AI开始执行之后，流程该怎么设计？从三个真实案例来看规则、审批与人机分工如何重构，附32页完整清晰版PDF

附件为32页完整清晰PDF

这两年，在流程梳理、流程优化和AI应用项目中，我们越来越明显地感受到一个变化：

过去的流程设计，默认最终由人来理解、判断和执行。现在，这个前提正在发生变化。

以前画流程，重点是活动怎么串、谁负责、先做什么后做什么、在哪个节点审批。制度写给人看，规则由人理解，业务由人推动。

AI进入业务以后，情况不一样了。

AI已经可以读取规则、参与判断、调用系统，甚至连续完成一段业务活动。流程设计因此多了一个以前很少被单独提出的问题：

这件事到底应该由谁做？哪些交给AI，哪些必须留给人，又在什么情况下需要交还给人？

下面三个场景，来自项目实践中非常典型的流程问题。行业不同、业务不同，但放在一起看，会发现它们指向的是同一个变化。

一、几十页归属规则，怎么让机器真正执行？

一家大型物流企业，每天会产生大量销售收入，后续需要判断这些收入究竟应该归属于哪个销售团队、哪个区域、哪个客户。

表面看，这是一个数据处理问题。

真正深入业务后会发现，难点根本不在Excel，而在背后的几十页收入归属规则。

一笔收入归给谁，需要结合客户、区域、业务类型等多个条件判断，其中还有大量特殊情况。过去，这些规则主要写在制度和文档里，真正执行时，财务人员仍然需要逐条查阅，再结合个人经验进行判断和拆分。

问题也很典型：

• 月末集中处理，周期长；
• 不同人员理解口径不完全一致；
• 出现错误以后，很难还原当时依据什么规则做出的判断。

这类场景如果直接上AI，很容易做成“AI替人操作Excel”。

但真正需要解决的，是另外一个问题：

如何把“人理解的规则”，变成“机器可以调用的规则”。

规则被重新梳理、结构化以后，系统才能根据业务事实和历史数据进行匹配，AI也才真正具备参与判断的基础。

最终，这个场景的归集周期从 10个工作日缩短到1.5天，归属准确率从 87%提升到99%以上。

这个案例最值得关注的，并不是效率提升本身，而是规则发生了变化：

规则从“写给人看”，开始变成“机器可调用”。

这也是AI进入企业流程的第一道门槛。

二、95%以上都会通过，为什么还要逐笔审批？

第二个场景来自数据权限审批。

某企业的大数据平台，每个月有近千次权限申请，原来的流程非常标准：

员工申请 → 直属主管审批 → 部门安全接口人审批 → 数据管理员开通。

表面看，这是一条完整的控制链。

但历史数据揭示了一个很有意思的问题：

• 直属主管审批通过率接近 100%；
• 安全接口人审批通过率超过 95%。

看到这组数据以后，真正值得追问的已经不是：

“怎么让审批更快？”

而应该是：

既然绝大多数最终都会通过，这个审批节点还有没有必要逐笔保留？

这是很多流程优化项目容易忽略的地方。

流程优化往往被理解成缩短时间、减少点击、减少几个节点。但真正有价值的问题，应该进一步追到：

这个节点为什么存在？它到底有没有产生判断价值？

当然，审批也不能简单删除。

更合理的做法，是把申请按照场景和风险重新拆分。

低风险、规则明确、重复量大的申请，可以自动通过并完整留痕；涉及敏感权限、影响较大的事项，继续保留人工审批；规则无法匹配、情况特殊的异常事项，再自动升级处理。

于是原来的：

所有申请 → 同一条流程 → 逐级人工审批

变成：

识别场景 → 判断风险 → 选择处理路径

结果是，审批时长压缩 85%以上，系统留痕反而更加完整。

这个案例说明：

流程优化不能只研究“怎么走得更快”，还要研究“这一步到底有没有必要存在”。

AI的价值，也不应该只是替人点一次“同意”，而是帮助流程实现场景识别、风险判断和动态分流。

三、AI到底做到哪里，人从哪里接手？

第三个场景是海外赔付。

这个场景明显比前两个复杂。

业务覆盖多个国家，同时还涉及多语言、不同赔付规则、不同合规要求，以及大量边缘和异常情况。

传统模式下，一个客服人员往往要从头做到尾：

理解诉求 → 查询规则 → 判断赔付类型 → 生成方案 → 发起赔付 → 跟踪结果。

理解、判断、执行全部压在人身上。

真正的问题，并不是客服操作慢，而是一个人同时承担了太多不同性质的工作。

AI介入以后，标准场景中的一段连续活动开始被接走：

AI判断赔付类型 → AI生成赔付方案 → AI触发赔付流程。

复杂、模糊、高风险和异常场景，再由人工介入。

最终，赔付处理效率提升 3倍，人工介入率从 100%下降到30%以下。

这个案例比前两个又往前走了一步。

案例一里，AI主要是在调用规则；

案例二里，系统开始进行决策分流；

到了案例三，AI已经开始承担连续业务执行。

这时候，流程设计必须正面回答一个新的问题：

哪些工作交给AI，哪些必须留给人？

四、三个案例，共同改变了一个流程前提

三个案例放在一起，会发现它们其实在改变同一件事：

过去，流程默认“人是执行主体”；现在，执行主体可能是人，也可能是AI。

案例一改变的是规则由谁理解；

案例二改变的是谁来判断；

案例三改变的是谁来执行。

所以，流程设计关注的问题也开始发生变化。

过去更多是在研究：

活动怎么串起来？

现在还必须进一步研究：

业务由谁执行？按什么条件执行？

这不是增加几个AI节点的问题，而是在重新定义流程的运行逻辑。

五、从三个案例，可以提炼出三步

把这些场景放在一起，我们逐渐把AI时代的流程设计压缩成三步：

拆工作 → 拆场景 → 定边界

1. 拆工作：先看清人到底在干什么

一个流程节点不能笼统写成“人工处理”。

要继续拆：

• 获取信息；
• 理解业务；
• 查询规则；
• 做出判断；
• 决策；
• 执行动作；
• 处理例外。

只有拆到具体工作，才有可能判断哪些适合AI。

所以流程AI化的第一步，不是先找工具，而是先把人现在到底在做什么看清楚。

2. 拆场景：不要再画一条万能流程

同一类业务，并不意味着所有事项都应该走同一条路径。

至少可以分成三类：

标准场景规则明确、重复量大、风险可控。

判断场景存在一定不确定性，需要结合规则、数据和业务语义判断。

复杂例外规则模糊、高风险、异常、影响重大。

场景一旦拆开，流程就有可能从“一条固定路线”，变成根据条件动态选择处理路径。

3. 定边界：明确AI做到哪里，人从哪里接手

AI进入流程以后，人机边界必须被显式设计。

要回答：

• 哪些活动可以由AI执行？
• AI可以执行到什么程度？
• 哪些决策必须由人承担最终责任？
• 什么情况下触发人工接管？
• 出现异常以后怎么升级？
• 接管以后，能否再回到自动流程？

这一步决定了流程能不能真正稳定运行。

六、流程管理的对象也在发生变化

过去做流程管理，很多精力放在流程图、制度、审批节点和岗位职责上。

这些当然仍然重要。

但AI进入业务以后，流程设计还需要继续往下走：

• 场景怎么定义；
• 规则怎么结构化；
• 判断条件是什么；
• 风险怎么分级；
• AI的权限边界在哪里；
• 人什么时候接管；
• 异常怎么升级；
• 流程运行以后怎么持续优化。

所以流程越来越像一套业务运行机制。

过去，它主要解决人与人之间如何协同。

以后，它还要解决：

人、AI、规则、系统和业务状态如何共同运行。

流程管理者的价值，也会逐渐从“画流程、管流程”，转向设计和运营人机协同的业务机制。

七、改造一条流程，可以先回答5个问题

真正落地时，不必一开始就讨论模型、Agent和平台。

先拿一条真实流程，把下面5个问题回答清楚：

1. 人在做什么？当前流程中，人具体承担哪些理解、判断、执行和例外处理？

2. 哪些工作适合标准化？哪些活动规则明确、重复量大、数据可得？

3. 哪些控制还有必要？哪些审批、校验和人工确认真正产生判断价值？

4. 哪些工作可以交给AI？AI可以接到哪个环节，做到什么程度？

5. 什么时候必须交还给人？哪些复杂、高风险、模糊和异常场景必须人工接管？

这五个问题回答清楚，流程怎么改，基本就有了方向。

八、经验提炼之32页PDF

（注：上传图片受限较为模糊，完整清晰版可文末阅读原文下载）

AI开始真正进入业务以后，过去很多流程设计的默认假设都值得重新检查。

规则不能只写给人看。审批不能只因为“以前就这么批”而继续存在。流程也不能再默认所有事情最终都由人完成。

真正需要重新设计的是：

谁来执行、按什么条件执行、做到什么程度，以及什么时候必须交还给人。

这也是我们在近期项目中越来越关注的问题。当执行主体开始变化，流程设计就不再只是描述“事情怎么做”，而是在定义“人与AI如何共同完成业务”。

（注：上传图片仅包含案例一，案例二、三请下载完整版查看）