第 12 讲　AI、规则引擎和人工审批如何分工

上一讲讲到 AI 可以从”只读”走到”执行”，一旦碰”执行”，那个让所有管理者睡不着的问题就来了：AI 会犯错，怎么敢让它办事？这一讲给出答案。核心判断：企业 AI 敢不敢上线，不取决于模型多强，而取决于你有没有想清楚——哪些事交给规则、哪些事交给 AI、哪些事必须留给人。用错了分工，AI 越强，闯的祸越大。这是整个第三部分的”总开关”。

那个卡住所有项目的问题

前面几讲讲的都是 AI 能创造多大价值。但每次真到要上线的临门一脚，管理者心里都会冒出同一个问题，而且往往就是这个问题，让项目卡在最后一步：

“万一它出错了，怎么办？”

这个担心一点不多余。第 1、4 讲反复讲过，大模型有个改不掉的毛病——它会一本正经地胡说八道。一个会胡说的东西，你敢让它直接给客户报价吗？敢让它直接批款吗？敢让它直接改财务数据吗？

不敢。

但如果因为这个就什么都不敢交给它，AI 又等于白做——投入打了水漂。

这个两难，几乎卡住了所有认真想上线的企业 AI 项目。而破解它的钥匙，不是”把模型调得更准”（你永远调不到 100%，这是它的原理决定的），而是设计一套合理的分工：让 AI 只在它该待的位置上干活，把它不该碰的事，交给更靠谱的机制。

想清楚这套分工，你就同时拿到了 AI 的效率和企业的安全。这一讲，我把它讲透。

企业里其实有三种”干活的方式”

要设计分工，先得认清：企业里处理事情，其实同时存在三种机制，各有各的脾气。它们分别对应第 3 讲讲过的规则（工作流）、大模型、和人。

第一种：规则（规则引擎/工作流）

特点：确定、可靠、绝不变通。

“报销超 5000 需总监批""这两个配置不能同时选""合同必须含保密条款”——这类事有明确的、非黑即白的判断标准。用规则来处理，它永远不出错，永远不会”灵机一动”乱来，而且又快又免费。

短板：死板。 它只能处理”事先想到并写死了的情况”,遇到没预设过的模糊状况就抓瞎。

第二种：AI（大模型）

特点：擅长模糊、非结构化、需要归纳判断的事（第 4 讲讲透了）。

短板：不保证精确、会犯错、不能负最终责任。

第三种：人（人工审批/裁决）

特点：能负责、能承担、能处理真正的例外和高风险裁决。

短板：慢、贵、有限。 人是最宝贵的资源，所以要用在刀刃上，不能滥用。

企业 AI 做得好不好，本质上就是这三种机制的分工设计得好不好。 分工对了，系统又快又稳又安全；分工错了，要么死板得没价值，要么危险得不敢用。

三条分工原则

那具体怎么分？三条原则，简单但极其管用。

原则一：确定性的事，交给规则，别让 AI 碰

凡是有明确标准、非黑即白的判断，一律用规则，不要交给 AI。

这是很多人会犯的错——觉得 AI 这么聪明，索性什么都让它来。结果让 AI 去判断”这笔报销超没超标”,它偶尔算错、偶尔”通融”,反而不如一行死规则可靠。

能用规则解决的，就是不该用 AI 的。 规则又快又准又免费又不会犯错，为什么要让一个会胡说的东西去做？

原则二：模糊的事，交给 AI，但只让它”建议”,不让它”拍板”

那些没有标准答案、需要理解和归纳的事——读懂客户的模糊需求、从一堆信息里提炼要点、判断一个情况大概属于哪类——交给 AI。

但关键是：让 AI 输出”建议”和”初稿”,而不是直接生效的”结果”。 AI 说”我建议这样报价""我认为这份合同有这几处风险”,然后由规则去校验、由人去确认。AI 负责”想”,但不负责”最终拍板”。

原则三：高风险的裁决，永远留给人

凡是”错了后果严重、涉及重大利益、需要有人负责”的决定——大额付款、对外承诺、合规裁决、人事决定——必须由人做最终确认。

这不是不信任 AI，而是责任必须落到一个能负责的人身上（第 4 讲讲过：AI 不会为后果负责，签字的还是人）。所以高风险环节的”确认权”,无论 AI 多准，都不能交出去。

那个万能结构：AI 建议 → 规则校验 → 人工确认 → 系统执行 → 全程留痕

把三条原则合起来，你会得到一个几乎适用于所有企业 AI 场景的黄金结构。我把它拆开讲一遍，用”销售报价”串起来：

1. AI 建议：AI 处理模糊输入，给出判断或初稿。销售用大白话描述客户需求，AI 生成一份报价方案。
2. 规则校验：用确定性规则，检查 AI 的建议有没有违反硬约束。报价有没有低于底价？配置有没有冲突？这一步能自动拦住 AI 大部分”离谱”错误。
3. 人工确认：把经过校验的建议，交给有权限的人（资深售前）过目、确认或修改。人是最后一道闸门。
4. 系统执行：确认之后，系统才真正落地——写进 CRM、生成正式报价单。
5. 全程留痕：整个过程谁做了什么、依据什么，全部记录，可追溯、可审计（第 10 讲第五层）。

这个结构的妙处在于：它同时拿到了 AI 的效率、规则的可靠、人的责任。 AI 把 90% 的活儿干了，规则挡住大部分错误，人只需在最后花几秒确认——既快，又安全。

关键：分工是”逐步放开”的，不是一成不变

这个结构还有一个极其重要的动态特性，呼应第 11 讲的推进路径：人工确认的比例，可以随着信任积累而逐步降低。

• 一开始：所有 AI 建议都要人工确认。你在观察 AI 到底靠不靠谱。
• 一段时间后：你发现某一类简单情况，AI 建议的准确率稳定极高、且出错也无所谓——就可以让这类情况”自动通过”,人只做抽查。
• 始终不变：高风险的那部分，永远保留人工确认。

信任是一步步长出来的，不是一开始就给满的。 这条动态原则，让你既能在稳的前提下起步，又能随着经验积累不断提高效率。

一个必须记住的反面案例：不要让大模型”算账”

我要专门讲一个最典型的分工错误，因为它太常见、教训太深刻。

我们见过一个团队，特别迷信大模型，想做”经营分析助手”——老板问一句”这个月哪个产品线亏了”,让 AI 直接算出结果回答。他们的做法是：把一堆财务数据丢给大模型，让它自己算。

结果是灾难性的——大模型算账会出错，而且错得极其隐蔽：每个数字看起来都对，一加总就不对。 老板要是信了一个错误的数字去做决策，后果不堪设想。

错就错在分工上：“精确计算”是确定性的事，应该交给代码和数据库（规则那一类），而不是交给大模型。

正确的分工是：

• 老板那句模糊的话（“哪个产品线亏了”到底什么口径），由 AI 理解；
• 具体数字，由 数据库精确计算；
• 算出的结果，再由 AI 解释成人话（“C 产品线本月毛利为负，主因是原材料涨价”）。

AI 负责”听懂”和”解释”,数据库负责”算准”。 让 AI 干它擅长的语言活，让计算干它擅长的精确活。混为一谈，就出大事。

这背后是一条通用的告诫：不要让大模型去代替所有业务逻辑。 它是个好帮手，但硬把它塞进它不擅长的位置（精确计算、确定性规则），是很多项目翻车的根源。你的系统里，该是代码的地方就用代码，该是规则的地方就用规则，AI 只待在”处理模糊信息”的那一格里。

一张分工速查表

给你一张表，帮你给常见环节快速定位分工：

环节	交给谁	为什么
理解客户的模糊需求	AI	模糊、语言类，AI 主场
计算金额、汇总数据	规则/代码	需要精确，AI 会算错
判断是否超预算/超权限	规则	有明确标准，非黑即白
起草方案、报价、合同	AI（出初稿）	生成类，人再确认
检查是否违反硬性约束	规则	确定性校验
大额付款、对外发送、合规裁决	人	高风险，需担责
把结果解释成人话	AI	语言类，AI 主场
处理没预设过的特殊例外	人	需要真正的裁量

给管理者的行动建议

• 上线前，先画一张”分工图”。 把场景里每一步都标清楚：这步用规则、这步用 AI、这步必须人工确认。这张图画不清楚，就不该上线。
• 默认”AI 建议 + 人工确认”起步。 除非某环节确实简单、低风险、验证过准确率高，否则一律先保留人工确认。
• 守住”高风险必须人工”的底线。 大额、对外、合规、人事——最终确认权无论如何不交出去。
• 警惕”什么都让 AI 做”的冲动，尤其是算账。 精确计算、明确规则，交给 AI 是降级。这条错误最典型，一定避开。
• 把”人工确认比例”当成一个可以随时间下调的旋钮，而不是固定值。 信任够了、数据够了，再逐格放开。

小结与下一讲

企业 AI 能不能安全落地，是个”分工够不够清楚”的管理问题，不是”模型够不够强”的技术问题。三种机制各司其职：确定的交给规则，模糊的交给 AI（只建议不拍板），高风险的留给人。用”建议→校验→确认→执行→留痕”这个万能结构，并让人工确认比例随信任逐步下调。记住那条铁律：别让大模型算账，别让它代替所有业务逻辑。

分工讲清楚了，我们回过头补上第三部分一块重要的地基——前面反复提到”知识库”，但一个真正能支撑起这些应用的企业知识库，到底该怎么建？它绝不是”把文件传上去”这么简单。下一讲，我们把知识库的建设方法讲透。