企业转型上AI，最容易被忽略的不是模型选型，而是模型要接入的工作究竟有没有说清楚：谁在什么条件下做什么判断，结果交给谁，出了例外由谁处理。如果流程仍靠口头传授、同一问题各部门标准不同，AI可能只是更快地给出不一致的答案。
百丽数智化复盘中“先工程化、再AI化”的路径，值得借鉴的重点不是某套系统或某个技术前沿方案，而是建设顺序：先让业务过程可见、可描述、可协同，再判断哪些环节适合交给AI辅助。对企业管理者而言，关键问题不是“我们有没有AI项目”，而是“现有流程是否具备被AI稳定介入的条件”。
流程不清，AI为何难以落地
AI应用通常嵌入既有工作链条，而不是独立存在。流程边界、输入材料、判断规则和责任人如果含糊，项目就会遇到几类常见问题：
- 输入不稳定：同一任务收到的资料格式、完整度和口径不同，输出自然难以保持一致。
- 标准有分歧：业务人员对“合格”“优先”“需要升级处理”等概念理解不一，模型无法替组织消除分歧。
- 例外没定义：正常流程之外的情况没有清晰处理办法，AI遇到边界案例时容易给出看似合理、实际无法执行的建议。
- 结果无人接手：系统生成了答案，却没有明确的复核、采纳、修改和反馈机制，最终仍回到线下沟通。
- 效果无法评估：流程耗时、返工率、错误类型等基线数据缺失，项目上线后很难判断究竟改善了什么。
因此，“先工程化”并不等于先把所有流程固化，也不是先上大而全的系统。它的实际含义是：把准备让AI参与的那段业务，整理成能够描述、衡量、协作和调整的工作过程。
从百丽复盘看建设顺序，而非照搬模板
以“先工程化、再AI化”的逻辑复盘百丽数智化，能够提炼出的通用启示是：AI效果依赖业务基础，技术建设需要与业务规则、数据记录和组织协同一起推进。若流程尚未在线化，关键事实难以沉淀；若判断标准未统一，自动化会放大口径差异；若部门间责任不清，工具的输出也难以进入实际决策。
这是一种建设顺序的参考，不意味着所有企业都必须采用同样的系统、组织架构或实施节奏。不同企业在业务复杂度、数据基础、风险承受能力和管理成熟度上差异很大。对于流程稳定、规则清晰的环节，可以较快开展AI验证；对于涉及多部门判断、频繁变更或高风险决策的环节，则应先澄清责任与边界。
企业接入AI前的准备清单
可以围绕“流程、标准、数据、协同、评估”五方面检查准备度。以下问题不必全部以技术系统解决，但应有明确答案。
| 检查维度 | 自查问题 | 尚未具备时的优先动作 |
|---|---|---|
| 流程边界 | 任务从哪里开始、在哪里结束？哪些环节由人判断？ | 先画出端到端流程，标清交接点与例外路径 |
| 判断标准 | 不同团队对结果要求是否一致？争议由谁裁定？ | 统一关键定义、规则和升级条件 |
| 数据与材料 | AI所需的输入是否可获得、可授权、质量可检查？ | 盘点数据来源、访问权限、缺失项与更新责任 |
| 组织协同 | 谁提出需求、谁验收、谁处理错误和反馈？ | 指定业务负责人、流程负责人和技术支持角色 |
| 效果评估 | 当前耗时、错误或返工情况是否有基线？ | 先确定少量可测指标及人工复核方式 |
如果这些问题长期没有负责人，或同一流程在不同团队间没有共同定义，通常不宜直接扩大AI项目范围。相反，即使数据规模不大，只要任务边界清楚、输入可控、结果有人复核，也可以开展小范围验证。
从流程梳理到小范围验证：四步推进
第一步：选定具体任务，而非先选模型。 从高频、重复、耗时且结果可以复核的任务入手。明确任务对象、使用者、触发条件与预期结果。不要把“提升效率”当作唯一目标，而要说明具体希望减少哪类等待、重复录入或信息查找工作。
第二步：把现状流程画出来。 记录实际做法，而非只看制度文件。梳理信息从哪里来、经过哪些岗位、在哪些节点需要判断、遇到异常如何处理。必要时先观察真实工作、访谈一线人员，再与管理规则对照，找出流程文件和现场执行之间的差距。
第三步：统一规则并确定人机分工。 把关键判断标准写成可讨论、可维护的规则，并标出AI可以建议或处理的范围，以及必须由人确认的事项。涉及重大业务影响、合规要求或难以逆转的决定时，应保留清楚的人工复核和升级机制。AI不应成为掩盖责任归属的“中间层”。
第四步：限定范围验证，按指标决定是否扩展。 先在有限团队、有限业务量或明确场景中试用，记录人工修改、错误类型、处理耗时和用户采纳情况。试点的目标不是证明模型“能回答”，而是检验它能否在真实流程中稳定提供价值。出现问题时，先区分是模型能力、输入质量、规则设计还是协同机制造成，再决定改进方向。
不同基础的企业，先做不同的事
对于流程和系统基础较弱的企业，优先把核心业务节点记录下来，明确岗位交接和基本规则，不必为了AI先进行全面数字化改造。对于已经有业务系统、但数据分散或口径不一的企业，应先处理数据定义、权限和跨系统协同，再选取边界明确的AI场景。对于流程成熟、数据质量较好的企业，可以更积极地验证AI辅助决策或任务自动化，但仍要为异常处理、结果复核和持续评估预留机制。
这也意味着，流程工程化不是一次性“画流程图”。业务会变化，规则需要维护，AI输出也会暴露原有流程中的模糊地带。可持续的做法，是让业务负责人能够更新规则，让一线人员能够反馈问题，让技术团队能够据此调整应用，而不是把流程文档、模型和实际工作分成彼此脱节的三套体系。
【软盟资讯观察】
企业AI应用正在从单点工具试用走向流程嵌入，机会在于把知识检索、信息整理、重复判断等环节纳入真实工作链条，形成可评估的效率改进。但流程接口越多，数据权限、错误处置和责任边界也越需要提前设计。企业若只关注模型能力，容易把组织分歧误当成技术问题；若把流程标准化理解为“所有情况都自动化”，又可能压缩必要的人工判断。更稳妥的路径，是先找出可描述、可复核的任务，以小范围试点检验流程与技术是否匹配，再根据结果决定扩展。百丽的复盘可以提供建设顺序上的启发，但真正可复制的不是表面做法，而是根据自身业务基础确定先后次序。