世界经济论坛在《2023年未来工作报告》中预测未来五年内，全球23%的工作岗位将发生变化，人工智能或许无法直接代为完成涉及批判性思维和解决复杂问题能力的任务，但它能够通过增强生产力为劳动者提供帮助。

 

这份报告还明确提到，大语言模型的辅助将节省劳动者的时间，从而提高他们的生产力，生产力增强的效果在劳动者工作任务涉及数学和科学分析时尤为显著。

 

图源：世界经济论坛《未来工作：大语言模型和工作》

 

我在此前的文章中提到，从业务价值创造的维度看，大语言模型应用落地分为增强自动化、流程自动化和流程自主化三个阶段，当前绝大部分企业都处于第一阶段，即增强自动化阶段。

 

借这一篇文章，我想更深入地谈谈对增强自动化的理解，以及我们在增强自动化方面的落地实践。

 

增强自动化和传统的任务自动化的区别是什么？

 

“自动化”是一个并不新的名词，在RPA时代，任务自动化是指使用计算机程序代替人类执行特定的任务或流程，其目的是提高效率、降低成本、减少人为错误、实现持续性和可重复性等，但受限于技术水平和技术成本，无法实现规则的个性化，只能按照定制的流程一步一步完成重复工作。

 

而大语言模型时代，增强自动化的核心价值在于实现单岗位的增强和提效，主要应用于重复性高、有规律可循的任务，如数据录入、客户服务、报告生成等，是企业提升生产力、降低运营成本、并实现业务创新的重要手段。

 

如果说任务自动化能帮企业节省（一线城市）月薪6000元员工所拥有的能力或时间，那么今天在大语言模型时代，增强自动化可以让同样是月薪6000块钱的员工发挥出相当于月薪2万块钱员工的水平。

 

具体来说，在一个岗位有多个人员的情况下，将企业里业务专家的经验和知识沉淀下来，通过Agent去赋能基层的初级、中级员工。增强自动化可以大幅度提高工作效率，减少人工错误，将员工从繁琐任务中释放出来，使其能够专注于更具创新性和战略性的工作。此外，它还可以提升服务质量，通过快速、准确的任务执行，提升客户满意度。

 

从德雷福斯模型理解增强自动化重新定义工作

 

1980年，加州大学伯克利分校的Hubert和Stuart Dreyfus兄弟提出了一个名为“德雷福斯模型”（Dreyfus model）的学习进展框架，将一个技能的学习程度类比成阶梯式的模型，即一个人通过外部指导学习一项新技能时，会经历五个发展阶段：新手、高级新手、胜任者、精通者和专家。

 

图源：澜码科技

 

这一模型对我们今天理解基于大语言模型的增强自动化如何重新定义工作任务和角色的本质有巨大指导意义。

 

根据德雷福斯模型，任何一个工作场景下，新手和高级新手通常需要指令和指导才能顺利开展和完成工作任务；专家是能够显性地将工作任务的规则和步骤沉淀下来的人。如果每个新手或高级新手旁边都有一个专家从旁指导，那么毫无疑问新手或高级新手都能够快速提升自己的工作任务质量和效率。

 

但专家总是稀缺的，专家时间更是有限的。在企业中，如果业务专家能将自己的业务知识和经验（包括对工作任务的步骤和规则）沉淀下来，并且通过AI Agent（或数字员工）的形态，赋能给新手和高级新手，那么新手就能快速变成高级新手，高级新手就能变成胜任者，使得初级员工在单项任务上的能力得到了增强。

 

而增强自动化就是结合人工智能和机器学习技术来辅助或增强人类工作的过程，这种增强自动化不是用系统或软件替代人类，而是通过软件或平台工具来扩展和提高人类的能力，这个软件系统或者平台就是智能体（AI Agent）。

 

有了增强自动化的辅助，新手和高级新手就可以在专家知识的赋能与指导下，快速提升自己在单个任务上的表现和工作质量。与此同时，专家也可以释放出自己更多的时间和精力，专注于解决更复杂、更高价值或更具创造力的问题。

 

举个实践过的例子。我以前在一家AI公司工作时，承担了某一年秋季校招研发工程师的任务，当时恰逢人工智能赛道火热，招聘岗位开放后，HR的邮箱短期内迅速涌入上万封简历。我们不可能为了一次校招去临时招聘多个高级HR，我也不能停下手中的研发工作专门去筛选简历，因此当时的境况对我和HR专员都是一个巨大的挑战。

 

如何把我的招人标准和方法快速赋能给一个初级HR专员？我当时做了几件事。

 

首先是将标准的校招生简历做了模块解构——学校背景、学术经历、竞赛经历、实习经历等等；其次是对不同模块进行分类和打分，比如，将全球各大高校进行分类，并对不同高校和院系建立一个评分规则；对不同类型的竞赛和成绩建立一个评分框架；对不同类型和公司的实习经历建立一个评分规则等。这样一来，就使得每一份简历都可以在一个相对公平的框架下被量化。

 

HR专员负责从所有简历中抽取事实，并按照我的规则将简历中所有模块的得分点相加、计算，最终根据每个简历的得分情况进行排序，再安排面试优先级。有了这样一套规则，HR专员很快就按照产研部门的用人需求筛选出了符合要求的简历，高质量和高效率地完成了校招工作的第一步。

 

增强自动化在金融和招聘领域的实践

 

前面提到的校招场景下赋能招聘专员的工作方法，相较于传统工作方法已有显著效能提升，但仍存在不足之处。例如，在处理海量简历筛选工作时，HR专员只能按照我的既定规则进行机械打分和计算，而我既无暇也无无法逐一检查HR专员的工作质量，更无法对简历筛选规则进行迭代优化。

 

然而，大语言模型的出现为这些问题的解决提供了可能。

 

去年，我们自主研发了一款基于大语言模型的招聘助手，是招聘领域首个落地的增强自动化应用。

 

这款招聘Agent不仅能按照企业自身的选人、用人规则对每份简历进行评分，还能输出对每份简历的打分依据。此外，我们还可以利用自然语言生成SQL，进而分析所有打分依据。

 

图源：澜码科技

 

此外，招聘Agent还可以根据企业的选人用人规则及简历中的事实信息，提炼出对候选人的评价，通过这些被提炼出来的评价，制定规则的专家可以再次综合审视简历，并调整自己的评分规则。

 

这样一来，就可以形成一个基层业务单元获得专家知识赋能，同时，专家经验也在过程中获得反馈、迭代和优化的闭环。

 

不仅在招聘行业，我们还在金融客户的场景中推进基于RAG（检索增强生成）技术的增强自动化，并且已经在不少场景实现单岗位任务的智能升级。比如对营销人员进行知识和话术辅助；在信贷、普惠等业务中，将智能化能力扩展到更全面的单据审核、报告生成、风控预警等环节中，提升业务效率，增强合规风险管控能力等。

 

我们目前正在服务的一家银行客户提供一项普惠贷款服务，旨在为中小企业提供便捷的贷款服务，以支持实体经济的发展和创新。但是在发放普惠贷款的过程中，银行难以全面了解借款企业信息和还款能力，尤其是对于缺乏完善财务记录的中小企业和个体工商户。银行客户经理要花费大量时间收集和分析各类资料，对申请企业进行尽职调查，并撰写申尽调报告，包括但不限于客户情况分析、财务数据分析、尽调审核分析等等。

 

然而，一线客户经理的业务分析水平参差不齐，他们负责完成的尽职调查和尽调报告的质量也良莠不齐，甚至同一位客户经理在不同状态下完成的报告质量也有高有低。

 

因此银行找到我们，希望能够有一款基于大语言模型的AI Agent帮助银行去获取申请企业的信用相关数据，并自动生成分析报告，为客户经理减负的同时，还可以有沉淀了专家知识的系统去辅助基层客户经理完成分析报告，帮助人工发现一些不易发觉的问题或遗漏。

 

有了这套基于专家知识的信贷审核Agent，不仅能够帮助银行节省客户经理80%报告撰写时间，还能够全面审核客户资料，减少错误率，为银行降低坏账风险。

 

类似的还有最近银行与政府机构联合推出的“大模型科创贷”，这是结合大语言模型行业特点、为行业企业量身定制开发的金融产品。与过去开展新业务和产品拥有较长的迭代周期不同，“大模型科创贷”产品需要专家快速冷启动审核规则，当申请企业很多的时候，专家就需要基于数据快速总结出规律。

 

有了基于专家知识的信贷审核Agent，专家不仅可以快速冷启动规则，还能够在工作过程中不断科学迭代和优化规则，并且辅助基层审核工作人员，在保证工作质量标准的同时，极大地提高他们的工作效率。

 

Gartner最新一份报告显示，在未来三到五年内，生产力的提高将扩展到自主Agent领域，系统能够根据所给出的指令构建流程、工作流和触发行动，员工将成为系统和输出的设计师和协调者。这就是理想的第三个阶段即流程自主化，而增强自动化是实现这一理想的第一步。

 

在我们看来，在大语言模型时代，Agent （智能体）就是一种新质生产力，专家知识、模型、算力都是全新的生产要素。在大语言模型的加持下，AI可以增强劳动力，新质生产力叠加新的生产要素，将推动传统产业实现转型升级，带来经济发展质量、效率、动力的深层次变革。