Sobhan Daliry，首席产品官兼 AI 战略负责人，Pipefy – 访谈系列

Sobhan Daliry，Pipefy 的首席产品官兼 AI 战略负责人，自 2023 年起领导公司 AI 战略，帮助将传统业务工作流转变为日益智能和自主的流程。整个职业生涯中，Daliry 将产品策略、组织转型和技术领导力结合于初创企业和成熟公司。在加入 Pipefy 之前，他创立并担任 Polen.me 的 CEO，且在 NZN 担任 CEO/CPO 超过五年，期间带领公司实现扭亏为盈并制定产品战略。他早期的职位包括担任 PSafe 的产品管理总监、Peixe Urbano 的产品经理，以及在 Oi/Telemar、Claro、AIRCOM International 和 Planeta Tecnologia 等公司从事数字服务、通信、咨询和业务发展等工作。

Pipefy 是一个全球化的流程管理和 AI 平台，旨在帮助组织实现业务工作流的自动化和编排。公司成立于 2015 年，已从一个无代码流程自动化平台发展为以 AI 为中心的编排环境，整合了 AI 代理、工作流、表单、门户、应用、数据、分析、消息和集成。其平台使团队能够使用自然语言和无代码工具创建和管理 AI 代理，同时保持企业治理、安全性和可视性。Pipefy 的 AI 能力包括能够解析文档、执行工作流任务、支持决策、与外部系统交互，并在财务、人力资源、采购、客户运营和合规等领域编排流程的代理。

您的职业生涯从在 Claro、Oi 等公司的电信工程工作，发展到在 Peixe Urbano 和 PSafe 的产品领导角色，担任 NZN 的 CEO/CPO，创立 Polen.me，并如今在 Pipefy 负责产品和 AI 战略。这一路径如何影响您构建解决真实运营问题的 AI 产品，而不是仅仅展示新技术的思考方式？

电信行业教会我，基础设施必须每一次都可靠运行，且在大规模下毫无容错空间，不能出现‘大多数情况下可以工作’的情况。一次掉线不是演示失误，而是客户流失。这样的心态——可靠性优先于新颖性——始终伴随我。在 Peixe Urbano 和 PSafe，我学到了相反的教训：消费类产品的成败取决于它们是否能在当下解决真实、切身的问题，而非理论上的需求。担任 NZN 的 CEO/CPO 让我同时坚持这两条真理——你无法凭借执行力超越一个糟糕的论点，也无法凭借论点弥补糟糕的执行。创立 Polen.me 给了我最昂贵的教训：资本和时间是有限的，每开发一个功能就意味着放弃另一个功能，追求炫目的演示而非真实工作流的代价会在数月后显现，而不是在舞台上。等我来到 Pipefy 时，我对每个 AI 功能都会提出与评估基站时相同的问题：在真实负载、无人监控的生产环境下，它能否经受考验？如果 AI 代理仅能在精心策划的演示环境中工作，那它不是产品——而是产品的预告片。

自 2023 年起，您主导了 Pipefy AI 战略的制定与实施。关于企业 AI，您最初有哪些假设在生成式 AI 和 AI 代理成熟的过程中发生了最大变化？

我必须摒弃的最大假设是模型会成为瓶颈。2023 年时，包括我在内的所有人都在优化‘哪款大语言模型更聪明’。实际上真正的瓶颈是上下文：代理是否了解实际的流程、约束条件以及针对特定客户的应付账款‘完成’标准是什么。模型质量虽在所有人预见的曲线上持续提升，但流程上下文并未自行改善，因为没有人对其进行结构化。第二个被颠覆的假设是关于自主性。我曾以为市场需要尽可能快速、完全独立运行的代理。企业真正（且仍然）需要的是受限的自主性：在不可违背的规则内做出真实决策，并留下事后可追溯的痕迹。没有治理的完全自主并非雄心，而只是带有更好界面的风险。市场在信任需求上的成熟速度超过了对原始能力需求的成熟，这一顺序的改变是我起初犯的最大错误。

Pipefy 将相对简单的 AI 自动化与能够在模糊情境中推理、规划多步骤并跨工作流执行操作的 AI 代理区分开来。企业应如何判断何时任务真正需要 AI 代理，何时确定性自动化仍是更佳方案？

我使用的测试很简单：如果你能写出规则，就写出规则。确定性自动化仍然是对任何事先已知且不会变化的决策树的正确答案——例如，如果金额低于某个阈值，就将此发票路由给此审批人。这并不是代理的工作，假装是代理只会给已经解决的问题增加延迟和不可预测性。当情境出现固定规则无法解决的歧义时，代理才有价值——比如发票与采购订单不完全匹配、缺少字段、客户请求不符合任何现有类别。这时推理才真正有价值：决定在“下一步”尚未写好的情况下该做什么。我经常看到企业的错误是为已经是确定性的80%案例构建代理，因为它更炫，而把那20%模糊的——实际最难的部分——留给人工手动拆解。把比例倒过来，你就构建了真正有用的东西。

从独立的副驾驶向“代理编排”转变的趋势日益明显，在这种模式下，AI 能够协调跨多个系统的流程。真正的代理编排与仅仅在现有自动化平台上添加大型语言模型有何区别？

将 LLM 节点嵌入现有的自动化流程可以让单一步骤更智能。真正的编排意味着 AI 对整个流程拥有持久且结构化的视图——不仅是当前任务，还包括它在序列中的位置、上游已经发生的事情以及下游必须满足的条件才能视为完成。区别在于智能体是记住整个流程，还是仅记住提示。副驾驶会回答你提出的问题。编排在那些本身不直接通信的系统之间协调操作——你的 ERP、CRM、合作伙伴的 API——同时继承其余流程已经使用的相同规则、权限和审计追踪。如果你必须为 AI 功能单独构建治理层，因为底层的自动化平台没有提供，你就没有实现代理编排——而只是拥有一个具备 API 访问的聊天机器人，这两者的风险画像完全不同。

无代码 AI 代理有可能让业务团队在无需等待工程资源的情况下自动化日益复杂的流程。如何在不产生新一代影子 AI、设计不佳的代理或安全风险的前提下，实现这种能力的民主化？

你不会通过要求业务用户更加小心来实现安全的民主化——而是通过

将防护栏作为道路本身的一部分，而不是让人们必须选择的单独车道。业务用户构建的每个代理都继承相同的基于角色的访问、相同的审计追踪以及已经治理该流程的相同业务规则——这些不是可选配置，而是结构性的。这才是影子 AI 的真正答案：这不是政策问题，而是架构问题。当授权工具使用起来比未授权工具更困难时，影子 AI 就会出现，于是人们会在个人的 ChatGPT 账户或随意的自动化工具中构建代理，IT 完全看不见。如果无代码体验真的快速且治理是自动且不可见的，业务团队就没有理由绕过它。只要你把治理设为需要记住的手动步骤，你就已经失去了控制。

随着 AI 代理获得做决策并执行动作的能力，而不仅仅是提供建议，组织应如何决定在哪些场景下适合完全自治，哪些场景下仍需人为介入？

我使用的衡量轴不是“代理有多聪明”，而是可逆性和冲击范围。如果错误决策易于检测且易于撤销——如路由、分类、草稿——就让代理执行并在整体上进行审查。如果错误决策代价高、难以逆转，或直接涉及金钱、合规或客户关系，则在该特定步骤保留人为环节，即使代理已经连续千次决策正确。错误在于把自治当作一个整体的旋钮来提升。真实的流程是由风险特征迥异的步骤组成，正确的设计是在错误代价高的步骤上加入人为审查，而不是在所有步骤或没有步骤上。这也是为什么恰当实施的人机协作并不是速度的税——它帮助你积累证据，最终在低风险步骤中移除人为环节，因为你已经证明哪些决策是代理始终做对的。

Pipefy 通过审计追踪、基于角色的访问控制、业务规则以及工作流内部的可追溯性等机制强调治理。随着公司将 AI 代理从实验阶段推向生产环境，将治理直接嵌入编排层是否已成为必需？

这并不是正在变得重要——它已经是必需的，那些吃了苦头的公司正是先把代理部署到生产环境，然后事后才去构建审计追踪的。这样做是倒退的，而且事后修复成本高昂。如果审计追踪、基于角色的访问控制和可追溯性不是原生于编排层本身，那么每部署一个新代理，就会出现一个新的治理可能悄然失效的点——而你要等到审计员、监管机构或某次事故提出质疑时才会发现。将治理嵌入编排层意味着代理的每一次操作都会自动继承相同的规则，并留下与人工操作相同的证据，无需任何人额外去记得单独配置。企业从 AI 实验转向 AI 生产时会发现，试点的成功标准与生产的成功标准不同：试点必须可行，生产必须可辩护。治理正是这两者之间的差距所在。

许多公司能够展示令人印象深刻的 AI 试点，但在将其转化为可衡量的业务价值时却举步维艰。领导者在确定 AI 自动化项目是否真正带来 ROI 时应关注哪些指标，而导致有前景的试点未能规模化的最常见原因是什么？

我不信任任何以“节省的工时”开头的 AI ROI 讨论，因为这些工时是为谁节省的，如何验证？真正能在 CFO 审查下站得住脚的指标是审计员可以独立确认的事项：特定流程的周期时间，前后对比；错误或返工率；工作流中现在无需人工介入即可完成的比例；以及审计血缘覆盖率——能否展示每一次代理决策的原因。如果你无法提供这条追踪记录，你就没有 ROI 数字，只有一个轶事。试点几乎总是因同一原因而无法规模化：它们是为证明模型可行而构建的，而不是为证明整个流程在生产环境中、与公司其他系统集成后端到端可行。一个存在于沙盒、与真实记录系统脱离的试点，总会看起来比实际接入所有已有系统后表现得更好。规模化是披着 AI 外衣的系统集成问题。

您在 Pipefy 领导组织变革项目的同时，还引入了新的 AI 能力。根据您的经验，成功的企业 AI 采用中，技术挑战占多少比例，多少是流程、文化和变更管理的挑战？

说实话，成功的企业 AI 采用大约 20% 是技术，80% 是其他因素。技术现在大多已经可用——这并不是让我失眠的地方。真正决定 AI 项目能否落地的是那些工作内容会改变的人员是否足够信任系统，以放弃他们十年来一直进行的人工检查，以及领导层是否愿意重新设计流程，而不是仅仅在旧流程之上粘贴 AI。我们在内部构建自己的工程工具时也经历了同样的过程——用于自动化软件构建的技术早在团队真正信任它、停止手动双重检查之前就已经存在。突破点不是更好的模型，而是可见的、足够多次的证明，表明系统的判断与他们一致。AI 的变更管理不是一次沟通活动，而是一个证据累积的过程——你在小批量、可验证的情况下赢得信任，而不是在全员大会上宣告。

展望未来，您是否预期传统的工作流和业务流程软件会演变为编排层，在其中人类、AI 代理和企业系统持续协作？如果是，这将从根本上改变公司设计和管理运营的方式吗？

是的，我认为这种转变比大多数人预估的要更大。工作流软件过去是用来记录工作应如何进行的地方。它正变成工作实际发生的地方——一个实时运行时环境，人类、代理和企业系统同时在同一受治理的流程中行动，而不是人类在事后将软件当作被动的记录工具。根本性的变化在于“记录系统”实际所在的位置。记录过去是一个在事后更新的数据库。而在编排层中，记录与执行是同一件事——流程本身成为接口，不仅可以通过界面访问，还可以通过 API、MCP 服务器、CLI 等方式访问，任何内部或合作伙伴的代理都可以在同样的规则下像人类一样操作。把这种转变仅视为“在现有工具上加 AI”只会让企业碰到前文提到的天花板。把流程层当作真正的产品——值得投入结构化的核心资产——的公司，将会获得难以被单纯购买同一 AI 模型复制的复合优势。

感谢这次精彩的访谈，想了解更多的读者请访问 Pipefy。