XBP Global CEO Andrej Jonovic 访谈：智能体 AI 如何落地关键任务流程

Andrej Jonovic 是 XBP Global 的首席执行官。XBP Global 是一家跨国技术和服务公司，专注于关键任务型企业工作流。XBP Global 正在医疗、公共部门和金融服务等受监管环境中应用智能体 AI，在这些环境中，精确性、安全性、数据主权和可审计性至关重要。在本次访谈中，Jonovic 讨论了自适应流程编排、开放权重模型、智能文档处理、人工裁决，以及如何将 AI 从一项技术能力转化为可衡量的运营成果。

您的职业生涯始于交易律师，之后转向并购、企业转型，最终领导 XBP Global。这段背景如何塑造了您评估在关键任务工作流中部署人工智能时的治理、商业风险和组织影响的方式？

我倾向于先从运营模式来看 AI。由于从事过交易和转型工作，你会习惯于追问：一旦越过演示阶段开始执行，这个结构是否真的站得住脚。

这一点在 AI 领域变得非常重要，因为一个模型可以单独表现出色，却仍然产生糟糕的运营结果。在医疗、公共部门和银行业，处理精度、监管合规和可审计性都是不可妥协的。你必须了解数据存放在哪里、系统被允许做什么、决策如何被控制，以及在大规模运行该工作流时成本基础是什么样。

治理必须被设计进这一架构之中。我想知道模型在哪里运行、哪些信息跨越企业边界、审计轨迹中记录了什么，以及当工作流到达需要不同控制级别的决策时会发生什么。

这大概就是我的背景影响最大的地方。我通常对技术在受控演示中能做什么不太感兴趣。我想知道的是，你是否能把它放进关键任务流程中并依赖它。

XBP Global 将智能体 AI 描述为对传统基于规则的自动化和机器人流程自动化的演进。当一个工作流从遵循预定义指令转变为使用能够推理、决策和协调多项任务的 AI 智能体时，技术上会发生什么变化？

架构变得更加自适应。

传统工作流自动化是确定性的。你有规则，你知道下一步会发生什么，并且随着流程变得更复杂，你会硬编码更多逻辑。这对于可预测的工作非常有效。困难出现在规则数量变得极其庞大，或者流程变化速度快于系统重建速度的时候。

我们现在做的是自适应流程编排。你可以在需要精度和合规的地方保留确定性规则引擎，然后在工作流中推理能增加价值的部分引入智能模型。智能体可以协调任务、访问信息并选择下一步行动，而无需有人硬编码流程中所有可能的路径。

另一个变化是底层模型变得更加可替换。我们看到企业级开放权重模型正在非常快速地改进。如果流水线设计得当，你可以随着生态系统的发展集成更强的模型，而无需围绕它重建整个运营流程。

所以我认为，重要的技术资产正日益变成工作流本身：模型周围的编排、领域知识、控制和数据。

许多公司正在试验 AI，但难以从试点走向生产。阻碍企业大规模部署智能体工作流的最常见架构或组织障碍是什么？

客户正在走出试验阶段。他们看过演示，也听过非常激进的 ROI 承诺。到了某个时候，总得有人把技术放进真实流程中并让它运转起来。

这正是架构变得困难的地方。生产工作流必须与公司已有的环境连接。敏感信息可能需要留在私有云或本地部署中。仍然必须访问现有系统。必须满足监管要求。经济性也必须在企业规模下成立。

我们最近赢得了一个围绕全球航空公司机队维护生命周期的项目。每个维护项目都将被向量化，并存储在客户私有云内的私有向量数据库中。智能体基础设施管理对这些信息的访问，并在飞机退租或出售时支持记录的重现。

这与证明模型能够回答关于飞机记录的问题是非常不同的问题。你面对的是整个运营环境，涉及数据控制和一个必须反复运行的流程。

从组织层面看，差距通常在于归属权。必须有人足够深入地理解流程，才能界定“生产”究竟意味着什么。没有这种运营纪律，试点可以长期保持亮眼，却始终无法真正发挥作用。

XBP Global 将自动化与人在回路中的监督相结合，尤其针对高后果决策。你们如何确定哪些决策可以由 AI 系统自主执行，哪些环节必须保留人工判断？

我们围绕裁决来设计人的角色。

在高后果工作流中，通常有大量工作可以以很高的置信度通过流水线处理。然后还有一些边缘情况，信息不完整、情形不寻常，或者答错的后果过于严重。

当流水线遇到这类情况时，会把事务路由给领域专家。由该专家解决，然后判断结果可以回流到系统中，使模型持续改进。

我认为这个反馈回路很重要。当人工监督能随着时间推移改进工作流时，它才更有价值。专家把领域知识带入模型仍然需要它的那些案例中。

自主性阈值也在很大程度上取决于环境。医疗裁决、公共部门记录和受监管的金融流程，与低后果的内部任务有着不同的要求。可接受的置信水平必须反映系统采取行动后该决策实际产生的影响。

你们的客户在受监管行业和公共部门运营，数据主权、安全性和可审计性至关重要。组织如何在受保护环境中部署大语言模型，同时不损害这些系统之所以有用的能力？

开放权重模型正在相当显著地改变这个问题的答案。

很长一段时间里，人们有一种假设：要获得最佳模型性能，就意味着把信息发送到别人的环境中。当数据必须留在企业边界内时，这就会造成明显的问题。

我们现在可以拿企业级开放权重模型，把它们集成到已部署的智能体流水线中，同时把数据保留在客户的环境中。这可能意味着私有云或本地基础设施，取决于具体要求。你仍然能受益于更广泛模型生态系统的进步，同时保持组织在数据主权方面所需的控制。

架构也必须能够变化。没有理由假设今天的模型会一直是某个特定任务的最佳模型。我们的训练协议经过设计，使我们能够快速将新模型集成到现有流水线中。

对于受监管客户来说，这种灵活性极有价值，因为工作流可以持续改进，而数据边界保持完整。这也是开始满足《欧盟人工智能法案》等要求的方式，而不是把合规当作技术部署之后才追加的东西。

大量企业信息仍然被困在文档、图像、遗留系统和物理记录中。智能文档处理正在如何演变，它在把碎片化数据转化为 AI 智能体能够可靠使用的信息方面扮演什么角色？

我认为智能文档处理正在成为智能体工作流基础设施的一部分。

过去，很多文档处理是模板驱动的。你知道文档长什么样，你知道想要哪个字段，系统就把它提取出来。企业信息很少那么干净。仅医疗领域就可能涉及 EOB、复杂往来函件、理赔信息和以不同格式到达的记录。

更新的方法具有更强的上下文感知能力。你可以接收非结构化信息，理解其中哪些是相关的，并将其转换为下游系统实际可用的结构化输出。这很重要，因为如果底层信息不完整或被错误解读，智能体就无法可靠地编排工作。

规模也会改变问题。我们运营的环境处理海量图像、理赔、支付交易和其他文档。在那个层面上，提取质量的微小差异会变成非常大的运营问题。

因此，IDP 日益位于智能工作流的前端。它把碎片化信息转化为可用数据，为流程的下一环节提供可靠依据，并为下游更多自动化奠定基础。

XBP Global 讨论了将传统的、基于规则的流程迁移到智能体 AI 流水线，并实现更高水平的一次通过解决率。一个 AI 系统在能够交付可靠结果之前，必须对组织的流程、例外情况和机构知识有哪些理解？

大量机构知识从未被整理进一份清晰的流程文档中。

它存在于旧系统、规则集以及多年来操作该流程的人员的判断之中。他们知道哪些信息重要、在特定情况下适用哪条规则，以及当错误决策发生时下游会发生什么。

当你迁移这项工作时，必须保留这种操作知识。在我们的领域，这通常意味着将确定性逻辑与 AI 相结合，而不是假设所有规则都应立即消失。在受监管工作流的某些环节，规则引擎极其有用，因为要求是精确的。在其他环节，智能模型可以更有效地处理变化。

领域专业知识会告诉你每一部分应归属何处。

这也是为什么一次通过解决率不能仅被视为模型分数。工作流必须产生一个能够经受流程下一步检验的结果。如果它在 downstream 某处制造了另一次升级，那你只是转移了问题，而不是解决了它。

系统必须足够理解流程，才能知道一次成功的交易从头到尾是什么样子。

XBP Global 不仅将自动化应用于客户运营，也应用于自身向 AI 优先运营模式的转型。把公司作为内部试验场让你学到了什么，你如何平衡生产力提升与员工发展和变革管理？

我们在这方面内部应用得相当激进，因为我认为当自身经济利益与结果挂钩时，你会学得非常快。

我们的 AI 优先自动化努力现在预计将产生 6500 万至 7500 万美元的年化运营效率，其中约 3500 万美元的收益预计将在 2026 年实现。第二季度人均收入达到约 89,000 美元，高于上一季度的约 82,000 美元，我们预计到年底将接近 100,000 美元。

这些是有用的衡量指标，因为它们告诉我们运营模式是否真的变得更具生产力。

对劳动力的影响是真实的。我们估计到 2026 年底全球员工人数将减少约 20%，因为我们正转向更高生产力的运营模式。变革管理必须承认生产力会改变人员配置需求。

与此同时，留在这些工作流中的人员必须变得更有能力。我们需要领域专家、架构师和运营人员，他们能够组织工作、评估输出并对更高价值的决策承担责任。

在我们自己公司内部运行这一转型，使讨论变得更加务实。你很快就能看出哪些自动化创造了持久的效率，哪些活动只是某个人更频繁地使用 AI。

企业 AI 项目往往通过演示而非可衡量的业务成果来推广。领导者应使用哪些指标来评估智能工作流，他们应如何考量准确性、例外率、处理时间、运营成本和风险降低？

我会从两个层面衡量工作流。

在运营层面，我想知道准确性、一次通过解决率、处理时间、例外数量和处理工作的成本。在受监管环境中，我还关心交易是否可审计，以及控制措施在规模化情况下是否始终成立。

然后我想看看这些改进是否传导到业务的经济效益。

在 XBP，我们第二季度调整后毛利率达到 24.9%，为迄今最高水平，同时人均收入增至约 89,000 美元。随着我们识别出更多自动化机会，我们的年化运营效率目标也上调至 6500 万至 7500 万美元。

这些指标告诉你的东西与基准分数不同。它们表明技术是否正在改变运营的成本结构。

一个工作流可能具有出色的模型准确性，但如果运行成本过高或产生过多人工返工，它仍然是一次糟糕的部署。我认为领导者需要全程跟踪结果。技术必须产生一种能在你可实际衡量的地方体现出来的运营效益。

展望未来，你认为智能体 AI 会继续作为附加在现有企业系统上的一层，还是会成为人员、软件、数据和业务流程交互的主要编排层？

我认为更多工作流将变得智能体化。

企业仍将拥有执行特定功能的系统、数据存储库和应用程序。改变的是工作如何在它们之间流动。智能体流水线可以检索信息、协调工具、触发操作，并确定一笔交易何时需要另一种类型的干预。

你已经在航空公司的例子中看到了这一点。维护记录存放在客户环境内的私有向量数据库中，而智能体层则管理在整个维护生命周期中如何访问和使用这些信息。

我预计这类编排会变得更加普遍。

底层模型将继续变化。开放权重模型正在快速改进，在我们今天使用的模型之后还会出现新一代模型。这使得编排层日益重要，因为企业需要在这些模型周围建立持久的东西。

如果你围绕流程、领域知识、安全要求和企业控制来构建流水线，你就可以在更好的模型出现时继续加以利用。我认为长期价值很大一部分将体现在这里。

感谢这次精彩的采访，希望了解更多信息的读者可以访问 XBP Global。