PIPELINE简而言之
AI自动化的最大价值在于节省时间和保持一致的质量，即使在营业时间之外。但另一面是：会产生维护工作，设置需要投入精力，而在例外成为常态的地方，手工处理仍然更经济。
01 — 效益
实际带来什么
- 本可用于其他地方的时间。传统自动化在非结构化事务上失效：理解一封电子邮件、读取自由文本表单、从报价中提取相关项目。
- 稳定的质量。系统不会有糟糕的状态，不会遗漏步骤 — 无论当时谁在负责。
- 可追溯性。自动化运行的内容都有记录。这有助于交接、假期代理以及纠纷处理。
- 营业时间外的响应能力。相当一部分询盘发生在晚上和周末 — 以往无人回复的时段。
- 一个几乎无人预料的附带效果：在搭建过程中，经常会发现企业流程规定不明确。澄清这一点的价值往往超过自动化本身。
02 — 局限
反对的理由
- 会产生维护工作量。没有任何系统能永久运行而不需要任何照管。如果不把这一点纳入计划，一年后您就会拥有一个过时的系统。
- 开始阶段需要投入精力。 AI自动化的设置需要您的参与——不多，但必须可靠。如果您正处于旺季，应该推迟。
- 并非每个流程都适合。在例外情况成为常态的地方，自动化会比手工处理更昂贵。
- 如果设置不当会产生依赖。没有访问权限、文档和数据导出，您就会被绑定。这需要在合同中明确，而不是寄希望于对方。
- 期望值。系统不能替代定位和良好的服务——它能减轻工作量，但不能创造需求。
03 — 界定范围
我们不建议的情况
- 流程还在变化中。只要您还在调整流程本身，手工操作更灵活也更经济。
- 例外情况多于常规情况。那就是在自动化例外，成本会很高。
- 没有数据基础。如果没有数字化的原始数据，就缺少基础条件。
- 业务量太小。每月只有五个流程，任何系统都不划算 — 即使是便宜的。
- 真正的瓶颈在别处。如果询价太少，加快处理速度没有意义。
04 — 问题
常见问题
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。
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。
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。
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。
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。
我们如何保持对自动决策的监督？
每个决策都会记录：哪些输入、哪些结果、哪些置信度。可以随时抽查，就像对待人工代理一样。
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。
05 — 决策
如何继续推进
最经济的下一步是对话，而不是报价。通常二十分钟就足以明确一个项目是否有意义、大致预算范围，以及我们是否适合您。
如果不合适，我们会直接说明。一个诚实的“不”比一个进行三个月后中止的项目成本更低 — 对双方都是如此。
下一步
我们会了解您的初始情况。
告诉我们目前什么最耗费时间。由此我们会给出一份包含工作量和收益的评估——之后才会提供报价。