最近国内某头部企业软件公司一位高管找我交流，他说在自家产品的推广中，采用了如下这个业务模型，用于描述他家产品的各个功能如何应用于企业的各种工作场景中：

我很高兴在2024 年出版的著作《业务流程》中，我原创提出的这个企业管理模型得以应用：

自认为这是我对管理科学领域一个有价值的创造（我没有进行过学术文献检索，欢迎有兴趣的朋友进行原创性查证），也是我创立 #企业知识开源 的贡献内容。

我自己非常满意这个模型对于企业管理（例如业务架构规划、业务流程设计、组织变革等）和信息系统实施（例如企业架构管理、业务自动化系统架构、AI 应用等）的重要意义和实战价值。

在我的书中对这个模型进行了解释，本文我再详细说明这个模型希望解决的问题、模型含义以及AI 应用。

（一）解决的问题

首先，解释下这个模型试图解决的问题：即通过企业业务的确定性（Determinism）组合，来对企业业务执行模式（pattern） 进行完整的分类。

我在很多文章中批评过国内普遍存在的一个业务架构（Business Architeecure）规划和设计的误区，即

业务流程要细化到六级流程或七级流程

无数中国企业正在这么干

七级流程和华为4A架构 ｜ 层级狂热、框架堆砌与会议室虚假繁荣

企业根本就不可能画出来六级流程、七级流程

他们试图用“流程”这种方式，来穷尽企业运营活动的一切细节描绘——我这个模型就是来纠正这个误区的。我提供了在流程之外，对企业运营活动进行建模、并依据该模型进行数字化、AI 化的思路。

企业本质是一个开放系统，如果我们要对这个系统进行仿真、监测、自动化以及控制，必须了解系统中各个活动基于特定输入的执行过程和输出的可预测程度。这个可预测程度在信息系统、计算机、控制论等理论里，叫确定性（Determinism）。

在管理学语境下，确定性并非是非黑即白、一定会发生，而是指是否可预测、可预见（predictable）；由于现实中会存在风险以及例外，所以即便是高确定性的业务，仍然不是100% 肯定产出预计的结果，例如天气预报说要下雨，那么这是高确定性事件，但是下雨概率是90%。

业务确定性就是业务系统在给定初始条件下，其状态演化过程和最终状态的可预测程度。

或者换句话解释，

业务确定性（Business Determinism）是指在已知业务目标和约束条件下，组织预测业务执行路径及其最终结果的能力。

如果在输入确定的前提下，当执行流程确定（即决策逻辑明确、流程任务结构化程度高）且输出可预测（即结果确定），则为业务确定性高。

如果输入不完整、执行路径动态变化、输出难以预测，则业务确定性低。

我建立的这个模型，把业务确定性的模式分拆为两个MECE 的维度：

我认为企业所有工作都面临两个问题：

第一个问题：怎么做？

即：过程是否已知？如果过程的确定性高，包括：

标准操作程序（SOP）已知

决策规则已知，这些规则包括线性或者非线性的决策逻辑

任务顺序和结构化已知

异常和例外情况有限，且有应对规则

例如：员工报销、销售开票、采购审批、订单履约等业务

如果工作过程面临很多未知因素，则为过程确定性低，诸如：

没有固定执行路径

需要边做边判断

过程中需要评估各种可行性

每次处理方式不同

例如：客户投诉处理、医疗诊断、派出所报案的警务调查、企业并购等。

好，我这里提个思考题（这是今天早上在一个专家群里，有人提出的问题——ECR/ECN究竟算不算流程？）

产品设计的版本切换，包括技术平台切换、产品线切换、产品切换、产品版本切换、关键器件切换等，这个属于工程变更管理，它的过程确定性高还是低？

我个人的观点，ECR/ECN 并非完全是确定性流程。

第二个问题：产出是否可预测？

即结果是否具有稳定预期。高结果确定性是指只要输入和过程一致性强，输出基本是一致，例如：发工资、生成发票、银行转账，结果的确定性很高。

低结果确定性是指过程可能执行正确，但是结果仍不确定。

例如：研发新产品、市场营销活动、战略转型、创业等，你可以做对教科书上或者流程指导手册上所有的事情，但是结果依然可能失败。

在现实中，同样一件事情在不同的组织中，结果确定性可能会不一样。例如工资计算，这件事情貌似是高确定性工作，每个工资都有标准化的计薪规则（基本工资、浮动工资按照级别、绩效的计算方法），所以只要把员工信息和当期实际考勤数据输入进去，输出结果应该是确定的。

然而在我的咨询实践中，我见过很多企业的员工跟我反映，说公司的薪酬计算是个黑箱，由于计算规则太复杂，绩效评价的人为因素太多，缺乏定量的工作成效反馈，所以每个月工作结束后，不知道自己究竟能拿到多少前，这就是中国企业的现实。

（二）模型解释

这两个问题形成两个维度，就构成了企业工作形态的四象限：

第一象限

过程确定+ 结果确定 = 流程（Process）

典型流程，例如：订单到收款（Order-to-Cash），接单→发货→开票→收款，这个活动的特点是：

重复运行

规则明确

一个流程是由若干个任务构成的，流程管理围绕任务（Task）组织工作，目标是完成预定义步骤。

数字化实现方案方面，ERP、CRM等企业软件就是流程信息的记录工具，而BPM 平台则实现了流程运行的自动化。

第二象限

过程不确定+ 结果确定= 个案（Case）

Case是一个需要被处理和关闭的具体事项。例如：

保险理赔Case

客户投诉Case

医疗病例Case

信贷审批Case

事故调查Case

个案管理（Case Management）则是指围绕事项（Matter）组织工作，目标是解决特定问题。

个案管理和前述流程管理最大的区别是“谁来决定执行怎样的流程”：流程管理是流程设计者决定流程，流程一旦被设计好后，工作者只负责执行；而个案管理是设计者制定好流程的大框架和流程概念，工作人员在工作过程中决定流程并执行之。

例如：保险理赔的目标是赔付结案，结果确定性高，但每个保险理赔的路径不同。

可能：补材料→调查→专家评审→赔付获拒赔

也可能：补材料→直接拒赔

这种工作模式无法预先设计好流程、画成流程图（流程模型），而强调事件驱动（event-driven）。在数字化实现方案上，就出现了一个专门的解决方案领域，这类方案叫“适应性个案管理ACM”（Adaptive Case Management），通常属于业务流程管理（BPM）软件的一个分支，IBM、Pega、OpenText等主流传统BPM 厂商都提供ACM 方案，广泛应用于保险、客服、医疗、公安、律师行等业务领域。跟流程可视化建模标准BPMN 对应，个案管理也有可视化建模标准CMMN。

奥锐方（Orion）产品既支持传统的流程管理，也支持个案管理。

第三象限

过程不确定+ 结果不确定=协同（Collaboration）

这种工作模式就是我著作中开篇说到的“拉个群”的方式，协同高度的数字化工具，致远互联等厂商在国内二十年前随着互联网兴起就开始倡导协同工作平台的概念，而飞书这类产品则将协同产品发展到了极致。协同不是一个软件产品，而是一种数字化的工作方法和组织形态，协同的场域有群聊、协作文档、工作看板、知识管理、视频会议、在线白板等多种数字化形态。

例如：创业团队在创新业务时，没有明确流程，也没有明确结果，而是不断探索、迭代。典型工作形态包括：

对话

会议

共享知识

即时沟通

协同是围绕议题（Topic）来组织工作，这个议题可能是企业微信或者微信的一个群，可能是一个飞书协作文档，也可能是Slack 的一个channel，其工作目标形成团队共识、创造组织新价值。

第四象限

过程确定+ 结果不确定 = 项目（Project）

对项目的管理就是项目管理，项目管理的知识体系已经非常成熟了，果总自己就是中国最早的那批国际认证项目管理专家（PMP）。项目管理也讲结构化的流程，PMP的知识体系里提供了一个包括了“计划、执行、控制、收尾”的标准化项目管理流程框架。但是按照PMP 知识体系对项目的定义：

A project is a temporary endeavor undertaken to create a unique product, service, or result.

项目是为创造独特的产品、服务或成果而进行的临时性工作。

PMBOK，项目管理知识体系

所以，项目和流程这两种业务执行是有显著区别的——流程是反复发生的活动，而项目管理是围绕特定交付成果（deliverable）展开的、具有明确起止时间和资源约束的临时性、一次性的业务执行模式。

例如建造一座桥，过程活动可以事先确定，包括：设计→招标→施工→验收，

但是不意味着你按照这些活动做了，桥就可以修好，由于存在复杂的内部和外部风险因素，建桥任然存在延期、超预算、质量问题等结果的不确定性。

项目管理软件也是一个相当成熟的企业数字化领域，参见《什么叫项目管理软件和项目管理信息系统》。

（三）模型指导企业AI应用

以上四种模式都能通过相应的企业信息系统以及数字化工具来实现自动化，随着AI 技术的发展，很多人认为AI会自动化所有工作。我的这个模型揭示了，AI应用价值取决于业务确定性的定位，不同定位下，AI 的应用潜力不同，而且人机协作模式也不同。

1、流程：是应用AI实现自动化的最高潜力领域，只要人能事先讲得清楚的业务规则，智能体（Agent）几乎可以全自动执行，这样就会有发票处理智能体、订单录入智能体等场景。不过请注意，我反复强调：“ 能不烧TOKEN的工作，就不要用烧TOKEN 的方式去完成”，流程型智能体是基于显式规则的人工智能以及传统AI 能力（例如机器视觉、决策和优化引擎等），不一定需要用到大模型的能力。

2、个案：这是今天新兴的基于大模型能力的智能体式AI（Agentic AI） 或者奥锐方提倡的智动化（Agentic Orchestration） 所最擅长的领域，智动化本质上是解决“路径不确定（How Uncertainty）”的问题，而不是解决“目标不确定（What Uncertainty）”的问题，只要人类提出目标，由大模型来“感知、思考、规划、行动、观察、反思”这个闭环，正如我在《不要跟人类内卷 ｜ “企业AI”当前行业方向可能是错的》文中所写，目前很多智能体项目无法达到目的，在于他们把应用场景找错了，把不需要用到大模型智能体的流程问题，硬去用大模型智能体解决，毫无意义地浪费 TOKEN。

3、项目：目前大模型AI 更适合作为项目经理的顾问，而没法去规划并操作具体工作（如果我们不从任务自动化角度去看）。项目最大的风险不是执行路径规划，而是结果保证。项目的诸多风险，例如用户不接受、范围变化、关键人员离职、预算超支、集成失败等，都并非事先能预计的，而大模型的本质能力是“预测下一步”，基于预测来规划活动。

4、协同：智能体可以作为团队成员，创新工作模式，我在《智能体式企业工作形态 ｜ 智在流程、智在协同、智在环外》《企业AI转型关键 ｜ 智能体不仅能聊天、能干活，还能参与团队协作》文中有详细论述，本文就不赘述了。