真实案例研究：从定制化人工智能工具设计到中小企业用户采纳

团队正在进行一场关于系统优化的会议，重点讨论如何简化信息和提高流程效率。

大多数公司在人工智能应用方面失败，并非因为技术本身不好，而是因为缺乏有权势的人员强制推行这项技术。

Lynqra 为新加坡中小企业构建人工智能自动化系统。我们帮助他们自动化处理繁琐的手工工作，例如：应付账款、工单、合规性跟踪的电子表格。经过一年的客户项目交付，我们发现一个显而易见的规律：人工智能系统能否发挥其价值，几乎完全取决于用户是否愿意充分利用该工具，而工具本身的优劣则相对次要。

本文分享了我们参与的一个项目：为我们的客户 Vision Green Pte Ltd 构建 AP/AR（应付账款/应收账款）自动化系统，从探索阶段到实施后的审查。

Lynqra 是 OnlyVenture 的技术赋能合作伙伴。OnlyVenture 与创始人及管理团队合作，致力于组织和领导力转型。Lynqra 则构建变革所需的工具。从业务设计咨询到数字化交钥匙运营流程实施，我们为客户提供无与伦比的综合价值。

为什么“人工智能准备度”通常会被错误评估

当中小企业问自己是否“准备好迎接人工智能”时，他们通常指的是：我们是否拥有干净的数据、完善的技术架构和充足的预算？这些固然重要，但却是相对容易解决的问题。真正的难题在于员工的行为习惯。这关乎当智能的系统能够取代繁重的工作时，那些目前从事人工操作的员工是否真的会放弃旧做法。

关键在于所有权，而非组织架构中的职位。关键因素并非创始人或经理在推动推广，而是推动者是否有权力和意愿真正淘汰人工流程，而不是将其作为人们默默沿用的备用方案。在小型创业公司中，这个人通常是创始人。在规模更大或部门划分更细致的组织中，只要其他领导团队成员公开支持，运营主管或部门负责人也完全可以胜任。

阻碍系统采用的并非组织架构，而是模糊性。如果员工感觉旧方法仍然被默许，他们往往会回归熟悉的方式。负责推广的人员需要获得授权或明确的支持来弥合这种差距。成功的企业通常会根据负责人拥有的组织权限来制定推广计划。权限较小的人员需要更多的组织架构来弥补：更清晰的标准操作程序 (SOP)、更全面的培训，以及在手动流程关闭前更长的并行运行期。在探索阶段对这一点判断失误，是自动化项目在开局良好后停滞不前的最大原因。

案例研究

Vision Green Pte Ltd 是一家总部位于新加坡的公司，其财务运营（包括应付账款和应收账款）主要依赖人工处理文档。员工需要手动从发票和送货单上提取数据，进行交叉核对，然后将数据重新录入跟踪表。这种工作方式难以随着员工人数的增加而扩展，并且随着工作量的增加，更容易出错。

下图展示了人工智能工具的设计流程：

发现

最初几周的重点不是人工智能模型，而是绘制应付账款和应收账款在日常业务中的实际流转过程。包括哪些文件被接收，格式如何，由谁经手，人工标记和交叉引用发生在哪些环节，以及错误通常出现在哪些地方。

早期出现的一个问题对整个构建过程产生了深远的影响。底层数据模型中源文档和项目级记录之间存在多对多关系，而最初的工作流设计并未考虑到这一点。在编写任何自动化逻辑之前解决这种结构性不匹配问题，是探索阶段就必须做出的决定，而不是后期修补的。在白板上修复这个问题成本不高，但一旦工作流上线运行，修复起来就非常昂贵了。

探索过程还意味着要确定 Vision Green 中谁将负责系统的日常运营，因为所有权问题会影响到之后整个推广计划的架构。

设计与实施

与其深入探讨具体的工具，不如描述流程更有用，因为这才是真正决定企业是否能从中受益的关键。

核心自动化流程的工作原理是扫描收到的应付/应收账款单据。系统会提取并读取相关字段，然后对这些字段进行标记并交叉引用，最终将结果实时更新到一个数据集中。员工可以通过简洁的仪表盘查看状态，无需再费力翻阅电子表格；他们还可以通过对话式查询记录，而无需手动搜索。

由于必要性，构建过程本身就是一个迭代的过程。每个版本的自动化逻辑都使用实际文档（而非测试数据）进行测试和完善，因为格式不一致的问题只有在处理企业实际生成的纸质文件时才会显现出来。从一开始就定下的目标是：减少大约 70% 到 80% 的人工文档处理工作量，而不是 100%。异常处理和特殊情况仍然需要人工审核。这款人工智能工具足以从根本上改变应付/应收账款部门的工作内容。

实施后：演示和评估

MVP（最小可行产品）已交付并直接向团队演示，不仅包括最初的支持者，还包括那些实际会每天使用该系统的人。演示环节是对所有权问题进行实践检验的地方：领导层（无论担任该角色的人）是否会将新的仪表盘视为新的默认系统，还是会将其变成一个员工可以悄悄避开的平行系统？

坦诚地说，大多数案例研究都忽略了这一点。像这样的自动化项目并非在最小可行产品（MVP）阶段就“完成”了。70%到80%的成功率是根据已完善的数据模型和实际文档来衡量的。在系统完整运行并由团队自主使用之前，这个数字是不能理直气壮地宣称的。正因如此，实施后的评估与系统构建本身同样重要：使用模式、异常率，以及员工是否会在无人监督时悄悄地切换回旧的电子表格。只有通过这些评估，才能真正了解系统部署是否成功。

如果你正在评估人工智能在自身业务中的应用，这意味着什么？

在评估供应商或工具之前，请诚实地评估自己和你的领导团队。

1. 谁来停止沿用旧流程？这个人是否有决心让新流程真正落地？如果答案不明确，那就需要制定一个更长、更系统的过渡期。

2. 你的数据实际出错的地方在哪里？而不是你假设出错的地方。在编写任何自动化逻辑脚本之前，先评估实际文档和极端情况，以便及早解决任何数据模型问题。

3. 您设定的自动化目标应该是多少？完全消除人工操作很少是真正现实的目标。对于大多数文档密集型的中小企业工作流程而言，减少 70% 到 80% 的人工操作是一个合理且可实现的目标。

4. 你们的实施后评估真的会进行吗？大多数中小企业把“上线”当作终点。而真正能从中获益的企业，则把“上线”视为评估期的开始。

   
   

归根结底，人工智能准备情况并非一份清单所能概括。它是一项领导决策，体现在组织在最初实施后的几周内的实际运作方式上，而此时最初的兴奋感早已消退。

本文由 Lynqra 创始人 Mark Tan Li Jie 撰写。请在LinkedIn上与他联系。