2. AI能力清单与约束
AI介入业务流程设计的第一步，不是选择最热门的模型，而是建立一份可落地的AI能力清单，并明确其约束边界。能力清单决定了“能做什么”，约束边界决定了“能做到什么程度”。本章从技术栈、数据基础、算力与延迟、合规安全、成本预算五个维度展开分析，并给出面向业务流程的约束收敛方法。
2.1 AI能力清单的五维收敛模型
能力清单不是技术堆叠，而是从业务目标反向筛选后的交集。每个维度都对应一个决策因子，决策因子加权后形成最终可用能力集合。
| 维度 | 关键决策因子 | 典型约束输出 | 业务影响 |
|---|---|---|---|
| AI技术栈 | 模型类型（LLM/CNN/RNN/GNN）、框架（PyTorch/TensorFlow/ONNX）、推理引擎（TensorRT/vLLM） | 支持的输入格式、最大序列长度、量化精度 | 决定可处理的流程步骤类型（文本/图像/序列/图结构） |
| 数据基础 | 数据量、标注质量、字段完整性、数据漂移频率 | 可用训练/微调样本数、实时特征延迟 | 影响模型泛化能力和上线后持续效果 |
| 算力与延迟 | GPU/CPU/边缘NPU、批处理大小、P99响应时间 | 单次推理最大耗时、并发容量上限 | 决定流程是同步阻塞还是异步非阻塞 |
| 合规与安全 | 数据出境限制、脱敏等级、可解释性要求、审计日志 | 可存储的数据范围、模型可解释方法 | 决定流程是否可以接入敏感行业（金融/医疗/政务） |
| 成本预算 | 硬件采购/租赁、推理API调用费、人力维护成本 | 每万次推理成本、年度运营上限 | 决定同类型流程的AI部署规模与覆盖范围 |
2.2 AI技术栈分层与组件职责
在业务流程架构中，AI组件并非独立存在，而是嵌入在系统分层中。每个层次有明确的职责边界，AI介入点必须与已有的业务服务、数据管道、基础设施对齐。
上图中的约束标注框是能力清单的可视化输出。每个约束框都对应一组可量化的阈值，这些阈值在业务调研阶段需要与利益相关方确认，而非凭空假设。
2.3 数据基础评估：可获取性与可用性
数据基础是AI能力落地的最大瓶颈。以下清单用于快速评估流程步骤能否引入AI：
- 结构化数据：至少需要2000条以上带标签样本（分类任务）或连续90天以上时序记录（预测任务）。
- 非结构化数据：图片/文档需要最小标注集（检测任务至少500张，OCR需要包含所有字符变体）。
- 实时数据流：Kafka/消息队列延迟必须小于AI推理结果期望返回时间的1/3（例如期望500ms返回，则数据接入延迟应≤150ms）。
- 数据漂移窗口：业务数据分布变化周期短于一个月时，必须预设自动重训练管道，否则模型效果将在45天内显著下降。
避坑提示： 不要用“总数据量”评估可用性，AI能力清单只认可“已标注、已清洗、与当前流程分布一致”的有效样本。很多项目失败是因为使用了3年前的存量数据，与当前业务流程实际分布差异超过40%。
2.4 算力与延迟约束的选型权衡
算力约束直接决定选型方向。下表对比了业务流程中常见AI介入点的算力需求与可选方案：
| AI任务类型 | 典型推理延迟要求 | 推荐算力方案 | 单次推理成本（约） | 风险点 |
|---|---|---|---|---|
| 智能文档分类（文本） | <500ms | CPU推理（ONNX量化int8）或边缘NPU | ¥0.002~0.005 | 长文本(＞4K token)时延迟暴涨3-5x |
| 发票/合同OCR抽取 | <2s | GPU T4 / 边缘盒子（如Jetson Orin） | ¥0.01~0.03 | 低对比度图片导致反复重识别 |
| 实时风险决策引擎 | <100ms | GPU A10 / 自研推理卡 + 批量预计算 | ¥0.05~0.15 | 并发峰值超过GPU显存时触发OOM |
| 客服对话摘要生成 | <3s（异步） | LLM API（GPT-4o-mini/Claude Haiku）或本地vLLM | ¥0.03~0.1（API） | API调用抖动造成流程超时重试风暴 |
2.5 合规与安全边界：信任链路的三个层级
合规约束不仅是法律底线，也决定AI介入点在整个业务流程中的信任链路设计。信任链路分为三层：
- 数据链路层：AI组件只能访问经过脱敏和权限校验的数据字段。所有输入输出都必须记录审计日志，留存时长≥180天。
- 决策链路层：AI输出的置信度低于阈值（如<0.85）时必须转人工，不允许直接执行关键操作（如转账、审批通过、锁定账户）。
- 模型可解释层：高合规要求场景（金融/医疗/政务）必须提供可解释性输出，不可使用纯黑盒模型。例如使用LIME或SHAP生成归因特征列表。
常见合规陷阱： 将第三方AI API的响应结果直接写入业务数据库，而未进行数据出境合规审核。部分云服务商的AI API会将请求数据用于模型训练改进，这在金融、医疗等受监管行业中属于违规行为。解决方案是签署数据不落盘协议，或在模型网关层做请求/响应脱敏。
2.6 成本预算的显性与隐性支出
成本预算不能只算推理API调用费。完整的AI介入点成本模型包含：
- 显性支出：推理API月消耗、GPU/算力资源包、数据标注外包费用。
- 隐性支出：数据管道维护（ETL/OPS）、模型版本管理与持续训练、人工兜底运营成本。
- 风险准备金：由于模型退化或数据漂移导致的临时人工接管成本，建议按总预算的15%-20%预留。
成本约束会直接影响AI介入密度——即每个流程步骤中可以用AI替代或增强的比例。密度过高会导致隐性支出失控，密度过低则失去引入AI的投入产出比。经验阈值是：单流程步骤AI介入成本不应超过该步骤人工操作成本的60%，否则优先选择人工兜底而非全量AI化。
2.7 能力清单收敛落地步骤
将能力清单从理论模型落地到业务流程架构，需按以下顺序执行：
- 业务步骤拆解：输出所有流程节点的特征（输入数据类型、期望输出、延迟容忍度、可替代性）。
- 能力映射：将每个业务节点与AI能力矩阵的“技术栈+数据+算力”三个维度做匹配筛选。
- 约束标记：对匹配成功的能力添加合规、安全、成本标签，打上“通过/不通过/有条件通过”。
- 风险评分：使用P-I矩阵（Probability-Impact）对每个候选介入点做风险量化，概率高且影响大的节点设为“仅在人工审核下启用”。
- 优先级排期：按成本与收益比排序，收益高且约束小的节点优先进入试运行阶段。