搜索凡得热点，探索行业资讯
流程大咖说 | Palantir的“阳谋”：如何同时拿下政府与商业两大市场？
一家公司的技术实力，最终需要通过其商业版图来验证。Palantir的扩张之路，堪称一场精心布局的“阳谋”。它并未选择两条截然不同的路径分别攻占政府与商业市场，而是采取了“以点带面、深度渗透”的策略，将一个领域验证过的核心能力，无缝迁移并适配到另一个领域，最终实现了两大市场的协同增长。 政府市场：从反恐利器到公共卫生中枢Palantir在政府领域的根基，始于反恐与情报工作。美国中央情报局的创业投资部门In-Q-Tel为Palantir提供了早期的资金支持，而如今，这个情报机构本身也成为了Palantir技术成果的试验场。兰利的分析师们发现，Palantir的技术能够帮助他们梳理那些每小时涌入系统的大量人类情报报告、信号拦截数据以及卫星图像。关于Gotham在战场上的高效表现，这一消息迅速传开了。2007年，驻伊拉克的第902军事情报小组开始使用该系统来追踪那些负责制造简易爆炸装置的犯罪网络。负责此次行动的一名中校后来表示，Gotham已经“变得与我们手中的步枪一样不可或缺了”。然而，Palantir在政府领域的真正“破圈”，是在2020年初新冠疫情暴发之时。各国政府和卫生系统都完全被这场危机的规模和蔓延速度所震惊。在英国，国家医疗服务体系（NHS）面临一些医院床位空置、而另一些医院病房却人满为患的困境。作为该医疗体系负责数字化创新的部门，NHSX聘请了Palantir公司来建立一个全国性的“统一数据源”。短短几周内，这套系统就整合了200多家医院的床位空缺情况、呼吸机库存信息以及医护人员排班表。在美国国内，美国卫生与公众服务部（HHS）采用了Palantir公司的Tiberius平台来管理稀缺医疗物资的分配工作。在国会听证会上，该机构负责人表示，正是Tiberius系统的帮助，才避免了“混乱的物流状况”，确保了一线工作人员能够及时获得必要的医疗设备。凡得科技认为，这次疫情应对是Palantir发展史上的一个关键转折点。它向世界证明，其平台不仅能服务于“硬核”的国家安全，更能灵活应对突发的、大规模的公共卫生危机。这种能力，为其后续在商业领域的扩张提供了无可辩驳的信誉背书。商业扩张：从华尔街到飞机库的深度赋能到了2010年代初，Palantir的软件在情报收集与国防领域已经证明了自身的实力，关于该公司技术能力的传闻也开始在企业的高层会议室中流传开来。2013年，摩根士丹利首次正式采用Palantir的软件：该公司与Palantir签订了一份为期多年的合作协议，决定在其财富管理业务部门全面部署Palantir的软件平台。Palantir的数据融合技术使得顾问们能够构建出一个统一、实时更新的客户端投资组合管理平台，从而制定出更加精细、更具针对性的投资策略。航空航天巨头空客也采取了同样的做法。通过将供应商的绩效指标、质量控制检查结果以及零部件运输记录整合到Palantir的平台上，空客成功发现了那些以往需要跨部门协作数周才能发现的瓶颈问题。后来，一位高管指出，Palantir提供的根本原因分析技术为A320发动机的大修工作平均节省了12天的时间——这种节省不仅体现在时间上，更体现在数百万美元的成本节约以及乘客满意度的提升上。在每一个项目中，Palantir的核心优势都体现在它将先进技术与特定领域的专业知识相结合的能力上。Palantir的团队深入到了摩根士丹利的财富管理团队、空客的飞机维修车间以及默克公司的研究部门中，与这些团队共同培训分析师、开发定制的工作流程，并不断优化用户界面，直到这些软件系统真正成为现有业务流程的有机延伸部分。客户们常常表示，这些软件“仿佛是专门为我们的需求量身定制的”，而非被强行套用到我们的系统中去。 共生模式：超越SaaS的深度绑定凡得科技洞察到，Palantir商业成功的核心，在于其超越了传统SaaS（软件即服务）的“许可销售”模式，转向了一种“共生关系”模式。Palantir并不出售软件许可证，而是选择深入到各个机构内部，改变它们的工作流程、培训员工，并重新制定相关操作规范。这种合作模式与其说是传统的SaaS服务模式，不如说是一种真正的共生关系。这种模式虽然前期投入巨大，销售周期漫长，但一旦建立，就构成了极高的竞争壁垒。客户依赖的不再是某个软件功能，而是整个由Palantir技术赋能的、经过深度改造的决策体系。这正是Palantir能够维持高客单价、高客户粘性，并最终实现持续盈利的根本原因。它用行动证明，在真正的企业级市场，深度比广度更重要，价值创造比流量获取更持久。
2026-04-13
流程大咖说 | 拆解Palantir：Gotham与Foundry如何成为数据世界的“操作系统”？
要理解Palantir如何征服从五角大楼到华尔街的复杂世界，仅看其前台的分析工具是远远不够的。在凡得科技看来，Palantir真正的架构智慧，在于构建了一个分层的“数据操作系统”。这个系统的前端是直接赋能分析师与业务人员的Gotham与Foundry，而确保这个系统能在任何严苛环境下稳定、安全、一致运行的“无形基石”，则是Apollo。01Gotham：为情报世界定制的“认知引擎”Palantir的第一个平台Gotham，其设计哲学源于一个紧迫的需求：在信息洪流中为国家安全分析师提供清晰的决策视野。它融合了数据采集、图形化展示功能以及协作式注释功能，将诸如通信记录、财务流水等原始数据转化为动态、可探索的关系网络。其革命性在于“在阅读数据时再确定数据结构”的设计理念，这赋予了分析师前所未有的探索自由，使其能跟随线索而非受限于预设的数据模型。在战场上，这种能力被评价为从“黑白画面”升级到了“高清画面”，证明了数据被正确整合后所能释放的变革性力量。02Foundry：企业数据的“统一话语体系”当Gotham在国防领域验证了其价值，Foundry则将同样的能力带给了商业世界。它专为解决企业数据孤岛而设计，通过一个统一的虚拟工作环境，整合来自ERP、CRM、物联网传感器等各异构系统的数据。Foundry的核心创新之一是构建了完整的数据溯源图，详尽记录每一份数据的来源、转换过程与访问历史。这不仅解决了技术层面的整合问题，更在企业内部建立了关于数据的信任与责任基石，使得基于数据的决策具有了可审计、可解释的坚实基础。03Apollo：跨越一切环境的“隐形指挥家”然而，无论是Gotham的战场洞察，还是Foundry的商业智能，其价值实现都有一个不可动摇的前提：平台必须能够在客户独特、复杂且高度敏感的环境中可靠运行。这正是Apollo肩负的核心使命——作为自动化部署与管理层，它确保了Palantir平台可以无缝桥接内外网、私有云和公有云。对于企业，特别是Foundry的落地而言，Apollo的作用至关重要。企业客户的数据环境往往是混合且受严格监管的：核心生产数据可能位于本地数据中心（私有云），部分协作与开发环境在公有云，而分析结果又需要安全地反馈给内部网络。Apollo通过其容器化编排能力，将Gotham和Foundry的所有服务封装成可标准部署的单元，并自动处理跨环境的配置、网络策略、安全证书及防火墙规则。这意味着，一家跨国银行可以利用Apollo，在法兰克福、新加坡和悉尼等不同法域，快速部署符合当地数据存储法规的Foundry实例，同时保持全球运营的一致性。更重要的是，Apollo扮演了关键的安全桥梁角色。在需要与外部网络隔离的保密环境（如政府涉密网络）中，Apollo能够管理经过特殊加固的本地化数据集群，这些集群配备了空气隔离加密技术、多因素认证机制以及严格的访问控制措施。它使得Palantir的平台既能满足公有云的敏捷性需求，又能坚守私有云及内部网络的安全红线，从而消除了企业（尤其是金融、医疗、政务等关键行业）在采用强大数据分析能力时最大的后顾之忧。04操作系统的力量从Gotham的灵活探索，到Foundry的严谨治理，再到Apollo的自动化与安全护航，Palantir构建的是一套完整、自洽的“数字化基础平台”。它之所以能同时服务国防与商业两大市场，不仅在于其前台工具的强大，更在于其后台架构深刻理解了企业现实的复杂性，并提供了跨越这一切的“操作系统级”解决方案。在凡得科技看来，这种将深度业务赋能与底层环境治理融为一体的能力，才是Palantir最难以被复制的核心壁垒。
2026-03-27
流程大咖说 | 从PayPal反欺诈到反恐前线：Palantir的诞生故事
在每一个伟大企业的背后，都有一段关于远见与坚持的创世神话。Palantir的故事，始于2003年斯坦福大学一间朴素的会议室，那里没有喧嚣的媒体，只有四位年轻人对未来的共同构想。他们分别是PayPal的联合创始人彼得·蒂尔、具有哲学素养的法学博士亚历克斯·卡普、天赋异禀的程序员斯蒂芬·科恩，以及擅长数据分析的乔·朗斯代尔。他们的目标，是将数据作为武器，用于全球反恐斗争中。从金融战场到反恐前线的理念迁移Palantir的核心理念，并非凭空创造，而是源自一次精妙的“跨界移植”。在PayPal初创时期，蒂尔和他的团队开发出了能够识别欺诈行为的算法——这些算法能够识别出一些异常现象，比如大量小额转账的集中出现，或是可疑的账户创建模式。到了2003年，蒂尔发现这一挑战在反恐领域也有所体现：情报机构面临着海量非结构化信息——这些信息包括被截获的电话通话记录、简短的现场报告以及机密电报。于是，蒂尔提议重新利用PayPal的异常检测系统，来识别人类网络中的异常行为。过去，敌人可能是那些窃取银行账户的黑客；而现在，敌人则可能是那些策划高价值攻击的恐怖分子。凡得科技认为，这种思维的跃迁是Palantir成功的基石。它揭示了不同领域复杂系统背后的同构性——无论是金融欺诈网络还是恐怖组织网络，其本质都是信息、节点与连接的异常模式。能够洞察这一本质，并果断地将成熟技术应用于全新战场，这本身就是一种超越技术本身的战略智慧。在“死亡谷”中淬炼信任然而，从原型产品发展到最终成品的过程却并非一帆风顺。Palantir将自己的软件推销给那些通常只与实力雄厚的国防巨头合作的企业。这些企业拥有雄厚的资金实力、稳定的合作关系，以及官僚主义的惰性。相比之下，Palantir这家初创公司尚未经过任何实际考验，规模较小，而且其员工普遍缺乏必要的安全审查资格。2005年初，在耗尽了蒂尔提供的初期资金后，这家公司陷入了困境。希望来得出人意料。美国中央情报局的创业机构In-Q-Tel听说了Palantir公司的演示成果。在经过秘密谈判和深入的背景调查后，In-Q-Tel向Palantir提供了200万美元的资金支持，但这一资助的前提是Palantir必须通过安全审查，并为其合作机构提供可正常运行的原型产品。这条“救命稻草”为 Palantir 赋予了时间，使其能够进一步完善自身的技术架构并扩大业务规模。凡得科技洞察到，这段经历塑造了Palantir最核心的资产：信任。在凡得科技看来，对于处理生死攸关数据的平台而言，技术能力只是入场券，而深入骨髓的信任才是真正的护城河。Palantir通过忍受漫长的采购周期、应对政府合同中那些模糊不清的条款，以及不断招聘新员工来维持公司的运营，学会了如何赢得那些封闭式机构的信任。这种在“死亡谷”中淬炼出的信任，是其后来所有商业成功的基石。从战场验证到价值确立到2006年底，Palantir终于与美国陆军第902军事情报小组签订了首份有偿合同。当时，陆军需要将信号情报与人力情报相结合，以应对伊拉克境内的简易爆炸装置威胁。在一个有记录在案的案例中，一位驻伊拉克的分析师表示，正是由于Palantir的帮助，他们在袭击发生前几天就发现了可疑的车队活动模式，从而成功避免了这次伏击。这一初步的成功彻底改变了Palantir的命运。消息在情报界迅速传开：这家曾经被忽视的初创企业，如今竟然能够为军事行动带来实实在在的优势。一位美国陆军上尉曾这样评价：使用Palantir软件，就如同从“黑白画面”升级到了“高清画面”。虽然这只是个轶事，但它却反映了一种更为深远的变革。Palantir的软件不仅仅能够进行预测，它还能提出具体的解决方案。它证明了，当数据被赋予正确的结构和分析维度时，其力量足以改变战场规则。回望这段历史，Palantir的诞生故事，本质上是一个关于信念、坚韧与价值验证的传奇。它始于一个大胆的构想，在绝境中坚守，最终在最严苛的环境中证明了自身的不可替代性。这为它日后从国防领域走向更广阔的商业世界，奠定了最坚实的文化与信誉基础。
2026-02-12
流程大咖说 | 硅谷最神秘的公司，如何用数据重塑战争与商业？
数字时代的洪流中，我们习惯于将透明、开放与持续的公众互动视为科技巨头的标配。它们在社交媒体上制造话题，在宏大的发布会上定义潮流，用无处不在的算法编织我们日常生活的每一个细节。然而，在这片由流量和声量构筑的喧嚣之下，潜藏着一个截然不同的存在——一家几乎从不进行大众市场广告，其产品发布会也鲜为人知，却能在全球权力中枢与商业帝国的决策室内发挥着关键作用的“隐形巨兽”。它，就是Palantir。这家公司的名字，源自托尔金奇幻史诗《指环王》中能洞察远方真相的“预见之石”（Palantír）。这个命名本身就是一则精妙的隐喻，预示了其与生俱来的双重属性：它既能穿透迷雾，照亮潜藏在海量数据中的黑暗角落，揭示威胁与机遇；也可能因其强大的洞察力，释放出被误用或无法控制的巨大力量。在凡得科技看来，解构Palantir，远非剖析又一家成功的SaaS（软件即服务）公司那样简单。我们将其视为一个正在深刻重塑我们时代权力结构、战争形态、供应链韧性乃至社会治理模式的“认识论引擎”（Epistemological Engine）。理解它，就是理解数据如何从静态的资源，演变为动态的、可操作的权力本身。在赞誉与争议中淬炼：Palantir充满矛盾的核心身份在硅谷，很少有哪家公司能引发如此两极分化的反应。拥趸们将其誉为“技术领域的守护者”，因为它开发的软件能够帮助各国以无与伦比的精准度应对恐怖主义、流行病和网络威胁。批评者们则警告称，这种技术正在悄然引发对个人隐私的侵犯、数据透明度下降的问题，甚至可能导致一个由技术精英掌控的国家机器。这两种截然相反的观点，恰恰构成了Palantir的故事框架：一个充满创新与争议、才华与抵抗的故事。它并非要调和这些矛盾，而是要全面地剖析它们。凡得科技认为：这种深刻的矛盾性，恰恰是Palantir能够在国家安全（以美国中央情报局CIA、国防部为代表）与企业商业（以空中客车、法拉利车队为代表）这两个规则、文化、需求截然不同的世界里游刃有余的根本原因。它提供的并非一个简单的工具或解决方案，而是一种应对极端复杂性的“世界观”和“方法论”。它向政府客户承诺的是在信息迷雾中建立确定性的能力；向企业客户承诺的是在市场混沌中驾驭不确定性的能力。这两种承诺，本质上是同一枚硬币的两面。从“整合数据”到“驱动决策”：重新定义企业智能的本体论革命要真正理解Palantir的颠覆性，我们必须彻底跳出传统“大数据”或“商业智能”（BI）的思维定式。传统工具的核心功能是数据的可视化呈现——它们生成仪表盘、报表和图表，告诉决策者“发生了什么”。而Palantir的平台，则致力于实现一个根本性的跃迁：从“数据呈现”到“决策赋能”。在Palantir所服务的领域，无论是阿富汗的战场，还是全球半导体供应链——数据并非被动地躺在数据库里等待分析师的垂询。相反，数据被实时地、主动地整合、建模，并直接嵌入到一线人员的日常操作与高层领导的战略决策流程中。从各种结构化（如数据库、传感器日志）和非结构化（如无人机视频、情报报告、电子邮件）的信息源中提炼出的洞察，被迅速转化为可执行的行动选项。这正是Palantir的核心技术创新与商业模式的基石。它的三大核心平台——Gotham、Foundry和最新的AIP（Artificial Intelligence Platform）——构建了一个完整的、从底层数据治理到顶层AI应用的“决策操作系统”。Palantir Gotham：主要面向政府及情报部门。其设计的初衷是为了解决“9·11”事件后暴露出的美国情报界各机构间数据孤岛、无法协同的问题。Gotham的核心是构建一个“本体”（Ontology），将人、物、地点、事件等现实世界的实体及其关系，在数字世界中进行精确建模。它能够将一份模糊的线人报告、一个电话号码、一张车牌照片和一段银行交易记录关联起来，从而描绘出隐藏的恐怖分子网络或犯罪组织结构。它不是一个数据库，而是一个关于现实世界实体的动态知识图谱。Palantir Foundry：在Gotham的成功基础上，Palantir将这种“本体论”方法论应用到了商业世界。Foundry旨在成为大型企业的“数字孪生”或“中央神经系统”。它整合企业内部所有的运营数据——从ERP（企业资源规划）、CRM（客户关系管理）到SCM（供应链管理）和IIoT（工业物联网）——在一个统一的平台上进行建模。这使得企业管理者可以提出并模拟回答极其复杂的问题，例如：“如果我们法国的工厂因罢工关闭两周，对我们全球前十大客户的订单交付会产生什么连锁反应？对本季度的财务预期影响是多少？有哪些备用供应商可以立即启动？”Foundry将数据从各个业务竖井中解放出来，使其成为整个组织的共享战略资产。Palantir AIP：自2023年推出以来，AIP代表了Palantir对生成式AI浪潮的战略回应。与市面上直接面向消费者的聊天机器人不同，AIP是一个旨在安全、可控、负责任地将大型语言模型（LLMs）部署在企业和政府敏感数据之上的平台。AIP构建在Gotham和Foundry坚实的“本体”基础之上，这意味着AI的每一次交互和决策都有坚实的数据和逻辑支撑，可追溯、可审计。一个前线指挥官可以通过自然语言询问AIP：“根据最新的无人机侦察和信号情报，敌方最可能在未来12小时内攻击哪个补给点？请规划三条最安全的运输路线并评估其风险。”AIP不仅提供答案，还能直接在系统中生成任务指令。凡得科技洞察到，这种从“数据呈现”到“决策赋能”的跃迁，是下一代企业级AI的真正价值所在。未来的主战场，将不再是比拼谁的算法更先进，而是比拼谁能将AI更深、更无缝地嵌入到客户最核心、最复杂的业务流程中。这要求技术提供商的角色发生根本性转变——从一个“代码交付方”，演变为一个深入理解客户业务肌理、共同应对高度动态挑战的长期“认知伙伴”（Cognitive Partner）。Palantir长达数月甚至数年的部署周期、高昂的客单价以及与客户形成的深度绑定关系，正是这一趋势的极致体现和先行者。它要求技术提供商不再是简单的代码交付方，而是深入客户业务肌理、共同面对复杂挑战的长期战略伙伴。Palantir的长期发展策略和致力于实现深度系统集成的模式，正是这一趋势的先行者。沉默的巨兽与未来的叩问：一种反硅谷式的战略定力尽管Palantir的影响力已渗透到全球最敏感的领域，但公众对其的了解却惊人地有限，甚至充满了误解。这在很大程度上源于该公司自成立以来一贯保持的低调、神秘甚至可以说是“反营销”的姿态。其官方网站的设计常年保持着一种极简主义的朴素，几乎没有任何市场宣传的华丽辞藻。其高层管理人员，尤其是那位拥有德国法兰克福大学新康德主义哲学博士学位的CEO亚历克斯·卡普（Alex Karp），在公开场合的发言往往充满了哲学思辨和对西方文明未来的忧思，而非具体的季度财报分析或产品路线图介绍。这种刻意的模糊和深奥，无疑加剧了外界的困惑和猜测。Palantir究竟是一家国防承包商，一家大数据分析公司，还是一种新型的咨询公司？它是效率低下的公共机构的“救世主”，还是加速政府职能私有化的“特洛伊木马”？这些问题的答案始终难以捉摸，且往往因观察者的立场而自相矛盾。在凡得科技看来：若将这种沉默仅仅解读为精英主义的傲慢，便会错失其背后深思熟虑的战略意图。在一个信息过载、注意力极度稀缺的时代，深度、专注和信任反而成为了最稀缺、最宝贵的战略资源。Palantir的沉默，使其能够：聚焦核心客户：它的目标客户是全球范围内的“少数关键先生”——大型政府机构和世界500强企业。大众市场的喧嚣对其业务并无裨益，反而可能引来不必要的干扰和监管审查。解决真正棘手的问题（Hard Problems）：通过屏蔽市场的短期噪音和估值压力，公司可以将最优秀的工程和智力资源，长期投入到那些没有现成答案、但对客户生死攸关的复杂问题上。构建信任护城河：在其服务的领域，信任远比技术本身更重要。这种信任无法通过广告建立，只能通过在最严苛、最保密的环境中，年复一年地可靠交付价值来赢得。它的沉默，本身就是一种对客户保密承诺的姿态。如果说，Palantir代表了由数据和人工智能驱动的下一代组织的未来形态，那么深入理解这家公司独特的成长路径、商业哲学和战略选择，就成为了一项至关重要而非可有可无的商业研究课题。它的故事，生动地展示了技术如何塑造我们这个时代最紧迫的议题，同时又如何反过来被这些议题所塑造。
2026-02-03
流程大咖说 | 流程大咖说软件教父Martin Fowle 论断：AI重塑软件
Martin Fowler 简介Martin Fowler 是软件工程领域的权威人物和思想领袖，目前担任 Thoughtworks 的首席科学家。Fowler 对软件开发方法论和实践有着深远影响。他是敏捷软件开发宣言 的联署人之一，致力于推广敏捷方法，强调小增量、快速反馈和与业务的紧密合作。他也是经典著作《重构：改善既有代码的设计》（Refactoring）和《企业应用架构模式》（Patterns of Enterprise Application Architecture）的作者。其中《重构：改善既有代码的设计（原书第2版）》中文版，也于今年 10 月由清华大学出版社引进出版。在 Thoughtworks，他的职责包括学习公司在为客户交付软件时积累的技术和实践，并将其传递给更广泛的软件行业。他目前的工作重心之一就是深入探讨生成式人工智能（GenAI）对软件开发带来的结构性变革。在近期的 The Pragmatic Engineer 节目中，Martin 讨论了 AI 如何改变软件开发：从确定性编码向非确定性编码的转变、大模型如何帮助处理遗留代码，以及 vibe coding 那些有限但很有用的应用场景。1. 核心范式转变：从确定性到非确定性Martin Fowler 认为，生成式人工智能（GenAI）工具带来的变革，是其职业生涯中最重要的转变。他将这一转变定位为与计算机发展史上最重大的抽象层级飞跃——即从 汇编语言到第一代高级语言 的过渡——具有同等重要的意义。“这次变革最大的特点，不是抽象层又提高了，而是我们从确定性的世界进入了非确定性的世界“。以前写代码，同样的输入永远产生同样的输出。跑一遍是这个结果，再跑一遍还是这个结果。但现在用大语言模型，同样的提示词，今天生成的代码和明天生成的可能完全不一样。这种不确定性，是软件工程师从来没有面对过的。“我们需要学会像造桥一样写代码”造桥的结构工程师在工作中有一个核心概念叫容差。木材、钢铁、混凝土的物理性能虽然大致已知，但你不能按照理论最优值去设计，必须留出足够的余量，为最坏的情况做准备。靠谱的方法是：用非常小的切片来工作，每个切片都要经过人工审查；保持测试覆盖，AI生成的代码尤其需要测试来验证；不要怕重构AI生成的代码，往往它生成的东西结构很混乱，需要你整理。1.1 新旧技术对比与核心转变要点1.2 核心转变对工程师角色的影响LLMs自动化了中低层级的抽象任务，结构性地要求工程师将重心转移到更高层级的工作上。- 从编写代码到监督代理： 工程师的角色正在转变为 “监督式代理” (Supervised Agent)。他们需要具备 干预、纠正和引导 AI生成结果的能力。- 高层次思维的加强： 开发者将有更多时间进行 高层次的思考、架构选择，并加强与业务方的协作，因为这始终是关键的瓶颈。- 新技能要求： 工程师需要学习如何与 LLM 工具交互、理解高层编程语言的形式主义，并掌握处理非确定性系统生成确定性运行代码的技能。对良好 API 设计和模块化知识的理解 将变得更加重要。2. 当前面临的挑战与潜在的风险（可能的坑）GenAI虽然带来了巨大的生产力提升潜力（例如，有研究显示使用 GitHub Copilot 的开发者完成任务速度提高了 55%），但同时也带来了严峻的工程可靠性挑战。2.1 非确定性带来的工程可靠性风险- 侵蚀测试套件的价值： LLMs的非确定性输出（Flaky output）可能导致测试结果时而通过时而失败。一旦工程师习惯于忽略这些间歇性故障，整个自动化测试套件的价值就会被破坏，真正的代码缺陷也可能被当作随机错误而忽略。- 非判断性放大： GenAI 是不加区别地放大的（amplifies indiscriminately）。如果输入的基础代码质量差，AI生成的代码将会放大这些问题。缺乏警惕可能导致质量逐渐下降，直到代码库变得难以维护，甚至连AI本身也无法基于其进行构建。- 调试与归因困难： 在传统的确定性工程中，错误是清晰可归因的。但当故障源于LLM的概率性推断时，诊断和根因分析的难度会大幅增加。- “谎言”与幻觉： LLMs的“幻觉”本质上是其核心功能，但当我们不希望其出现时，我们就称之为“幻觉”。LLM可能会声称 “所有测试都已通过”，但实际运行中却发现失败。Fowler认为，如果一个初级工程师表现出这种行为，HR早就介入了。2.2 Vibe Coding（氛围编程）的陷阱- 定义： Vibe Coding 是一种依赖 AI 生成代码，但在很大程度上放弃对代码的底层逻辑或细节进行理解和严格验证的工作模式。- 短期收益与长期成本： 这种模式在 探索性工作、原型设计或一次性工具 方面表现出色。然而，将其用于具有长期维护需求的代码库是危险的。- 失去学习回路： Vibe Coding 破坏了工程师的核心学习回路。如果工程师不审视 AI 的输出，他们就无法深化对系统和领域逻辑的理解。这导致代码 不可进化，当需要维护或调整时，唯一的选择可能就是“彻底清除，从头开始”。 2.3 团队与安全风险- 速度陷阱与自满： AI加速可能导致工程团队陷入“速度陷阱”，滋生 自满情绪（complacency）。工程师可能因交付速度快而忽略需求的深度分析和规划，导致设计不完备或产生低质量的“技术尾部”代码。- 安全性的“致命三要素”： Agentic AI 引入了严重的安全性风险，尤其是当代理结合了以下“致命三要素”时：访问您的私有数据、暴露于不受信任的内容，以及向外部通信的能力。这极大地增加了软件系统的攻击面。另外一个不得不说悖论：一边是软件行业的萧条，大量工程师失业，找不到工作；另一边是AI领域的狂热，融资动辄几亿几十亿美元，估值疯涨。Flower 相信AI里面确实有真东西，不像当年的区块链和加密货币那么虚。关键问题是，泡沫一定会消退，那之后呢？什么会留下来？软件开发的核心技能不会过时。什么是核心技能？理解用户需求，与人沟通，把模糊的想法变成清晰的方案，在约束条件下做权衡。3. 应对策略：质量管理、重构与风险评估面对非确定性编程带来的挑战，重构比任何以往都显得重要！组织必须 回归并强化最传统的、以质量为中心的工程实践。 3.1 用 AI 的逻辑改变人机交互的方式用AI生成的语言和AI对话如果你用自然语言描述一堆国际象棋对局，AI很难学会下棋。但如果你用标准的棋谱符号描述同样的对局，AI就能理解了。再比如，对于流程建模，不是你自己编了多少流程文档喂给大模型，而是若你用 BPMN2.0 来描述企业流程，IT和 AI 都可以懂。背后的核心是“符号”语言，是一种精确的、无歧义的领域专用语言。有了这个思路，如果想把AI应用到软件开发，那就需要一个“心灵沟通”，让 AI 理解我们领域的术语和框架。你需要先花时间和AI聊天沟通，一起定义一套术语和概念，建立一个小型的领域专用语言，然后用这套语言去描述需求和指导AI生成代码。这和领域驱动设计的统一语言理念是一脉相承的。在DDD中，开发团队和业务专家要建立一套共同的语言，这套语言既能准确表达业务概念，又能直接映射到代码中。现在的区别是，这套语言不仅用于团队内部沟通，也用于和AI工具沟通。而且因为AI的存在，构建这套语言的成本降低了——你可以让AI帮你快速生成和验证这些抽象。Fowler说，这可能是未来的方向：我们不是简单地用自然语言给AI下命令，而是用一种介于自然语言和编程语言之间的精确语言，与AI协作。3.2 让AI驱动确定性工具"不要让AI直接生成最终代码，而是让AI生成输入，然后用确定性的工具来执行"比如，你不擅长写复杂的SQL，但需要对数据库做一个复杂查询。自然语言肯定会了，你告诉智能体想要的数据，让AI生成SQL语句。生成之后呢，“手搓”检查一下，如果没问题，再让确定性的数据库引擎去执行。Fowler 提到，有人在用类似的方法做代码重构。用AI分析代码，识别需要重构的地方，生成重构建议，然后用专门的重构工具去执行这些改动。AI提供智能，确定性工具保证准确性。另外一个应用，是目前政府严查的“围串标”监管系统，可以通过大模型做“围串标”线索的扫描，给出“疑似”的围串标供应商清单，然后通过确定的审计工具保证准确性。这种混合模式可能是未来的一个重要方向：充分利用AI的理解能力和生成能力，但在关键步骤上仍然依赖我们能够完全理解和控制的确定性工具。3.3 强化重构与测试- 重构是质量基石： 重构现在比以往任何时候都更加重要。它是持续改善代码设计、防止 LLM 快速产出转化为长期技术债务的战略工具。- TDD 的角色转变： 测试驱动开发（TDD）不再仅仅是设计引导者，更成为对 LLM 输出的 强制性契约验证机制。开发者必须集中精力确保测试套件的可靠性、高质量和高覆盖率，将其作为封装非确定性的确定性边界。- 对 AI 产出代码的审查： 必须对 AI 生成的代码进行 严格审查。这种审查应类似于审核一位拥有强大技术能力但缺乏项目特定上下文经验的高级开发人员的工作。3.4 Martin Fowler 的风险评估框架（P-I-D 模型）为了系统地指导对 AI 产出代码的信任程度和审查力度，Fowler 提出了一个由三个关键因素构成的风险评估框架：- 概率（Probability, P）： AI 在该特定任务上犯错的可能性。- 影响（Impact, I）： 如果 AI 的输出存在错误，对业务、安全、财务或系统稳定性造成的后果。- 可检测性（Detectability, D）： 错误在集成或测试阶段被发现的难易程度。审查力度 是这三个因素综合作用的结果。例如，对于涉及安全关键逻辑或复杂并发处理的任务（P高、I高、D低），建议投入 极高的审查努力，并采取“假设错误”的态度进行全面测试。而对于生成样板代码或简单工具函数（P低、I低、D高），则可以采用 Vibe Coding，减少对代码细节的审查。3.5 遗留系统现代化中的战略应用“理解遗留系统，AI真的很在行”对于一个复杂的老系统，你可以对代码做语义分析，把结构信息放进图数据库，然后用类似RAG的方式让AI帮你回答问题。比如，这段数据从哪里来？经过了哪些模块的处理？谁在用这个接口？Fowler说Thoughtworks已经把用AI理解遗留代码放进了他们技术雷达的采纳环。这是最高级别的推荐，意味着他们强烈建议在这个场景下使用AI。LLMs被认为是加速遗留系统现代化的强大工具，特别是解决对现有系统的 认知瓶颈。- 加速逆向工程： LLM 可显著加速逆向工程，帮助团队在数小时内生成大量代码文档，而传统方法可能需要数周甚至数月，从而摆脱“分析瘫痪”。- “研究、评审、重构”（RRR）工作流： 这种结构化方法利用 LLMs 进行 研究，通过上下文协议增强分析（MCP-augmented LLM analysis）快速理解遗留组件的功能、数据流和数据模型。 - 研究（Research）： 分析旧代码，评估其业务功能、数据模型和数据流，并可执行专业级的映射任务（如将遗留数据模型对齐到 FHIR 标准）。 - 评审（Review）： 这是 人类介入的关键阶段。领域专家和架构师对 AI 生成的分析进行验证和指导，以确保其与项目规范和架构指南一致。 - 重构（Rebuild）： 在验证后的清晰要求下，使用 LLM 辅助重建新功能，并进行 代码审查和必要的重构 以确保代码质量。通过结构化提示（Strategically structured prompt）， 即使 LLM 具有非确定性本质，在遗留分析这种信息提取任务中，也能实现“伪确定性”水平的可靠输出。总结生成式 AI 正在将软件工程带入一个必须系统性地管理非确定性的新纪元。Martin Fowler 的核心洞察在于，这种转变并非意味着放弃过去的工程纪律，而是需要 回归并强化最传统的、以质量为中心的实践，以此来封装和验证 AI 带来的速度优势。成功的 AI 整合策略需要将确定性验证机制（如严格的 TDD 和持续重构）置于非确定性生产工具之上。类比而言，如果传统编程是按照精准的工程图纸建造房屋，那么 AI 编程就像是与一位极度高效、能瞬间完成复杂工作，但有时会“说谎”且难以预料其思维过程的建筑师合作。我们需要做的，不是盲目信任他带来的成品，而是加倍投入在 结构验收（测试） 和 核心设计改进（重构） 上，同时始终保持对项目的最终控制权。
2026-02-03
流程大咖说 | 流程建模在相邻建模学科背景下的未来
流程模型(Process Models)并非孤立存在，它们与人类和自动化数字解决方案中的其他关键要素相互作用。尽管许多组织已能很好地建模流程流(Process Flows)、决策(Decisions)、案例(Cases)、数据(Data)和结果可视化(ResultVisualizations)，但随着更多智能动态应用于数字解决方案，仍需更多模型支持。迄今为止，流程模型已为流程(Processes)和业务成果(Business Results)提供了良好服务，但组织需要建模的范畴远不止于此。流程组件的符号学表示(Semiotic Representations)的重要性再怎么强调也不为过。然而，数字解决方案(Digital Solutions)随时间推移会要求更多建模类型。目前我们已识别出另外六个尚未得到充分处理的领域，这些是其他必要模型(NecessaryOther Models)。 流程相邻建模学科1. 协作模式建模 | Collaboration Patterns现状：通过社交挖掘(Social Mining)与分析技术可以呈现部分社交互动的成果，但这一领域可能需要较长时间才能形成统一的模式表达方法。问题：流程图只说明“谁该做什么”，却不说“如何同步、冲突解决、升级路径”。 如何建立跨越不同供应商、支持实现业务成果或管理改进/变革工作所需人际互动的标准化表达？未来方向： BPMN 2.0 Conversation & Choreography 子集将升级为“协作原语库”——自动发现消息死锁、循环等待。 流程挖掘 + 邮件/协作日志（比如钉钉/飞书/微信的日志） ⇒ 自动生成协作模式热图，提示“隐性协调成本”。 数字孪生组织(DTO)中，流程实例与协作实例双轨仿真，支持“如果取消该例会，流程周期变化？”这类假设。 比如， 我们凡得科技利用飞书的多维表格和智能视频会议，形成了公司内部团队的协作建模。2. 目标驱动建模 | Goal-Driven现状：目前已有少数勇于创新的供应商提供了若干优秀的目标模型(Goal Models)及目标交互(Goal Interactions)范例，部分组织已察觉到从流程导向型(Flow-Directed)过程向目标驱动型(Goal-Driven)过程的转变趋势，但尚未形成被普遍接受的标准化建模方法。对于能够自主决策行进方向及选择次优行动的过程而言，目标设定具有根本性意义。问题：流程模型回答“How”，但战略层更关心“Why”。 未来方向： 流程-目标双向追溯元模型（BMM-PM 对齐）成为合规标配；任何活动无向上目标链接即视为“待裁剪”。 结合流程挖掘的行动（OKR）引擎：比如当传感器显示 KR 落后 >10%，利用流程挖掘技术自动触发流程变体推荐（基于历史成功案例）。 AI Planning（PDDL）与流程引擎融合，使“目标-活动”映射可在线重新规划，实现“半自主流程”。3. 约束建模 | Constraints现状：随着流程变得愈发非结构化和涌现性，约束(Constraints)将在流程治理(Process Governance)与控制领域扮演更为关键的角色。为了实现业务成果而引入无监督人工智能(Unsupervised AI)时，约束(Constraints)与目标(Goals)的设定不可或缺。问题：静态流程图难表达“只要不违反 X，可任意顺序”。目前尚未见到任何显著展示边界约束(Boundary Constraints)的模型能够完整呈现被这些保护机制环绕的流程。未来方向： Declarative BPM (Declare, DCR Graphs) 进入主流，与命令式模型混编——“90%结构化 +10%约束块”。流程挖掘将自动抽取“时态约束规则”，反向标注到模型；违规实例高亮为“约束漂移”。合规即代码(RegTech)：把 GDPR、SOX 条款转译为机器可读约束，持续监控流程日志，秒级预警。 4. 数学模型 | Mathematical Models现状：尽管存在一些针对单一分析方法的模型（例如用于预测分析「Predictive Analytics)的PMML」），但目前尚未发现适用于多重交互式分析的建模方法——这种分析常见于当今的智能流程(Intelligent Processes)中。问题：流程性能靠经验或者单一分析模型调优，难以预见“利用率-等待时间”曲线。 各类人工智能(AI)行为如何建模？未来方向： 队列网络、Petri-Net 可覆盖性、马尔可夫奖励过程直接嵌入流程模型属性栏；保存即生成 Python/SimPy 仿真脚本。 参数自动标定：流程挖掘输出真实到达时间分布 → 反馈给数学模型 → 30 秒给出“最优线程池/批处理大小”。 强化学习代理在数学模型上预训练，再于真实流程引擎 A/B 测试，实现“仿真-在线”闭环优化。 5. 上下文工程 | Contexts Engineering现状：随着流程在感知活跃模式和场景方面变得更加主动，需要对其参与或有意参与以实现其成果或目标的上下文(Contexts)进行表征。这些上下文将被用于评估优势、威胁及学习经验。问题：同一流程在不同地域、季节、法规下表现迥异。 跨越组织内部与外部、行业或地理边界的流程，必须对不同上下文中的含义保持敏感。未来方向： 流程模型头文件增加“上下文维度”标签（地域、币种、气温、汇率波动等级）；引擎根据实时上下文选择子流程。 联邦流程挖掘：上下文相似的企业共用加密日志，提升稀有场景模型准确度。低代码“上下文沙盒”：业务用户可拖拽生成“if 上下文=高汇率波动 → 启用二次审批”规则，无需 IT 编码。 6. 模式与反模式 | Patterns & Anti-Patterns现状：当前，组织似乎对需要响应的事件(events)更感兴趣，而非关注有价值的模式(patterns of interest)。这种情况将随时间推移而改变，但目前尚缺乏公认的模式表示方法。问题：最佳实践传播依赖顾问经验，复用率低。 缺乏有价值的模式，以及符号学表征(semiotic representations)及配套的分类体系(classification scheme)未来方向： 全球流程模式仓库（GitHub for Processes）：每个模式包含模型片段、绩效 KPI、适用上下文、仿真报告。 AI 模式推荐：输入企业画像 → 自动匹配“应收账款-催收模式”“跨境电商-退货模式”等，一键下载到建模器。 反模式检测器：利用图神经网络识别“ spaghetti 流程”“蘑菇型审批”等典型反模式，给出重构优先级评分。 尽管我们可能都认同建模流程(Processes Modeling)、决策(Decisions)、目标(Goals)或数据(Data)具有显著价值，但在建模方法、标准以及最重要的建模对象方面仍存在分歧。让我们审视建模领域内外的冲突点。我们已识别出五个主要冲突领域，但我推测还有更多潜在问题尚未浮出水面——例如"仅存在数据或规则"这类认知偏差。 流程建模的权衡取舍即使在流程建模领域内部（暂不考虑其他辅助建模手段），流程建模本身也存在若干需要解决的难点，如下文所述：1. 逻辑模型与物理之争关于应该构建目标逻辑模型还是物理实施模型的争论屡见不鲜。支持逻辑模型的一方认为，逻辑模型能体现纯粹的业务需求，包含实施者可能忽略的操作手册等内容。而实施团队通常反驳称，未来逻辑模型本质上无法反映现实，且两者无法同步。有些企业将逻辑模型作为规范文档，一旦物理模型成型便弃用逻辑模型。崇尚快速创新的组织则倾向于快速构建实施模型并接受快速失败。我们更推崇构建包含操作手册的粗略逻辑模型，通过迭代逐步完善。2. 是否遵循建模标准许多从业者推崇建模标准，认为标准化建模能降低培训成本、便于沟通，并有利于吸引外部贡献者快速参与。当组织需要切换至内部已有或全新平台时，标准化模型还能实现跨厂商的无缝迁移，避免繁琐的转换工作。反对者则认为标准束缚创造力，且会遗漏关键细节差异——当标准只会拖慢进度时，何必采用笨重的规范？虽然我们更看重开发便捷性而非标准符合度，但仍建议通过迭代优化而非追求完美建模。这需要找到平衡点。3. 案例导向 vs 流程导向当前存在一种观点认为案例管理模型与标记法(CMMN)与业务流程模型与标记法(BPMN)非常接近，可以轻松扩展BPMN来支持案例。如果BPMN包含目标建模功能，我们会认同这一观点——因为案例以里程碑目标为导向，流程流转反而处于次要地位。4. 决策导向 vs 流程导向关于"流程包含决策"还是"决策驱动流程"的争论也日益激烈，毕竟决策决定了待执行的任务。我们认为对于高度复杂的流程需要两者协同工作，但决策模型与标记法(DMN)作为新兴技术尚未获得应有的重视。5. 目标导向 vs 流程导向目标建模目前处于尴尬地位，因为传统流程和决策模型往往僵化不变。随着决策和规则变得更具流动性，目标建模的价值愈发凸显。目标本身保持稳定，但目标值可能变化，而决策路径和流程任务可能千差万别。目标与约束建模理应获得更多关注。建模技术固然强大，但当厂商试图将自己的方法和标记法塑造为流程领域的核心标准时，可能引发激烈争论。无论采用何种模型，建议在项目初期明确选择并保持一致性，除非需要重大调整——这种情况其实很少发生，因为流动型流程/案例通常可预判，并能提前选定支持方法。我们强烈建议选择能真实反映现实活动的流程模型用于流程挖掘(Process Mining)，这有助于改进现有流程。流程可视化能帮助业务和技术人员在具体情境中理解活动，流程模型也适合描述稳定/静态流程或其片段的未来状态。只有当问题更具突发性或变更过于频繁时，才需要重新评估建模方法。 融合展望：从“流程图”到“流程宇宙”未来十年的流程建模将是多模型共生的“联邦建模”时代： 单一流程引擎演变为“多模型运行时”，协作、目标、约束、数学、上下文、模式六类模型以微服务形式插件化加载。 流程挖掘不再只是还原流程图，而是同时抽取协作网络、约束集、上下文特征，自动填充到对应模型库。 生成式 AI 充当“模型翻译器”——用自然语言即可生成/修改/解释任意跨学科流程模型，降低业务人员参与门槛。 合规与可持续性成为一级公民：任何新流程在部署前必须通过“约束+数学”双验证——既满足法规，也满足碳排 KPI。 最终，组织将拥有“自我重构”能力：目标变化 → 目标模型触发约束重算 → 数学模型寻优 → 流程模型热更新 → 协作模式同步推送，实现“战略-运营”分钟级闭环。 流程建模的未来不在更大更复杂的流程图，而在“流程+”的跨学科模型联邦；谁率先建立多模型融合的基础设施与治理机制，谁就能在智能动态商业环境中获得持续竞争优势。
2025-11-07
流程大咖说 |AI 重构 “中国制造”：如何让汽车行业效率狂飙 40%？
随着2025世界人工智能大会在上海成功举办，人工智能的热潮正方兴未艾，AI正成为推动传统制造业升级的核心引擎。作为国内流程智能领域的领军企业，北京凡得科技有限公司（以下简称“凡得科技”）凭借其自主研发的PROCESS X流程智能平台，以AI驱动的流程智能技术为核心，助力汽车等传统制造行业破解效率瓶颈，实现从生产到服务的全链路智能化转型。凡得科技的流程智能平台如上图所示，充分利用其在流程管理赛道多年的积累（即 AI-ready 的数据资源和流程资源），叠加过去两年在生成式 AI 领域的沉淀，形成了独特的 GenAI 基础设施，包括对基础大模型的调用技术、检索增强生成技术、AI 工作流编排技术、智能体技术和多智能体协同技术等，可以广泛应用于企业的知识管理、客户服务、智慧供应链、智能巡检和流程自动化等。以下结合凡得科技在汽车制造行业的应用详细解释：传统汽车行业痛点：效率瓶颈与智能化挑战汽车制造业作为传统工业的代表，在数字化转型中面临多重挑战。首先是流程复杂性与透明度不足，从研发、生产到售后服务，跨部门协作流程庞杂，传统人工管理模式难以实时监控和优化，导致资源浪费与成本攀升。其次是客户服务响应滞后：售前咨询、售后维保等场景需求激增，人工坐席处理效率低下，72%的用户期望电话等待时间不超过30秒，传统模式难以满足时效性要求。再者是数据驱动能力薄弱：海量业务数据未被有效利用，企业缺乏实时决策支持工具，难以应对市场快速变化。AI技术赋能：从流程优化到全域智能化针对上述痛点，以凡得科技为代表的AI企业通过以下路径推动汽车行业变革：用流程智能技术重构制造业“数字神经”：传统制造业在生产制造过程中产生大量数据，且分散在不同的业务系统中，有的在生产执行（MES）中、有的在业务经营（ERP）和办公系统（OA）中，现在利用数据及算法驱动的PROCESS X 平台基于“可视化-洞察-行动”（VIA）架构，能够实时还原真实业务流程，精准识别低效环节与潜在风险，并结合大模型等技术优化和重构生产制造流程。例如，在供应链管理中，PROCESS X 可构建物流、采购等业务流程的绩效分析系统，帮助企业实现流程合规性检查与动态优化，将供应链效率提升30%以上。用流程智能技术打破“黑箱”，实现透明化管理：PROCESS X 通过AI算法分析企业业务流程，自动生成可视化流程图，并与设计流程对比，识别偏差根因。例如，应用PROCESS X 后，某央企汽车企业的生产流程数字化，通过数智工厂改造，交付效率提升40%、成本降低20%，并实现个性化定制生产。此外，该技术还可结合仿真功能预判优化效果，为企业提供科学决策依据。用AI加持客服系统，重塑用户体验与资源分配：AI驱动的智能客服系统通过全渠道路由、动态知识库和情感交互设计，大幅提升服务效率。以某东部新能源汽车品牌为例，引入AI客服后，客户投诉响应时长从48小时压缩至4.2小时，人力成本降低37%。系统还能根据客户画像（如购车记录、服务历史）分配专属通道，实现高端用户的个性化服务与经济车型用户的高效问题解决。研发与生产智能化，从“经验驱动”到“数据驱动”：AI技术正深度渗透汽车研发环节。例如，某东部新能源汽车企业通过AI大模型优化能源管理系统，实时感知路况并调节整车能量，使混动车型油耗降低10%-15%。生态协同：构建跨界技术“朋友圈”：车企与科技公司的合作模式正从供应链关系转向共生生态。宝马与阿里联合开发基于通义大模型的AI引擎，应用于智能座舱与自动驾驶；长安汽车携手华为、腾讯推进电动化与智能化融合，共同打造全球化产品。凡得科技亦通过开放API接口，与ERP、CRM系统无缝对接，助力企业构建超级自动化生态。AI助力中国经济转型升级推动传统制造业向“智造”跃迁，长安汽车通过数智工厂实现降本30%、交付效率提升40%，吉利通过智能架构缩短研发周期，均体现了AI技术对生产流程的重构价值，此类实践为传统制造业提供了可复用的数字化转型模板。这两家车企与华为、宁德时代等企业的合作，带动了动力电池、高精度地图、车载芯片等上下游产业的协同发展。例如，动力电池产业链2024年新增投资达800亿元，形成万亿级经济辐射效应。重塑全球汽车产业竞争格局，长安与华为合作的乾崑智驾系统、吉利自研的7纳米车规芯片“龙鹰一号”，均标志着中国车企在核心技术领域的突破，此类创新有望打破欧美在汽车智能化领域的垄断。智能网联技术带动了车载娱乐、自驾游、智能房车营地等新消费模式，2024年相关产业增收超8000亿元，正在催生新型经济业态。未来展望：AI驱动制造业迈向“超级智能”随着5G、AR/VR等技术普及，AI在制造业的应用将更加立体化。例如，AR远程诊断可实时指导用户排查故障，数字孪生客服则提供沉浸式服务体验。凡得科技等企业正持续探索AI与工业场景的深度融合，推动制造业从“单一功能优化”向“全域智能重塑”演进。结语传统制造业的数字化转型已进入深水区，AI技术不仅是效率工具，更是重构产业生态的战略支点。长安与吉利的智能化实践，不仅代表中国汽车产业的转型升级，更折射出传统制造业通过AI与数据驱动实现“换道超车”的战略路径。正如凡得科技创始人海广跃所言：“流程挖掘的价值在于让企业看见看不见的问题，并找到最优解。”未来，随着AI技术的迭代与生态协同的深化，传统制造业将加速迈向高质量、可持续的智能化新时代，同时将进一步加速中国从“制造大国”向“智造强国”的跨越，为全球经济贡献“中国方案”。
2025-08-08
流程大咖说 | 流程挖掘转变业务运营方式
我们对一批高效应用流程挖掘技术的企业进行了调研，发现这些企业都能做到大规模生成运营洞察，识别流程低效问题点，从而针对性地开展行动，并能衡量流程改善的效果 。
2024-05-10