决策优势
把企业知识变成可计算的能力
企业的下一个竞争优势,不在于拥有多少数据,而在于能把多少知识,变成可计算、可信赖、可进化的决策能力。
目录
| 卷首 · 摘要 | 总主张与三大主题 | 03 |
| 第一章 · 问题篇 | 企业不缺数据,缺的是决策 —— 三重断裂与 AI 时代新悖论 | 04 |
| 第二章 · 理念篇 | 把知识变成资产 —— 本体:业务世界的数字地图 | 06 |
| 第三章 · 能力篇 | 从会建议到会决策 —— 两层分工与自主度阶梯 | 09 |
| 第四章 · 场景篇 | 六个场景,一条链路 —— 决策三部曲与六大落地场景 | 10 |
| 第五章 · 信任篇 | 为什么敢用 —— 四条落地原则 | 18 |
| 第六章 · 路径篇 | 如何开始 —— 选场景、三阶段、五类度量 | 19 |
| 结语 | 决策复利 | 20 |
| 附录 A / B | 术语表(地图类比版)· 六场景能力矩阵 | 21 |
| 关于比升 | AI 时代企业数智服务商 —— 价值验证与客户 | 23 |
业务决策者
沿主线读:第一章问题 → 第二章理念 → 第四章场景。本体等概念均已拆解为类比,无需技术背景。
技术评审者
关注第三章分工与各场景「系统怎么做」;术语与能力矩阵见附录,可直达。
统一的姿态
全书反复回扣一句话:AI 负责算与证,人负责断与行。每个场景都附「边界与诚实」。
一条链路
知识 → 判断 → 决策 → 行动 → 证据 → 沉淀
知识变成资产,决策才有优势
大模型时代,企业的瓶颈不是模型不够聪明,而是自己的知识还没有被组织成 AI 能安全使用的形式——经验在老员工脑子里,制度在共享文件夹里睡觉,数据在几十个系统里各自为政。SDE 把企业的 SOP、产品、客户、事件、规则建模成一张「业务世界的数字地图」:让 AI 能看懂业务、让每个判断带着证据、让每次决策可回放。
知识
可检索的对象与关系
判断
有依据的推理取证
决策
可比较的候选方案
行动
受控、可审批的执行
证据
可回指的事实链
沉淀
规则化、可复用
三大主题,各有实证
| 主题 | 一句话主张 | 支撑场景 | 关键证据 |
|---|---|---|---|
| 知识资产化 | 让企业知识离开人也能用 | 客户经营助理 / 运维自进化 | 1,764 实体 / 3,784 关系边 / 10 条风险规则;知识写回 v1→v2、回放 4/4 |
| 判断有据 | 无证据,不下结论 | 问题归因 | 六类根因可区分,结论可回指事实 ID |
| 决策可算 | 方案是比较出来的,不是拍出来的 | 预测白盒 / 可计算的决策 / 链路动态响应 | 729 候选 / 30 规则 / 8 周回放;预测因子可拆解;供应变化自动传导 |
注:六场景覆盖 L1–L4 自主度阶梯(见第三章);预测白盒与链路响应为方案 / 试点阶段。
系统的姿态
AI 负责算与证,人负责断与行。
从信息到决策的路径上,存在三个长期断裂
每家企业都有报表、看板和开不完的复盘会,但决策并没有因此变快。问题不在信息太少,而在路径上:
数据与业务语言的断裂
系统各持一块:批次在质检、库存在仓储、动销在销售。同一个「华东临期率」,三个部门给出三个数字——业务说「这件事」,系统里只有拆散在十几张表里的字段。
判断与证据的断裂
问题发生后,归因靠开会:有经验的人给结论,大家凭信任投票。结论无法回指到哪条事件、哪条规则——对错无从检验,经验也无法复用。
发现与行动的断裂
风险早有痕迹:缺凭证、低水位、未达目标——每个域都只是「小问题」。看到了没有归属,汇报了没有闭环。
一个被忽视的事实
采购单缺凭证、库存低于安全水位、售罄未达目标——单域看板天生只能验证已知路径,看不见「之间」。等各域的问题拼成事故,最佳处置窗口往往已经关闭。
1.2 与此同时
最有经验的员工正在流失或退休,他们的判断力从未被沉淀为组织资产。
模型越强,企业越不敢直接用
大模型的出现没有自动弥合三个断裂,反而制造了一个新悖论。不敢用的理由是真实的三件事:
不敢信
模型会生成似是而非的内容(幻觉),业务判断经不起「大概是对的」。结论一旦错,代价是真实的订单、真实的库存、真实的客户。
说不清
结论是黑盒,无法向客户、向监管、向管理层解释依据。「模型说的」不构成管理语言,也不构成免责理由。
管不住
一旦模型直接接上业务系统,错误的动作就是真实的事故。越强的模型接越核心的系统,风险越大。
本章结论
企业当下缺的不是「更聪明的模型」,而是一个让模型智能能够安全落地的底座:它了解业务、提供证据、约束动作、记录一切。这正是 SDE 的定位。
换个问法
与其问「AI 能替我做什么」,不如问:「AI 的判断,凭什么让我信?」本书的全部内容,都是在回答后一个问题。
从「数据驱动」到「决策驱动」
数据驱动十年,企业沉淀了报表与看板;下一个十年的分水岭,是把数据进一步变成可计算、可信赖的判断与决策——谁能更快地从事实走到可信决策,谁就有决策优势。
B1101 这批货,为什么临期了?
真实一问 —— 一个任何现有系统都无法回答的问题数据都在:批次档案、质检报告、分货记录、动销曲线、客户投诉。问题在于它们彼此不认识——质检系统不知道分货记录,销售系统不知道质量冻结。
回答「为什么」,需要把散落在五六个系统里的事实,沿业务逻辑重新连起来。把知识连起来、让机器能沿着连接推理——这件事的技术名字叫本体(Ontology)。用一个类比把它讲清楚:
各系统积累的数据就像测绘资料库——卫星影像、地籍表、丈量记录,每一份都准确,但你没法拿着一摞记录开车。本体,就是用这些资料建成的那张活地图。
本体 = 业务世界的数字地图
| 地图世界 | 业务世界 | 说明 |
|---|---|---|
| 建筑、地点 | 对象 | 客户、商品、批次、门店、供应商——业务里真实存在的「东西」 |
| 道路 | 关系 | 谁买了什么、货从哪个仓分到哪家店、哪张凭证对应哪张采购单 |
| 交通法规 | 规则 | 什么情况算异常:预算超线、库存呆滞、效期不足、凭证缺失 |
| 调度指令 | 动作 | 系统可受控执行的事:生成调拨单、发起审批、派发整改任务 |
这张地图是「活」的:业务系统每产生一条新数据,地图上的建筑和道路实时更新;规则每修订一次,全图立即适用。
不必推翻任何系统,本体是「翻译层」
| 你已经有的 | 它回答的问题 | 本体补上的那一半 |
|---|---|---|
| 数据库 / 业务系统 | 发生了什么(记录) | —— |
| BI 报表 | 是多少、趋势如何 | 为什么会发生 |
| 文档知识库 | 制度写了什么 | 眼前这个情况,按制度该怎么办 |
| 大模型 | 能说会道 | 说的每句话有没有依据、动作能不能落地 |
一句话
报表让你「量出一条路有多长」;
本体让你「沿着地图开车」。
贯穿全书的一个例子:批次不再是一行记录
没有本体时,「批次 B1101」是库存表里的一行。在 SDE 里,它是一个对象,连着完整履历:质检结论、分到了哪些节点、各节点滞留几天、当地动销曲线、有无客户投诉。它是一件事,不是一行数据。于是——
为什么临期?
系统沿对象的连接多跳取证,把证据一条条找回来。
该怎么处置?
规则给出与根因匹配的动作建议:调拨、促销,还是复核质检。
下次怎么防?
归因结论固化成新规则,进入下一轮自动预警。
知识不再是给人看的文档,而是机器可以检索、推理、执行的资产。
大模型是一位口才极好、刚入职你公司的外人
它读得懂语言,读不懂你家的业务:不知道你们的「华东」包含哪些仓、口径怎么算;会流畅地说出一个并不存在的政策条款;不知道哪些动作碰不得。
本体给模型三样东西,恰好对症
| 模型缺什么 | 本体给什么 | 作用 |
|---|---|---|
| 没有统一语义——在表字段上猜 | 一本业务母语教科书 | 对象与关系让模型在正确的业务概念上说话 |
| 没有证据约束——幻觉防不住 | 一套引用规范 | 结论必须挂接地图上的具体事实,无证据不下结论 |
| 没有行为边界——动作碰不得 | 一本行车规则 | 模型只建议与编排,落库动作走白名单与审批闸门 |
分界线
模型负责理解问题、组织语言;本体负责事实、逻辑与边界。前者提供智能,后者提供可信赖的智能。
知识的形态迁移
文档里的知识
给人看,机器用不了;更新滞后,检索靠运气。
脑子里的经验
随人流动,随退休流失;无法复制,无法检验。
地图上的资产
对象、关系、规则、动作——可检索、可推理、可执行、可进化。
数字员工在前,知识与判断在后
一个类比:DWOS 是前台接待专家,SDE 是他背后的档案馆加计算中心。你感受到的是一位懂行的专家,支撑他的是一整套可查证的体系。
| 级别 | 主题 | 系统做什么 | 人做什么 |
|---|---|---|---|
| L1 会建议 | 客户经营助理 | 检索知识,给个性化方案与风险提示 | 判断、采纳、去办理 |
| L2 会归因 | 问题归因 / 运维自进化 | 多跳取证定位本质;人工经验回写知识 | 采纳归因、确认写回 |
| L3 会决策 | 预测白盒化 / 可计算的决策 | 因子拆解、候选生成、规则评估、回放 | 审批方案、决定执行 |
| L4 会进化 | 链路动态响应 | 变化触发重算,响应知识自动沉淀,越用越聪明 | 审批响应、守住闸门 |
每一级的共同结构
系统把「信息—判断—动作—证据」串成一条可复核的链。人可以随时追问「依据是什么」,系统点开就是事实、规则与推理路径。信任不靠盲信,靠可查证。
从会建议到会进化:六个场景,覆盖 L1–L4
六个场景共用一套底座——对象、规则、证据链、回放;其中预测、分货、响应构成决策三部曲:输入可信 → 方案最优 → 持续在线:
预测白盒
看得准:预测是一本可查的账
分货决策
分得对:一次决策算得清
动态响应
调得动:变化触发重算
复盘沉淀
学得快:偏差变成修正
滚动闭环
决策可算升级为持续运转
六大场景导航(点击跳转)
客户经营助理
知识资产化:政策 × 客户特点 → 个性化方案
问题归因
判断有据:多跳取证,从结果找到本质
运维知识自进化
故障定位 + 经验回写:知识越用越厚
销售预测白盒化
输入可信:预测从黑盒数字变成一本账
可计算的决策
方案最优:729 候选,8 周反事实回放
链路动态响应
会进化:变化触发重算 + 响应知识自动沉淀
每个场景统一五要素:业务问题 → 系统如何解决(DWOS × SDE 分工)→ 闭环 LOOP → 业务价值 → 金句,并附「边界与诚实」。跨域风险发现(采销协同)见能力地图(第 17 页)。
客户经营助理:现场作战助手
业务问题:不是没有 SOP,而是现场用不上
个性化缺位
企业政策、产品、客户画像分散在各部门,销售很难当场组合出贴合这位客户的方案。
不知道办不办、办哪类
招商还是动销?什么规模?预算怎么定?经验在少数人脑子里。
会后效果说不清
转化、费用、核销沉淀在 BI 表里,缺少面向销售的解释与下一步建议。
系统如何解决:结合政策与客户特点,给出个性化建议
DWOS · 数字专家前台
APPLICATION- 六类任务模式:方案 / 产品 / 邀请函 / 跟进 / 数据 / 复盘,销售一句话发起;
- 只出建议、不落库:方案、话术、ROI 预判在对话中完成;
- 作业交接:申请 / 审批 / 核销 / 报销跳转既有作业系统真实落账;
- 结果回读:3/7/30/90 天转化回流,形成下一场建议。
SDE · 知识与判断
KNOWLEDGE- 真实知识库:16 实体类型 / 15 关系类型,1,764 实体页、3,784 条去重关系边;
- 风险推理:10 条规则围绕预算、核销、产出实时派生 risk_level 哨兵;
- 个性化取材:政策、客户画像、历史复盘、SOP 口径统一可检索;
- 数据质量前置:分母缺失等数据问题明确暴露,不硬判「超支」。
从提问到复盘的闭环
销售提问
「张总这场品鉴会后续怎么样?帮我出下一场招商方案。」
知识检索
政策 × 客户画像 × 历史案例 × SOP 口径
判断与建议
办不办 / 办哪类 / 预算与风险,给依据不只给结论
作业系统办理
申请 / 审批 / 核销 / 报销真实落账
结果复盘
BI 回流,解释转化与费用,给下一场建议
04 / 业务价值
- 销售:从「翻资料、问老人」到一句话拿到有依据的个性化方案与风险提示;
- 运营:政策与产品口径统一进知识库,各区域不再各说各话;
- 管理层:从「办了多少场」转向「这场办得怎么样、下一场怎么改」。
边界与诚实
H5 只做建议不直接落单,办理由外部作业系统完成;数据缺失与历史口径差异优先暴露,不用模型猜测补齐。
问题归因:从结果找本质
业务问题:临期是批次属性,答案却散在多个系统里
画像分散
批次、库存、动销、质检、履约分别落在 LIMS / WMS / 进销存 / OMS。
单点查询答不了「为什么」
看到剩余效期不足,不等于知道是需求慢、分货错配,还是质量冻结。
结论不可追溯
人工复盘给经验判断,无法回指哪条事件、哪个属性、哪条规则。
系统如何解决:沿图多跳取证,结构化归因
DWOS · 临期归因专家
APPLICATION- 归因对话:单批次沿图取证;区域问题先确定性聚合、再补逐批次证据;
- 答案契约:主体 / 是否临期 / 主因 / 证据链 / 反证 / 建议动作 / 置信度;
- 规则沉淀:归因被认可后,根因固化为 SDE 规则;
- 受控动作:可调拨根因才弹调拨单卡,二次确认后提交。
SDE · 知识与本体
KNOWLEDGE- 知识库:9 类实体 / 9 类关系 + 33 篇文档,批次连接事件、节点、客户、动销、质检;
- 规则引擎:7 条本体规则覆盖六类根因,可版本化、干跑、发布;
- 数据接入:批次 + 背景两条结构化连接器,规则转换、稳定省模型;
- 防幻觉:无证据不下结论,结论必须点回具体图事实 ID。
一次归因,三次价值
问批次 / 区域
「B1101 为什么临期?」「华东为什么临期多?」
沿图取证
批次 → 事件 → 节点 → 客户 → 动销 → 质检
结构化归因
主因 + 证据链 + 反证 + 建议 + 置信度
固化成规则
根因写成可执行规则,进入规则库
下一轮验证
下期数据 dry-run,对比有 / 无规则
04 / 业务价值
- 从现象到原因:同一句「临期了」,能区分六种根因与完全不同的处置;
- 从经验到能力:一次归因沉淀为下一轮自动预警,企业能力持续提升;
- 从结论到证据:每条判断可回指事实,减少「模型说了算」的不信任。
边界与诚实
「多源事实 → 证据链归因 → 规则沉淀 → 下轮验证」机制可平移至履约卡单、批次召回等更复杂场景。
运维:知识自进化
业务问题:知识为什么留不下来
经验沉在聊天里
故障处理完,根因与临时手段散落在群聊与个人记忆里。
同类故障重复排查
Runbook 写的是理想步骤,真实处置没有回流,下一次仍靠人。
知识没人验证
是否可检索、动作是否可执行、验证是否通过,没有机制保证。
系统如何解决:检索定位 + 受控处置 + 人工回写 + 回放验证
DWOS · 运维专家与执行闸门
APPLICATION- 8 个运维工具:建事件、查状态、绑 Runbook、执行动作、验证、通知、生成补丁、确认写回;
- 全程状态机:received → dispatched → matched → executing → verifying / escalated → knowledge_* → closed;
- 受控执行:只执行 Runbook 声明的动作与参数键;
- 人闸:补丁写回须管理员确认,版本乐观锁防覆盖。
SDE · 知识与证据
KNOWLEDGE- Runbook 知识库:可检索、读写带知识库作用域;
- 版本与快照:回写保存原文快照,支持原文级回滚;
- 检索投影:索引 + 向量双通道,回放前等待新版本投影可见;
- 本体增强(扩展中):服务 / 组件 / 索引 / 变更拓扑,推导疑似变更与爆炸半径。
一次故障,四次价值
异常接入
错误码 + 上下文,同指纹去重
检索与处置
命中 Runbook,白名单动作 + 自动验证
失败升级
通知值班转人工,不硬闯
管理员回写
Diff → 确认 → v+1,存回滚原文
dry-run 回放
可检索 / 可执行 / 验证通过 → 关闭
04 / 业务价值
- 已知问题:按 Runbook 自动执行并验证,减少重复排查;
- 未知问题:失败即升级,人工处置后根因与步骤写回知识库;
- 下一次:同类异常按新版本自动解决,知识真正复利、全程可审计。
边界与诚实
演示阶段动作与通知为 mock,不产生真实副作用;知识写回必须人工确认,不由模型自动改库。
销售预测白盒化与复盘
业务问题:模型给出一个数,没人说得清凭什么
预测是黑盒
业务不敢直接采纳,「拍数会」照开——最终数字常是模型与经验的妥协。
误差无法归因,干预不留痕
偏了不知是新店分流、促销没录全还是天气异常;谁调过数、调得对不对,无人检验。
预测与计划脱节
促销计划改了预测不知道;计划、销售、供应链各持一版口径博弈。
系统如何解决:预测即对象,因子即关系
DWOS · 预测对话专家
APPLICATION- 问依据:预测值当场拆成因子账本,每项可点开来源;
- 知情调整:业务可改预测,但必须写理由、全程留痕;
- 复盘对话:偏差沿维度拆解呈现,下一期自动检验调整对错。
SDE · 预测即对象
KNOWLEDGE- 因子上图:基线、季节、促销、节假日、价格、渠道六类因子全部可点开;
- 误差沿图归因:沿「SKU × 门店 × 周期」与「驱动因子」双维拆解;
- 计划联动:促销 / 铺货计划变更,预测随之更新,口径同源;
- 复盘沉淀:系统性偏差固化为修正规则,能力随使用变准。
从「一个数」到「一本账」的闭环
问预测
「凭什么 2.4 万件?上月为什么偏三成?」
因子拆解
一个数 → 一本账,每项可查依据
误差归因
回到图上找,不在会上猜
知情调整
写理由、留痕迹,杜绝暗箱改数
复盘沉淀
调整检验 + 偏差固化为修正规则
04 / 业务价值
- 商品:从「信不信模型」的立场之争,变成「查账式」过程管理;
- 计划:预测与计划同源同口径,博弈减少、协同加快;
- 组织:每次偏差都变成修正,预测能力成为持续进化的资产。
边界与诚实
白盒解释的是因子与逻辑,不等于因果结论;外部因素仍留残差,系统标注置信区间。方案 / 试点阶段,量化指标以实际项目为准。
商品运营:可计算的决策
业务问题:一次分货,同时受四个约束
门店容量
分多压货、分少断码,门店之间不能简单平均。
尺码曲线
同一 SKU 在不同门店结构不同,粗放分货制造结构性滞销。
到货节奏 × 毛利风险
ASN 批次、毛利与滞销风险必须一起权衡,方案还要能解释。
系统如何解决:确定性引擎算方案,模型做编排与解释
DWOS · 分货专家
APPLICATION- 自然语言入口:「打开分货会话」,选数据集与基准周,冻结规则与参数;
- 15 个专家工具:会话、证据、推荐、回放、评估、审批、执行、规则提升;
- 不重算分货:复杂计算留在 SDE,前台只做编排与解释;
- 人在环:方案审批与规则提升,都必须人工明确批准。
SDE · 决策底座
DECISION ENGINE- 确定性数据集:64 门店 / 240 SKU / 18 ASN / 3,840 分货行 / 24,000 件;
- 候选生成:729 个候选,硬约束过滤 + 多目标排序;
- 规则评估:30 条业务规则逐一判定,违反哪条、命中哪条全部留痕;
- 反事实回放:同一历史需求替换方案,逐周推演 8 周。
从问题到审批执行的闭环
打开会话
「这批 24,000 件怎么分到 64 家店?」冻结规则与参数
生成候选
确定性引擎 + 硬约束过滤 + 排序
证据与回放
规则命中 + 8 周反事实推演
人工审批
人确认方案,不是模型代替审批
受控执行
白名单通道,全程留痕可回查
04 / 业务价值
- 可计算:分货从经验判断变成同一口径下的候选比较;
- 可解释:每个方案能回答「为什么这样分、违反哪条规则、回放如何」;
- 可控:方案与规则提升都要人审,mock / 真实环境边界明确。
边界与诚实
当前为合成数据 demo:回放是反事实推演,不等同真实 A/B 或因果结论;执行仅生成 mock 回执。
链路动态响应:会进化的计划
业务问题:计划是静态的,市场是动态的,经验是一次性的
变化随时发生
需求爆量或失速、供应延期或缺口,计划却停在月初版本里。
影响看不穿
一张到货单延期牵动哪些 SKU、门店、在途与促销?人工追半天,最佳窗口已关。
响应不复利
紧急会议各自拍板、没有方案比较;处置完经验就散了,同类变化下次仍靠人从头再来。
系统如何解决:计划即对象 + 响应知识自进化
DWOS · 响应专家
APPLICATION- 一句话发起:「这张 ASN 延期两周,怎么办?」翻译成响应请求;
- 方案卡片:候选响应的代价、风险、服务水平摆上同一张桌;
- 响应复盘对话:动作、代价与偏差回放呈现,辅助人判断与沉淀;
- 双重闸门:执行须人工确认;响应规则写回须管理员确认。
SDE · 计划即对象 + 自进化
DECISION ENGINE- 计划上图:需求 / 供应 / 到货 / 分货计划全部建模,供应连供应商与 ASN、需求连预测与促销;
- 变化沿图传导:延期瞬间,受影响 SKU、门店、促销与量级一屏呈现;
- 候选重算:五类响应动作及其组合,过同一套规则评估与推演回放,口径与预测同源;
- 响应知识回写:认可的响应固化为规则与 Runbook(v+1),dry-run 验证——下一次同类变化,系统按新知识自动出方案。
触发式闭环 + 进化回路:响应不靠会议,进化不靠记性
监测
偏差事实:延期 / 缺口 / 需求突变
传导
影响网络一屏清单
方案
候选重算,代价风险可比较
审批
人工确认后执行
执行
白名单受控动作
复盘回写
回放对比,响应知识 v+1,下一轮自动
04 / 业务价值
- 供应链:响应从「天级会议」进入小时级重算;
- 商品:影响面即时可见,最佳响应窗口不再错过;
- 组织:每一次响应沉淀为规则,同类变化下一次自动应对——链路越用越聪明,全程留痕可回放。
边界与诚实
推演基于当前事实快照与预测区间,二次变更需重新触发;执行与规则写回均须人工确认;执行落地依赖真实供应、物流系统对接。
下一个前沿:跨域风险发现
六个场景验证的机制——对象、关系、规则、证据——正在向「系统之间」延伸:风险不在一个系统里,而在系统之间,单域看板天生看不见「之间」。
业务问题:单域看板看不到跨域传导
异常藏在单域里
采购单缺凭证、库存低于水位、售罄未达目标,各自看都只是局部问题。
固定链路只能验证已知
人工画好的链路覆盖不了「凭证 × 库存 × 销售 × 供应商」的未知组合。
发现与整改脱节
谁补凭证、谁调拨、谁复核供应商,缺少统一任务闭环。
8 条推理规则,把局部异常串成风险网络(采销协同演示)
事实数据
采购、凭证、库存、售罄、供应商
异常识别
5 类域内异常断言
规则推导
8 条规则前向链式推导
传导网络
风险沿商品与供应商汇聚
整改任务
补录凭证 / 调拨补货 / 供应商复核
七个战场(六场景 + 跨域发现)共用同一套底座,任一场景沉淀的对象、规则与证据链都成为下一条战线的起点资产——边际成本递减,这正是「知识资产」的复利含义。
路线提示
跨域发现与各场景的落地节奏与优先级,可与比升顾问共同规划。
在满屏「AI 全自动」的宣传里,先回答更根本的问题
信任来自可查证,不来自「请放心」。四条落地原则,每条都是落在产品结构里的机制:
确定性优先,模型做编排
关键数字的计算、规则评估、事实聚合用确定性代码完成;模型负责理解问题、选择工具、解释结果。模型不替人算关键数字。
无证据,不下结论
归因结论绑定事实 ID,决策绑定运行记录。数据缺失时明确暴露,不用模型补齐——从机制上压制幻觉。
动作必须有边界
受控动作只执行白名单;高风险动作必须人工审批;演示与生产环境用模拟 / 真实回执严格区分。
人在环,但不让人做机器该做的事
人负责目标、风险与最终批准;机器负责检索、计算、比对、留痕与重复执行。系统的目标不是替代决策者,而是让决策者每一次拍板都有完整弹药。
信任是架构,不是承诺
证据链可点开 · 规则可版本化 · 变更可干跑 · 动作有白名单 · 审批有闸门 · 全程有审计
一句回应质疑
「AI 会不会替我拍板?」——不会。系统把「信息—判断—动作—证据」串成可复核的链,拍板的人始终是你,只是你从孤证拍板变成全证据拍板。
对边界的坦诚
演示数据与生产数据、模拟回执与真实回执、反事实推演与因果结论——我们都明确区分并如实告知。
从一个场景,到一种能力,到一套资产
选场景的三条标准 · 三种切入姿势
决策每天 / 每周都在发生
改善立刻可见。从建议切入:客户经营助理式知识陪伴。
现有流程依赖开会、靠老师傅
且痛感是一线自己说出来的。从归因切入:临期式解释为什么。
相关系统数据能接出来
不必先做一年数据治理。从决策切入:预测 / 分货 / 链路响应——风险与价值依次递增。
三阶段落地路径(约 90 天)
| 阶段 | 周期 | 做什么 | 里程碑 |
|---|---|---|---|
| 一 · 知识冷启动 | 第 1–4 周 | 选定业务域,接入文档与数据,建对象与关系,规则在真实数据上验证 | 知识地图上线,首批规则通过数据质量检验 |
| 二 · 判断上线 | 第 5–8 周 | 以「建议 / 归因」形态上线数字专家,人在环使用,积累采纳记录 | 一线日常使用;首批归因结论被业务认可 |
| 三 · 决策闭环 | 第 9–12 周 | 引入候选生成、规则评估与回放,接入审批流;认可的判断固化为规则 | 第一个决策场景跑通「计算—评估—回放—审批」闭环 |
怎么衡量值不值(五类指标,不用虚荣指标)
决策复利
多数信息化投入买到的是「当时的效果」:报表建好了,流程上线了,然后开始折旧。这套系统买到的另一样东西——
组织每次做事,都留下可检索、可判断、可复用、可验证的资产。每一次归因沉淀为规则,每一次决策留下可回放的记录,每一次人工处置变成下一次的自动能力。数据在折旧,知识在复利。
全书一句话
DWOS 把智能变成行动,
SDE 把行动沉淀成可复用的判断。
下一步
从一个场景开始,让知识开始复利。
术语表
| 术语 | 一句话解释 |
|---|---|
| 本体(Ontology) | 业务世界的数字地图:有什么(对象)、怎么连(关系)、怎么办(规则与动作) |
| 对象 / 实体 | 地图上的建筑:客户、商品、批次、门店等业务里真实存在的「东西」 |
| 关系 | 地图上的道路:谁买了什么、货从哪到哪、哪张凭证对哪张单 |
| 规则 | 交通法规:什么情况判定为异常、触发什么信号;可版本化、可干跑 |
| 证据链 | 导航回放:一条结论依据了哪些事实、命中了哪些规则,全程可点开查验 |
| 反事实回放 | 在历史需求上「重跑」另一个方案,逐周推演对比——「如果当时那样分会怎样」 |
| 干跑(dry-run) | 新规则先在真实数据上试运行、看结果,不产生实际动作 |
| 人在环 | 关键节点必须由人确认:方案要审批、写回要确认、高风险动作有闸门 |
| 数字员工 | DWOS 承载的对话型专家,在前台理解问题、组织结果、交接作业 |
一
本体是地图:对象是建筑,关系是道路,规则是交规,动作是调度。
二
报表回答「是多少」,本体回答「为什么、怎么办」。
三
模型提供智能,本体提供可信赖的智能。
六场景能力矩阵
| 客户经营助理 | 问题归因 | 运维自进化 | 预测白盒化 | 可计算的决策 | 链路动态响应 | |
|---|---|---|---|---|---|---|
| 对应主题 | 知识资产化 | 判断有据 | 知识资产化 | 决策可算·输入可信 | 决策可算·方案最优 | 决策可算·持续在线·自进化 |
| 自主级别 | L1 会建议 | L2 会归因 | L2 会归因 | L3 会决策 | L3 会决策 | L4 会进化 |
| 核心对象 | 客户、政策、产品、活动、预算 | 批次、事件、节点、客户、动销、质检 | 事件、Runbook、动作、补丁、回放 | 预测、驱动因子、促销计划、SKU×门店×周期 | 门店、SKU、到货单、分货行、规则 | 需求 / 供应计划、到货单、影响网络、响应规则与 Runbook 版本 |
| 系统承担 | 检索、个性化建议、风险信号、复盘解释 | 多跳取证、结构化归因、规则沉淀 | 检索定位、受控处置、写回与回放验证 | 因子拆解、误差归因、干预留痕与检验 | 候选生成、规则评估、反事实回放 | 偏差传导、候选重算、推演回放、响应知识版本化 |
| 人的角色 | 采纳建议、去作业系统办理 | 采纳归因、决定固化规则 | 处置未知问题、确认写回 | 知情调整(须写理由)、采纳预测 | 审批方案、决定执行 | 审批响应、确认规则写回 |
| 可验证结果 | 1,764 实体 / 3,784 边 / 10 规则;建议与风险可追溯 | 六类根因可区分;结论可回指事实 ID | Runbook v1→v2;回放 4/4 通过 | 预测可拆成因子账本;调整可复盘检验 | 729 候选 / 30 规则 / 8 周回放 | 影响面分钟级呈现;响应知识 v1→v2,同类变化下一轮自动出方案 |
| 当前边界 | 只建议不落单,办理在外部系统 | 机制可平移至更多归因场景 | 动作 / 通知 mock;写回有人闸 | 因子解释非因果结论;试点阶段 | 回放为反事实推演,执行为模拟回执 | 推演基于事实快照;执行与写回均须人工确认 |
注:预测白盒与动态响应为方案 / 试点阶段,量化指标以实际项目数据为准;跨域风险发现(采销协同)为延伸方向,见第四章能力地图。
关于比升:AI 时代企业数智服务商
业务数智化 + AI 原生 —— 以「真中台 · 轻咨询 · AI 赋能」陪伴消费品头部品牌完成 DTC 与全渠道转型
VALUE 20%库存周转提升 150%缺货销售增长 8%毛利提升 头部灯塔客户 · 实战价值验证
全国领先的AI 时代企业数智服务商,2018 年创立于上海,聚焦消费品三大赛道,构建「业务闭环运营 · 指标驱动业务 · AI 赋能决策」的端到端解决方案。
服务 30+ 头部品牌集团 · 覆盖鞋服时尚 / 日化美妆 / 食品快消 / 医药流通 / 家居家电,安踏、特步、森马、飞鹤、万益蓝、华致酒行、中免等长期标杆客户在营
把企业知识变成可计算的能力
决策优势 · SDE 智能决策引擎白皮书
知识
判断
决策
证据
沉淀
官网 www.bitsun-inc.com
数字员工操作系统 DWOS × 智能决策引擎 SDE
© 2026 比升技术 · 本白皮书内容版权归比升所有 · V1.1 · 2026.11