Andreea Pleşea, PhD, Druid AI 首席运营官兼联合创始人 – 访谈系列

Andreea Pleşea, PhD, Druid AI 首席运营官兼联合创始人，是一位拥有近二十年经验的技术高管和创业者，经历涵盖软件工程、企业技术、人工智能、运营以及客户成功。自共同创立 Druid AI 以来，她在公司内部担任过多项高级领导职务，包括首席运营官、首席收入官和首席客户成功官，因而在企业软件公司规模化的技术与商业两方面都有丰富经验。在加入 Druid AI 之前，Pleşea 在 TotalSoft 工作近十年，从 .NET 程序员晋升为软件开发经理，最终担任 Charisma Business Applications 总监，负责产品开发、实施、技术支持、解决方案架构以及利润与损失（P&L）管理。她的学术背景还包括在罗马托尔维尔加塔大学进行 AI 研究，曾与该校人工智能研究小组合作，研发从非结构化数据中提取并结构化信息的技术。她亦是 Women in Tech Romania 顾问委员会成员。

Druid AI 是一家专注于构建和编排 AI 代理的企业 AI 公司，能够自动化组织内部的复杂业务流程。其平台融合了自然语言理解、生成式 AI、检索增强生成（RAG）、企业集成、工作流自动化、分析与治理，且通过 Druid Conductor 协调多个专用代理和系统以实现业务目标。组织可以将 Druid 的代理连接到企业资源规划（ERP）、客户关系管理（CRM）、IT 服务管理（ITSM）以及人力资源平台等系统，并可在云端、混合、本地或隔离环境中部署该技术。公司称其技术已被 300 多家企业客户使用，并得到 200 多家全球合作伙伴的支持，应用场景覆盖员工支持、客户服务、医疗保健、高等教育以及共享服务等领域。

您在 2018 年于布加勒斯特共同创立 Druid AI，之前在 TotalSoft 工作近十年，从 .NET 开发晋升至高级技术和业务领导岗位。当时是什么让您确信对话式 AI 能成为企业技术的核心层？随着 Druid 向代理式 AI 发展，这一最初的愿景又有何演变？ 

学术严谨性与企业一线痛点的两条路径交汇，塑造了我在攻读博士期间的思考。但直到 Liviu Dragan 这位极具远见的领袖提出创立 Druid AI 的想法，我才意识到我的研究终于可以在现实中落地。

2008 至 2011 年间，我的博士研究聚焦于通过语义网技术和本体论进行通信的自主 AI 代理，探索智能系统如何取代或位于传统企业软件之上。随后，在企业技术领导岗位上，我直面了一个严峻的现实：我们让员工去管理难以承受的复杂性。

完成一项日常任务意味着要知道打开哪个应用、数据存放何处、适用哪项政策以及下一步由谁负责。与此同时，办公之外，消息通讯正逐渐成为人类交互的主要界面。

2018 年我们创立 Druid AI 时，愿景既简单又宏大：为每位员工和客户提供一个能够在整个企业范围内编排工作的虚拟助理。

近十年后，这一核心愿景未变——技术只是赶上了我们的想象。对话式 AI 过去主要关注意图识别、检索以及触发静态脚本；而代理式 AI 则突破了委派的边界。现代代理能够评估目标、与专用子代理协作、跨系统导航，并自主执行复杂的多步骤工作流。

对我们而言，当前的代理式革命并非对对话式 AI 的战略转向，而是我们创始论点的自然实现：企业技术必须变得更易于人类使用，以帮助他们完成工作，即使幕后的编排日益复杂。

大多数 AI 产业专注于构建日益强大的基础模型，而 Druid AI 则专注于将不同模型连接到企业数据、系统和工作流。随着模型日益可互换，您是否认为编排将比底层模型本身成为更重要的竞争优势？

在 Druid AI，我们的核心使命很简单：从每一次人机交互中提取非凡价值，高效完成任务。但随着市场成熟，提供价值的关键正从底层技术栈转移。

我们正在目睹企业技术中的经典模式：曾经的差异化能力正迅速商品化。如今，基础模型对所有玩家都可获取。企业必然会部署混合矩阵的模型，以满足特定的性能、成本、安全或合规需求。随着智能成为商品，战略竞争点上移至技术栈更高层。

如今，企业 AI 面临的最难问题是执行上下文：治理与访问（AI 能触及哪些数据、遵循何种政策）、代理路由（哪个专用代理应处理特定任务）、系统集成（多个事务系统如何安全协同）、自主与控制（代理何时可独立行动、何时需要人工批准）、可审计性（工作流失败时，能否逐步重建决策链）。

这正是编排成为终极战略杠杆的原因。模型提供智能，但企业需要可靠的执行。

Druid AI 旨在成为决定性的控制与编排层。它安全地在企业数据、工作流和人员之间桥接不同模型。关键在于提供衡量执行效果的参考框架，评估真实的业务成果。

从长远来看，决定性的问题不再是 “你使用的是哪个模型？”，而是 “你如何将原始智能转化为员工和客户的完成工作？”。

Druid Conductor 能协调多个专用代理，覆盖知识检索、决策逻辑和系统操作。当企业从单一 AI 助手转向能够独立执行多步骤业务流程的多个代理时，技术上会遇到哪些困难？

从简单的对话界面转向多代理架构，根本改变了工程挑战。你不再管理线性对话，而是管理一个分布式的决策与执行系统。

对于单一的问答助手，核心障碍是意图识别、检索以及高准确度的响应生成。多代理生态系统则引入了全然不同的分布式系统问题：

1. 哪个代理拥有执行权，如何防止领域漂移？
2. 在代理之间交接责任时，状态如何保持？
3. 专用代理之间出现冲突决策时如何调和？
4. 子代理如何动态且安全地继承访问权限？

这些挑战在真实企业基础设施中会被放大。一个工作流可能跨越 CRM、ERP、身份管理平台、工单系统以及遗留数据库。每个系统都有各自的业务逻辑和失效模式，但最终指挥者代理必须确保任务正确完成。

如果六步流程的第四步在已有三个系统完成事务性变更后失败，基础的代理管线就会崩溃。编排层不能仅抛出通用错误，而必须管理状态、在必要时执行回滚、判断是否存在替代路由，或优雅地升级至人工介入。

真正的企业编排是状态管理、事务一致性、可观测性、策略执行以及安全自主。其底层复杂性的目标是简化：提供一次无摩擦的交互，让复杂的多系统任务顺利完成。

Druid AI 已经在数千个部署的代理上支撑超过十亿次对话。在如此规模下，您从企业 AI 中学到了哪些在试点或受控演示中不可能获得的洞见？

生产环境会让人快速学会谦逊。

试点通常是相对受控的环境。用例已定义，数据相对干净，用户已知，且通常有项目团队密切监控。

而生产环境完全不同。人们会用二十种不同的方式提出同一个问题。对话进行到一半时会改变主意。信息常常不完整。语言或话题会切换。交互时间不可预期。政策会变更。API 会失效。后端系统会变慢。新的边缘案例不断出现，原始设计中未曾考虑。唯一确定的是：用户期望高效、顺畅且自然地完成任务。无论是文本还是语音，对话都应自然流畅、低延迟，具备一定的共情，并在需要时提供最佳选项和后续步骤，或在出现异常时交由人工处理。

最高价值的自动化往往来自把相对普通的事情做得异常出色，并且重复数十万次：回答员工问题、检查账户、重新安排预约、解决 IT 请求、从企业系统检索正确信息。这改变了我们对 AI 价值的认知。

第二个教训是上线仅是学习周期的开始。你需要观察用户的需求、增长的意图、对话失败的节点、升级的时机，以及有时业务流程本身需要调整的地方。

或许最重要的教训是信任是运营层面的。企业之所以信任 AI，是因为随着时间推移，它的行为可预测，异常得到正确处理，决策可见且组织保持控制。

Druid 的生产数据表明，少数工作流占据了大部分企业 AI 使用量。这是否意味着公司应首先将 AI 投资聚焦在少数高频工作流上，而不是尝试全企业范围的广泛转型？

我们生产数据中最明显的模式是需求呈集中趋势。例如在金融服务领域，三类工作流占据约 90% 的生产使用率。高等教育领域的集中度更高。这告诉我们，公司在思考 AI 转型时应重点关注这些高价值流程。我们已基于这些洞见为高等教育、医疗和银行业制定了基准报告，帮助合作伙伴和客户识别能够提升效率的流程，并预测人类与代理的交互方式。

在董事会层面常有一种冲动： “必须使用 AI，否则将被淘汰”。运营团队随即面临寻找合适工作岗位的困境，同时又担心失业。因此，平衡点在哪里？他们如何在与 AI 代理共同完成工作时，最大化董事会期待的 KPI？

从能够带来收入增长或降低成本、且通常是重复性工作开始。如果成千上万的客户、员工、学生或患者反复尝试实现同一结果，你就拥有可衡量的基线和证明价值的强大机会。

但关键区别在于：先小范围起步，再构建广阔架构。

首批用例可以集中。其底层平台应具备向全企业扩展的能力。你在少数关键工作流上验证经济性、治理模型、集成方式和人工升级机制。随后再利用已学经验向相邻流程扩展。

规模不应是唯一标准。低频工作流如果每次成功解决都带来显著的财务或运营影响，同样极具价值。

随着企业越来越关注成功解决率，而非单纯提升无需人工介入的交互比例，组织应如何决定 AI 代理可以自主做出哪些决策，哪些情形仍需强制人工升级？

Druid AI 构建了一个涵盖 26 项标准的评估框架，确保对代理编排的客观评估，从构建方式到任务完成情况全方位覆盖。

如果某项操作可逆、风险相对低、规则明确且信息可靠，那么就有充分理由赋予其自主权。比如在预设参数下重新安排预约，与做出临床决策截然不同。但若要有效执行，还需考虑诸多因素：例如如果医生 B 有空闲时段，却想保留该时段，AI 代理不应仅因任务是最大化医生日程而在该时段重新安排患者预约。

我会从以下维度评估：错误的财务或人员后果、操作是否可逆、信息的完整性与质量、合规要求以及是否需要真实的人类判断或共情。随后有意设计升级流程。

早期对 AI 自动化的思考过于简化，目标是 “在不涉及人工的情况下尽可能多地处理交互”。但在许多流程中，升级恰恰是正确的结果。

因此我更倾向于以受治理的解决方式而非单纯的容纳率来思考。

目标是让 AI 自主解决应当解决的工作，识别不应行动的情境，并在需要时将具备完整上下文的人员介入。

当 AI 代理能够检索敏感信息、更新企业系统并发起真实世界行动时，可观测性和治理变得尤为关键。公司在信任代理处理关键业务流程之前，应能够审计哪些关于其推理、数据访问和行动的内容？

遵循 Gartner 指南，DRUID 内置了一个从五个维度（错误容忍度、风险、合规、可观测性和偏差）进行评估的框架。该框架共包含 26 项组成要素，每项都有定义、可打开的产物以及衡量标准。

评估代理时，平台应能够重建从最初用户请求到最终系统动作的完整链路。这意味着要知道是哪位代理处理了请求、使用了哪个模型、模型接收了何种上下文、检索了哪些企业信息、应用了哪些业务规则或政策、为何选择特定路径或动作，以及底层系统具体发生了哪些变化。数十万次可审计交互被追踪、分析并度量。

身份同样重要。AI 代理绝不能成为绕过企业访问控制的捷径。必须清楚发起请求的人、其授权查看或执行的范围，以及代理是否始终停留在这些边界内。

在多代理架构下，可追溯性更为关键。哪个代理委派给了另一个代理？哪些信息跨越了边界？决策来源于何处？哪个组件实际执行了动作？此外，还需记录时间戳、置信度信号、执行结果、异常、升级事件以及能够理解或回放发生过程的能力。

这正是从对话式 AI 向代理式 AI 转变的最大变化之一。

当 AI 仅回答问题时，可观测性是有用的；当 AI 能更改客户记录、触发付款、更新多个记录系统或启动业务流程时，可观测性就成为控制架构的一部分。

您在 Druid AI 担任了开发、运营、收入和客户成功等多种角色。这些直接面向客户的经历如何塑造了您对为何某些企业 AI 部署能产生可衡量价值，而其他项目仍停留在试点阶段的看法？

我最初是开发者，和许多工程师一样，最初直觉认为技术足够好，价值自然显现。但客户很快教会我，企业技术并非如此运作。

即便技术上高度复杂的部署，如果业务问题不够重要、流程负责人缺位、集成被视作事后工作，或无人统一成功标准，也会产生极低价值。客户擅长剥离技术叙事，他们不关心架构多么优雅，只在乎他们负责的流程是否得到改进。

在如此规模的实施中，必须有真实业务需求的业主、可衡量的量级、成本/收入或摩擦点。AI 必须接入实际工作的系统，并且在上线后有明确的采纳与持续改进计划。试点往往停留在试点，因为它们只能证明技术可行，却未验证运营模式可行。这也是为何在规划 AI 项目时，我们先培训员工和合作伙伴，先了解“工作”，而不是系统中的点击。这里的 “工作” 指的是完整的流程、异常处理方式、结果、异常出现频率、阻碍生产力提升的因素、所需时间以及若不自动化实现生产力提升所需的努力。

我的职业生涯横跨技术、运营、销售、客户成功和公司建设，我认为这种广度是我的最大优势。技术教会你事物如何运作，销售教会你为何有人愿意付费，客户成功教会你是否在真实世界有效，运营教会你组织能否重复且规模化交付。

从某种程度上说，Druid AI 的演进遵循了相同路径：先证明对话式 AI 可行，随后证明其能创造价值，最终构建支撑企业规模可靠智能代理的基础设施。

您还参与了 Women in Tech Romania 的工作，同时将 Druid 打造成一家国际 AI 公司。您仍然看到女性创办和领导 AI 公司的最大障碍是什么？哪些措施能实质性提升她们在高管和创始人层面的比例？ 

最新数据凸显了欧洲科技领域的显著差距：仅 5% 的 AI 初创公司由女性创办或共同创办，其中只有一半的创始人拥有博士学位。虽然数据严峻，但解决这一不平等需要超越传统的性别歧视叙事。

创业本质上是个人行为，受性格、风险容忍度、个人优先级和职业选择影响。我们不应仅将其视为社会障碍，而应审视造就创始人的实际路径。

虽然女孩在早期对技术学科的兴趣相对较低，但更显著且少被讨论的障碍出现在企业职业生涯的后期：缺乏完整的业务所有权经验。

女性常在技术专长和职能领导方面表现卓越，却较少进入直接负责收入、利润与损失管理、商业决策和整体企业战略的岗位。这正是创办和扩展企业技术公司的关键运营能力。

我的个人轨迹从软件开发到 CEO 并非线性，而是一系列跨越领导、运营、商业执行直至公司建设的转变。在罗马尼亚的教育体系等环境中，几乎所有人都缺乏实用的金融教育和创业培训，学习如何规避商业风险是一步步的曝光过程。

要弥合这一差距，还需打破一个常见的误区：技术领导必须在上任前掌握全部答案。在快速迭代的 AI 时代，没有人能掌握所有答案。今天的领导特质是好奇心、持续学习以及在结果未确定时仍敢于攻克复杂问题的自信。

要看到更多女性掌舵科技公司，需要扩大商业网络的可及性，树立可见的榜样，并积极鼓励有经验的人才走出职能孤岛，承担利润与损失责任，拥抱企业所有权的风险。

展望未来，您认为哪些因素会让企业 AI 平台深入嵌入业务运营，而不是停留在实验阶段的众多 AI 产品？

关键在于能否从智能转向可靠执行。

生成令人印象深刻的响应已经相对容易，而在大型企业内部可靠运行则是另一番景象。

能够深度嵌入业务运营的平台必须安全地对接现有系统，而不是要求企业更换所有已有工具。它们需要在不同模型和技术之间协同工作。

它们必须具备编排能力，能够协调代理、工作流和人工决策。同时，身份、治理、可观测性和控制必须在架构设计时就内置，而非事后补充。

还有一点我认为会进一步区分实验与基础设施：在不完美条件下的可靠性。演示可以展示 AI 系统在一切顺利时的能力，但企业更关心系统在出现问题时的表现。

当数据不完整时会怎样？API 失效时会怎样？两条政策冲突时会怎样？置信度低时会怎样？用户请求超出授权时会怎样？

如果代理在 90% 的情况下表现出色，但在剩余 10% 时行为不可预测，你就不能将其交付关键任务。

过去几年，主流问题是 “这个模型能做什么？”

企业层面的提问正在转变为 “我如何高效完成这项工作？”

能够深入嵌入组织的 AI 平台，将是那些能够令人信服地回答第二个问题的平台：在技术、运营和经济层面都具备可行性。这正是我们创立 Druid AI 时看到的机会：让智能成为工作本身的一部分。感谢这次精彩访谈，想了解更多的读者请访问 Druid AI。