我们给 AI 安排了一份实习工作

2026 年 1 月，我原本只是想弄明白一只股票为什么涨。

那段时间，Palantir 的股价大涨，业绩一次次超出市场预期。各种关于它的文章和视频也跟着多了起来。我看了很多，又顺着去找国内的对标企业。当时这个概念在国内刚刚出现，成熟的参照并不多。

看了这么多内容，最后留在我脑子里的，是“数据本体”四个字。

Palantir 讲的东西很复杂。我当时理解得没那么复杂：企业里的数据不能一直散落在一张张表、一个个系统里，它们要重新对应到客户、合同、项目、设备，以及这些东西之间发生的关系。这样，数据才有可能真正帮企业做判断。

这个念头和我前两年对 AI 的感受也有关系。

2024 年到 2025 年，GPT、DeepSeek 相继走红。那两年，AI 给我的直观感受仍然是“聊”。

打开对话框，它可以回答问题、写方案、做总结。关掉对话框，工作还在原来的地方。流程要人去走，系统要人去点，事情也要人继续做完。

到了 2026 年初，OpenClaw 突然火了，大家叫它“龙虾”。它能接入飞书，能操作电脑，也能调用各种工具。

那一下我觉得不一样了。以前 AI 说完就结束了，OpenClaw 已经可以替人点、替人调用，真的往下做一点事情。

恰好那时，我们也在讨论一件很具体的事：能不能在现有审批里加一点 AI 能力。

第一次讨论时，没有人提过“智审平台”。我们的想法很小，甚至算不上一个完整产品。

一张表单到了领导面前，AI 先读一遍，把几个关键数据和需要关注的地方提出来，再写一段简短的总结。领导少翻一些表单，少找一些附件，把时间留给最后的判断。

同意还是拒绝，仍然由人来做。AI 只是先把信息看一遍，再告诉审批人，有哪些地方可能需要注意。

这件事往前走了一点以后，我们也开始用当时很流行的一个词：数字员工。

但我们做出来的东西，和大家想象中那种什么都能干的数字员工差得很远。

它会读表单，会找关键信息，也能根据已有要求提示风险。复杂的例外它还看不懂，最后的审批责任更不可能交给它。

我们内部给它起了个名字，叫“实习生”。

这个名字其实挺形象的。一个刚毕业的实习生，可以先替领导整理材料，把自己发现的问题写出来。他会有遗漏，也可能判断错。领导可以听他的意见，但不会把最后的决定交给他。

我们的数字员工也是这样。

它有固定的工作，有需要阅读的材料，也有需要遵守的要求。它进入了流程，但领导还是要自己做最后的判断。

先把材料找全，把要求对一遍，再告诉人风险可能在哪里。

事情很快不再只有这一个“实习生”。三四月份，数字员工在公司内部快速增加。

有的读表单，有的比对系统数据，有的看附件，还有的检查合同条款。不同流程都想拥有自己的数字员工，每一段审核经验似乎都可以写进一套提示词里。

刚开始数字员工还不多时，我并没有想这么多。等它们一多起来，我心里开始有点不踏实。

但审核类 Agent 和别的 Agent 不太一样。如果规则可以随意改，审核过程又不可追溯、不可审计，最后只留下一个结论，我接受不了。

人会犯错，AI 也会。那时这些数字员工已经进了流程，可我们还说不清它依据哪一版规则、看过什么材料，出了问题也很难回放。

也就是从这个时候开始，我想做个平台，把这些数字员工管起来。

想法很直接：规则是谁定的、什么时候改的，要留下记录；一次审核看了哪些数据和附件、命中了什么要求，以后要找得到；AI 给了什么意见，人最后怎么决定，也要一起留下来。

做到这里，我已经没法只看效率了。AI 进了审批，至少要可追溯、可审计，规则也得可控。

我已经记不清那是 4 月还是 5 月了。平台刚上线，最先稳定跑下来的只有三条流程。

能记住的是，它们真的一直跑了下去。

真实申请进入流程，数字员工读取信息、执行规则、返回结果，审批人再完成自己的判断。第二天还有新的任务，第三天也有。每次汇报结束后，它仍然留在流程里继续工作。

这可能是整个过程中让我最兴奋的一次。现在看，三条流程确实不多。但那时，它没有停在 Demo 里，是真的每天都在跑。

真正跑起来以后，问题也很快出来了。

有一次，附件图片里的一个数字没有被准确识别。原因可能来自照片质量、拍摄角度、文字识别，也可能来自模型。答案看上去仍然完整，那个读错的数字却可能改变整项判断。

这件事把我拉回来了一点。流程能跑，不等于可以放心。后来我们开始补规则、证据、回退和复核，也要求它拿不准时把任务交回给人。

那个数字读错了，可以继续改识别，也可以增加复核。项目往前推的时候，另一个问题更难处理：人的经验。

原来的审核人员逐渐意识到，如果 AI 能学会自己正在做的事情，这份工作就出现了被替代的可能。有人不愿意把审核经验完整地说出来。

我能够理解这种反应。

哪些数字放在一起看才有问题，哪种材料表面齐全却值得多问一句，什么情况下可以接受例外，这些东西经常没有写在制度里。很多时候，一个审核人员真正值钱的地方就在这里。他也会担心，这些东西全交出去以后，自己还剩下什么。

我们去找审核人员梳理规则时，实际是在请他把这些经验拆开、写清，再交给 AI。站在他的角度，这很像在参与训练一个未来可能替代自己的人。

这个阻力比我一开始想的大。对我们来说是在梳理规则，对审核人员来说，可能牵扯到他的身份、权力和以后的工作。

后来我们也调整了想法。审核人员不能只负责把经验交出来，他还要继续确认规则、处理例外，也要复盘 AI 和人工意见不一致的任务。AI 可以去做重复核验，需要结合背景和承担责任的判断，还是要留给人。

有些工作会被 AI 接走，有些岗位会随之改变。把这份担心藏起来，阻力只会换一种方式出现。智审平台想继续发展，就得同时面对效率和人的转型。

这些问题没有马上解决，流程还在继续跑。到了 7 月底，平台已经稳定积累了超过一万条审批运行记录。

一万条并没有让我觉得平台已经成熟。我开始看到更多没解决的问题：每次审核对应的是哪一版规则，AI 和人的分歧来自数据、规则还是模型，附件里的错误怎么被发现，人工修改有没有回到下一次审核。

如果当时用的是哪版规则、AI 给了什么意见、最后人工怎么处理没有连起来，数字再多也只是记录，不能变成下一次判断的经验。

那段时间，我也和一些朋友聊过这个项目。他们有的之前就知道我在做这件事，有的听我讲过几次以后，开始问得更具体：能不能试用，能不能多了解一点，有机会能不能去现场看看。

当然，这些人只是来问问，离真正付费还很远。但这件事对我有影响。原来不只我们碰到了这些问题。

模型以后会越来越强，做一个流程总结也会越来越容易。真正麻烦的是，怎么接进企业原有流程，规则怎么管，证据怎么留，拿不准时怎么回到人，出了问题还能不能查清楚。后来有人来问，我发现他们关心的也是这些。

我后来判断它有没有商业化可能，看的也是这一点：换一家企业，这些问题是不是还能用同样的方式解决。

也是在继续做这件事的时候，我开始把它和以前写过的“穿透式监管”放在一起看。

我过去写穿透式监管时，常常追问一件事能不能沿着结果回到事实：业务为什么发生，依据在哪里，谁在当时做了判断，发现问题以后，规则和流程有没有跟着改变。

智审平台做着做着，我发现它问的也是这些，只是时间更早。

我们会先把制度里的要求拆成可以执行的规则，再把规则放进正在发生的流程。AI 读完表单，还要去业务系统和附件里找证据。它的意见会留下，人的最终动作也会留下。两边不一致，再回去看是数据、规则还是模型的问题。

一笔款还没有付出，一份合同还没有签下，系统先问：事实完整吗，规则满足吗，还有什么需要人再看一眼？

这就是我现在理解的穿透式监管在流程里的样子。它替代不了审计，也替代不了最后签字的人。它只是把一些原本事后才会查的问题，提前到审批还没有结束的时候。

如果只看今天的产品，我能列出很多问题。

它不是一个 AI native 的产品。至少现在还不是。它是在原有审批、原有数据和原有系统上，一点点接进去的。这里面有很多妥协，也有不少后来才补上的东西。

准确率的问题也一直都在。图片不清楚、表格太复杂、规则刚刚变化，或者碰到业务例外，它都可能判断错。有些场景，我到现在也不敢把结果完全交给它。系统之间怎么连接、任务怎么退回、人工怎么复核，很多地方还在边跑边补。

这些缺点我都知道。它离我心里真正成熟的产品，还有一段距离。

它没有停在演示里。它进了真实流程，每天面对真实申请、真实规则和真实的审批人。它出过错，也被人改过；有的任务它能继续往下做，有的任务只能交回给人。那一万多条记录也不是为了汇报凑出来的数字。每一条背后，真的有一次申请、一次判断和一个处理结果。

所以在我心里，这仍然是一次成功的探索。对我来说，AI 第一次从对话框里走出来，走进现场，走进工作流程。产品还不完美，可这一步已经发生了。

今天的智审平台已经可以在真实流程里工作，主要做的仍然是辅助人。它会读、会查、会比、会总结，也会提示风险。最后的决定还在人手里。

我现在给“毕业”设的标准，已经和一开始不同。

它需要有一份完整的工作记录。每次看到了什么，依据哪一版规则，为什么给出这个意见，人最后怎样处理，都能够被复核。规则调整以后，旧结论不会被悄悄改写；模型出现异常，任务能够退回人工。

它还得学会一件事：拿不准时，不要硬往下做。AI 同意、人工拒绝，或者 AI 提示风险、人工仍然通过，这些任务都要留下来复盘。数据缺了就补数据，规则漏了就改规则。模型读错了，留下测试样本。遇到业务例外，还是交给有责任的人判断。

少数低风险、数据完整、规则稳定的流程经过足够验证以后，AI 可以在清楚的边界里多走一步。只要证据缺失、判断摇摆或系统异常，它就应该停下来。

至于商业化，我现在不想走得太快。先把真实流程接进去，让它稳定运行，也让每一次判断都能复核。等这些做扎实了，再谈不同企业的权限、数据隔离、模型选择和服务保障。

我最初问的是，AI 能不能参与决策。

半年以后，这个问题变成了：我们可以放心地把多少决定交给它，依据又是什么？

模型再强，这个问题也得在一条条真实流程里回答。

我把这段经历写下来，也想知道，别的企业里是不是也有类似的审核流程。规则很多，靠人反复核对，出了问题还得把过程说清楚。

如果你也在琢磨 AI 能不能进入这样的流程，我们可以从一条具体流程聊起。

至于这个实习生，我还不急着让它毕业。