企业 AI 重构流程年增利 2000 万美元

Humans + Agents: Use Cases of Collaborative Workflows That Deliver — Ai4

Ai4

AI 项目落地成败取决于七成工作流与人力的重构投资,而非底层模型与架构本身。

AI-assisted summary of Humans + Agents: Use Cases of Collaborative Workflows That Deliver — original source. Check the original for full context.

Source published:

Detailed notes

## Background 本视频由 Ai4 频道于 2026 年 8 月 22 日发布于 YouTube 平台,记录了一场时长约 42 分钟的专家研讨会。视频聚集了来自医疗、金融、基础设施和 IT 咨询领域的五位行业高管,共同探讨生成式 AI 智能体(Agent)如何与人类员工深度协同,通过重构工作流、克服落地阻力以及衡量生产力提升,在企业日常运营中释放真正的商业价值。

## TL;DR 研讨会直击企业级 AI 项目高达 80% 缺乏 Bottomline ROI 的痛点,指出成功的关键在于遵循将 70% 资源投入到工作流重构与员工能力提升的“10-20-70 法则”。各领域专家分享了利用 AI Agent 实现医疗理赔审核、农牧业信贷报告撰写、重型机械运维以及代码迁移等复杂工作流自动化的实战案例,大幅缩短了业务耗时并创造了显著的经济效益。专家们一致强调,AI 的引入促使人类角色从繁重的数据搜集者转型为“AI 编排者与决策者”,企业必须通过“人类在环”(Human-in-the-Loop)架构设计、主动式可观测性以及分层的员工赋能策略,建立安全防护网并消除员工对 AI 置换岗位的恐慌。

## Atmosphere & style 整场研讨会节奏紧凑、气氛干货满满且充满务实的探讨氛围。与会嘉宾摒弃了空洞的技术炒作,以极具说服力的硬核数据和亲身实操案例展开对话,既有对技术潜力的热切期待,也有对医疗刚性约束、伦理责任和组织变革阻力的冷静审视。嘉宾之间的互动默契而深入,展现出行业先行者在面对 AI 变革潮水时的深邃思考与理性从容。

## Key takeaways - [00:04](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=4s) 当前企业级生成式 AI 项目中高达 80% 未能实现净利润投资回报(Bottomline ROI),主因在于企业常将新技术强行嵌入传统人工流程,而非重构工作流。 - [00:04](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=4s) 企业要释放 AI 实际价值应遵循 10-20-70 法则:10% 投资于模型,20% 投资于底层架构,70% 投资于工作流重构与员工能力提升。 - [02:13](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=133s) Agentic AI 与人类协同的复杂场景已在金融授信、重型装备运维、癌症复杂诊断及交互式蓝图生成等多个领域落地应用。 - [06:08](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=368s) 智能体系统通常仅占整套解决方案的 10% 到 20%,剩余 80% 到 90% 的成功关键在于系统集成、数据治理、安全与合规。 - [11:24](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=684s) 引入人机协同(Human-in-the-Loop)能实现数量级上的提效,例如变更通知处理时间由 2 小时缩短至 40 秒,信贷文本自动化起草每年可节省约 25,000 小时。 - [17:52](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1072s) 在人机协同新模式下,人类员工的角色正在从繁重的“数据搜集与初稿撰写者”演变为“AI 编排者(AI orchestrators)”与“业务决策者”。 - [15:30](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=930s) AI 对软件工程与数据科学的冲击类似于敏捷开发变革,虽然通用模型使开发与 Prompt 门槛降低,但传统 ML 与领域专业知识仍具备不可替代的商业价值。 - [20:17](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1217s) 多位专家以硬核数据证实人机协同的 ROI:每年节省 2.4 万至 6 万小时、用 660 美元 Token 成本在 8 周内交付数人年工程量、以及通过解决医疗拒赔产生 2000 万美元潜在价值。 - [21:36](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1296s) 即便底层大模型发展进入平台期,企业仍可通过发挥人类独创性、在自有数据上精调小模型以及推动技术普及来保持核心竞争力。 - [25:42](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1542s) 化解员工对“被 AI 替代”的恐慌需要建立 AI 识读(AI literacy)培训,并明确“AI 永远无法替代责任担当(Accountability)”,人类始终是最终把关人。 - [31:03](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1863s) 推行企业 AI 赋能可采用三阶落地框架:从“个人生活趣题”建立兴趣,到“岗位流程痛点”攻克业务,再到“跨部门 Cohort 学习小组”构建内部生态。 - [31:03](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1863s) 企业设立专门的内部 AI 工程部门,负责公民开发托管、安全框架搭建以及定制化培训课程编制。 - [34:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2040s) “人类在环(HITL)”架构包含生成校验与异常救助两种机制;当智能体陷入死循环或逻辑卡死时,安全兜底机制(failsafe)会主动将控制权转交人工。 - [36:28](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2188s) 盲目增加 Prompt 长度会导致智能体性能衰减,拓展工具库(Tools)并建立支持逐帧回放决策轨迹的全栈可观测性(Observability)才是提升智能体能力的关键。 - [38:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2280s) 在医疗等高风险高时效场景中,应采用确定性的图谱工作流(Defined Graph Workflows)严格限制智能体边界,并结合主动式可观测性实时触发人工干预。 - [40:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2400s) 业务流程重构切忌照搬旧有的 SOP 或屏幕录像;更高效做法是定义目标产出与数据源,由 AI 起草后结合专家反馈进行敏捷迭代,以流水线方式实现大规模业务迁移。

## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=4s) AI 项目的 ROI 困境与 10-20-70 法则

研讨会主持人开场便直击行业痛点:在当前的企业级生成式 AI 项目中,高达 **80%** 的项目未能为企业带来任何净利润投资回报(Bottomline ROI)。造成这一现象的核心原因,在于许多企业只是机械地将 21 世纪的先进技术强行“套用”在传统的人工业务流程之上。

要彻底释放 AI 的实际价值,企业必须遵循 **10-20-70 法则**: * **10%** 投资于模型本身(Model); * **20%** 投资于底层架构(Infrastructure); * **70%** 投资于**工作流重构与员工能力提升**(Workflow Redesign & Human Capability)。

本次研讨会的重点正是深入探讨这关键的 70%。五位来自不同领域的行业专家随后依次进行了自我介绍:

``` +-----------------------------------------------------------------+ | 专家研讨会嘉宾 (Panelists) | +-----------------------------------------------------------------+ | Brian Smith | Expedient CEO (智能基础设施与私有云) | | Narayanan Nair | Farm Credit Services of America 高级VP兼CDO | | Gregory Hodgkinson | Prolifics CTO (AI 实施与数字化转型) | | Glenn Fung | Exact Sciences AI 开发与策略副总裁 | +-----------------------------------------------------------------+ ```

---

[00:45](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=45s) 嘉宾自我介绍与企业背景

嘉宾们分享了各自的公司定位及其在 AI 转型中的视角:

* **Brian Smith**:Expedient 公司 CEO。Expedient 是一家垂直一体化的智能基础设施公司,业务涵盖数据中心、私有云以及完整的 AI 技术栈。 * **Narayanan Nair(Nay)**:Farm Credit Services of America 的高级副总裁兼首席数据官(CDO)。他已在该职位任职超过 6 年,该机构主要为跨越 8 个州的农场主和牧场主提供金融资本支持。 * **Gregory Hodgkinson**:Prolifics 公司 CTO 兼工程负责人。Prolifics 是一家拥有 48 年历史的 AI 实施服务商,长期致力于协助客户进行数字化转型。他强调,未来的业务模式必然是 Agent(AI 智能体)与人类协同作战。 * **Glenn Fung**:Exact Sciences 的 AI 副总裁(该公司为结直肠癌筛查产品 Cologuard 的生产商)。他提到公司近期已被雅培(Abbott)收购,现归属于雅培癌症诊断部门(Abbott Cancer Diagnostics)。

---

[02:13](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=133s) 复杂人机协同工作流的探索

主持人引导嘉宾探讨各自领域中最复杂的“人机协同”(Human + Agent)工作流:

* **金融贷款自动化(Farm Credit Services of America)**:Narayanan Nair 提到,农牧业贷款流程涉及多个业务部门和功能区域,极其复杂。他们面临的挑战是如何利用 AI 工具链实现跨业务垂直领域的自动化,使整个授信与审批流程既高效又安全。 * **林业设备维护与 AI 智能遗嘱(Prolifics)**:Gregory Hodgkinson 举了两个极具代表性的案例: 1. **重型林业设备保障**:在森林采伐现场,重型大型机械的资本开支极高。他们利用 AI 确保这些机械设备的运行时间(Uptime)最大化。 2. **“AI 律师”撰写遗嘱**:虽然在技术层面并不算最复杂,但在伦理和心理层面却极具挑战——用户是否愿意让 AI 参与并辅助撰写自己的遗嘱? * **癌症诊断 Order-to-Cash 流程(Exact Sciences)**:Glenn Fung 指出,公司除了提供大众筛查外,还提供指导癌症患者后续治疗(如肿瘤切除后是否需要化疗)的复杂诊断。由于病情危急,从下单到收款(Order-to-Cash)的整个流程都要求极高的时效性,以便医生能迅速做出决策。这需要将 AI 深度嵌入原本高度依赖人工的业务流中。 * **交互式语音蓝图生成器(Expedient)**:Brian Smith 透露,许多企业深感 AI 项目无从下手。为此 Expedient 部署了“Blueprint Agent”交互式语音智能体,通过与用户对话梳理需求,甚至自动向其他利益相关者派发语音 Agent 进行调研访谈,最终生成完整的业务评估报告、CFO 财务审查报告以及 15 到 30 页的技术实施方案。

---

[06:08](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=368s) 深入技术底层:Agent 规则引擎与林业现场维修

嘉宾们进一步拆解了各自 Agent 工作流的具体运作机制:

#### 1. 医疗诊断中的 OCR 与规则解析 (Exact Sciences) 在医疗行业中,许多病历、数字病理报告仍通过传真或 PDF 传输。Agent 系统首先通过高精度的语义 OCR 技术提取关键数据(如肿瘤大小、单侧/双侧特征等)。随后,Agent 会自动抓取并解析保险公司网站上的复杂赔付规则,将其转化为计算机可执行的逻辑,自动评估并给出审核建议,将原本需要数小时的规则核对缩短至数分钟。

``` +------------------+ +-------------------+ +------------------+ | 医疗病历/传真/PDF | --> | 语义 OCR Agent | --> | 提取肿瘤特征与 | | ( unstructured) | | ( 提取关键病理数据)| | 病理指标 | +------------------+ +-------------------+ +------------------+ | v +------------------+ +-------------------+ +------------------+ | 保险赔付建议结果 | <-- | 规则评估 Agent | <-- | 自动抓取并解析 | | ( 耗时由小时变分钟)| | ( 匹配保险审核逻辑)| | 保留规章 (PDF) | +------------------+ +-------------------+ +------------------+ ```

#### 2. 林业重型机械的智能运维 (Prolifics) 林业采伐涉及伐木机(Feller)、打枝机(Harvester)和集材机(Forwarder)。当机械出现故障时,现场工人只需扫描设备上的二维码即可唤醒 Agent: * **第一步:现场排查**:Agent 读取手册与知识库,指导工人进行基础故障排除; * **第二步:维修决策与调度**:若故障严重,Agent 自动评估车间空闲排期; * **第三步:备件匹配与调度**:Agent 基于历史维修数据预测所需零部件,并完成全套供应链与车间调度的后台对接。

> Gregory Hodgkinson 强调:“Agent 本身可能只占整套解决方案的 10% 到 20%,剩下的 80% 到 90% 全在于系统集成、数据治理、安全与合规。”

---

[11:24](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=684s) 极速缩短耗时与人工复核(Human-in-the-Loop)

在极大地提升效率的同时,如何保持人控与安全是重中之重:

* **变更管理流程(Expedient)**:Expedient 每年处理 2000 至 3000 份来自供应商的系统变更通知。以往工程师分析影响、开具工单、编写客户通知单,每份耗时约 2 小时。如今在 Agent 调用各类系统工具协作下,**流程时间从 2 小时缩短至仅 40 秒**。不过,最终的审阅、批准与授权依然必须由资深工程师完成(Human-in-the-Loop)。如果工程师提出了修改意见,Agent 还会进行自我迭代学习。 * **信贷文本生成(Farm Credit Services of America)**:在农户授信过程中,分析师需要撰写大量的合规信贷报告(Credit Narratives)。该机构每年需要撰写约 12,000 份报告,每份耗时 30 分钟到 4 小时不等。使用生成式 AI 提取多源数据并自动起草报告后,**每年可节省 24,000 至 25,000 小时**。

针对分析师对 AI 的信任问题,Narayanan Nair 分享了他们的变革管理做法: - 将分析师早期就纳入开发流程中,建立信任感; - 跑历史数据测试,将 AI 生成的新文本与分析师过去亲手写的旧文本进行差异对比(Variance Check),让分析师直观看到 AI 的准确度,极大地增强了他们使用新工具的信心; - 分析师的复核时间从几小时大幅降至数秒到一分钟。

---

[15:30](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=930s) AI 带来的组织架构与岗位变革

Agent 的引入正在深刻地改变企业内部的组织架构与岗位职责:

* **前端销售岗位的重塑(Expedient)**:销售人员的工作模式发生了根本性变化。会议开始前,Agent 自动搜集客户公司背景、高管信息及行业动态并生成会议预备材料;会议结束后,独立的 Coaching Agent 会分析通话记录,为销售员提供针对性的改进建议,并向管理者提供一对一辅导的关注重点。 * **IT 与软件工程岗位的全盘再思考(Prolifics)**:Gregory Hodgkinson 认为,AI 对软件工程带来的冲击丝毫不亚于当年的**敏捷开发(Agile)变革**。从软件工程师、测试工程师到需求分析师,每一个 IT 岗位的职责都在被重新定义。当代码编写速度超越了测试速度,甚至 AI 生成的需求文档数量多到人类难以逐一审核时,团队必须全面重构软件开发流程与人员角色。

[17:52](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1072s) 核心角色的演变:从繁重的数据搜集者到 AI 编排者与业务决策者

在人类与 AI 协同工作的生命周期(例如 AI 辅助开发生命周期 AI DLC 和 AI 测试生命周期 AI TLC)中,人类员工的角色正经历深远的转变。Narayanan Nair 以信贷分析师为例阐述了这种变化:过去,分析师需要耗费大量精力登录各个系统搜集数据点,并手动撰写分析报告;而在 Agent 辅助的新模式下,AI Agent 会自动搜集数据并生成叙述性草案。分析师的角色进而转型为“AI 编排者”(AI orchestrators)与“数据验证者”。通过将重复性劳动交给 AI,分析师得以腾出宝贵的时间去建立客户关系、深入进行风险评估以及从事需要人类主观判断的高价值活动。

在软件工程与数据科学领域,角色演变同样显著。Glenn Fung 指出,现在的软件开发几乎不再需要从零手写代码,传统 ML 工程师和数据科学家的工作重心也发生了转移。模型训练本身已变成一种通用化商品,工程师更多地是在调用和提示(prompt)既有的大模型。然而,Glenn 特别提醒,传统机器学习(Traditional ML)依然具备深厚的商业价值潜力,这需要多年积累的领域知识以及对数据的深入理解,绝不能为了赶时髦("get in the latest wagon")而盲目弃用这些坚实的技术基础。

- **AI 生命周期框架**:AI DLC(AI 辅助开发生命周期)与 AI TLC(AI 辅助测试生命周期)重新定义了人机协同分工。 - **信贷分析师角色转型**:从“数据搜集与初稿撰写”转向“AI 编排、叙述验证、客户关系维护与风险决策”。 - **数据科学与工程变迁**:模型训练日趋商品化,Prompt 工程成为主流,但传统 ML 依然保留了不可替代的深度价值。

---

[20:17](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1217s) 闪电问答:用硬核数据证明人机协作模型的商业回报

座谈进入快速闪电问答环节,各位嘉宾摒弃冗长的背景铺垫,直接抛出最能证明人类与 Agent 协同模型成效的“冷酷数据”(cold single numbers):

- **Bryan Smith(Expedient)**:**60,000 小时**。在其 400 人的公司内部,今年通过部署 AI Agent 预计可节省 60,000 个工作小时,相当于整体生产力提升约 8%。 - **Narayanan Nair(Farm Credit Services of America)**:**24,000 小时**。通过实现叙述性报告与数据搜集的自动化,预计可为团队节省 24,000 小时。 - **Gregory Hodgkinson(Prolifics)**:**660 美元与数人年产出**。公司内部自动化团队仅消耗了价值 660 美元的 API Token,就在短短 8 周内开发并交付了原本需要数人年(person years)才能完成的内部新软件系统。这一数据深刻彰显了新时代开发模式的剧烈变革。 - **Glenn Fung(Exact Sciences)**:**2,000 万美元**。在医疗与保险理赔场景中,通过引入 AI 加速医疗拒绝件(denials)的重新审批流程,潜在商业价值高达 2,000 万美元。

``` +-----------------------------------------------------------------+ | 闪电问答:AI Agent 协同带来的核心效益数据 | +-----------------------------------------------------------------+ | Expedient (Bryan) | 60,000 小时/年 (400人团队,生产力提升 8%) | | Farm Credit (Narayanan)| 24,000 小时/年 (自动化叙述报告与数据搜集) | | Prolifics (Gregory) | $660 Token 成本 -> 8周内交付数人年级软件 | | Exact Sciences (Glenn)| $2,000 万美元潜在收益 (加速拒赔件二次审批) | +-----------------------------------------------------------------+ ```

---

[21:36](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1296s) 假想实验:若模型发展停滞,未来的核心竞争力何在?

主持人提出一个假想命题:如果未来 12 个月大语言模型的发展进入平台期(plateau),技术不再突破,明年夏天企业将依靠什么立足?嘉宾们一致认为,即使底层技术停止更新,现有的技术遗产和人类特质依然留有巨大的释放空间。

Gregory Hodgkinson 强调“人类的技术独创性(Human ingenuity)”是决定性的胜负手。AI 极大缩短了“从想法产生到软件发布”的时间周期,但接下来的核心挑战在于“如何挑选真正能产生商业价值的构想进行投资”。Glenn Fung 则指出,企业将迈向“模型训练的成熟期”,重点从盲目追求巨型通用模型,转向利用自有数据精调(fine-tune)成本更低、体积更小的专属模型。他打了个生动的比方:现阶段我们就像是在用“工程起重机给面包抹花生酱”,完全属于大材小用。此外,Glenn 还拿自己用了 3 年的旧手机举例——虽然孩子们总是嘲笑他,但这部手机完全能满足他的日常需求;同理,现有的 AI 技术已经足够强大,企业无需时刻追求最新最贵的模型。

Narayanan Nair 补充道,在未来的 12 到 24 个月内,人类交互(Human interaction)依然不可或缺。由于生成式 AI 的本质是概率性的(probabilistic)而非确定性的(deterministic),目前尚无任何企业能像自动驾驶汽车那样实现 100% 的无人化运行。Bryan Smith 则认为,模型发展的暂停反而会带来“技术普及率(adoption)的爆发”。由于过去技术迭代速度过快,大量员工和企业因感到被边缘化和恐慌而选择观望;一旦技术步调放缓,这些企业和员工将有充分的时间赶上脚步,奠定扎实的架构根基。

- **人类独创性与价值筛选**:AI 解决了“建造速度”问题,人类必须解决“建什么才能创造真正价值”的选择题。 - **小模型与自有数据精调**:摆脱对超大模型的依赖,转向低成本、特定任务的高效小模型。 - **概率性 vs 确定性**:GenAI 的概率特征决定了人类必须在接下来的 1-2 年内持续参与闭环。 - **消除技术恐慌**:发展的喘息期有助于消除员工的边际焦虑,推动观望企业大规模落地。

---

[25:42](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1542s) 克服员工怀疑论:将被威胁者转化为 AI 编排者

员工的怀疑与排斥往往是企业 AI 转型中“默默杀伤力巨大”的隐形障碍。研究表明,仅有约 7% 的员工会主动拥抱转型变革。面对员工对“被 AI 替代”的恐慌,嘉宾们分享了各自消除排斥、提高全员 AI 普及率的实践战略。

Narayanan Nair 透露,他们将 AI 视为一项整体组织战略而非单纯的技术项目。为弥合技术能力与员工心理之间的鸿沟,他们与内部创新团队合作,设立了涵盖线下课程、视频教学、Show and Tell 示范展示以及定制化辅导的 AI 识读(AI literacy)培训体系,直接展示 AI 如何让员工的工作变得轻松。Gregory Hodgkinson 则分享了 Prolifics 的“转型主题月”经验:在 ChatGPT 发布初期,他们举办了“GenAI 6月”活动,全公司停下脚步专门探讨 AI 对各岗位的重构;次年又举办了“Agentic AI 9月”活动。更重要的是,Gregory 向员工明确指出了一个核心真理:"There's one thing AI will never be able to take and that is accountability."(AI 永远无法替代的是责任担当)。员工必须作为责任主体,凭自己的经验去审查 AI 系统的漏洞与瑕疵,因为“AI 总是能以极具说服力的方式犯错”。

Glenn Fung 提醒道,AI 转型本质上是业务转型(business transformation),必须让业务人员参与到共同构建(co-building)的过程中,让成果成为业务团队自身的胜利。以 Exact Sciences 为例,一年前全公司 7,000 名员工中仅有 200 人在防火墙内使用 ChatGPT;而在加强沟通与培训后,活跃用户激增,CEO 甚至找上门来要求出台专门的管理策略,因为公司已经采购了超过 3,000 个账户许可。

``` +-----------------------------------------------------------------+ | 企业克服 AI 排斥与普及梯次推进战略 | +-----------------------------------------------------------------+ | 1. 认知重构:明确“AI 无法承担责任(Accountability)”,人类是最终把关人 | | 2. 沉浸式主题月:如“GenAI 六月”、“Agentic AI 九月”全员动手实操 | | 3. 业务共建:让业务部门参与工具开发,共享效率提升的红利 | | 4. 分层分级教育:建立制度化 AI 识读课程(AI Literacy Training) | +-----------------------------------------------------------------+ ```

---

[31:03](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1863s) Expedient 的三阶员工赋能框架与 AI 工程部门实践

Bryan Smith 详细拆解了 Expedient 在推动员工转变过程中摸索出的“三阶落地法”。首先,安全团队部署了 AI 控制平台,提供基于角色的访问控制(RBAC)、数据权限隔离与算力集成,构建了可自动部署的安全环境。在底层安全保障确立后,公司通过三个阶段引导员工:

1. **个人生活激情项目(Personal Passion Projects)**:鼓励员工先为自己的个人生活打造 AI 工具(例如健身追踪器、拍摄冰箱内部食材自动推荐晚餐食谱等),以此激发对 AI 的兴趣与灵感。 2. **聚焦业务痛点(Workplace Pain Points)**:引导员工结合自身领域专长,在日常工作检查中找出最令自己厌烦的痛点,并给予空间自由去尝试和构建解决方案。 3. **AI 专项开发队列(AI Development Cohorts)**:参照领导力培训模式,每期组织 15 名跨部门员工组成学习小组,进行深度技术与思维方式的培训。

针对现场观众关于“企业内部 AI 协同网络”的提问,Bryan 解释称,公司专门设立了一个面向内部服务(非面向客户)的 **AI 工程部门(AI Engineering Department)**。该部门承担三大职责:

- **公民开发管理**:长期维护和监管组织内由普通员工(Citizen Developers)开发的各类应用。 - **安全框架搭建**:占其三分之一的工作量,负责构建全公司统一使用的底层安全框架与开发工具。 - **定制化教育与课程设计**:占其三分之一的工作量,针对每一期 Cohort 编排培训课程。在组建小队时,故意将来自销售、财务、客户支持等不同部门但面临相邻痛点的员工组合在一起,直观展示各业务环节之间意想不到的互联互通。

- **三阶推进体系**:个人生活趣题(建兴趣) -> 岗位流程痛点(攻业务) -> 15人 Cohort 深入培训(建生态)。 - **AI 工程部门三大职能**:公民开发资产托管(1/3)、安全开发框架建造(1/3)、跨部门定制化教育培训(1/3)。

---

[34:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2040s) 人类在环(Human-in-the-Loop)架构设计与失败安全机制

当谈及如何对 Agentic AI 的决策过程进行分层控制、并在界面中可视化展示时,Glenn Fung 指出,“人类在环”(Human-in-the-Loop)在传统机器学习中并不新鲜。预训练模型通常能开箱即用解决 90% 的问题,但要搞定剩下的 10%,全靠高质量的人类反馈闭环。虽然这需要大量沉重的软件工程搭建(heavy engineering),但随着 API 化和模块化技术的发展,平台团队已经可以开发出通用的反馈捕获插件(plug-and-play feedback APIs)。

Gregory Hodgkinson 则将“人类在环”进一步拆解为两种截然不同的应用场景:

1. **生成校验型(Verification & Correction)**:AI 生成内容或决策草案,人类在界面中进行实时校验、修改并提供反馈,这些反馈数据随即被用于后续的模型微调与训练。 2. **异常救助型(Failsafe & Course Correction)**:当 Agent 系统在执行复杂任务时陷入死循环(going in loops)、逻辑卡死或无法得出有效计划时,安全兜底机制(failsafe mechanism)必须能够自动捕捉到这一状态,并将控制权无缝移交给人类专家进行干预和修正。

- **90/10 规则**:通用模型解决前 90% 的基础工作,人类在环捕捉最后 10% 的边缘案例并持续反哺模型。 - **HITL 双重机制**: - *校验闭环*:针对 AI 的输出结果进行实时人类审核与打标。 - *救助机制*:监控 Agent 的运行状态,在陷入死循环或逻辑阻塞时触发触发器(trigger)引入人工干预。

[36:28](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2188s) 人机回环:工具拓展与全栈可观测性

在智能体(Agent)遇到无法自行解决的问题时,人类介入(Human-in-the-loop)构成了系统的关键安全网。这种介入分为两种模式:一种是在关键业务流中进行**实时干预与决策**,另一种是在事后进行**诊断与追责**,探究智能体为何会出现异常行为。许多人试图通过不断追加 Prompt 来修正智能体,但 Prompt 越长,智能体反而越不敏感、效果越差;更优的解法是为智能体提供更多可调用的工具(Tools),赋予其多元化的履职手段。

为了支撑高效的人类介入,系统必须具备全栈的**可观测性(Observability)**。理想的系统应当像 DVR 录像机一样,允许维护者逐帧回放(Rewind)智能体在多层协作过程中的每一步决策细节,从而精准定位失效环节并进行针对性微调。管理多智能体系统,本质上与管理人类员工无异。

- **Prompt 陷阱**:盲目增加提示词长度会导致智能体性能衰减,丰富工具库才是提升智能体能力的核心。 - **可观测性 DVR 模式**:支持对智能体多层推演与决策轨迹进行回放与追溯,解决输出结果异常时难以归因的痛点。

---

[38:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2280s) 医疗场景的刚性约束与主动式可观测性

针对医疗等对时间紧迫性要求极高的特殊行业,智能体系统的架构设计需要采取更加严谨的态度。与完全自由探索的智能体模式不同,医疗系统应当偏向于**确定性的图谱工作流(Defined Graph Workflows)**,严格限定智能体的行动边界(Zero Tolerance)。这类似于早期工业机器人的轨迹规划——只允许智能体在既定的最佳路径上运行。一旦遇到必须偏离预定路线的复杂状况,智能体必须实时向人类发出请求:“我知道我应该留在原轨道上,但要解决此问题必须采取此变通方案,是否批准?”这种机制能最大限度降低医疗风险。

``` +-------------------+ 偏离预警 +-------------------+ | 确定性流程图谱 | ----------------> | 人类专家实时 | | (Defined Graph) | <---------------- | 介入与决策授权 | +-------------------+ 授权指令 +-------------------+ ```

同时,可观测性在 Agentic 架构中不应再是传统的“被动监控”(如仅向 Ops 团队发送日志),而必须升级为**主动干预系统(Active System)**。系统应当能实时理解智能体的当前状态,并在触发风险阈值时主动中断或转接给人类处理。

- **确定性图谱**:限制智能体的自由度,确保其行为约束在预先验证的安全区间内。 - **主动式可观测性**:将监控与实时干预机制深度融入智能体工作流,而非事后被动分析 telemetry 数据。

---

[40:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2400s) 流程建模与敏捷迭代:从专家反馈到软件工厂

关于如何对原有业务流程进行建模与优化,嘉宾们分享了各自的实战经验。Farm Credit Services of America 在构建信用评估智能体时,全程引入了 3 名资深信用分析师(Credit Analysts)进行闭环验证。系统通过持续吸收这些一线专家的真实反馈,不断修正 Prompt 和输出偏差,直至差异率缩减至可接受的阈值内,才最终推向生产环境。

针对业务流程的重构,团队得出了一个反直觉的结论:**不要试图去照搬现有的标准作业程序(SOP)或屏幕录像**。过于细致的步骤指令往往只会完美重现旧流程中的低效环节。更高效的做法是:明确定义期望的目标产出以及可用的数据源,先由 AI 生成第一版草案,再在此基础上进行迭代。

Prolifics 展示了一个大型零售客户的真实案例:客户需要在 3 个月内将 2,800 个 Talend ETL 数据作业迁移至 PySpark / Databricks。Prolifics 组建了一支由顶级专家构成的精干团队,并配备了专属的智能体流水线(Agentic Pipeline):

``` +------------------------+ 迭代反馈 +------------------------+ | 专家团队 (Experts) | <----------------> | 智能体流水线 (Agents) | +------------------------+ +------------------------+ | | v v [首期 Sprint 提效 40%] --------------------> [每期升级 Agent 版本] | v [不足3个月完成 2,800 项迁移] ```

- **数据迁移规模**:3 个月内完成 2,800 个 Talend ETL 作业向 PySpark Databricks 的迁移。 - **渐进式效率提升**:首期 Sprint 即实现 40% 的效率提升,随后基于专家反馈按 Sprint 持续更新智能体版本,最终提前完成任务。 - **会议总结**:论坛在掌声中结束,嘉宾们移步会场外继续与参会者进行深度交流。

## Notable quotes > [25:42](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1542s) There's one thing AI will never be able to take and that is accountability. — Gregory Hodgkinson

## Mentioned Mark Green, Narayanan Nair, Gregory Hodgkinson, Bryan Smith, Glenn Fung, Holy Family University, Farm Credit Services of America, Prolifics, Expedient, Exact Sciences Corp, Ai4, Cologuard, Abbott, Abbott Cancer Diagnostics, Blueprint Agent, ChatGPT, Talend, PySpark, Databricks

## Video description Mark Green - VP for Institutional Effectiveness, Technology and Innovation, Holy Family University Narayanan Nair - SVP & Chief Data Officer, Farm Credit Services of America Gregory Hodgkinson - CTO, R&D and Innovation, Prolifics Bryan Smith - CEO, Expedient Glenn Fung - VP of AI Development and Strategy, Exact Sciences Corp

The real power of agentic AI emerges when humans and machines collaborate effectively. This panel explores use cases where AI agents work side-by-side with employees, handling repetitive tasks, surfacing insights, and enabling faster decision-making, while humans focus on creativity, strategy, and customer relationships. Speakers will highlight practical examples from industries like healthcare, finance, and logistics, showing how agentic AI is being woven into day-to-day operations. Attendees will learn strategies for redesigning workflows, overcoming resistance to adoption, and measuring productivity gains from this new model of human-machine collaboration.

[Source](https://www.youtube.com/watch?v=6wbVAZAPyqo)

中文简报

AI领袖:实现生成式AI的ROI靠重构工作流而非升级模型 企业生成式AI未能为大多数组织带来实质性回报,原因在于企业试图将现代模型直接套用于传统人工流程,而非重组工作流并拓展智能体工具集。 针对多数生成式AI项目因将新技术强加于传统流程而失败的现状,专家小组倡导“10/20/70法则”,优先推进工作流重构和人员能力提升。行业专家分享了实际应用案例,例如将供应商变更审查时间从数小时压缩至40秒、自动化信用评估叙述每年节省25,000小时,以及在不到三个月内完成包含2,800个任务的代码迁移。关键技术讨论强调保持人机协同(human-in-the-loop)监管、拓展智能体工具而非过度依赖提示词、在医疗保健等高风险领域强制采用图约束执行路径,以及依靠主动可观测性调试多智能体系统。 约80%的企业生成式AI项目带来的最终ROI为零,因为企业是将新技术强加于传统人工流程,而非重新设计工作流。 (0:04) 生成式AI的成功落地依托于10/20/70框架:10%取决于模型能力,20%取决于底层基础设施,70%取决于工作流重构与人员能力提升。 (0:04) 智能体模型仅占解决方案的10%至20%,而数据治理、安全保障以及与老旧系统的集成则占据了其余的70%至80%。 (6:08) 在医疗诊断中,语义AI智能体与OCR通过在数分钟内(而非数小时)评估付款方保险规则,加速了癌症患者的从订单到收款周期。 (6:08) 现场设备故障排除利用二维码向操作人员提供基于手册的诊断指导,同时后台智能体自动组织维修步骤并预订零部件。 (6:08)

精炼阅读摘要

在 Ai4 研讨会上,来自技术、金融、医疗诊断和基础设施领域的多位高管指出,约 80% 的企业生成式 AI 项目未能产生实质商业回报,其核心原因在于企业将先进模型生硬嫁接到陈旧流程中;企业必须采用“10/20/70 法则”,将 70% 的精力投入到工作流重构和人员赋能上,通过有效的人机协同释放业务价值。 价值重心的转移:10/20/70 投资法则 (0:04) Expedient 首席执行官 Bryan Smith 与多位参会专家指出,多数企业在推进生成式 AI 时收效甚微,关键在于陷入了技术错配:将 21 世纪的工具强行绑定到老旧的人工流程上。研讨会为此提出了 10/20/70 的落地框架,即 10% 取决于模型本身的能力,20% 取决于底层基础设施,而最为核心的 70% 则在于工作流的彻底重构与组织能力的协同升级。与会专家强调,在实际系统工程构建中,Agent 算法模型往往只占整体解决方案的 10% 至 20%,其余 70% 至 80% 的工作量普遍消耗在数据治理、系统安全性以及与传统遗留系统的深度集成上。 高复杂度场景突破与人机互信构建 (11:23) 在各类纵深行业中,人机协同工作流正在将传统以小时计算的复杂任务压缩至秒级,而人工监督与历史验证是建立信任的关键。在农业金融领域,Farm Credit Services of America 的 Narayanan Nair 介绍,针对每年约 12,000 份信贷分析报告(credit narratives),通过引入生成式 AI 进行数据聚合与起草,机构每年节省了 24,000 至 25,000 小时,分析人员单份报告的审核验证时间从原本的 30 分钟至 4 小时缩减为数秒到数分钟;项目团队在试点期通过将历史贷款数据输入模型并与信贷员此前撰写的内容并排比对偏差,迅速打消了业务团队的顾虑。在技术基础设施领域,Expedient 每年面临 2,000 至 3,000 起供应商变更通知,原本每起事件需要工程师花费 2 小时排查系统并草拟工单,现由 Agent 在 40 秒内完成全流程准备,但资深工程师依然享有最终的审核批准权。在医疗诊断方面,Exact Sciences 的 Glenn Fung 说明,通过语义 OCR 与保险规则引擎结合,系统可快速标准化处理传真或 PDF 格式的病理报告,将原本耗时数小时的先行授权审核缩短至数分钟,直接为切除肿瘤后亟待评估化疗方案的癌症患者赢得了临床决策时间;而在林业重型机械采伐现场,Prolifics 的 Gregory Hodgkinson 指出,操作员扫码即可调取 Agent 依托技术手册进行现场排障,后台 Agent 还能基于历史维修记录自动预测零配件并预订工位维修计划。 架构约束:工具扩充、图限制与回放观测 (36:28) 针对 Agent 陷入困境或无法独立决策的边缘案例,技术专家们总结了明确的干预原则与架构纪律。在模型调优层面,专家指出当 Agent 表现不佳时,开发者往往倾向于增加更长、更繁琐的 Prompt 指令,但过度提示(Over-prompting)实际上会降低其工作效能;更优路径是为其赋予更多具象化的“工具(Tools)”,扩展其实际执行能力。在强合规与高风险场景中,Glenn Fung 强调医疗领域的 Agent 绝不能采用开放式的自由探索模式,而必须遵循严格的“有界工作流图(Graph-Restricted Workflows)”,如同工业机器人一般仅允许在预先批准的路径内运行,一旦遇到路径外任务,必须立即实时升级并转交给人类专业人员介入裁决。此外,Bryan Smith 强调企业必须部署超越被动遥测的全栈可观测体系,系统需要像 DVR 录像机一样支持单步决策倒带回放,以便精确定位多智能体架构中的推理断点,并且观测系统需要具备主动干预能力,能在触碰边界时动态接管或交接给人类。 范式转换:结果导向设计与软件工厂重构 (40:02) 在业务流程设计方法上,Bryan Smith 提出了反直觉的洞见:与其让工程师花费大量时间精确梳理现有的标准作业程序(SOP)或分析屏幕操作录像——这往往只会机械复刻人类原本低效的习惯——不如直接定义期望的交付成果并输入原始数据,让 AI 自主探索并生成初稿,这通常能发掘出更为高效的全新路径。Gregory Hodgkinson 结合 Prolifics 为大型零售客户实施的“软件工厂”案例印证了这一模式:该项目需在 3 个月内将 2,800 个 Talend ETL 作业迁移至 Databricks 平台的 PySpark 环境,团队未采用传统的人工辅助编码方式,而是由少量专家团队结合 Agent 流水线作业,初始冲刺自动化率达到约 40%,并在后续每个冲刺周期根据真实反馈持续迭代 Agent 版本,最终在 3 个月内全量交付。与此同时,Agent 对组织各角色的重塑正在显现,从 Expedient 销售代表在会前自动接收背景简报、会后接受自动化教练评估与每周 1 对 1 辅导提纲,到软件工程体系经历类似敏捷转型的剧烈调整,协作模式正在全面重塑。 当前人机协同工作流已在多个垂直行业验证了百倍级的提效潜力,但当 AI 生成需求和产出代码的速度全面超越人类传统审查与测试的吞吐上限时,如何重构全生命周期的质检标准与人工审核机制,仍是企业在深化 Agent 应用时面临的核心瓶颈与未决课题。

Detailed notes — zh

## Background 本视频由 Ai4 频道于 2026 年 8 月 22 日发布于 YouTube 平台,记录了一场时长约 42 分钟的专家研讨会。视频聚集了来自医疗、金融、基础设施和 IT 咨询领域的五位行业高管,共同探讨生成式 AI 智能体(Agent)如何与人类员工深度协同,通过重构工作流、克服落地阻力以及衡量生产力提升,在企业日常运营中释放真正的商业价值。 ## TL;DR 研讨会直击企业级 AI 项目高达 80% 缺乏 Bottomline ROI 的痛点,指出成功的关键在于遵循将 70% 资源投入到工作流重构与员工能力提升的“10-20-70 法则”。各领域专家分享了利用 AI Agent 实现医疗理赔审核、农牧业信贷报告撰写、重型机械运维以及代码迁移等复杂工作流自动化的实战案例,大幅缩短了业务耗时并创造了显著的经济效益。专家们一致强调,AI 的引入促使人类角色从繁重的数据搜集者转型为“AI 编排者与决策者”,企业必须通过“人类在环”(Human-in-the-Loop)架构设计、主动式可观测性以及分层的员工赋能策略,建立安全防护网并消除员工对 AI 置换岗位的恐慌。 ## Atmosphere & style 整场研讨会节奏紧凑、气氛干货满满且充满务实的探讨氛围。与会嘉宾摒弃了空洞的技术炒作,以极具说服力的硬核数据和亲身实操案例展开对话,既有对技术潜力的热切期待,也有对医疗刚性约束、伦理责任和组织变革阻力的冷静审视。嘉宾之间的互动默契而深入,展现出行业先行者在面对 AI 变革潮水时的深邃思考与理性从容。 ## Key takeaways - [00:04](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=4s) 当前企业级生成式 AI 项目中高达 80% 未能实现净利润投资回报(Bottomline ROI),主因在于企业常将新技术强行嵌入传统人工流程,而非重构工作流。 - [00:04](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=4s) 企业要释放 AI 实际价值应遵循 10-20-70 法则:10% 投资于模型,20% 投资于底层架构,70% 投资于工作流重构与员工能力提升。 - [02:13](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=133s) Agentic AI 与人类协同的复杂场景已在金融授信、重型装备运维、癌症复杂诊断及交互式蓝图生成等多个领域落地应用。 - [06:08](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=368s) 智能体系统通常仅占整套解决方案的 10% 到 20%,剩余 80% 到 90% 的成功关键在于系统集成、数据治理、安全与合规。 - [11:24](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=684s) 引入人机协同(Human-in-the-Loop)能实现数量级上的提效,例如变更通知处理时间由 2 小时缩短至 40 秒,信贷文本自动化起草每年可节省约 25,000 小时。 - [17:52](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1072s) 在人机协同新模式下,人类员工的角色正在从繁重的“数据搜集与初稿撰写者”演变为“AI 编排者(AI orchestrators)”与“业务决策者”。 - [15:30](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=930s) AI 对软件工程与数据科学的冲击类似于敏捷开发变革,虽然通用模型使开发与 Prompt 门槛降低,但传统 ML 与领域专业知识仍具备不可替代的商业价值。 - [20:17](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1217s) 多位专家以硬核数据证实人机协同的 ROI:每年节省 2.4 万至 6 万小时、用 660 美元 Token 成本在 8 周内交付数人年工程量、以及通过解决医疗拒赔产生 2000 万美元潜在价值。 - [21:36](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1296s) 即便底层大模型发展进入平台期,企业仍可通过发挥人类独创性、在自有数据上精调小模型以及推动技术普及来保持核心竞争力。 - [25:42](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1542s) 化解员工对“被 AI 替代”的恐慌需要建立 AI 识读(AI literacy)培训,并明确“AI 永远无法替代责任担当(Accountability)”,人类始终是最终把关人。 - [31:03](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1863s) 推行企业 AI 赋能可采用三阶落地框架:从“个人生活趣题”建立兴趣,到“岗位流程痛点”攻克业务,再到“跨部门 Cohort 学习小组”构建内部生态。 - [31:03](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1863s) 企业设立专门的内部 AI 工程部门,负责公民开发托管、安全框架搭建以及定制化培训课程编制。 - [34:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2040s) “人类在环(HITL)”架构包含生成校验与异常救助两种机制;当智能体陷入死循环或逻辑卡死时,安全兜底机制(failsafe)会主动将控制权转交人工。 - [36:28](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2188s) 盲目增加 Prompt 长度会导致智能体性能衰减,拓展工具库(Tools)并建立支持逐帧回放决策轨迹的全栈可观测性(Observability)才是提升智能体能力的关键。 - [38:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2280s) 在医疗等高风险高时效场景中,应采用确定性的图谱工作流(Defined Graph Workflows)严格限制智能体边界,并结合主动式可观测性实时触发人工干预。 - [40:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2400s) 业务流程重构切忌照搬旧有的 SOP 或屏幕录像;更高效做法是定义目标产出与数据源,由 AI 起草后结合专家反馈进行敏捷迭代,以流水线方式实现大规模业务迁移。 ## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=4s) AI 项目的 ROI 困境与 10-20-70 法则 研讨会主持人开场便直击行业痛点:在当前的企业级生成式 AI 项目中,高达 **80%** 的项目未能为企业带来任何净利润投资回报(Bottomline ROI)。造成这一现象的核心原因,在于许多企业只是机械地将 21 世纪的先进技术强行“套用”在传统的人工业务流程之上。 要彻底释放 AI 的实际价值,企业必须遵循 **10-20-70 法则**: * **10%** 投资于模型本身(Model); * **20%** 投资于底层架构(Infrastructure); * **70%** 投资于**工作流重构与员工能力提升**(Workflow Redesign & Human Capability)。 本次研讨会的重点正是深入探讨这关键的 70%。五位来自不同领域的行业专家随后依次进行了自我介绍: ``` +-----------------------------------------------------------------+ | 专家研讨会嘉宾 (Panelists) | +-----------------------------------------------------------------+ | Brian Smith | Expedient CEO (智能基础设施与私有云) | | Narayanan Nair | Farm Credit Services of America 高级VP兼CDO | | Gregory Hodgkinson | Prolifics CTO (AI 实施与数字化转型) | | Glenn Fung | Exact Sciences AI 开发与策略副总裁 | +-----------------------------------------------------------------+ ``` --- ### [00:45](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=45s) 嘉宾自我介绍与企业背景 嘉宾们分享了各自的公司定位及其在 AI 转型中的视角: * **Brian Smith**:Expedient 公司 CEO。Expedient 是一家垂直一体化的智能基础设施公司,业务涵盖数据中心、私有云以及完整的 AI 技术栈。 * **Narayanan Nair(Nay)**:Farm Credit Services of America 的高级副总裁兼首席数据官(CDO)。他已在该职位任职超过 6 年,该机构主要为跨越 8 个州的农场主和牧场主提供金融资本支持。 * **Gregory Hodgkinson**:Prolifics 公司 CTO 兼工程负责人。Prolifics 是一家拥有 48 年历史的 AI 实施服务商,长期致力于协助客户进行数字化转型。他强调,未来的业务模式必然是 Agent(AI 智能体)与人类协同作战。 * **Glenn Fung**:Exact Sciences 的 AI 副总裁(该公司为结直肠癌筛查产品 Cologuard 的生产商)。他提到公司近期已被雅培(Abbott)收购,现归属于雅培癌症诊断部门(Abbott Cancer Diagnostics)。 --- ### [02:13](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=133s) 复杂人机协同工作流的探索 主持人引导嘉宾探讨各自领域中最复杂的“人机协同”(Human + Agent)工作流: * **金融贷款自动化(Farm Credit Services of America)**:Narayanan Nair 提到,农牧业贷款流程涉及多个业务部门和功能区域,极其复杂。他们面临的挑战是如何利用 AI 工具链实现跨业务垂直领域的自动化,使整个授信与审批流程既高效又安全。 * **林业设备维护与 AI 智能遗嘱(Prolifics)**:Gregory Hodgkinson 举了两个极具代表性的案例: 1. **重型林业设备保障**:在森林采伐现场,重型大型机械的资本开支极高。他们利用 AI 确保这些机械设备的运行时间(Uptime)最大化。 2. **“AI 律师”撰写遗嘱**:虽然在技术层面并不算最复杂,但在伦理和心理层面却极具挑战——用户是否愿意让 AI 参与并辅助撰写自己的遗嘱? * **癌症诊断 Order-to-Cash 流程(Exact Sciences)**:Glenn Fung 指出,公司除了提供大众筛查外,还提供指导癌症患者后续治疗(如肿瘤切除后是否需要化疗)的复杂诊断。由于病情危急,从下单到收款(Order-to-Cash)的整个流程都要求极高的时效性,以便医生能迅速做出决策。这需要将 AI 深度嵌入原本高度依赖人工的业务流中。 * **交互式语音蓝图生成器(Expedient)**:Brian Smith 透露,许多企业深感 AI 项目无从下手。为此 Expedient 部署了“Blueprint Agent”交互式语音智能体,通过与用户对话梳理需求,甚至自动向其他利益相关者派发语音 Agent 进行调研访谈,最终生成完整的业务评估报告、CFO 财务审查报告以及 15 到 30 页的技术实施方案。 --- ### [06:08](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=368s) 深入技术底层:Agent 规则引擎与林业现场维修 嘉宾们进一步拆解了各自 Agent 工作流的具体运作机制: #### 1. 医疗诊断中的 OCR 与规则解析 (Exact Sciences) 在医疗行业中,许多病历、数字病理报告仍通过传真或 PDF 传输。Agent 系统首先通过高精度的语义 OCR 技术提取关键数据(如肿瘤大小、单侧/双侧特征等)。随后,Agent 会自动抓取并解析保险公司网站上的复杂赔付规则,将其转化为计算机可执行的逻辑,自动评估并给出审核建议,将原本需要数小时的规则核对缩短至数分钟。 ``` +------------------+ +-------------------+ +------------------+ | 医疗病历/传真/PDF | --> | 语义 OCR Agent | --> | 提取肿瘤特征与 | | ( unstructured) | | ( 提取关键病理数据)| | 病理指标 | +------------------+ +-------------------+ +------------------+ | v +------------------+ +-------------------+ +------------------+ | 保险赔付建议结果 | <-- | 规则评估 Agent | <-- | 自动抓取并解析 | | ( 耗时由小时变分钟)| | ( 匹配保险审核逻辑)| | 保留规章 (PDF) | +------------------+ +-------------------+ +------------------+ ``` #### 2. 林业重型机械的智能运维 (Prolifics) 林业采伐涉及伐木机(Feller)、打枝机(Harvester)和集材机(Forwarder)。当机械出现故障时,现场工人只需扫描设备上的二维码即可唤醒 Agent: * **第一步:现场排查**:Agent 读取手册与知识库,指导工人进行基础故障排除; * **第二步:维修决策与调度**:若故障严重,Agent 自动评估车间空闲排期; * **第三步:备件匹配与调度**:Agent 基于历史维修数据预测所需零部件,并完成全套供应链与车间调度的后台对接。 > Gregory Hodgkinson 强调:“Agent 本身可能只占整套解决方案的 10% 到 20%,剩下的 80% 到 90% 全在于系统集成、数据治理、安全与合规。” --- ### [11:24](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=684s) 极速缩短耗时与人工复核(Human-in-the-Loop) 在极大地提升效率的同时,如何保持人控与安全是重中之重: * **变更管理流程(Expedient)**:Expedient 每年处理 2000 至 3000 份来自供应商的系统变更通知。以往工程师分析影响、开具工单、编写客户通知单,每份耗时约 2 小时。如今在 Agent 调用各类系统工具协作下,**流程时间从 2 小时缩短至仅 40 秒**。不过,最终的审阅、批准与授权依然必须由资深工程师完成(Human-in-the-Loop)。如果工程师提出了修改意见,Agent 还会进行自我迭代学习。 * **信贷文本生成(Farm Credit Services of America)**:在农户授信过程中,分析师需要撰写大量的合规信贷报告(Credit Narratives)。该机构每年需要撰写约 12,000 份报告,每份耗时 30 分钟到 4 小时不等。使用生成式 AI 提取多源数据并自动起草报告后,**每年可节省 24,000 至 25,000 小时**。 针对分析师对 AI 的信任问题,Narayanan Nair 分享了他们的变革管理做法: - 将分析师早期就纳入开发流程中,建立信任感; - 跑历史数据测试,将 AI 生成的新文本与分析师过去亲手写的旧文本进行差异对比(Variance Check),让分析师直观看到 AI 的准确度,极大地增强了他们使用新工具的信心; - 分析师的复核时间从几小时大幅降至数秒到一分钟。 --- ### [15:30](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=930s) AI 带来的组织架构与岗位变革 Agent 的引入正在深刻地改变企业内部的组织架构与岗位职责: * **前端销售岗位的重塑(Expedient)**:销售人员的工作模式发生了根本性变化。会议开始前,Agent 自动搜集客户公司背景、高管信息及行业动态并生成会议预备材料;会议结束后,独立的 Coaching Agent 会分析通话记录,为销售员提供针对性的改进建议,并向管理者提供一对一辅导的关注重点。 * **IT 与软件工程岗位的全盘再思考(Prolifics)**:Gregory Hodgkinson 认为,AI 对软件工程带来的冲击丝毫不亚于当年的**敏捷开发(Agile)变革**。从软件工程师、测试工程师到需求分析师,每一个 IT 岗位的职责都在被重新定义。当代码编写速度超越了测试速度,甚至 AI 生成的需求文档数量多到人类难以逐一审核时,团队必须全面重构软件开发流程与人员角色。 ### [17:52](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1072s) 核心角色的演变:从繁重的数据搜集者到 AI 编排者与业务决策者 在人类与 AI 协同工作的生命周期(例如 AI 辅助开发生命周期 AI DLC 和 AI 测试生命周期 AI TLC)中,人类员工的角色正经历深远的转变。Narayanan Nair 以信贷分析师为例阐述了这种变化:过去,分析师需要耗费大量精力登录各个系统搜集数据点,并手动撰写分析报告;而在 Agent 辅助的新模式下,AI Agent 会自动搜集数据并生成叙述性草案。分析师的角色进而转型为“AI 编排者”(AI orchestrators)与“数据验证者”。通过将重复性劳动交给 AI,分析师得以腾出宝贵的时间去建立客户关系、深入进行风险评估以及从事需要人类主观判断的高价值活动。 在软件工程与数据科学领域,角色演变同样显著。Glenn Fung 指出,现在的软件开发几乎不再需要从零手写代码,传统 ML 工程师和数据科学家的工作重心也发生了转移。模型训练本身已变成一种通用化商品,工程师更多地是在调用和提示(prompt)既有的大模型。然而,Glenn 特别提醒,传统机器学习(Traditional ML)依然具备深厚的商业价值潜力,这需要多年积累的领域知识以及对数据的深入理解,绝不能为了赶时髦("get in the latest wagon")而盲目弃用这些坚实的技术基础。 - **AI 生命周期框架**:AI DLC(AI 辅助开发生命周期)与 AI TLC(AI 辅助测试生命周期)重新定义了人机协同分工。 - **信贷分析师角色转型**:从“数据搜集与初稿撰写”转向“AI 编排、叙述验证、客户关系维护与风险决策”。 - **数据科学与工程变迁**:模型训练日趋商品化,Prompt 工程成为主流,但传统 ML 依然保留了不可替代的深度价值。 --- ### [20:17](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1217s) 闪电问答:用硬核数据证明人机协作模型的商业回报 座谈进入快速闪电问答环节,各位嘉宾摒弃冗长的背景铺垫,直接抛出最能证明人类与 Agent 协同模型成效的“冷酷数据”(cold single numbers): - **Bryan Smith(Expedient)**:**60,000 小时**。在其 400 人的公司内部,今年通过部署 AI Agent 预计可节省 60,000 个工作小时,相当于整体生产力提升约 8%。 - **Narayanan Nair(Farm Credit Services of America)**:**24,000 小时**。通过实现叙述性报告与数据搜集的自动化,预计可为团队节省 24,000 小时。 - **Gregory Hodgkinson(Prolifics)**:**660 美元与数人年产出**。公司内部自动化团队仅消耗了价值 660 美元的 API Token,就在短短 8 周内开发并交付了原本需要数人年(person years)才能完成的内部新软件系统。这一数据深刻彰显了新时代开发模式的剧烈变革。 - **Glenn Fung(Exact Sciences)**:**2,000 万美元**。在医疗与保险理赔场景中,通过引入 AI 加速医疗拒绝件(denials)的重新审批流程,潜在商业价值高达 2,000 万美元。 ``` +-----------------------------------------------------------------+ | 闪电问答:AI Agent 协同带来的核心效益数据 | +-----------------------------------------------------------------+ | Expedient (Bryan) | 60,000 小时/年 (400人团队,生产力提升 8%) | | Farm Credit (Narayanan)| 24,000 小时/年 (自动化叙述报告与数据搜集) | | Prolifics (Gregory) | $660 Token 成本 -> 8周内交付数人年级软件 | | Exact Sciences (Glenn)| $2,000 万美元潜在收益 (加速拒赔件二次审批) | +-----------------------------------------------------------------+ ``` --- ### [21:36](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1296s) 假想实验:若模型发展停滞,未来的核心竞争力何在? 主持人提出一个假想命题:如果未来 12 个月大语言模型的发展进入平台期(plateau),技术不再突破,明年夏天企业将依靠什么立足?嘉宾们一致认为,即使底层技术停止更新,现有的技术遗产和人类特质依然留有巨大的释放空间。 Gregory Hodgkinson 强调“人类的技术独创性(Human ingenuity)”是决定性的胜负手。AI 极大缩短了“从想法产生到软件发布”的时间周期,但接下来的核心挑战在于“如何挑选真正能产生商业价值的构想进行投资”。Glenn Fung 则指出,企业将迈向“模型训练的成熟期”,重点从盲目追求巨型通用模型,转向利用自有数据精调(fine-tune)成本更低、体积更小的专属模型。他打了个生动的比方:现阶段我们就像是在用“工程起重机给面包抹花生酱”,完全属于大材小用。此外,Glenn 还拿自己用了 3 年的旧手机举例——虽然孩子们总是嘲笑他,但这部手机完全能满足他的日常需求;同理,现有的 AI 技术已经足够强大,企业无需时刻追求最新最贵的模型。 Narayanan Nair 补充道,在未来的 12 到 24 个月内,人类交互(Human interaction)依然不可或缺。由于生成式 AI 的本质是概率性的(probabilistic)而非确定性的(deterministic),目前尚无任何企业能像自动驾驶汽车那样实现 100% 的无人化运行。Bryan Smith 则认为,模型发展的暂停反而会带来“技术普及率(adoption)的爆发”。由于过去技术迭代速度过快,大量员工和企业因感到被边缘化和恐慌而选择观望;一旦技术步调放缓,这些企业和员工将有充分的时间赶上脚步,奠定扎实的架构根基。 - **人类独创性与价值筛选**:AI 解决了“建造速度”问题,人类必须解决“建什么才能创造真正价值”的选择题。 - **小模型与自有数据精调**:摆脱对超大模型的依赖,转向低成本、特定任务的高效小模型。 - **概率性 vs 确定性**:GenAI 的概率特征决定了人类必须在接下来的 1-2 年内持续参与闭环。 - **消除技术恐慌**:发展的喘息期有助于消除员工的边际焦虑,推动观望企业大规模落地。 --- ### [25:42](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1542s) 克服员工怀疑论:将被威胁者转化为 AI 编排者 员工的怀疑与排斥往往是企业 AI 转型中“默默杀伤力巨大”的隐形障碍。研究表明,仅有约 7% 的员工会主动拥抱转型变革。面对员工对“被 AI 替代”的恐慌,嘉宾们分享了各自消除排斥、提高全员 AI 普及率的实践战略。 Narayanan Nair 透露,他们将 AI 视为一项整体组织战略而非单纯的技术项目。为弥合技术能力与员工心理之间的鸿沟,他们与内部创新团队合作,设立了涵盖线下课程、视频教学、Show and Tell 示范展示以及定制化辅导的 AI 识读(AI literacy)培训体系,直接展示 AI 如何让员工的工作变得轻松。Gregory Hodgkinson 则分享了 Prolifics 的“转型主题月”经验:在 ChatGPT 发布初期,他们举办了“GenAI 6月”活动,全公司停下脚步专门探讨 AI 对各岗位的重构;次年又举办了“Agentic AI 9月”活动。更重要的是,Gregory 向员工明确指出了一个核心真理:"There's one thing AI will never be able to take and that is accountability."(AI 永远无法替代的是责任担当)。员工必须作为责任主体,凭自己的经验去审查 AI 系统的漏洞与瑕疵,因为“AI 总是能以极具说服力的方式犯错”。 Glenn Fung 提醒道,AI 转型本质上是业务转型(business transformation),必须让业务人员参与到共同构建(co-building)的过程中,让成果成为业务团队自身的胜利。以 Exact Sciences 为例,一年前全公司 7,000 名员工中仅有 200 人在防火墙内使用 ChatGPT;而在加强沟通与培训后,活跃用户激增,CEO 甚至找上门来要求出台专门的管理策略,因为公司已经采购了超过 3,000 个账户许可。 ``` +-----------------------------------------------------------------+ | 企业克服 AI 排斥与普及梯次推进战略 | +-----------------------------------------------------------------+ | 1. 认知重构:明确“AI 无法承担责任(Accountability)”,人类是最终把关人 | | 2. 沉浸式主题月:如“GenAI 六月”、“Agentic AI 九月”全员动手实操 | | 3. 业务共建:让业务部门参与工具开发,共享效率提升的红利 | | 4. 分层分级教育:建立制度化 AI 识读课程(AI Literacy Training) | +-----------------------------------------------------------------+ ``` --- ### [31:03](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1863s) Expedient 的三阶员工赋能框架与 AI 工程部门实践 Bryan Smith 详细拆解了 Expedient 在推动员工转变过程中摸索出的“三阶落地法”。首先,安全团队部署了 AI 控制平台,提供基于角色的访问控制(RBAC)、数据权限隔离与算力集成,构建了可自动部署的安全环境。在底层安全保障确立后,公司通过三个阶段引导员工: 1. **个人生活激情项目(Personal Passion Projects)**:鼓励员工先为自己的个人生活打造 AI 工具(例如健身追踪器、拍摄冰箱内部食材自动推荐晚餐食谱等),以此激发对 AI 的兴趣与灵感。 2. **聚焦业务痛点(Workplace Pain Points)**:引导员工结合自身领域专长,在日常工作检查中找出最令自己厌烦的痛点,并给予空间自由去尝试和构建解决方案。 3. **AI 专项开发队列(AI Development Cohorts)**:参照领导力培训模式,每期组织 15 名跨部门员工组成学习小组,进行深度技术与思维方式的培训。 针对现场观众关于“企业内部 AI 协同网络”的提问,Bryan 解释称,公司专门设立了一个面向内部服务(非面向客户)的 **AI 工程部门(AI Engineering Department)**。该部门承担三大职责: - **公民开发管理**:长期维护和监管组织内由普通员工(Citizen Developers)开发的各类应用。 - **安全框架搭建**:占其三分之一的工作量,负责构建全公司统一使用的底层安全框架与开发工具。 - **定制化教育与课程设计**:占其三分之一的工作量,针对每一期 Cohort 编排培训课程。在组建小队时,故意将来自销售、财务、客户支持等不同部门但面临相邻痛点的员工组合在一起,直观展示各业务环节之间意想不到的互联互通。 - **三阶推进体系**:个人生活趣题(建兴趣) -> 岗位流程痛点(攻业务) -> 15人 Cohort 深入培训(建生态)。 - **AI 工程部门三大职能**:公民开发资产托管(1/3)、安全开发框架建造(1/3)、跨部门定制化教育培训(1/3)。 --- ### [34:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2040s) 人类在环(Human-in-the-Loop)架构设计与失败安全机制 当谈及如何对 Agentic AI 的决策过程进行分层控制、并在界面中可视化展示时,Glenn Fung 指出,“人类在环”(Human-in-the-Loop)在传统机器学习中并不新鲜。预训练模型通常能开箱即用解决 90% 的问题,但要搞定剩下的 10%,全靠高质量的人类反馈闭环。虽然这需要大量沉重的软件工程搭建(heavy engineering),但随着 API 化和模块化技术的发展,平台团队已经可以开发出通用的反馈捕获插件(plug-and-play feedback APIs)。 Gregory Hodgkinson 则将“人类在环”进一步拆解为两种截然不同的应用场景: 1. **生成校验型(Verification & Correction)**:AI 生成内容或决策草案,人类在界面中进行实时校验、修改并提供反馈,这些反馈数据随即被用于后续的模型微调与训练。 2. **异常救助型(Failsafe & Course Correction)**:当 Agent 系统在执行复杂任务时陷入死循环(going in loops)、逻辑卡死或无法得出有效计划时,安全兜底机制(failsafe mechanism)必须能够自动捕捉到这一状态,并将控制权无缝移交给人类专家进行干预和修正。 - **90/10 规则**:通用模型解决前 90% 的基础工作,人类在环捕捉最后 10% 的边缘案例并持续反哺模型。 - **HITL 双重机制**: - *校验闭环*:针对 AI 的输出结果进行实时人类审核与打标。 - *救助机制*:监控 Agent 的运行状态,在陷入死循环或逻辑阻塞时触发触发器(trigger)引入人工干预。 ### [36:28](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2188s) 人机回环:工具拓展与全栈可观测性 在智能体(Agent)遇到无法自行解决的问题时,人类介入(Human-in-the-loop)构成了系统的关键安全网。这种介入分为两种模式:一种是在关键业务流中进行**实时干预与决策**,另一种是在事后进行**诊断与追责**,探究智能体为何会出现异常行为。许多人试图通过不断追加 Prompt 来修正智能体,但 Prompt 越长,智能体反而越不敏感、效果越差;更优的解法是为智能体提供更多可调用的工具(Tools),赋予其多元化的履职手段。 为了支撑高效的人类介入,系统必须具备全栈的**可观测性(Observability)**。理想的系统应当像 DVR 录像机一样,允许维护者逐帧回放(Rewind)智能体在多层协作过程中的每一步决策细节,从而精准定位失效环节并进行针对性微调。管理多智能体系统,本质上与管理人类员工无异。 - **Prompt 陷阱**:盲目增加提示词长度会导致智能体性能衰减,丰富工具库才是提升智能体能力的核心。 - **可观测性 DVR 模式**:支持对智能体多层推演与决策轨迹进行回放与追溯,解决输出结果异常时难以归因的痛点。 --- ### [38:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2280s) 医疗场景的刚性约束与主动式可观测性 针对医疗等对时间紧迫性要求极高的特殊行业,智能体系统的架构设计需要采取更加严谨的态度。与完全自由探索的智能体模式不同,医疗系统应当偏向于**确定性的图谱工作流(Defined Graph Workflows)**,严格限定智能体的行动边界(Zero Tolerance)。这类似于早期工业机器人的轨迹规划——只允许智能体在既定的最佳路径上运行。一旦遇到必须偏离预定路线的复杂状况,智能体必须实时向人类发出请求:“我知道我应该留在原轨道上,但要解决此问题必须采取此变通方案,是否批准?”这种机制能最大限度降低医疗风险。 ``` +-------------------+ 偏离预警 +-------------------+ | 确定性流程图谱 | ----------------> | 人类专家实时 | | (Defined Graph) | <---------------- | 介入与决策授权 | +-------------------+ 授权指令 +-------------------+ ``` 同时,可观测性在 Agentic 架构中不应再是传统的“被动监控”(如仅向 Ops 团队发送日志),而必须升级为**主动干预系统(Active System)**。系统应当能实时理解智能体的当前状态,并在触发风险阈值时主动中断或转接给人类处理。 - **确定性图谱**:限制智能体的自由度,确保其行为约束在预先验证的安全区间内。 - **主动式可观测性**:将监控与实时干预机制深度融入智能体工作流,而非事后被动分析 telemetry 数据。 --- ### [40:00](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=2400s) 流程建模与敏捷迭代:从专家反馈到软件工厂 关于如何对原有业务流程进行建模与优化,嘉宾们分享了各自的实战经验。Farm Credit Services of America 在构建信用评估智能体时,全程引入了 3 名资深信用分析师(Credit Analysts)进行闭环验证。系统通过持续吸收这些一线专家的真实反馈,不断修正 Prompt 和输出偏差,直至差异率缩减至可接受的阈值内,才最终推向生产环境。 针对业务流程的重构,团队得出了一个反直觉的结论:**不要试图去照搬现有的标准作业程序(SOP)或屏幕录像**。过于细致的步骤指令往往只会完美重现旧流程中的低效环节。更高效的做法是:明确定义期望的目标产出以及可用的数据源,先由 AI 生成第一版草案,再在此基础上进行迭代。 Prolifics 展示了一个大型零售客户的真实案例:客户需要在 3 个月内将 2,800 个 Talend ETL 数据作业迁移至 PySpark / Databricks。Prolifics 组建了一支由顶级专家构成的精干团队,并配备了专属的智能体流水线(Agentic Pipeline): ``` +------------------------+ 迭代反馈 +------------------------+ | 专家团队 (Experts) | <----------------> | 智能体流水线 (Agents) | +------------------------+ +------------------------+ | | v v [首期 Sprint 提效 40%] --------------------> [每期升级 Agent 版本] | v [不足3个月完成 2,800 项迁移] ``` - **数据迁移规模**:3 个月内完成 2,800 个 Talend ETL 作业向 PySpark Databricks 的迁移。 - **渐进式效率提升**:首期 Sprint 即实现 40% 的效率提升,随后基于专家反馈按 Sprint 持续更新智能体版本,最终提前完成任务。 - **会议总结**:论坛在掌声中结束,嘉宾们移步会场外继续与参会者进行深度交流。 ## Notable quotes > [25:42](https://www.youtube.com/watch?v=6wbVAZAPyqo&t=1542s) There's one thing AI will never be able to take and that is accountability. — Gregory Hodgkinson ## Mentioned Mark Green, Narayanan Nair, Gregory Hodgkinson, Bryan Smith, Glenn Fung, Holy Family University, Farm Credit Services of America, Prolifics, Expedient, Exact Sciences Corp, Ai4, Cologuard, Abbott, Abbott Cancer Diagnostics, Blueprint Agent, ChatGPT, Talend, PySpark, Databricks ## Video description Mark Green - VP for Institutional Effectiveness, Technology and Innovation, Holy Family University Narayanan Nair - SVP & Chief Data Officer, Farm Credit Services of America Gregory Hodgkinson - CTO, R&D and Innovation, Prolifics Bryan Smith - CEO, Expedient Glenn Fung - VP of AI Development and Strategy, Exact Sciences Corp The real power of agentic AI emerges when humans and machines collaborate effectively. This panel explores use cases where AI agents work side-by-side with employees, handling repetitive tasks, surfacing insights, and enabling faster decision-making, while humans focus on creativity, strategy, and customer relationships. Speakers will highlight practical examples from industries like healthcare, finance, and logistics, showing how agentic AI is being woven into day-to-day operations. Attendees will learn strategies for redesigning workflows, overcoming resistance to adoption, and measuring productivity gains from this new model of human-machine collaboration. [Source](https://www.youtube.com/watch?v=6wbVAZAPyqo)

Source quotes

[25:42] Gregory Hodgkinson: There's one thing AI will never be able to take and that is accountability.