Celonis 首席科学家 Devavrat Shah：企业 AI 需要上下文感知才能实现决策智能

企业 AI 可以生成建议、自动化任务，并帮助组织更快地做出决策。但如果缺乏对业务实际运作方式的理解，即便是强大的模型也可能忽略那些决定决策是否正确的约束条件和相互关系。随着企业希望将 AI 从实验阶段推进到日常运营中，未来的挑战在于为技术提供上下文，使其能够在复杂的业务流程中发挥有用的作用。

对于 Celonis 企业 AI 首席科学家 Devavrat Shah 而言，这种上下文正是他所称的“决策智能”的核心。他认为，AI 智能体可以在更大的决策流程中支持单个任务，但它们需要理解每个任务所扮演的角色以及围绕它的业务条件。“你不能凭空做到这一点，”他说。如果没有正确的运营上下文，智能体可能会忽略重要约束、犯下代价高昂的错误，或在试图弄清所需信息时消耗过多计算资源。

解决方案始于将 AI 与企业已经在使用的流程和数据连接起来。上下文层可以帮助智能体理解工作流、在既定的护栏内运作，并生成可供人们审查和批准的建议。Shah 建议组织从某个具体的业务决策入手，找出其中最困难的步骤，并测试 AI 能否改进这些步骤。然后，衡量在速度与价值上的提升，可以帮助判断某个应用是否值得扩大规模。

这种方法还可能改变员工分配时间的方式。将重复性的手工工作自动化，并协调跨团队的任务，可以让人腾出精力专注于更复杂的战略决策。然而，要实现这一收益，需要在员工教育上投入，使员工能够理解 AI 的输出及其影响，而不是直接把决策交给智能体。

展望未来，Shah 认为机会将从日常运营任务延伸到财务、劳动力管理、营销和销售等领域的企业级规划。有了正确的上下文，AI 可以帮助组织评估各种选项，并更快地做出具有重大影响的决策。正如 Shah 所说：“现在，也许[资源规划]不应该花那么多时间，人们实际上正在快速做出正确的选择。”

本期 Business Lab 节目与 Celonis 合作制作。

完整文字记录

Megan Tatum：来自《麻省理工科技评论》，我是 Megan Tatum，这里是 Business Lab，一档帮助商业领袖理解从实验室走向市场的新技术的节目。

本播客与 Celonis 合作制作。

如今，企业 AI 正处于某种十字路口。经过多年的实验、演示和试点，领导团队希望获得明确证据，证明扩大规模将对他们的利润产生积极影响，但许多人都缺少了拼图中不可或缺的一块。由于在缺乏运营上下文的情况下行动，企业 AI 和 AI 智能体的表现存在明显不足。它们将通用原则应用于专门场景，结果不尽如人意，让商业领袖有理由心存疑虑，也让 AI 的潜力未能实现。

送给你们两个字：上下文很重要。

今天的嘉宾是 Celonis 企业 AI 首席科学家 Devavrat Shah。

欢迎你，Devavrat。

Devavrat Shah：你好，Megan。感谢邀请我来这里。

Megan：非常感谢你今天能和我们在一起。Devavrat，首先，为什么组织现在思考与企业 AI 相关的运营上下文如此关键？是什么让它成为我所说的从实验到规模化这一转变中如此关键的一部分？

Devavrat：这是个很好的问题。正如你正确指出的，就 AI 而言，我们正处于从实验走向主流的临界点。如你所知，我在 MIT 担任教授教授 AI 已有二十多年，所以我非常看好 AI 在企业中的未来，这并不令人意外。

我认为 AI 能在企业中发挥最大作用的地方是决策，帮助企业做出决策，或者换句话说，我们如何将决策智能带给企业？当我们思考决策时，我们今天是如何做决策的？以 MIT Tech Review、Celonis、MIT 或任何大型组织为例。粗略地说，我们有不同类型的决策要做。有些是战略决策，比如偶发性的；另一些是运营决策，需要高频完成。无论哪一种，我们都有一些既定流程。你先做这个，你先做那个，你先做这个，你先做那个。我们中的许多人帮助协调这些事情。我们中的许多人在其中扮演角色，也就是 Jensen Huang 所说的任务。一旦你一步步完成这些事情，你就达成了决策。

现在，正是这些任务，或者我称之为角色，是 AI 能够以原子方式带来智能体能力的地方，这样我们至少可以对决策的一部分，如果不是全部决策的话，进行增强支持，有时在痛苦的情况下进行自动化。而要做到这一点，要知道该做哪个角色、该做哪个任务，我们确实需要了解上下文。你不能凭空做到这一点。这就是为什么将上下文与 AI 以正确的方式结合起来，会带来我所说的企业决策智能。我认为最大的变革将由此而来。

Megan：对。再深入一点细节，我们知道许多组织正如你所说，现在正在拥抱 identic AI，并期待越来越自主的决策能力。如果上下文没有同步引入，会有什么商业风险？

Devavrat：很好。我们就拿我刚才描述的场景来说。我们正试图根据决策类型、任务类型来自动化某个角色、支持某个角色或增强某个角色。让我们先想象一下，所有这些所谓的尖端实验室已经构建了这些惊人的模型和惊人的 AI 基础设施，以至于宇宙中已经发生的一切以及可能发生的一切都在那里。

现在，我们有一个小决策要针对那个非常具体的上下文做出。如果没有访问权限，这个庞大的系统、这个极其聪明的人最终会通过问很多问题来弄明白，就像我们人类所做的那样，然后最终做正确的事。问题在于，要达到那一步，它在某种程度上会消耗大量算力，以至于为了完成简单任务，我们要花费大量算力。这就是第一种情景。

但在现实中，情况并非如此，我们会遗漏一些重要的上下文、重要的约束、重要的护栏，然后我们就会犯错。有时这种错误是可以接受的。就像我给你一个推荐，说去A餐厅，也许你可能不喜欢那顿晚餐；而有时错误会非常、非常昂贵。那就是我告诉你财务预测，而不知怎么地这导致了公司的毁灭。

Megan： 对。所以在企业环境中，这些是真正关键的业务决策。所以如果我们搞错了，影响就会大得多，不是吗？那么在实际层面上，组织可以通过哪些不同的方式加入我们所说的这个上下文层？例如，Celonis 如何通过组织的实时数字孪生来提供这种运营上下文？

Devavrat： 完全正确。我认为，也许有必要深入了解一下 Celonis 的历史。如你所知，Celonis 作为一个组织，成立时的使命和目标就是帮助组织遵循其理想流程、构建更好的流程、让人们能够以交织的方式处理多个流程。这就是他们主要的——我们称之为 DNA——一直是关于我所称的流程智能。以企业如何帮助将多个事物整合在一起、将其数字化、让人们更好地完成流程、理解问题所在，然后如何在组织内重新设计流程以使事情更好地发生为例。

现在，如果你想将决策智能引入其中，这个流程的每个原子步骤以前可能由专家、人员完成，现在我们希望智能体来帮助我们实现这一点。这就是了解企业内流程的上下文，然后随之引入 AI 智能体——我想称之为角色化智能体——恰好为企业带来决策智能的正确方式。这就是 Celonis 如何提供上下文来帮助企业做出更好的决策。

Megan： 对。那么从运作方式来看，上下文层与下面的层——即记录系统层——以及上面的层——即 identic 层——是如何关联的？

Devavrat： 这是个很好的问题，Megan。下面的层主要是，如果我们称之为记录系统，主要是那里存在的工作流工具，以及它们围绕其生成的事件日志。上面的层要么是业务用户专家消费信息，要么是他们通过在该上下文层之上工作的智能体来消费信息。这就是 Celonis 所称的上下文模型的设计方式，它同时做三件事。一是对下面的层进行正确的抽象，以便流程的正确部分可以被智能体化。二是以结构化的、有护栏的方式为每个部分引入角色化智能体。三是智能体优先，这样如果已有其他智能体基础设施在与它对话，它们可以自然地与之对话，从而为人类或专家带来正确的输出以供审查、查看、批准，也许然后有时实现自动化。

Megan：太棒了。关于我们谈到的所有这些好处，在实施上下文层时是否也存在挑战？例如，大多数组织是否已经拥有合适的数据，能够为 AI 提供其所需的上下文？如果没有，我想知道他们可能需要采取哪些实际步骤来解决这个问题。

Devavrat：这又是一个让这件事落地的关键问题。我们可以想象一个理想世界，但如果我们无法抵达理想世界，那它就只是理想而已。所以在这种情形下，正如我们讨论过的三个层次，其中一层是位于记录系统和工作流工具之下的那一层。从某种意义上说，这些东西已经存在。它们不需要是完整的，也不需要以最干净整洁的方式存在。上下文模型按照 agentic 架构设计的方式，能够连接到这些东西并理解它们。

然后上面的部分很大程度上由 Celonis 的基础设施掌控，所以并没有那么复杂。不过这里的关键在于，当一个人进入企业环境，当一个人打开比如说某个记录系统或工作流工具、事件日志之类的东西时，就必须经过我所称的经典信息安全流程，以确保你可以信任进入你组织的供应商软件。我认为那就是主要的流程，是介于之前和之后的一个步骤，如果我可以这么说的话。

Megan：对。所以这就是人们在这里需要采取的真正关键步骤。而随着具备上下文的 AI 智能体能够做出更复杂、希望也更准确的决策，我想知道你认为人类智慧和输入的 role 将如何向前演变，以及组织可以如何在这两者之间取得平衡？

Devavrat：既有好处，也有挑战。好处是显而易见的。如果你在正确的角色位置上拥有合适的 AI 智能体，让它们贯穿你的决策流程，那么它们有望更快地完成工作，因此你的决策会更早做出，机会成本不会白白流失。你及时做出决策，就能更好地规划，等等等等。当你需要处理非常手工、重复、繁琐的任务，而获取劳动力、人员之间的协调成为决策过程的关键部分时，这一点尤其有用。从某种意义上说，巨大的价值正可能来自这里。另一面则是，这意味着人们将不再做这些事。

另一方面，我们始终在做另一类决策，即战略决策。它可能是小的战略决策，也可能是大的战略决策，但大多数组织通常没有余力去思考的战略决策，这个机会将会打开，而这很可能正是许多人和专家会更多参与的地方。从某种意义上说，现在他们将获得更好的支持，帮助他们理性地思考自己有哪些选择、不同选择之间如何比较？而最终，决定采用哪个选项是组织的职责，因为这关乎他们心中的利益，关乎他们想去哪里。

因此从某种意义上说，将会出现我所称的劳动力转移：不再是做大量重复性工作，重复性工作大幅减少，而是更多战略性的工作，人们将不得不把时间花在这上面。

我个人非常乐观的另一点是，每一次技术变革都会创造新的工作，而这些工作在变革发生时很难预测。我希望将会创造出另一类机会和工作，让我们的人力投入其中。不言而喻，这意味着我们将不得不仔细思考，深思熟虑地对我们部分劳动力进行再教育或教育。我认为，作为我内心的学者、内心的教育者，我真的觉得这些变化发生的时间尺度如此之快。所以我们也需要以类似的方式行动。

Megan：对于任何正在收听这期节目的决策者，他们应该如何开始实施这些变革？例如，他们如何让员工做好准备？治理又应该扮演什么角色？

Devavrat：好，这是个很好的问题。如果你想开始，首先要做的是确定一个你想引入智能的决策。让我们确定围绕它的流程。让我们确定流程的每一步。让我们找出其中最关键、最困难的一步。让我们尝试引入 AI 智能体来帮助你完成它。然后从那里出发，让我们衡量我们获得了多少速度、多少价值？这将帮助我们理解这是否值得。这就是第一点。

第二是治理。我们将以这种规范化的方式，为角色中的每项任务引入 AI。这意味着对于该角色，我们可以非常清楚地说明它能做什么、不能做什么。Celonis 为此规定了经过认证的角色智能体。这有助于你清楚地理解这将会是怎样的一种契约。

第三点是人，这一点非常重要，其中一部分工作会被自动化，但还有一部分需要专家参与其中，他们需要理解 AI 的输出、如何与之协作以及它会带来什么影响？这就需要一些 AI 教育，还需要一些工具教育。

Megan：是的，完全同意。这个领域的发展速度真是惊人，不是吗？说到这个，我想如果我们能以展望未来作为结尾，当然是在合适的背景下，你认为企业 AI 即将出现的最具影响力的用例有哪些，或者你个人最期待的是什么？

Devavrat：我想把它们分为三类。它们都属于决策智能、决策制定，但分为三种类型。第一类，我称之为大量重复性、人工劳动密集型的工作，这是一类。

第二类，我称之为协调型任务。我们现在作为信息工作者所做的很多工作都花在协调上，这就是为什么会有电子邮件、电子表格等等。其中很多工作可以做得更好、更快，而且可以说没那么枯燥。

第三类，尤其是作为对人类决策者的支持，提供战略支持增强，这是第三类决策。想想企业中的任何规划流程，比如财务规划、人力规划、市场营销、销售、产品等等，所有这些都是我们做出的、关乎业务成败的决策，它们需要年度规划流程，耗费整年的时间。也许本不该花那么多时间，人们其实可以快速做出正确的选择。

Megan：那真是太棒了，不是吗？太棒了。非常感谢你这场精彩的对话，Devavrat。以上就是 Celonis 企业 AI 首席科学家 Devavrat Shah，我在英格兰布莱顿与他进行了交谈。

本期《商业实验室》就到这里。我是主持人 Megan Tatum。我是 MIT Technology Review 定制出版部门 Insights 的特约编辑兼主持人。我们于 1899 年在麻省理工学院创立，你可以在印刷刊物、网站以及每年世界各地的活动中找到我们。想了解更多关于我们和本节目的信息，请访问我们的网站 technologyreview.com。

本节目可在你获取播客的任何平台收听。如果你喜欢本期节目，希望你能花点时间为我们评分和留言。《商业实验室》由 MIT Technology Review 制作，本期节目由 Giro Studios 制作。非常感谢你的收听。再见。

本内容由 MIT Technology Review 的定制内容部门 Insights 制作，并非其编辑团队制作。内容由人工调研和撰写，可能使用的任何 AI 工具仅限于在人工监督下的生产流程。