Ashley Moser，MelodyArc 联合创始人兼首席商务官 – 访谈系列

Ashley Moser，MelodyArc 的联合创始人兼首席商务官，负责公司的商业战略，与客户合作将雄心勃勃的运营目标转化为可衡量的成果。她拥有涵盖运营、产品策略、物流、销售和金融服务的背景，曾在 Wonder 和 Walmart 的 Jetblack 担任领导职务，涉及供应链、持续改进、战略和物流等领域。职业早期，她曾担任 Stella Connect 的销售总监（后被 Medallia 收购），与移动零售平台 NewStore 合作，并在 J.P. Morgan 的机构股票销售部门工作超过四年。

MelodyArc 是一个面向企业的 AI 编排平台，旨在帮助运营团队在单一受管环境中协调数据、业务规则、AI 系统和人工决策。该平台围绕端到端执行复杂运营流程构建，使团队能够定义工作流、应用业务逻辑、部署 AI 操作员或其他代理，并在需要更高判断力时将案件升级给人员。其 Point Engine 在遵循组织规则并记录每一步的同时，评估每个案件的潜在解决路径，为企业在客户服务、商品陈列、站内消息、供应链和品类组合等领域的 AI 驱动工作流提供更大的可视性和控制力。

您在 J.P. Morgan 的金融领域、Medallia 的企业 SaaS 以及 Walmart 的 Jetblack 运营岗位都有丰富的职业经历。是什么具体的洞察或挫折促使您共同创立 MelodyArc？这些经历又是如何塑造公司核心愿景的？ 

我们创立公司是因为我的联合创始人 James McHenry 和我之前都曾是运营者和技术人员。我们亲眼见证并在许多情况下帮助构建了优秀的运营团队技术。但我们不断遇到同样的痛点：点状解决方案要么只覆盖运营实际工作的一小部分，要么与现场实际工作方式不匹配。

鉴于此，我们着手构建一个平台，能够以实际可用的方式将新技术引入前线运营团队。如今，这一目标体现在人机协同编排上。

MelodyArc 将 AI 直接交到前线运营者手中。这种方式与传统自上而下的企业 AI 部署有何不同？为何这种转变正发生在当下？ 

使用 MelodyArc 后，一旦平台落地，我们就将创建新工作流、想法和人机协同流程的能力直接交给团队，而几乎不影响整体路线图。这意味着团队可以利用 AI 改进自身流程，而无需每次都层层上报或下达指令。这是一种根本不同的技术部署方式。

在我们最大的企业部署中，这一点尤为明显。某客户最初只在一个团队上启动了单一用例。如今，我们已在多个团队中上线超过五个用例。

我们还看到团队在一天内构建出 AI 辅助流程，而这在此前因无法达到投资回报率门槛而被搁置——原本需要大量工程投入。

许多组织在 AI 上投入巨大，但仍难以实现落地运营。您观察到的 AI 战略与实际执行之间最常见的差距是什么？

有两点尤为突出。其一，企业在审视希望应用 AI 的流程时，常采取全有或全无的做法，要么对整个重点流程实现自动化，要么完全不动。我们鼓励企业改为审视流程的构成，识别自动化适用的环节、AI 适用的环节以及仍需人工参与的环节，顺序并非固定。此方法能让更多流程成为 AI 候选，并在下游释放更多自动化，因为已明确了人工介入的节点。

其二，从战略角度看，企业通常拥有数百个可行的用例可供选择。关键在于依据真实的业务影响、成本、工时和具体指标进行评估，而非追逐最炫或最易实现的项目。优先攻克规模最大、影响最高的领域，即使难度更大，也能为企业带来最大价值。这也展现了 AI 项目在组织中能够产生的正向价值循环。

MelodyArc 将 AI 与人工工作流相结合，而非取代它们。您如何在企业环境中确定自动化与人工决策的最佳平衡点？

MelodyArc 通过在 AI 与人工参与决策之间找到恰当的平衡，帮助企业实现自动化目标。当 MelodyArc 开始实施过程时，组织的最终目标可能是让自动化完成 90% 的工作，其余 10% 依赖团队成员的专业知识。但 MelodyArc 并非仅仅追求速度，而是从一开始就利用人工参与。例如，先以自动化与团队成员输入各占 50% 的方式启动，然后逐步增加自动化比例。该方法能够更快将企业级工作流投入生产，因为我们并不在集成 AI 之前就试图把工作流打磨至完美。

这种方法的另一大优势在于，当我们投入生产后，会收集流程数据，精准指示下一步应自动化的环节。这使得 MelodyArc 能够更快且更有针对性地推进自动化目标。实际上，这往往意味着公司能够持续提升自动化水平，而无需为修复或调整而中断工作流。

凭借您在客户体验和运营方面的背景，您认为 AI 正在如何重新定义在可以即时生成响应的环境中“卓越服务”的样子？

我认为“即时”将成为基本要求，甚至被商品化。卓越服务从来不只是快速给客户答案，而是以最小的付出提供正确的答案。AI 为我们提供了降低这种付出的新方式，无论是代客执行操作、建议后续步骤，还是自动填充字段——任何让体验更流畅、更愉悦的手段。即使能够即时生成答案，但若不相关，则毫无意义，我甚至认为仅追求速度会导致公司优化错误的目标。

企业 AI 常在最终阶段失效，采用率和可用性变得至关重要。哪些设计原则对于确保 MelodyArc 真正被前线团队使用至关重要？

我们从这样一种认识出发：团队中蕴含大量隐性知识，我们对哪些可以自动化、哪些不能自动化非常清晰。对这一区分坦诚相告，使体验更加直观。这不是一个黑箱，团队不会对发生了什么或为何发生感到困惑。

可用性在于技术与前线团队协同工作，而不是让他们必须绕开技术。这也呼应了我们创立公司的初衷——太多的点解决方案要么只覆盖运营的狭窄环节，要么与实际工作方式不匹配。我们发现，这正是许多企业 AI 工具在上线数月后仍未被使用的主要原因。

随着 AI 代理变得更加自主，企业在大规模部署这些系统之前应准备哪些治理和控制方面的挑战？

在任何企业环境中，可观测性都是必不可少的，尤其是能够看到做出哪些决策以及为何做出这些决策。对于企业本可以自动化但并不完全放心的流程，我建议保留人工参与。这不仅有助于保持监督，还能在试运行新系统时更好地了解其工作方式及正负影响。

从商业角度来看，随着买家变得更有信息且更谨慎，过去几年向企业销售 AI 的方式有何演变？

买家和供应商都变得更加聪明。我们正处于一个真正跨越数十年的周期的四年阶段，大家仍在学习。随着 AI 能力提升且更易获取，我们正快速迭代能够为客户提供的方案，同时客户也在学习如何在自身组织内部发挥作用，这令人兴奋，因为这其中蕴含了大量价值交换。

组织对信息安全的关注空前高涨，致力于保护自身独特性，并关注 AI 实际带来的效率提升。他们对项目的态度也更为理性，愿意逐步采用而非一次性全盘投入。内部对自建还是采购的计算仍在进行，且我们越来越看到混合模式，例如自建加采购，或“通过采购实现自建”，而非单一选择。

您曾在高速成长的初创公司和像 Walmart 这样的大型组织工作过。针对企业运营构建 AI 时，公司的规模和组织复杂度会带来哪些不同？

这里实际上有两个维度：组织的广度，以及其技术栈和流程的历史深度。

在高速成长的初创公司，人员和组织复杂度相对较少，也不需要围绕二十年前构建的系统或已经运行十年的团队工作。组织规模越大、越成熟，就越需要从根本上重新思考工作方式。这意味着要先决定未来的运营模式，然后以适合组织的方式逐步实现。有时这也意味着在边缘进行独立实验，稍微脱离或并行于现有流程。

展望未来，随着 AI 融入日常工作流程，您如何看待前线员工的角色演变？我们是朝着增强、编排，还是全新的方向前进？ 

对于日常工作流程来说，编排层至关重要。让所有人员和技术本地化协同工作是我们前进的方向。但实施这种技术可能很复杂，因为它并非一个简单的孤岛，组织可以自动化一步后交给同事。它是 AI、自动化与同事协同工作的组合。

前线团队在实施工作流程方面有很大机会。每次与客户交流时，都会发现他们想要开展但因预算、技术路线图、团队规模或投资回报率等因素而无法着手的数十甚至数百个项目。这正是 AI 与编排发挥作用的地方，它帮助团队用已有资源完成更多工作，同时降低启动成本。最终为未来项目带来正向的投资回报率。

感谢精彩的访谈，想了解更多的读者请访问 MelodyArc。