给100个人泡面:事务所AI开发为什么需要工程化思维
事务所AI开发需要工程化思维:当任务从单份底稿扩展到批量处理时,须重新拆解流程,明确每一步的输入、规则与验收标准。过程中需要类似产品经理的角色统筹需求与流程,区分AI辅助理解、程序执行规则与人员专业判断的边界,并通过一份、十份、百份的递进验证完善批量能力。AI应用的价值应体现在剥离重复劳动,让审计人员回归风险识别与专业分析。
继续上次的话题...
肚子饿了,想吃泡面。一个人吃,选个口味,打开盖子,加水,等一会儿。想吃硬一点就早点吃,觉得淡了就再加点调料。很多决定,可以边做边完成。
现在把任务换成:给100个人泡面。
有人要辣的,有人要清淡的;有人喜欢偏硬,有人喜欢软一些;还有人要求先拿到。面可能都泡好了,却出现口味拿错、有人漏领、最后几份等得太久的问题。
这时,“会泡面”只能解决其中一部分。我们还要组织需求、安排工序、协调资源、检查结果,并处理例外。
事务所开发AI应用,也会经历类似的变化。从处理一份材料,到处理100份底稿,决定工具能否稳定使用的因素,逐渐扩展到整个业务流程。
图1:数量增加以后,需求差异、制作顺序和交付对应关系都需要有人组织。
一、100份任务,传统方式同样需要工程化
假设完全采用人工操作,100份泡面也需要分工。有人记录需求,有人准备材料,有人制作,有人发放。各自做得熟练,但因为交接时,口径和理解的差异仍然可能在交接处出现遗漏。就比如通知放调料的人,“有10个人吃辣,但是不要太辣”,10个人吃辣是一个明确的条件,但是“不要太辣”对于一个江西人和一个广东人,理解可能会存在很大的差异...并不是没有交代,而是交代的标准并不是一个明确可清晰的标准。
工程化思维解决的,就是这些连接问题:把任务整理成有明确输入、输出、责任和检查方式的流程,让不同环节能够衔接。
传统人工操作中,很多连接依靠人的经验。工作人员听到“和上次一样”,可能知道对方要什么;看到某一份已经放了调料,就会接着加水;发现队伍变长,也会临时调整分工。
这些判断有用,却经常没有写下来。工作一旦交给程序、设备或AI,原来由人补足的条件,就需要逐项明确。
因此,工程化的需要首先来自任务规模、差异和协作。AI参与以后,原有经验还需要被转成机器能够使用的信息。
二、AI加入以后,工作怎样发生变化?
为了说明清楚,可以比较三种操作模式。
| 操作模式 | 任务如何完成 | 需要设计的条件 |
| --- | --- | --- |
| 传统人工操作 | 人询问需求、制作、交付,遇事凭经验调整 | 分工、交接、统一做法和检查机制 |
| 固定规则自动化 | 程序或设备按预设选项与参数执行 | 输入格式、适用范围、执行参数和异常出口 |
| AI参与的流程 | AI辅助理解表达、整理信息,程序与设备执行明确动作,人员确认必要事项 | 理解结果的确认、不同工具的衔接、结果检查和人工介入条件 |
这三种模式可以同时存在于一条流程中。例如,用户说“比上次硬一点”,AI可以辅助理解和澄清;确认后,系统应形成明确的制作选项,而不是把这句话原样传给计时设备。
如果没有上次记录,或者“硬一点”还无法对应到制作条件,就需要补充确认。理解一句话,只完成了从表达走向执行的一部分。
还要区分工具的职责:AI处理信息,程序执行规则,开盖、加水等物理动作需要适配的设备。放到事务所也是如此。AI可以辅助阅读和归类,明确的计算可以交给程序,资料缺失和口径冲突需要专门处理。把这些环节接起来,才能形成完整应用。上一篇文章里其实提到了关于开发方向的选择,总结起来大致长这个样子...
以泡面而言,打开盖子就属于“高重复、低不确定性”,“少辣、加个火腿肠,要王中王,再打个鸡蛋,要流心的,面不要太软”就属于“低重复、高不确定”...所以,在开发任务动手前,客观的评价任务适不适合交给Ai做,可能比开发任务本身更重要...
事务所作业Ai化是一个必然趋势,但是这个过程中会受“开发周期”和“实际增效成果”两个维度影响,对于理性的人而言,开发周期短 X 增效成果显著 这两个特征应作为第一梯队的选择,当然,这两个要素其实和上面提到的重复度、不确定性在某种程度上来看是趋同的。
三、有人需要承担“产品经理”的职责
“给100个人泡面”是一个目标,距离可执行方案还有一段距离。
这100个人同时领取,还是分批领取?提供多少种口味?软硬程度是否允许任意描述?遇到缺货能否替换?速度、口感和成本发生冲突时,怎样取舍?
这些决定会改变流程。允许无限种个性化要求,就需要更多确认和分支;提供有限选项,则可以减少执行差异,但也需要说明服务范围。对于事务所而言,就像是选择“大而全”还是“小而精”,是做上层建筑还是做经济基础?
因此,需要有人站在整个任务的角度,把用户需求、执行条件和验收方式衔接起来。这就是类似产品经理的角色。
这个角色要做的不仅是收集意见,还要作出具体设计:哪些需求必须满足,哪些可以转成选项,哪些交给人工;每一步由谁执行;什么结果算完成;出错后怎样继续。
例如,可以将第一版范围定为:提供固定口味选项,软硬设置为“偏硬、适中、偏软”,对于上述标准需要有明确的可执行方案,比如偏硬煮2分半,适中煮3分,偏软煮3分半,如果缺少可执行方案,标准定的越细,反而越不具有可行性...就像上面的矩阵,过多的要素考虑,反而可能会让“低不确定性”变成“高不确定性”,所以这个过程中需要有一个人对标准进行明确的判断,保证必要的工序不确实,也可以形成可操作的落地方案。
图2:统筹需求的人,需要把用户表达转成输入、规则和验收要求,并确定各类工具与人员的分工。
四、拆解工序,减少每一步需要考虑的变量
可以把100份泡面的流程拆成:
收集需求 → 确认订单 → 分组排程 → 取面 → 开盖 → 放调料 → 加水 → 计时 → 核对交付 → 收集反馈。
拆解后,不急着给每一步加AI。先检查:这一环节需要什么信息?执行什么动作?完成后交出什么?怎样判断做对了?
以“开盖”为例。
工作人员已经按订单取对了泡面,接下来需要把盖子打开。用户喜欢偏硬还是偏软,并不会影响开盖这一动作;口味选择已经在取面环节处理,也无需在开盖时重新判断。
但包装规格、封口方式、容器是否破损,仍然影响开盖。如果一个杯面在开盖前边上已经破了个大洞...那应该重新进行选择,而不是仍然按照流程开盖。对于事务所而言,“破洞”就好比是一项底稿质量缺陷,但是需要有人去定义什么是“破洞”,才能保证先识别“破洞”,避免在后续流程中,因“破洞”导致工作流发生执行缺陷。
图3:口味差异如果伴随包装变化,应保留包装信息;移除的是与当前动作无关的偏好信息。
减少变量,可以采用四种办法:移除与当前步骤无关的信息,统一能够统一的条件,把必要差异变成明确参数,以及将特殊情况单独处理。
用户的软硬偏好仍然保留在订单中,到了制作和计时环节再使用。拆解的价值在于,让每一步只处理它负责的条件。
同时,步骤应拆到能够独立执行和检查的程度。过于细碎的拆分反而会增加难度,毕竟不会有人把泡面掰碎了再泡....
五、哪些交给机器,哪些需要人参与?
口味和软硬包含个人偏好,需要用户表达。但偏好经过确认以后,其中一部分可以转成机器执行的参数。
想前面写到的,例如“偏硬”可以成为一个选项。除了考虑对应多少制作时间,可能还需要结合面品、水温、水量等条件试做校准。但是,人需要做出判断的是,每一项要素会增加的工作量,以及这些工作量是否可以交由机器执行,增加一个要素,可能会提升10%的口感,但是会增加200%的工作量,那这个要素本身可能并不能作为一个不可或缺的要素来进行考虑。
这也说明,人参与的位置可以分层:制作前确认选择,执行中处理例外,制作后评价体验。已确认的同类选择,无需每一步都重新询问。
| 工序 | 可交给机器的部分 | 仍需人参与的情况 |
| --- | --- | --- |
| 确认需求 | 收集表单、检查缺项;AI辅助整理自由表达 | 用户作出选择,确认含糊或特殊要求 |
| 生成订单 | 编号、绑定领取信息,按容量和时序安排批次 | 决定临时优先级,处理资源冲突 |
| 取面与开盖 | 在可适配的条件下取料和开盖 | 补货,处理破损及不兼容包装 |
| 放调料、加水 | 按确认的参数执行,记录状态 | 处理特殊要求和设备异常 |
| 计时 | 使用经过校准的参数计时、提醒 | 首次校准,处理明显偏差 |
| 核对交付 | 标识订单,核对编号,登记完成状态 | 处理错领、无人领取和遗漏 |
| 收集反馈 | 汇总评价,辅助发现重复问题 | 用户评价口感,负责人决定是否改规则 |
这些是自动化设计的候选范围。某一步能否落地,还取决于现有设备、输入质量和检查能力。
100份任务还有一个容易忽略的问题:各步骤单独正确,整批任务仍可能失败。例如过早完成最后才领取的泡面,等待本身会改变口感。排程需要同时考虑制作和交付,验收也应覆盖整批数量及人员对应关系。
工程化既要看每一步,也要看整条流程。
六、换成100份审计底稿,同样的问题仍然存在
假设我们希望开发一个工具,批量复核100份审计底稿。首先需要明确“复核”的含义:检查计算,核对跨表数据,检查内容完整性,还是辅助评价程序与结论之间的对应关系?
这些要求对应不同输入、规则和验证方式。只给AI一句“帮我复核底稿”,很难据此设计稳定的批量流程。
泡面案例可以提供一组对应关系:
| 泡面任务 | 底稿复核中的对应事项 |
| --- | --- |
| 确认口味、软硬和领取时间 | 明确复核范围、项目口径和输出要求 |
| 识别包装规格 | 识别文件格式、工作表、表头和字段 |
| 按订单取面、准备制作 | 读取文件、定位内容、整理待检查数据 |
| 按参数加水、计时 | 执行明确的计算和检查规则 |
| 核对订单与领取人 | 将发现对应到文件、位置和来源 |
| 处理缺货和破损 | 处理资料缺失、文件损坏和口径冲突 |
| 评价口感并调整 | 人员复核发现,结合证据作出判断,改进工具 |
图4:两套流程具有可类比的组织方法。底稿复核仍须按具体项目和专业要求设计,不能直接照搬泡面规则。
明确的计算与固定规则可以由程序执行,文字理解和内容归类可以由AI辅助,涉及证据充分性、风险判断与最终结论的事项,需要具备相应职责的人员复核。
这里的产品经理职责,要把“检查得全面一点”转成具体范围,把“发现问题”转成可追溯的输出,并区分已确认问题、疑点和无法判断的事项。
执行环节也需要状态。例如每份文件标记为“完成、需确认或失败”,失败原因可以追溯。AI输出需要检查必要字段和来源对应关系;格式完整之后,还要核对内容是否有依据。
这样,100份文件处理完毕时,负责人能够知道哪些完成了、哪些需要确认、哪些尚未完成。批量任务才有清楚的结束条件。
七、先跑通一份,再验证十份,最后处理100份
开发可以从一个边界清楚、重复出现的任务开始。
先用一份样例,确认输入、工序、输出和验收标准。接着选十份具有差异的样例,检查不同格式、缺项和例外。最后扩展到100份,验证遗漏检查、批量排程、失败记录和恢复处理。
“一份、十份、100份”表达的是逐步扩大范围的方法,具体数量可以根据任务风险和差异调整。普通样例之外,还应包含已知异常和需要人工确认的情况。
每一步都可以问四个具体问题:
- 需要什么信息才能开始?
- 由谁执行,哪些条件已经明确?
- 怎样确认结果正确、任务完成?
- 出错或无法判断时,交给谁继续处理?
事务所开展AI开发,需要用工程化思维重新组织工作。传统作业模式好比让100名员工各自泡面,每个人都要完成从准备到交付的整套流程。引入AI后,应当重新拆解任务,明确各环节的输入、规则和验收标准,将机器能够重复执行的步骤从人工工作中剥离出来,形成共同使用的执行流程,把需要专业判断、沟通协调和异常处理的工作交给人员负责。如果只是让100名员工各自使用AI辅助原来的操作,信息收集、流程衔接和结果检查仍由每个人重复承担,事务所依然容易延续劳动密集型的作业模式。因此,AI开发需要同时调整岗位职责和项目组织形式:有人统筹需求与流程设计,有人维护规则和工具,有人复核结果并作出专业判断。随着人机分工和协作关系发生变化,原有的工作安排也需要相应调整。AI应用的价值,应体现在减少重复劳动、释放人力,并让员工将更多时间投入风险识别、专业分析和客户服务,创造更有价值的工作成果。
至少我一直有个很天真的想法,ai的应用可以让事务所不再为那些会计责任、统计工作所制约...真正回归到审计责任的工作之中...这一天或早或晚...
来源:田川不是四川 · 微信 · mp.weixin.qq.com