Ai4
通用模型与任务级智能体无法改善企业损益表,唯有通过捕获员工真实操作轨迹训练流程级动作模型,才能实现端到端业务结果自动化与硬性财务回报。
AI-assisted summary of Process Agents: The Missing Link to Enterprise Agentic ROI With Skan AI And Former LPL Financial — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本内容由 Ai4 于 2025 年 8 月 24 日在 YouTube 平台发布,由 Skan AI 策略与客户转型执行副总裁 Vinay Mummigatti 与前 LPL Financial 首席客户关怀官 Dayton Semerjian 共同呈现。视频简介指出,企业数百万美元的 AI 投资若无法变现便毫无价值,内容重点探讨了传统任务型 AI Agent 遭遇的瓶颈,以及企业如何通过 Skan AI 将顶尖员工的业务流程知识转化为上下文驱动的大型动作模型(LAM),以实现实质性的财务回报。
## TL;DR 演讲深入剖析了企业落地 Agentic AI 时普遍陷入概念验证(POC)迷雾、缺乏私有流程数据与锁定供应商等核心困境,并指出个人级和平台级 Agent 无法带来显著损益影响,唯有跨系统的“流程智能体(Process Agents)”才能实现最高 ROI。Skan AI 借鉴特斯拉自动驾驶捕获人类驾驶行为的逻辑,通过“从观察到智能体(Observation to Agent)”构建数字孪生,捕捉员工日常操作与内隐知识,并利用大型动作模型(LAM)生成目标导向的流程智能体。现场以保险理赔裁决为例,展示了 1 名人类主管协同监控 10 至 15 个智能体的实战场景,强调唯有重组运营模型与实现结果自动化,企业才能真正兑现 AI 投资价值。
## Atmosphere & style 整场演讲充满务实干练的企业级实战氛围与敏锐的商业洞察,两位讲者配合默契,将前沿的 AI 架构理论与残酷的管理实战经验(school of hard knocks)无缝融合。Vinay Mummigatti 善用生动的类比(如快餐菜单与私人主厨、特斯拉自动驾驶数据采集)将复杂的大型动作模型娓娓道来,而 Dayton Semerjian 则以极具说服力的客户视角不断拉回财务损益与组织设计的核心现实。观众不仅能感受到技术从单纯流程挖掘演进到自主智能体的震撼,更能体会到剥除 AI 炒作泡沫后回归硬核商业价值的冷静与从容。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=SryWySKqrQU&t=4s) 企业在落地 Agentic AI 时普遍面临四大瓶颈:困于 POC 概念验证迷雾、缺乏内部流程级训练数据、押注单一供应商导致锁定,以及仅将其视为纯技术工具而忽视了运营模式变革。 - [00:04](https://www.youtube.com/watch?v=SryWySKqrQU&t=4s) POC 难以落地的根源在于缺乏长远商业论证,企业必须配合组织架构重组(如人力 FTE 的移出或重新配置)才能将技术运作转化为企业损益表(P&L)上的硬性财务回报。 - [04:01](https://www.youtube.com/watch?v=SryWySKqrQU&t=241s) 智能体市场可划分为个人级、平台级与流程级三大类;当前大量投资聚焦于个人智能体但商业回报极低,跨越系统与复杂决策的流程智能体(Process Agents)才是最高 ROI 区域。 - [06:19](https://www.youtube.com/watch?v=SryWySKqrQU&t=379s) 企业需从“任务自动化”彻底走向“结果自动化”,将重点聚焦于占运营预算 60% 至 70% 的核心高耗能链路(如签约入职、交易履约、售后解决)。 - [09:23](https://www.youtube.com/watch?v=SryWySKqrQU&t=563s) 通用的商品化大模型无法构成竞争壁垒,企业需借助大型动作模型(LAM)将专有数据、业务动作与合规规则深度嵌入,打造如“私人主厨”般量身定制的流程智能体。 - [10:40](https://www.youtube.com/watch?v=SryWySKqrQU&t=640s) 构建流程智能体的核心挑战在于复刻人类能动性(不完备信息下的逻辑推理、无法言传的肌肉记忆与内隐经验、明确的决策问责),这需要依赖高价值的全维度业务遥测元数据。 - [13:06](https://www.youtube.com/watch?v=SryWySKqrQU&t=786s) Skan AI 提出类似特斯拉自动驾驶训练的“从观察到智能体”(Observation to Agent)理念,利用流程挖掘与数字孪生技术记录员工真实操作轨迹,转化为训练 LAM 的核心输入。 - [15:50](https://www.youtube.com/watch?v=SryWySKqrQU&t=950s) 在保险理赔裁决等实战场景中,流程智能体能在客户满意度、处理时效与合规治理三大约束下自主决策,并支持 1 名人类主管监管 10 至 15 个智能体的人机协同与持续在线学习模式。 - [19:13](https://www.youtube.com/watch?v=SryWySKqrQU&t=1153s) 企业向 Agentic 架构演进必须以深入理解真实业务流程为基础,技术架构中若缺乏完整的流程感知与上下文分层支持,落地极易陷入停滞。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=SryWySKqrQU&t=4s) 企业 Agentic AI 的现状与落地困境
在当前的科技趋势下,Agentic AI(智能体人工智能)引发了极高的行业关注度。然而,大部分企业在背负着利用智能体推动业务变革并展现实际商业价值的双重压力下,正身处一个关键的拐点——这个拐点正在对人类生产力、企业运营模式以及整个行业生态造成巨大冲击。目前,企业在迈向 Agentic AI 的过程中普遍面临四大核心瓶颈:
1. **困于 POC(概念验证)迷雾**:绝大多数企业都在进行大量的智能体实验,但极少数能真正走向生产环境并实现投资回报(ROI)。 2. **缺乏流程级训练数据**:市面上有数以百计的供应商提供千篇一律的标准智能体,但一旦深入到流程中心型(Process-centric)智能体,企业严重缺乏用于训练这些模型的内部专属数据。 3. **供应商锁定(Vendor Lock-in)限制想象力**:面对紧迫的落地压力,许多企业急于押注单一生态供应商,将资金全部倾注其中,从而错失了快速演进的技术可能性。 4. **定位误区(技术视角而非运营模型)**:许多组织仅仅将智能体视为纯技术工具,而忽视了它实质上是一场运营模式的变革,关键在于构建人与智能体如何协作的目标运营模型(Target Operating Model)。
来自实际企业管理一线的视角补充道,从“残酷的实战经验”(school of hard knocks)来看,POC 难以落地的根源在于缺乏明确的商业论证(Business Case)和对价值创造的长期(跨年度)节省预估。此外,技术本身运作正常并不等于能直接变现,企业必须进行组织架构重组(Organizational Design),将全职人力(FTE)移出或重新部署到其他岗位,才能兑现硬性财务回报。同时,清晰的数据指标、严密的数据治理以及跨职能团队协作(包括业务流程负责人、数据分析师、六西格玛专员及变革管理人员共同构成的完整战队)是让项目走出试点、迈入生产部署的基石。
---
[04:01](https://www.youtube.com/watch?v=SryWySKqrQU&t=241s) 智能体市场的三层分类与 ROI 错位
在快速膨胀的智能体供应商生态中,企业级智能体大致可以划分为三大类别,它们在适用范围和价值产出上有着鲜明的对比:
```mermaid flowchart LR accTitle: 智能体演进与价值层级 subgraph S1["个人级智能体 (Personal Agents)"] A["邮件/文档等常规任务自动化"] end subgraph S2["平台级智能体 (Platform Agents)"] B["绑定特定 SaaS 数据与流程<br/>(Salesforce / ServiceNow 等)"] end subgraph S3["流程级智能体 (Process Agents)"] C["跨系统/复杂决策/端到端流程<br/>(最高 ROI 区域)"] end
A --> B B --> C ```
- **个人智能体(Personal Agents)**:专注于提升个人生产力,处理日常的邮件自动化、文档自动化和例行任务。目前大量企业投资集中于此,但整体商业回报极低。 - **平台智能体(Platform Agents)**:由 Salesforce、ServiceNow、NICE 等厂商推出,依赖其专属数据模型和特定流程运行。虽然满足了特定场景,但被严格局限在单一平台的生态围墙内。 - **流程智能体(Process Agents)**:深入企业最核心的端到端业务交易与客户旅程,跨越多种记录系统(Systems of Record)、主数据源、复杂决策及各类业务异常。这是当前企业最感吃力、投入最少、但潜在 ROI 最高的领域。
针对个人与流程智能体的 ROI 差距,一位保险公司的首席 AI 官(CAIO)曾幽默地指出当前落地的尴尬现实: > “我热爱智能体,因为我们开发的所有智能体,最大的受益者是我们的业务操作员——他们可以早点下班回家,花更多时间陪伴宠物和家人。但在企业损益表(P&L)层面,却没有任何实质影响。”
---
[06:19](https://www.youtube.com/watch?v=SryWySKqrQU&t=379s) 从任务自动化到结果自动化的范式转移
要撬动企业实质性的财务回报,核心在于改变成本结构。在绝大多数企业中,约 60% 至 70% 的运营预算被锁定在人力薪酬成本上。企业价值链中最耗费人力的三大关键环节包括: 1. **咨询到入职/签约(Inquiry to Onboarding)**:客户旅程的前期阶段; 2. **交易到履约(Transaction to Fulfillment)**:业务流转与交付的核心链路; 3. **问题到解决(Trouble to Resolve / Issue to Resolution)**:客户服务与售后支持。
要让流程智能体在这些关键业务链中产生价值,必须整合五大核心要素: - **明确的目标(Goal)**:清晰界定业务成果; - **严格的流程(Process)**:按时序执行业务活动; - **丰富的上下文(Context)**:融合企业数据、主数据源及客户历史; - **多元的工具与行动(Tools & Actions)**:支撑执行操作的能力; - **持续的优化(Optimization)**:对业务流程进行动态调整与改进。
这种转变要求企业从“任务自动化”彻底走向“结果自动化”。企业不会为了技术而买单,一切投资必须以移出系统成本、交付确定成果为目的。在过往的实际落地案例中,流程分析工具甚至揭示出运营团队声称“人手不足、超负荷运转”的表象下,实际上有 20% 到 30% 的工时被消耗在社交媒体等非生产性活动中,这凸显了流程透明度对管理变革与商业论证的决定性意义。
随后,发言人以快餐连锁店(如汉堡、披萨店)的“预设菜单”打比方,指出个人智能体和平台智能体就如同只能提供通用选择的快餐,而真正的流程智能体则需要完全不同的架构来应对高度定制化与复杂的企业流程。
[09:23](https://www.youtube.com/watch?v=SryWySKqrQU&t=563s) 通用大模型与流程智能体:企业专属的“私人主厨”
商品化的通用大型语言模型(Commodity LLMs)缺乏差异化能力,因为它们并没有针对企业的专有数据进行深度训练。Vinay Mummigatti 用了一个生动的比喻来阐明这一点:这就像为你聘请一位专属的“私人主厨”——这位厨师在你的厨房里工作,使用你的烹饪器具,完全按照你的营养偏好和定制菜单提供服务,精准交付你所期望的一切。这就是流程智能体(Process Agents)的设计初衷。它们依托企业的数据模型、流程规范与合规决策规则,深度驱动业务流程运转,而这也正是企业构筑核心竞争优势的关键所在。
市面上充斥着成百上千家企业都能轻易接入的标准 Agent 工具,如果所有人都使用相同的商品化模型,长远来看这只是一场“零和博弈”(net neutral game),根本无法形成竞争壁垒。相反,企业唯有依靠流程智能体才能持续放大独特优势。这也催生了大型动作模型(Large Action Models, LAM)的兴起——作为语言模型的下一代演进形态,LAM 能够将企业实际运行中的动作与业务流程深度嵌入模型之中。
- **通用 LLM vs 流程智能体**:通用模型属于缺乏差异化竞争力的商品化技术;流程智能体则像“私人主厨”,深度绑定企业私有流程、数据模型与合规规则。 - **差异化竞争价值**:直接调用公开市场 Agent 无法建立竞争壁垒,基于自身流程构建的 Agent 才能实现长期盈利与护城河。 - **大型动作模型(LAM)**:语言模型的关键演进方向,将企业的实际操作动作与流程逻辑直接转化为可执行的行动嵌入(Action Embeddings)。
---
[10:40](https://www.youtube.com/watch?v=SryWySKqrQU&t=640s) 人类能动性与流程智能体的构建难题
构建流程智能体之所以极其困难,根源在于“Agentic”(智能体化)这个概念本身。智能体化并非单纯的技术术语,而是将技术赋予“人类能动性”(Human Agency)。Vinay 指出,定义人类能动性主要包含三个核心维度:首先是在信息不完备的情况下进行抽象与逻辑推理的能力(例如呼叫中心客服人员即便手头信息有限,依然能实时做出业务判断);其次是内隐知识(Tacit Dimension)或所谓的“肌肉记忆”,即人类掌握大量隐性经验却往往无法言说“为什么这么做”;第三则是问责机制(Accountability),即人类清楚自己行为的后果并对决策结果负责。
人类员工在日常工作中遵循着“感知(Sense) $\rightarrow$ 思考与推理(Think & Reason) $\rightarrow$ 行动(Act) $\rightarrow$ 学习(Learn)”的完整闭环。要让流程智能体复刻这一系列机制,就必须依托庞大而复杂的训练元模型(Meta Model)。这套分类体系涵盖了流程要素、任务节点、接触的文件、执行的操作、时间戳、环境变量以及交互的系统等众多参数。目前从个人助手或平台级 Agent 跨越到流程智能体,最核心的“缺失拼图”正是高价值的企业级训练数据。
```mermaid flowchart LR accTitle: 人类能动性到流程智能体的转化闭环 subgraph S1["人类能动性核心特征"] A["不完备信息推理"] --> D["人类操作闭环<br/>感知/推理/行动/学习"] B["隐性知识与肌肉记忆"] --> D C["行动后果问责机制"] --> D end subgraph S2["模型构建与训练"] D --> E["业务遥测元数据<br/>流程/动作/系统/文档"] E --> F["流程智能体<br/>(Process Agent)"] end ```
- **人类能动性三大支柱**:不完全信息下的推理能力、无法言传的隐性知识(肌肉记忆)、明确的决策问责意识。 - **认知操作闭环**:智能体需要完整模拟人类“感知 $\rightarrow$ 推理 $\rightarrow$ 执行 $\rightarrow$ 反思学习”的行为链条。 - **训练数据困境**:构建流程智能体不仅需要界面和文本,还需要时间戳、系统状态、关联文档与环境参数等全维度元数据。
---
[13:06](https://www.youtube.com/watch?v=SryWySKqrQU&t=786s) 从观察到智能体:Skan 的数字孪生与特斯拉类比
在探讨如何获取高质量训练数据时,Vinay 提出了一个“特斯拉自动驾驶”的比喻:特斯拉训练自动驾驶汽车时,工程师并没有一行行手写人类应该如何开车,而是在车辆上安装传感器和摄像头,全面记录人类驾驶时的每一次操作与环境反馈,再将这些海量数据下载用于训练模型。同样的逻辑完全适用于企业流程智能体——通过细致观察人类员工的操作行为,捕获真实工作流数据,进而训练大型动作模型。
这就是 Skan AI 所倡导的核心理念:“从观察到智能体”(Observation to Agent)。Skan AI 建立在流程挖掘与数字孪生(Digital Twin)技术之上。在 Agent 浪潮爆发之前,Skan 主要作为流程情报平台,通过屏幕录制与交互遥测生成流程模型与数据分析;而现在,这些持续捕获的人类操作数据成为了训练智能体最核心的“原材料”。借助基于 Transformer 架构的大型动作模型(Skan LAM),平台将数字孪生中沉淀的操作轨迹转化为行动嵌入,直接生成具备上下文理解能力的流程智能体。
- **特斯拉自动驾驶哲学**:不靠人工硬编码规则,而是通过传感器捕获人类驾驶行为来训练模型;Skan 亦通过捕获员工真实操作来训练 Agent。 - **Observation to Agent**:观察业务操作 $\rightarrow$ 构建流程数字孪生 $\rightarrow$ 提取工作流遥测数据 $\rightarrow$ 训练生成流程智能体。 - **Skan LAM**:基于 Transformer 架构的大型动作模型,以员工操作的动作嵌入作为核心输入。
---
[15:50](https://www.youtube.com/watch?v=SryWySKqrQU&t=950s) 实战落地:理赔裁决智能体与人机协同
在现场演示中,Vinay 展示了 Skan 大型动作模型(LAM)在保险理赔裁决(Claims Adjudication)场景中的真实运行情况。屏幕右侧实时显示着 Skan LAM 的“思考脉络”脚本,精确呈现模型在每一步调用的数据与决策逻辑;左侧则是智能体在 Guidewire ClaimCenter 系统中自主执行端到端理赔操作——从系统登录、调取理赔单,到审查批单背景、客户历史赔付与争议记录,再到自主做出“赔付(Pay)”、“拒赔(Deny)”或“挂起待审(Pend)”的终审决策。这与传统的 RPA 机器人有着本质区别,因为该智能体是完全目标导向(Goal-oriented)的,并在三大核心边界约束下自主寻优:
1. **客户满意度(CSAT)**:优先保证顺畅的客户理赔体验; 2. **处理时效(TAT)**:优化周转时间以间接拉升满意度; 3. **合规治理(Compliance)**:严格遵循企业内部决策规则与风控红线。
该方案已经在真实客户的生产环境中平稳运行。在当前的人机协同模式下,一名人类主管可以同时监管 10 到 15 个自动化的理赔流程智能体。遇到模型无法处理的复杂异常时,智能体会自动抛出错误由人类接管解决;更重要的是,Agent 会在人类修正的过程中持续学习,确保下次遇到同类异常时能够独立应对。前 LPL Financial 高管 Dayton Semerjian 在总结时感慨,面对企业数字孪生与流程自动化的演进,选择能够兼顾“当下产生价值”与“长远战略演进”的技术伙伴至关重要,而 Skan 在数字孪生与流程智能方面的实力令人叹为观止。
- **目标导向决策**:流程智能体不仅执行任务,更围绕业务目标(如赔付、拒赔、挂起)进行端到端逻辑判断与系统交互。 - **三大优化目标**:在客户满意度(CSAT)、处理周期时间(Turnaround Time)与合规治理之间寻求最优平衡。 - **1:15 人机协同监控比**:1 名人类专家可管理 10 至 15 个流程智能体,实现异常介入、在线纠偏与持续自进化。
[19:13](https://www.youtube.com/watch?v=SryWySKqrQU&t=1153s) 走向 Agentic 的自然延伸与致谢总结
Dayton Semerjian 在演讲尾声总结了与 Skan AI 合作的关键价值。他指出,在观察到企业实际业务运转的真实流程后,顺理成章的下一步就是自然过渡并向上延伸至智能体(Agentic)架构。这正是他们选择与 Skan AI 携手合作的原因,也是全球众多领先企业纷纷与 Skan AI 开展合作的核心动因。
对于所有准备启动相关项目的企业与团队,Dayton 提出了诚恳的建议:务必确保技术架构中具备所有必要的流程感知与上下文分层要素,否则项目极易在实际落地时受阻或陷入困境("otherwise you're going to get yourself hung up")。他结合自身的实战合作经历强调,Skan AI 确实具备这一完整的分层能力。最后,两位演讲者互相致谢,并在全场观众的热烈掌声中结束了本场分享。
- **迈向 Agentic AI**:深入理解业务流程运转是企业向自主智能体(Agentic AI)演进的必然路径。 - **架构完整性的重要性**:实施相关项目时,若缺乏底层完整的流程与上下文感知分层支持,企业很容易遭遇阻碍。 - **客户背书**:来自实际客户的落地经验证实,Skan AI 具备支持企业实现 Agentic 转型所需的完整技术分层。
## Notable quotes > [00:04](https://www.youtube.com/watch?v=SryWySKqrQU&t=4s) 困于 POC(概念验证)迷雾:绝大多数企业都在进行大量的智能体实验,但极少数能真正走向生产环境并实现投资回报(ROI)。 — Vinay Mummigatti
> [00:04](https://www.youtube.com/watch?v=SryWySKqrQU&t=4s) 许多组织仅仅将智能体视为纯技术工具,而忽视了它实质上是一场运营模式的变革,关键在于构建人与智能体如何协作的目标运营模型(Target Operating Model)。 — Dayton Semerjian
> [04:01](https://www.youtube.com/watch?v=SryWySKqrQU&t=241s) 我热爱智能体,因为我们开发的所有智能体,最大的受益者是我们的业务操作员——他们可以早点下班回家,花更多时间陪伴宠物和家人。但在企业损益表(P&L)层面,却没有任何实质影响。 — 某保险公司首席 AI 官(CAIO)
> [06:19](https://www.youtube.com/watch?v=SryWySKqrQU&t=379s) 企业不会为了技术而买单,一切投资必须以移出系统成本、交付确定成果为目的。 — Dayton Semerjian
> [09:23](https://www.youtube.com/watch?v=SryWySKqrQU&t=563s) 这就像为你聘请一位专属的“私人主厨”——这位厨师在你的厨房里工作,使用你的烹饪器具,完全按照你的营养偏好和定制菜单提供服务,精准交付你所期望的一切。这就是流程智能体(Process Agents)的设计初衷。 — Vinay Mummigatti
> [09:23](https://www.youtube.com/watch?v=SryWySKqrQU&t=563s) 如果所有人都使用相同的商品化模型,长远来看这只是一场“零和博弈”(net neutral game),根本无法形成竞争壁垒。相反,企业唯有依靠流程智能体才能持续放大独特优势。 — Vinay Mummigatti
> [10:40](https://www.youtube.com/watch?v=SryWySKqrQU&t=640s) 智能体化并非单纯的技术术语,而是将技术赋予“人类能动性”(Human Agency)。 — Vinay Mummigatti
> [13:06](https://www.youtube.com/watch?v=SryWySKqrQU&t=786s) 特斯拉训练自动驾驶汽车时,工程师并没有一行行手写人类应该如何开车,而是在车辆上安装传感器和摄像头,全面记录人类驾驶时的每一次操作与环境反馈,再将这些海量数据下载用于训练模型。同样的逻辑完全适用于企业流程智能体 — Vinay Mummigatti
> [19:13](https://www.youtube.com/watch?v=SryWySKqrQU&t=1153s) 务必确保技术架构中具备所有必要的流程感知与上下文分层要素,否则项目极易在实际落地时受阻或陷入困境(otherwise you're going to get yourself hung up)。 — Dayton Semerjian
## Mentioned Vinay Mummigatti, Dayton Semerjian, Skan AI, LPL Financial, Ai4, Salesforce, ServiceNow, NICE, Guidewire ClaimCenter, Tesla, Large Action Models (LAM), Transformer, RPA
## Video description Vinay Mummigatti, EVP - Strategy & Customer Transformation, Skan AI Dayton Semerjian, Former Chief Customer Care Officer and Managing Director, Former LPL Financial
Abstracts
Your million-dollar AI investment is worthless if you can’t monetize it. Your best staff hold the key to success, but how will you transfer human knowledge to your AI agents? We'll explore why your current task-based AI agents are hitting a wall and show you the critical shift to intelligent process agents that understand your entire workflow just like your top employees. So, how do you bridge the knowledge gap? Discover how Skan AI enables enterprises to capture and scale this knowledge, translating it into a context-driven Large Action Model. You'll also hear from a Skan AI customer sharing real-world experience and how they're building the foundation for agentic AI success.
Join us to learn the keys to monetize AI in your enterprise with process agents instead of task bots.
[Source](https://www.youtube.com/watch?v=SryWySKqrQU)