转移点。

需要强调的是：这里的“自动阀门”和“人工阀门”是业务流程的设计概念；“确定性边界”是判断如何安装阀门的管理标准；而驱动整个系统的，是第一篇讨论过的原子技能，每一段管道的处理能力。这几个概念各司其职，不能混为一谈。

这里给出一个更精确的学术定义：

流程卡口（Process Gate）：AI原生业务系统中，原子技能之间需要人工介入的节点。人在流程卡口完成的动作，判断、签字或确认写入，是责任链上的锚点，确保每一段自动处理在进入下一段之前，都经过了明确的人工背书。

这套框架解决了律所那个案例的困境：不是问“这份报告归哪个部门”，而是问“这份报告里，哪些结论是规则可以确定的，哪些需要专业判断”。前者交给自动阀门，后者必须有律师来开人工阀门、签字确认。责任不按部门分配，按确定性分配。

确定性边界看起来简单，实际操作中必须区分两种完全不同的情况。

技术约束：

处理逻辑本来可以确定，但规则尚未显式化、数据尚未整理清楚，AI暂时无法处理。这类约束是可以解决的。

我认识一家律所，在引入AI之前，律师对合同风险条款的判断完全靠经验凭感觉，不同律师标准不一样。这就是典型的“可以确定但尚未确定”的状态。他们花了三个月，把五年的合同风险案例整理成规则库：哪类条款必须标注风险、哪类属于常规、哪类需要合伙人审核。规则库建好之后，AI按规则做初筛，确定性边界扩大了，自动阀门可以安装了。

制度约束：

处理逻辑技术上完全可以确定，但法律法规、职业资质要求或人身安全要求，规定某些环节必须由特定资质的人来操作。这类约束不能跨越，是硬边界。

同一家律所，无论AI的判断多么准确，正式法律文件的签署必须由持牌律师完成。这不是AI能力的局限，是法律制度规定这件事必须由人来承担责任。这个人工阀门是硬编码的，不随AI能力的提升而改变。

混淆这两种约束，代价高昂：把制度约束当技术约束去“解决”，踩监管红线。把技术约束当制度约束放弃，白白让AI可以承担的大量工作继续压在人身上。

理解了确定性边界，原来那张按岗位切割的业务流程图，就需要重新画了。不再问这个环节归哪个部门？而是问这个节点的处理逻辑，确定吗？重新画下来，业务主轴上的节点自然分成三类：

入口端：翻译节点

业务进入系统的地方，充满非结构化信息，例如客户发来的非标准邮件、销售录入的口头描述、扫描上来的纸质合同。AI负责“翻译”：把模糊的输入转换成标准的结构化数据。翻译的规则可以确定，但翻译结果的准确性需要人最终确认。人的签收动作，是数据正式进入主系统的责任节点。

这个设计有个不容易注意到的好处：它把AI的不确定性锁在系统入口，不让它渗透进后续流程。入口签收通过了，后续处理可以放心交给自动阀门。

主轴中段：规则执行节点

业务在系统内流转的过程中，大量操作是确定性的，例如订单金额达到阈值自动触发审批、发票信息自动比对规则、付款周期到期自动提醒。这些节点不需要判断，只需要执行，正确的设计是全自动阀门，责任链不断，无需人工介入。

在我们做过系统梳理的一家代理记账公司里，34个业务处理节点中，有19个属于这一类。规则完全可以显式化，执行完全可以自动化。这19个节点如果还在等人工处理，浪费的是最不该浪费的时间。

全轴感知层：洞察节点

AI可以7×24小时读取整条业务链的数据，发现偏离基线的异常，例如某类客户响应时间变长、某个供应商付款周期拉伸、某条产品线退货率悄悄上升。传统体系里，这些信号只有经验丰富的一线人员偶尔能“感觉到”；等到管理层发现，问题已经积累了很久。

但洞察节点有一条不能打破的界线：AI只输出洞察，不写入业务数据。洞察到了异常，推给人判断；人做了决策，由规则轨执行数据写入。洞察不等于决策，决策权永远在人手里。

理解了流程卡口的位置和类型，还有一个更根本的问题没有回答：卡口里发生的那件事，是怎么设计出来的？

传统企业里，人处理信息的方式有一套隐性的流程：收到信息 → 独立分析 → 内部研讨 → 不同意见PK → 得出结论 → 做出决策。这套过程大量依赖人的经验、直觉和组织文化，几乎全部是隐性的，没有写下来，没有规则化，靠的是“大家都懂”。

AI原生化改造做的事，是把这套隐性的处理过程显式化、规则化、机制化。举一个具体的例子。一份投研报告在完成之前，传统流程是：分析师写初稿 → 组内讨论 → 投委会审核 → 合伙人拍板。这个过程里有信息汇总、有质量评估、有多角度PK、有最终决策，四个性质完全不同的处理步骤，在传统流程里全部混在一场会议里完成，靠人的经验来驱动。

AI原生化之后，这四个步骤可以分别设计成四类流程卡口：

信息汇总卡口：

AI自动收集、整理、结构化输入信息，人来确认信息是否完整准确。这是数据进入下一步处理前的签收。

质量评估卡口：

AI按预设的评分标准对初稿进行量化打分，低于阈值的自动触发修改，高于阈值的才进入下一环节。这是标准化的质检，把“感觉对不对”变成“分数够不够”。

多角度审议卡口：

AI分别扮演不同角色（支持方、质疑方、风险评估方），生成对同一结论的多视角分析，供人决策时参考。这是把人类会议里的“头脑风暴和PK”结构化复现。

决策卡口：

在前三步完成之后，人拿到的不是原始材料，而是经过结构化处理的决策包。信息已汇总、质量已验证、多角度已呈现，人只需要做最终的价值判断。

这四类卡口，对应的是人类组织处理复杂信息时真实发生的四个步骤。AI原生化改造，不是用AI替代这些步骤，而是把这些步骤从“隐性经验”变成“显性机制”，让AI可以承担其中规则清晰的部分，让人专注于真正需要价值判断的部分。

这才是流程卡口设计的真正来源：对人类组织处理信息方式的系统性解构和重建。

说到这里，很多人会问：从哪里开始？我的回答只有一句话：先做显式化，再做自动化。确定性边界能扩展多远，取决于一件事，那些靠经验运转的判断节点，有没有被整理成规则。经验在人的脑子里，AI读不到；规则写在系统里，AI才能执行。这是AI改造里最核心、最容易被忽略的一项管理工作。把经验显式化，没有任何AI工具能替代这项工作，但它直接决定了你的确定性边界能扩展到哪里。

三步走，现在就能开始：

第一步，把你最核心的一条业务流程画出来，列出所有处理节点。

第二步，对每个节点问：处理逻辑是靠规则还是靠经验？靠经验的，能不能被写成规则？能写的，去写，这是把技术约束转化为可自动化节点的入口。

第三步，识别制度约束。哪些节点有法规要求、资质要求、或不可回避的人身安全责任？把这些节点明确标注为永久人工阀门，硬编码进流程设计里。

走完这三步，你有了一张清晰的地图：哪些节点可以自动化，哪些需要人工确认，哪些永远是人工的。这张地图，就是你的AI改造路线图。

回到开篇那家律所。

他们重新上线了AI尽调工具，这一次只做了一件事：明确了每个流程卡口由谁负责。

信息收集和初步整理，全部交给AI自动完成，规则清晰，无需人工。风险条款的初步标注，AI做初稿，合规负责人在流程卡口确认，确认动作是责任转移的签字。最终尽调报告的结论判断，由主办律师在最终决策卡口签字，这是制度约束，永远不能跨越。

这一次，推广顺利了。工具一模一样，变的是责任的归属清楚了：每个人知道自己负责哪个流程卡口，知道什么时候AI可以自动流转，什么时候需要自己来确认放行。

这才是AI工具从“参考材料”变成“核心流程”的转折点。

我在很多企业看过类似的过程。每次AI改造卡壳，根源不是技术不够强，而是责任体系没有跟着重建。工具越强大，如果责任体系跟不上，反而带来更大的混乱，AI的速度和规模，会把责任真空放大。AI时代的管理挑战，本质不是技术问题，而是管理问题：如何在一个执行单元不再只是人的系统里，重新把责任分配清楚。岗位边界，是工业时代分配责任的答案。确定性边界，是AI时代的答案。

完结预告：本系列终篇第三篇《水管铺好了，但没人知道水往哪儿流》，聚焦顶层战略落地，解决AI高效执行却方向跑偏的核心难题。