高可靠自动化的第一步：把难处理的案例分流出去

Matthew Jewkes 请领导者想一想团队中最强的领域专家：这些人经常被紧急客户问题和决策打断。他认为，随着常规执行成本下降，决定什么值得关注会变得更有价值。

他主张将定义清楚的常规路径完全自动化，把人的注意力留给异常情况。在他看来，自主智能体有助于开发，但可能难以维护，也可能给专家制造更多需要处理的决策。

自动化应有退出机制。AI 可以检查输入是否适合常规路径，识别不寻常或业务关键情况，并将其分流，而不是强行让所有案例通过同一个工作流。

Jewkes 介绍 Clarivate 的生物医药文档索引系统。他说，该系统每月处理数万项任务，在选定的业务关键任务上达到 99.95% 的准确率，但开发投入很大。

最初类似智能体的方法在几个冲刺后达到约 80% 至 83%。团队收集约 1000 个评估案例，与领域专家共同审阅；他们给专家看具体案例，而不是要求专家填写空白表格。

审阅揭示了三类问题：真正的关键错误、专家或组织尚未形成统一答案的模糊案例，以及需要额外人工判断的异常情况。这些问题不应都被当成同一种模型失败。

Jewkes 用一个简化药物靶点案例解释模糊性：专家可能对间接生物作用是否算作靶点有不同判断。他将其与需要人更新索引体系的新药物机制区分开。

团队在案例分流上投入了大量精力。令人困惑或不寻常的输入可以被描述并暂存；可能的关键案例进入经过大量评估的路径；仍无法确定的结果交给人。常规案例继续走普通流程。

排除模糊和异常案例后，团队用常规方法在关键路径上达到约 95% 的准确率。Jewkes 说，经过大量评估和迭代，准确率升至 99.95%；部署前又用随机样本与历史工作比较。

他认为，自动化流程在大规模处理时优于历史专家工作，同时承认博士专家仔细研究单个案例时可能做得更好。他将差异部分归因于工作量、时间压力和人的疲劳。

除了节省时间，系统还把剩余工作分为关键审核、模糊案例和异常情况。Jewkes 说，这让专家更容易决定如何分配有限的注意力。

一批模糊且价值有限的案例可以促使组织决定是否明确规则，或者停止这类工作。汇总异常案例也可能显现单个零散案例难以暴露的模式。

他描述了一位专家利用整理好的异常案例，在一位重要客户提出相关需求之前就形成投资判断。Jewkes 认为，这类汇总后的异常可能成为市场需求的领先信号。

高可靠自动化的建设成本很高：工程时间、评估审阅、组织信任和职责变化都需要投入。他建议选择价值可观且客户痛点明确的成熟流程。

Jewkes 更偏向处理流程大致可以明确规定的细节工作，而不是依赖开放式主观判断的工作。对于仍在探索业务的初创公司，他会保留人的灵活性，而不急于完全自动化。

他的实践建议包括编写并阅读评估、提供退出路径、对输入和提示词进行版本管理、拆分任务以及记录失败。他强调，审阅大量评估案例是一项耗费精力的工作。

Jewkes 最后预测，竞争优势可能较少来自选择某一种编排框架，更多来自组织如何管理集体注意力和判断力。