第3章

从局部优化转向核心业务重塑

让 AI 真正融入公司的血液，而不是外挂。通过把流程重新设计、把商业模式重新想象，企业才能获得持久的竞争力。

局部优化的天花板

只有某个模型分数很高，但公司整体指标几乎没动。
例子：客服中心引入语音识别模型后，识别准确率从 85% 升到 97%，但客户仍然抱怨等待时间长，复购率也没有提高。根本原因是流程还是“人工先决”，模型只是贴在旧流程上的补丁。

业务规模一扩张，成本就跟着线性上涨。
例子：仓库加了智能拣货模型，可每新增一条产线就要再建一套数据和算力环境，结果节省的人力被额外的 GPU 费用抵消。原因是缺少共享数据平台，大家重复造轮子。

各团队各用各的 AI 工具，协作断了层。
例子：市场部用生成式 AI 写文案，客服部用聊天机器人回答问题，可两边的数据互不连通，营销洞察无法反馈到客服脚本。原因是没有从“端到端”视角去设计流程。

想打破这些天花板，必须把 AI 从一开始就设计进整条价值链，让所有环节原生支持智能，而不是事后再插进去。

AI-Native 流程重塑四步法

步骤 1：价值链映射
• 先把一条业务从“客户提出需求”到“完成交付并收到反馈”全部列出来
• 给每个环节打两个标签：

1. 这个环节对客户价值有多大


2. 用 AI 提升它的空间是高、中还是低
   例子：做外卖平台时，菜品推荐对下单率贡献高，AI 机会也高；而骑手取餐这一环节，AI 机会就相对低。

步骤 2：重新设计流程
• 假设“全部自动化”，画一版流程图；只有真正需要人为判断时再加人
• 让一个“调度大脑”把多种模型和智能体排成组合拳，自动完成决策
例子：客服场景下，先让语言模型分流问题，再让定价模型、库存模型、情绪识别模型按需出结果，只有少数复杂投诉才转人工。

步骤 3：数据与平台合一
• 建“三件套”：Feature Store 存特征、Model Registry 管模型、Prompt Hub 管提示词
• 把数据当产品管理：哪条业务线产的数据，哪条业务线就要保证质量；模型按 API 方式让别的团队即插即用
例子：电商公司把“用户当天浏览记录”作为一个特征产品，搜索、推荐、风控三个部门都可以直接调用，不必各自抓数据。

步骤 4：KPI 和治理升级
• 新的考核体系 = 客户价值指标 + AI 对这些指标的贡献值（例如 ΔNSM）
• 给模型建“健康档案”：一旦发现预测偏差、伦理问题或成本激增，就自动重训练或下线
例子：广告点击率是核心指标；如果模型漂移导致点击率下降 2%，系统立即触发重训练，同时生成合规和成本报告。

流程全景简述

客户需求进来后，语言模型先把需求分类并送进“智能体集散地”。那里的调度器按场景调用预测模型或执行系统完成动作，然后把实时反馈写回数据底座。监控系统随时检查效果与风险，并在必要时启动模型重训、参数调整或流程回滚。这样，一条从需求到反馈的闭环就被 AI 天然串在了一起，无需事后再打补丁。

工具箱

价值链映射表

用途：找出最值得上 AI 的业务环节

示例：菜品推荐 | 高 | 高 | 下单率低 | 个性化推荐模型

流程重设计蓝图

用途：画出 AI 驱动的 To‑Be 流程

示例：客服分流 | 人工读邮件分类 | LLM 自动意图识别并分流 | 

Chat‑Agent + 意图模型 | 邮件到达即触发

数据 & 平台“三件套”登记卡

用途：明确特征、模型、Prompt 的所有者和 SLA

示例：特征 | 当天浏览记录 | 推荐组 | 每 1 小时 | 完整率 99 % | 搜索 / 推荐 / 风控