当AI给出的不再是一句参考,而是进入诊疗、采购、数据采集等真实流程的建议时,"谁对结果负责"就从技术问题变成了治理问题。在蒙牛内部赛训产出的奶牛诊疗Skill里,开发者主动把能力边界写进工具:面对危重复合病症,AI仍可能漏诊误诊,必须由执业兽医到场结合实验室检测综合判定。这个细节之所以值得被单独拎出来,是因为它示范了一个常被忽略的原则——AI建议进入业务决策,责任主体从来不是模型,而是采纳建议的那个人和那套流程。
责任归属的核心,在于区分"建议"与"决策"两个环节。AI可以缩小诊断范围、给出候选方案、批量生成素材,但真正拍板的动作仍发生在人这一侧。因此责任不应落在工具或开发者个人的自觉上,而应落在流程设计中明确的复核节点上。谁在哪个节点介入复核、复核不通过时如何回退、高风险场景是否强制保留人工判断,这些规则决定了当结果出错时,追责链条是否清晰可循。
边界必须显式写入,而非默认存在
一线自主开发的最大优势是贴近真实需求,但它的风险也恰恰来自分散。当多个数字员工散落在不同岗位、由不同业务人员各自封装时,每个应用的适用范围、失效情形和容错空间若只存在于开发者脑中,规模化推广时就会出现责任真空。可行的做法是要求每个进入决策流程的应用显式标注能力边界:它适合处理哪类问题、在什么情况下必然失效、超出范围时应由谁接手。把边界从隐性经验变成写入工具的明文,是让责任可以落地的前提。
治理前置,而不是事后补救
责任归属不能等应用铺开后再补制度。在赋能一线之前,就应先明确数据权限如何划分、知识库来源是否合规、业务输出进入决策前经过谁确认。规则相对清晰、容错空间较大的重复性工作适合优先下沉,而涉及诊疗、财务、安全等高风险判断的场景,则应默认保留人工复核。换言之,放权与定责必须同步发生:门槛降低让更多懂业务的人能快速封装工具,但谁核验效果、谁承担后果、谁长期维护,需要靠制度而非个人习惯来保证。
回到最初的问题,AI建议进入业务决策,负责的始终是采纳它的组织与岗位,而不是生成建议的系统。真正决定能否规模化的,不是工具有多好用,而是企业是否在放权的同时,把业务边界和复核责任一并建立起来。