Andrej Jonovic，XBP Global 首席执行官——访谈系列

Andrej Jonovic是 XBP Global 的首席执行官。XBP Global 是一家跨国科技与服务公司，专注于关键任务型企业工作流。XBP Global正将智能体 AI 应用于医疗保健、公共部门和金融服务等受监管领域；在这些领域，精准性、安全性、数据主权和可审计性至关重要。在本次访谈中，Jonovic 谈到了自适应流程编排、开放权重模型、智能文档处理、人工裁定，以及如何将 AI 从一项技术能力转化为可衡量的运营成果。

您最初是一名交易律师，之后转向并购和企业转型，最终开始领导 XBP Global。这段经历如何影响您评估人工智能在关键任务型工作流中的部署所涉及的治理、商业风险和组织影响？

我通常会先从运营模式的角度看待 AI。从事交易和转型工作，会让人习惯于追问：越过演示环节、真正开始执行之后，整个架构是否依然稳固。

这一点对 AI 尤为重要，因为模型即使单独运行时表现出色，也仍可能导致糟糕的运营结果。在医疗保健、公共部门和银行业，处理精准度、法规合规性和可审计性都不容妥协。你必须了解数据存放在哪里、系统获准执行哪些操作、决策如何受到管控，以及工作流在大规模运行时的成本结构如何。

治理必须融入这一架构的设计之中。我希望了解模型运行在哪里、哪些信息会跨越企业边界、哪些内容会记录在审计轨迹中，以及当工作流遇到需要更高控制级别的决策时会发生什么。

这大概是我的背景影响最大之处。我通常不太关心这项技术在受控演示中能做到什么。我想知道的是，能否将它部署到关键任务流程中，并可靠地加以使用。

XBP Global 将智能体 AI 描述为超越传统规则式自动化和机器人流程自动化的一种演进。当工作流从遵循预设指令转向使用能够推理、决策并协调多项任务的 AI 智能体时，技术层面会发生哪些变化？

架构会变得更加自适应。

传统工作流自动化是确定性的。系统依据既定规则运行，你知道下一步会发生什么；随着流程变得愈加复杂，还需要硬编码更多逻辑。这种方式非常适合可预测的工作。难点在于，规则数量变得极其庞大，或者流程变化速度快于系统重建速度。

我们现在采用的是自适应流程编排。在精准性和合规性要求较高的环节，可以保留确定性规则引擎；然后在推理能够创造价值的工作流环节引入智能模型。智能体可以协调任务、访问信息并选择下一步操作，而不必有人为流程可能经过的每一条路径都编写硬编码逻辑。

另一项变化是，底层模型变得更容易替换。我们看到，企业级开放权重模型正在迅速进步。如果流水线设计得当，随着生态系统发展，你可以接入更强大的模型，而不必围绕新模型重建整个运营流程。

因此，我认为，工作流本身正日益成为重要的技术资产：包括编排、领域知识、控制措施，以及围绕模型的数据。

许多公司都在试用 AI，却难以从试点走向生产部署。阻碍企业大规模部署智能体工作流的最常见架构或组织障碍是什么？ 

客户正在走出试验阶段。他们看过演示，也听过非常激进的投资回报率承诺。总得有人把这项技术放进真实流程中，让它真正发挥作用。

这时，架构问题就变得棘手。生产工作流必须与公司现有环境相连接。敏感信息可能需要留在私有云或本地部署环境中。还必须能够访问现有系统，并满足监管要求。此外，相关经济效益也必须经得起企业级规模的检验。

我们最近赢得了一项有关某全球航空公司机队维修生命周期的项目。每项维修记录都会经过向量化处理，并存储在客户私有云中的私有向量数据库里。智能体基础设施负责管理对这些信息的访问，并支持在飞机租约到期或飞机出售时还原相关记录。

这与证明模型能够回答有关飞机记录的问题截然不同。你面对的是一整套运营环境，其中既有数据控制要求，也有必须反复稳定运行的流程。

从组织层面来看，差距通常在于责任归属。必须有人深入了解这一流程，才能明确生产环境中的实际要求。缺乏这种运营纪律，试点项目可能长期看起来令人印象深刻，却始终无法真正发挥作用。

XBP Global 将自动化与人在环监督相结合，尤其是在后果重大的决策中。你们如何判断哪些决策可以由 AI 系统自主执行，哪些决策仍必须由人工参与？ 

我们围绕审核裁定来设计人工参与的环节。

在后果重大的工作流程中，通常有大量任务可以凭借较高的置信度在流程中推进。与此同时，也会遇到一些边缘情况：信息不完整、情况特殊，或者答错所造成的后果过于严重。

当流程遇到这类情况时，系统会将该笔事务转交给相关领域专家。专家解决问题后，其判断结果可以反馈给系统，让模型继续改进。

我认为，这种反馈闭环很重要。如果人工监督能随着时间推移不断改进工作流程，其价值就会更大。专家会在模型仍需要帮助的案例中提供领域知识。

自主运行的门槛也在很大程度上取决于具体环境。医疗审核裁定、公共部门记录和受监管的金融流程，与后果较轻的内部任务有着不同的要求。可接受的置信度必须反映系统据此采取行动后，决策实际会造成什么影响。

你们的客户身处受监管行业和公共部门，数据主权、安全性和可审计性至关重要。组织如何在受保护的环境中部署大型语言模型，同时不牺牲这些系统发挥作用所需的能力？ 

开放权重模型正在显著改变这个问题的答案。

长期以来，人们一直认为，要获得最佳模型性能，就必须将信息发送到别人的环境中。当数据必须留在企业边界内时，这显然会带来问题。

如今，我们可以采用企业级开放权重模型，并将其集成到已部署的智能体流程中，同时让数据留在客户自己的环境内。根据具体要求，这可以依托私有云或本地部署基础设施。与此同时，组织仍能受益于更广泛的模型生态系统所取得的进展，并维持数据主权所需的管控措施。

架构还必须能够灵活调整。没有理由认定当前的模型会一直是某项具体任务的最佳选择。我们的训练规程经过专门设计，能够让我们迅速将新模型集成到现有流程中。

对于受监管行业的客户来说，这种灵活性极具价值，因为工作流程可以持续改进，同时数据边界仍保持完整。这也让你们能够着手满足欧盟《人工智能法案》等要求，而不必把合规当作技术部署完成后才追加的事项。

大量企业信息仍被困在文档、图像、遗留系统和纸质记录中。智能文档处理正在如何演进？它又如何帮助将零散数据转化为 AI 智能体能够可靠使用的信息？

我认为，智能文档处理正成为智能体工作流的基础设施之一。

过去，许多文档处理流程都依赖模板。你知道文档长什么样，也知道需要哪个字段，系统便会提取该字段。但企业信息很少如此规整。仅医疗领域就可能涉及 EOB（福利说明）、复杂往来函件、理赔信息，以及以不同格式送达的记录。

较新的方法更注重上下文理解。你可以处理非结构化信息，识别其中哪些内容相关，并将其转换为下游系统能够实际使用的结构化输出。这一点很重要，因为如果底层信息不完整或被错误解读，智能体就无法可靠地协调工作。

规模也会改变问题的性质。我们运营的环境需要处理海量图像、理赔资料、支付交易及其他文档。在这种规模下，提取质量上的微小差异也会演变成重大的运营问题。

因此，智能文档处理（IDP）日益成为智能工作流的前端环节。它将零散信息转化为可用数据，为流程的下一环节提供可靠的处理依据，并为进一步实现下游自动化奠定基础。

XBP Global 曾谈到将遗留的规则驱动型流程迁移至智能体 AI 流程，并提高一次性解决率。AI 系统必须了解组织的哪些流程、异常情况和机构知识，才能实现可靠的结果？

许多机构知识从未被整理进规范的流程文档中。

它存在于老旧系统、规则集以及多年运营这一流程的人们的判断之中。他们知道哪些信息至关重要、特定情况下适用哪条规则，以及一旦做出错误决策，后续会发生什么。

迁移这项工作时，必须保留这些运营经验。在我们的业务中，这往往意味着将确定性逻辑与人工智能结合起来，而不是想当然地认为所有规则都应立即弃用。在受监管的工作流程中，有些环节对要求的精确性有很高要求，因此规则引擎非常有用。另一些环节则更适合由智能模型处理，因为模型能够更有效地应对变化。

领域专业知识能告诉你各自适用于哪些环节。

这也是为什么不能只把首次处理成功率看作模型分数。工作流程必须产生能够经受后续流程检验的结果。如果问题在下游某个环节再次升级，你只是把问题转移了，并没有解决它。

系统必须充分理解整个流程，才能知道一笔交易从头到尾怎样才算成功。

XBP Global不仅将自动化应用于客户运营，也在借此推动自身转型，迈向以人工智能为先的运营模式。将公司作为内部试验场，你们有哪些收获？又如何在提升生产力的同时，兼顾员工发展和变革管理？

我们在内部应用这项技术时相当积极，因为我认为，当结果直接关系到自身的经济效益时，你很快就能学到很多东西。

目前，我们预计以人工智能为先的自动化举措每年可带来6500万至7500万美元的运营效率提升，其中约3500万美元的收益预计将在2026年实现。第二季度，员工人均营收约为89,000美元，高于上一季度的约82,000美元；我们预计，到年底这一数字将接近100,000美元。

这些指标很有参考价值，因为它们能告诉我们，运营模式的生产力是否确实在提升。

这对员工队伍的影响是实实在在的。随着我们迈向生产力更高的运营模式，我们预计到2026年底，全球员工总数将减少约20%。变革管理必须正视生产力变化会影响人员配置需求这一事实。

与此同时，继续参与这些工作流程的员工必须提升能力。我们需要领域专家、架构师和运营人员，由他们设计工作流程、评估输出结果，并对更高价值的决策负责。

在公司内部推进转型，让相关讨论变得务实得多。你很快就能看出，哪些自动化真正带来了持久的效率提升，哪些不过是有人更频繁地使用人工智能。

企业人工智能项目往往靠演示而非可衡量的业务成果来宣传。领导者应采用哪些指标评估智能工作流程？又该如何考量准确性、异常率、处理时间、运营成本和风险降低情况？

我会从两个层面衡量工作流程。

在运营层面，我想了解准确性、首次处理成功率、处理时间、异常数量以及处理工作的成本。在受监管的环境中，我还会关注交易是否可审计，以及相关控制措施能否在大规模处理时始终有效。

接下来，我会看这些改进是否为业务带来了经济效益。

XBP第二季度的调整后毛利率达到24.9%，创历史新高；员工人均营收则升至约89,000美元。随着我们发现更多自动化机会，年度运营效率提升目标也上调至6500万至7500万美元。

这些指标反映的信息与基准测试分数不同。它们表明，这项技术是否正在改变运营的成本结构。

即使模型准确率很高，如果工作流程的运行成本过高，或者造成太多人工返工，部署仍可能以失败告终。我认为，领导者需要追踪结果的整个实现过程。这项技术必须带来能够在实际指标中体现出来的运营效益。

展望未来，你认为智能体人工智能会继续作为叠加在现有企业系统之上的一层，还是会成为主要的编排层，让人员、软件、数据和业务流程通过它进行交互？

我认为，越来越多的工作流程将采用智能体模式。

企业仍会拥有执行特定功能的系统、数据存储库和应用程序。变化的是工作在这些系统之间流转的方式。智能体工作流可以检索信息、协调工具、触发操作，并判断一笔交易是否需要以其他方式介入。

从航空公司的例子中，你已经能看到这种情况。维护记录存放在客户环境中的私有向量数据库里，而智能体层负责管理在整个维护周期中如何访问和使用这些信息。

我预计，这种编排方式会变得普遍得多。

底层模型将继续变化。开放权重模型正在迅速改进，在我们今天使用的这些模型之后，还会出现新一代模型。因此，编排层将变得愈发重要，因为企业需要围绕这些模型建立持久可靠的支撑体系。

如果围绕流程、领域知识、安全要求和企业管控措施来构建流水线，那么随着更好的模型陆续问世，你就能继续从中受益。我认为，许多长期价值将体现在这里。

感谢您接受这次精彩的采访。希望了解更多信息的读者可访问 XBP Global。