KMS Technology 首席执行官 Jason Wojahn——访谈系列

Jason Wojahn是 KMS Technology 的首席执行官，在企业技术服务业务的创立与规模化发展方面拥有约三十年经验。他共同创立并领导了 Thirdera，直至该公司被 Cognizant 收购；此前，他曾领导 Accenture 的全球 ServiceNow 业务，并在 Cloud Sherpas 和 IBM Global Services 担任过领导职务。他的工作重点是企业转型、运营模式，以及如何将 AI 的进展转化为可衡量的业务成果。

KMS Technology是一家数字工程、数据与 AI 公司，帮助企业构建软件、实现应用现代化、夯实数据基础，并在生产环境中部署 AI。其服务涵盖技术咨询、产品工程、数据工程和智能工作流自动化。在这次访谈中，Wojahn 谈到了“执行经济”、AI 试点与生产落地之间的差距、智能体的决策权限，以及企业如何通过端到端成果衡量进展。

您在企业技术组织的建设与规模化发展方面已有三十年经验，从推动 Navigis 成长、领导 Accenture 的全球 ServiceNow 业务，到创立 Thirdera，再到如今担任 KMS Technology 的首席执行官。这些经历如何塑造了您对企业转型的看法？是什么吸引您投身于帮助企业实现 AI 原生转型这一挑战？

我在 IBM Global Services 开始职业生涯，负责为大型企业客户提供交付服务。之后，我先后在 Navigis、Cloud Sherpas、Accenture、Thirdera 和 Cognizant 任职，几乎所有工作都围绕 ServiceNow 生态系统展开。

我反复看到这样一种规律：每一轮平台浪潮都承诺带来转型，但决定胜负的很少是技术本身。真正的赢家，是那些改变了工作在组织内部实际流转方式的企业。

在 ServiceNow 的那些年让我明白，价值蕴藏在工作流中，而不在仪表板上。三十年来，企业软件在告知我们发生了什么方面已经做得非常出色，但在采取行动解决问题方面却差得多。人们填补了这一空缺。他们成了无偿的集成团队，把工作从一个系统转到另一个系统。

AI 改变了这一切。智能正变得日益充足。如今稀缺的是将智能转化为协同行动的能力。这正是我加入 KMS 的原因：这里具备深厚的工程实力，能够构建真正执行工作的系统，而不只是追踪工作进度；同时，我也有机会推动企业成为 AI 原生，而非仅仅获得 AI 赋能。

许多企业已通过试点项目成功展示了 AI 的潜力，却难以将早期成果转化为生产级价值。组织在从实验阶段迈向更大规模应用时，最常遇到哪些障碍？为什么这些挑战往往要等到技术已证明自身有效之后才会显现？

试点能证明模型可行；生产落地则能检验组织是否行得通。

这是两种截然不同的考验。试点使用经过筛选的干净数据，由积极投入的项目负责人支持，并依靠一支小团队绕过所有缺口。试点的设计目的，就是避开那些棘手问题。

生产环境则无法回避这些问题。此时，智能体必须接入五个系统，而不是一个。必须有人对错误结果负责，决定它获准审批哪些事项，并承担每天运行它的成本。

这就是为什么这些挑战会在技术证明自身有效之后才显现。它们从来都不是技术问题，而是数据、集成、责任归属和权限方面的问题；试点的设计恰恰是为了绕开其中每一个问题。

解决办法是别再把试点当作演示，而要把试点视为生产落地的第一阶段。选定一个重要的工作流，将其接入实际系统，明确负责人，并从第一天起界定智能体可以做出哪些决定。这样启动会更慢，但规模化会快得多。

您曾谈到一种向“执行经济”转变的趋势：竞争优势日益取决于组织将智能转化为协同行动的能力。在实践中，这一概念意味着什么？它又会如何改变企业对 AI 投资的方式？

每项工作都沿着同一条链路推进：信息、洞察、决策和执行。

数十年来，企业软件一直专注于前两个环节，而 AI 正在迅速提升前三个环节的能力。大多数组织仍受困于执行环节，而竞争优势正转向这一环节。

在实践中，执行经济意味着智能不再是稀缺资源，真正稀缺的是把事情办成的能力。两家公司可以拥有相同的模型、相同的数据和相同的洞察。胜出者是能够将这些洞察转化为协同行动，并具备明确权限和审计记录的那家公司。

这改变了投资方式。如今，大多数 AI 预算都花在工具上：副驾驶、助手和更好的搜索。这些工具能提高个人效率，但 AI 十分钟就能起草完成的提案，仍可能要等三天才能获批。任务处理得更快，不等于成果来得更快。

因此，应当为工作流而非工具提供资金，并从另一个问题入手。不要问：“我们怎样才能让这名员工的效率提高 20%？”而要问：“哪些工作以后不再需要人工协调？”

随着 AI 从协助员工完成单项任务，发展到自主执行完整工作流，组织必须如何重新思考现有流程、决策架构和问责机制？

大多数企业流程都是围绕人的能力局限设计的。信息流转缓慢，于是我们安排会议；决策需要监督，于是我们建立层层审批。许多我们称之为“流程”的东西，实际上只是人与人之间的交接。

照原样实现自动化，不过是把组织架构图自动化了。交接会更快，却不会减少。

重新思考应从决策入手，而不是从任务入手。针对每个工作流，梳理其中涉及的决策：智能体可以提出哪些建议？可以自行决定哪些事项？可以独立执行哪些操作？又有哪些环节必须由人介入？

权限应针对具体决策设定，而非覆盖整个工作流。你或许可以完全信任一个智能体去核对发票，但仍要求任何超过既定限额的付款都必须由人审批。

问责并不会消失，反而会更加明确。人和智能体共同负责执行：智能体承担具体工作，人则设定权限、处理例外情况并对结果负责。每个智能体都必须有明确指定的负责人；每项操作都应可追溯，并且在可能的情况下可以撤销。

领导者的职责将从协调工作转向设计执行工作的系统。

在 KMS Technology，你们正致力于将传统数字工程转型为原生 AI 的企业级执行模式。这种转型在内部具体呈现为何种面貌？KMS 如何整合 AI、数据平台和智能工作流编排，以实现可衡量的业务成果？

我们首先将同样的思路应用于自身。KMS 作为一家数字工程公司成长起来。我们的下一个发展阶段，是以原生 AI 为基础的企业级执行：构建、现代化改造和运营，并由人与智能体共同负责执行。成果体现在所需的时间和精力上：

开发。 Evergreen Telehealth 希望打造一个基于智能体人工智能和 FHIR 医疗数据标准的远程医疗平台，而当时市场上还没有类似产品。我们以 AI 原生方式开展工作，将 Claude 融入需求、设计、开发和测试环节；我们的团队与 Evergreen 的工程师在 75 个工作日内将核心平台从概念阶段推进到投入生产。这包括三个应用（网页、iOS 和 Android）、四项已上线的集成（EHR、身份验证、支付和药房）以及两个投入生产环境的智能体。这一模式以人为主导、由 AI 加速。智能体起草用户故事、生成代码并运行测试。工程师负责架构、临床数据映射，以及每一项重要决策。

现代化改造。再来看一个案例：一家海事软件公司需要替换一个已在本地运行 20 多年的平台。在投资者看到进展之前，公司无法承担耗时很长的传统重建项目，因此我们开展了为期六周、限时推进的代理式开发。我们将客户需求载入上下文，让智能体依据规格说明构建，而不是只生成代码。团队约用 800 个团队工时完成了 MVP 范围的 35% 至 45%；最初的估算为 6,000 至 8,000。智能体编写了代码和 5,000 多项单元测试。工程师设定了护栏，并负责评估质量。

运营。此后，Evergreen 已将其智能体架构扩展至整个业务，由监督型智能体监控系统，并让人员参与其中进行评估和修复。

我们做的不只是加快代码编写速度，而是在改变一个团队能够完成的工作量。

在这三个案例中，人和智能体都共同负责执行。智能体处理可重复的工作，我们的工程师和客户团队则负责决策、处理例外情况并对结果负责。

这种转变也让我们能够更充分地发挥交付杠杆效应。这正是原生 AI 交付与 AI 赋能型交付的区别。

企业级 AI 系统越来越依赖于访问分散在彼此孤立的旧版应用、云平台和数据环境中的信息。连接这些系统的挑战有多大？组织在尝试大规模部署 AI 驱动的工作流之前，应当先建立哪些架构基础？

这是核心挑战。大多数企业面临的并不是 AI 问题，而是系统碎片化问题；AI 让这个问题再也无法被忽视。

看看如今的工作是如何完成的：有人在一个应用中查找信息，到另一个应用中追着办理审批，再把结果复制到第三个应用中。人充当了集成层。智能体若无法访问这些系统、理解上下文并在获得适当权限的情况下采取行动，就无法完成这项工作。

因此，基础架构比模型更重要。首先要做好以下四项：

• 能够为智能体提供可信上下文的现代化数据架构
• 让智能体能够跨系统采取行动，而不只是读取信息的集成层
• 专为智能体而非仅为人员设计的身份与权限体系
• 监控机制，以便查看每个智能体做了什么以及为什么这样做

技术栈也在不断精简。数据平台正逐渐承担运营职能，工作流平台正变得更加智能，应用程序则正走向无头化。如果工作流能够贯穿整个技术栈，为什么还要让用户亲自跨越各个环节？

别等到架构尽善尽美。选定一项重要工作流，改造它涉及的环节，然后再着手下一项。

当 AI 智能体开始在业务运营中作出决策并执行操作时，治理、问责和人工监督等问题就变得愈发重要。企业应如何判断哪些决策可以交由 AI 处理，哪些必须由人来掌控？

我会先换个角度提问。问题不该是“AI 能不能做到？”答案越来越多时候是能。更好的问题是：“是谁授权它采取行动的？”

具备能力、拥有访问权限，不等于拥有行事权。当智能体能够批准退款、更改生产计划或承诺支出时，就必须有人划定权限边界。

一个实用的判断标准是成本和可逆性。高频、基于规则且容易撤销的决策，很适合交由智能体处理。影响重大、不可逆，或会界定与客户关系的决策，则应由人来作出。

授权也应逐步争取。先让智能体提出建议，由人来批准。随着证据不断积累，再让人从逐项批准转为监督系统、处理例外情况。

目标不是让人在每个环节都介入，而是让人在适当的环节介入。数据提供背景，模型进行推理，智能体执行操作，而人来界定权限并承担后果。

您曾在 Accenture 和 Cognizant 领导大型企业平台业务。在这些公司，扩大运营规模需要协调全球各地组织的技术、人员和流程。您从这些经历中总结出的哪些经验适用于当下的 AI 转型，尤其是在组织阻力或过时的运营模式比技术本身更难克服时？

整合带给我的启发最多。在 Cloud Sherpas、Accenture，后来又在 Cognizant 任职期间，我花了多年时间推动组织整合。不同的文化、交付模式、激励机制和地区，都必须作为一个统一的平台业务协同运作。

技术很少是真正的瓶颈，运营模式才是。

有三条经验可以直接应用于 AI 转型。

第一，阻力通常事出有因。人们会维护那些与自身考核挂钩的事项。如果引入智能体的同时，仍按工时、员工人数和活动量考核团队，得到的只会是表面服从，而非真正改变。改变衡量标准，行为自然会随之改变。

第二，决策权必须明确。每次整合过程中，最棘手的讨论都是关于谁有权决定什么。AI 让这个问题变得无法回避，因为作出决策的主体不再全是人。

第三，要清楚说明哪些事情会保持不变。当人们理解变革的原因，也知道哪些方面不会改变时，就更容易接受变革。

AI 转型本质上是运营模式的转变，只不过涉及技术。把它当作软件部署项目来处理的领导者，最终会感到失望。

传统的 AI 成功指标往往侧重采用率、生产力提升和节省的时间。高管应优先关注哪些指标，以判断 AI 是否真正改善了业务执行？组织又该如何区分渐进式效率提升与有实质意义的运营转型？

采用率和节省的时间属于投入指标。它们只能说明人们在使用工具，并不能说明业务推进得是否更快。

如果工程师节省了两个小时，但发布仍要等一周才能完成审核，对客户来说就没有任何变化。任务完成得更快，不等于结果来得更快。

我会优先关注三类指标：

• 从需求到结果所需的时间：一项请求从提出到最终产生结果，端到端需要多长时间。
• 工作在哪些环节等待：决策需要多长时间、有哪些交接环节，以及团队之间有多少排队等待。
• 无需协调即可完成的工作：工作流中有多少部分可以在无人协调的情况下运行，同时让人专注于判断和处理例外情况。

然后，把这些指标与业务成果挂钩：服务成本、质量和收入。

判断是否实现了转型，标准很简单：任务完成得更快了，还是工作流的形态发生了变化？渐进式改进只是让同一流程运行得更快；转型则会移除那些已无必要的步骤、交接环节和审批。

衡量从需求到结果所需的时间，找出工作在哪些环节等待，再改变造成等待的因素。

展望未来三到五年，您认为 AI、企业软件和人类员工之间的关系将如何演变？您是否设想 AI 原生系统会从根本上取代传统企业工作流？企业领导者今天应该做些什么，为这场转变做好准备？

三十年来，企业软件一直在告诉我们正在发生什么。未来三到五年，它将越来越多地亲自完成这些工作。

AI 将取代的是协调工作：追着人要进度、复制信息、交接任务和跟进事项，这些事情占据了大多数人一天中的大部分时间。人们将转而专注于判断、处理例外情况、建立关系以及对结果负责。这能更好地发挥人类的专业能力，但也需要培养新的能力，而领导者必须有计划地建设这些能力。

领导者今天应该怎么做？选定一个影响重大的工作流程，并梳理其中的决策环节。完善底层数据。明确智能体可以做出哪些决策，并指定一位对结果负责的人。然后着手处理下一个工作流程。

把 AI 当作工具的公司将提升效率。围绕 AI 重组业务的公司则将获得更大的杠杆效应。AI 不是战略，执行才是。

感谢这次精彩的访谈。希望深入了解 AI 原生企业级执行、智能工作流，以及从 AI 试点转向生产部署的读者，可以访问 KMS Technology。