PIPELINE简而言之
对AI自动化的抵制几乎从不针对技术本身，而是针对担心增加工作量或被取代。在实施之前应该询问每天执行相关流程的人，而不是事后通知——也不应引入任何需要额外录入的东西。
01 — 团队
如何让团队配合
- 早期纳入，而非早期通知。谁每天执行流程，谁就知道例外情况在哪里。这些信息只能提前获得，而非上线后。
- 认真对待阻力。它几乎从不针对技术，而是针对额外工作或被取代的担忧。两者都应公开回答。
- 不引入产生额外工作的系统。要求额外录入的系统会被绕过——理所当然。
- 指定一个人作为首要联系点。不是作为职责，而是为了避免问题石沉大海。
- 让成果可见。如果四周后没人知道是否有效果，留下的将是对变革的记忆，而非收益。
02 — 配合要求
我们需要您提供的内容
- 一位有决策权的联系人 — 而不仅仅是转达信息的人。
- 相关系统的访问权限,需要及时提供，而不是在上线当天才给。
- 来自日常业务的真实案例 — 越不规范，对测试就越有价值。
- 2至4小时用于沟通协调，分散在整个项目周期内。
- 对“什么是成功”这个问题的明确答案。没有这个答案，后期就无法评估效果。
03 — 衡量
如何衡量成效
- 事先确定一个数字。没有基准值，事后无法证明任何东西。计数两周就足以得出可靠的数量级。
- 每项流程的处理时间。最直接的衡量指标：受影响的流程现在需要多长时间，之后需要多长时间。
- 无需干预即可完成的案例比例。这一比率在前几周通常会随着优化而明显上升 — 是最好的早期指标。
- 对外响应时间。咨询者多快能得到首次确定的答复。
- 不应衡量的：前两周的团队满意度。任何变革在初期都会让人感觉比实际更糟。
04 — 问题
常见问题
EU AI Act对此有何规定？
大多数企业应用场景属于低风险类别，主要触发透明度义务。当客户直接与系统交互或发布AI生成的内容时，我们会标注。对于人力资源领域的应用，我们会更仔细审查，那里适用更严格的规则。
这需要大量数据吗？
不需要。与传统机器学习不同，大多数应用场景只需几十个优质示例，因为语言模型已经具备语言能力。
如果文档或格式发生变化怎么办？
只要内容意义不变，系统就能很好应对——不同于刚性的基于字段的识别。全新的文档类型需要短暂的重新调整，而非重建。
我们的数据会被用于语言模型训练吗？
不会。我们仅使用合同明确排除客户数据训练的访问权限，并在欧盟内处理。对于特别敏感的数据，我们使用在您自己基础设施上运行的模型。
可靠性如何？
这取决于应用场景，我们会在正式上线前进行测量。对于传入消息的分类，构建良好的系统通常能达到九成以上。关键不仅是准确率本身，而是出错时会发生什么——因此我们始终会内置一个检验阈值。
与普通自动化有何区别？
普通自动化遵循固定规则：如果字段A填写完毕，则执行B。AI自动化则适用于没有固定字段的场景——自由文本、图像、变化的文档格式。通常二者结合才是正确答案，而非只选其一。
我们可以小规模开始吗？
这是唯一合理的方式。一个应用场景，八周时间，可衡量的结果。之后做什么，您根据所见结果决定。
下一步
让我们简短讨论一下这对您是否划算。
二十分钟的对话通常就足以弄清一个项目是否有意义。如果没有，我们会直说——这对双方来说都比一份无人需要的报价更便宜。