数字化不都需要画流程 ｜ 业务执行六种范式的技术选择和组织适配

在企业数字化转型的过程中，企业领导在选择某个特定业务的技术实现方向时，常常陷入“架构错配”的困局：

明明是需要高度灵活地对VIP客户提供个性化的服务，却试图用标准化流程去讲清楚每个活动细节——流程要细化到七级，用“业务流程管理系统”去固化每一步操作，最终这样精雕细琢的流程很难落地，员工也抱怨系统不好用。

明明是逻辑清晰、步骤固定、合规性要求高的财务核算，却盲目跟风，引入AI 智能体，导致结果不可解释，工作人员也吃不准数据能不能用，反复督查，反而降低工作效率。

很多企业认为搞数字化，就是把企业业务活动的万事万物都能画成流程图，然后用IT系统去实现这个流程图的活动流转和信息记录，他们称之为“业务架构”。

实际上，企业执行业务的范式，亦即一个活动在软件系统中被触发、推进、判断、协同、完成的运行方式，除了“流程”外，存在着多种类型：

我开发上面这个“业务执行范式”模型，正是为了解决上述“用错误的方案解决现实问题” 这一普遍存在于企业数字化转型和AI应用中的困扰。

这个模型揭示了架构设计的真谛：不存在一种技术架构适用于企业所有业务自动化（business automation）的场景，技术方案必须匹配不同特征的业务执行范式。

我将业务执行范式用两个维度进行分类：

业务确定性：是一项业务活动在执行开始时，其路径和结果的可预测程度。

业务控制方式：是一项业务活动的各个单元的执行权、状态管理和协同调度的中心化程度。

在这个二维关系里，“确定性”和“集中度”之间存在天然的反向相关性：

高确定性业务通常容易实现强中心化控制，因为路径固定，容易统一调度，很难做到完全去中心化；因为没必要松耦合，强控制更高效。

低确定性业务通常需要松耦合、去中心化的自组织，因为中心化调度会跟不上动态变化，但如果强行高控制集中，就会失去灵活性。

因而，九宫图在对角线上的三个格子，在实践中几乎不存在或极不稳定。所以主流就存在这六种范式：

范式一流程 (Process)

【特征：高确定性 + 强中心化控制】

• 基本概念：这是传统的企业数字化最基础的形态。业务可以用流程图的形式来表达——有明确的起点和终点，步骤严格按顺序执行，路径是反重现、标准化的。该业务目标是为了组织的成本、合规和效率。

• 企业实际场景：

o 制造业：物料管理、业财一体化的记账。

o 职能管理：费用报销审批、采购合同、员工入职。

o 银行：传统的贷款审批流程。

• 组织适配：科层制组织和矩阵式组织，组织结构的形态严谨，强调自上而下的命令与控制，岗位职责定义清晰且固化。

• 技术架构与实现：ERP和核心业务系统，BPM（业务流程管理）系统，工作流引擎，流程自动化机器人等。

范式二规则 (Rule)

【特征：高确定性 + 中等控制】

• 基本概念：业务执行逻辑不是线性的“步骤”，而是一组明确的判定规则（If-Then）。只要满足条件，结果就是确定的。它通常从流程中剥离出来，成为独立的决策服务。这是传统人工智能的领域。

• 企业实际场景：

o 金融风控：根据信用分、负债率、征信记录决定是否放贷或利率多少。

o 电商：购物车满减计算、复杂的优惠券核销逻辑。

o 保险：自动核保，符合A/B/C硬性条件即自动通过。

• 组织适配：具有职能专家（COE）组织，由业务专家（如精算师、风控专家）维护规则资产，技术部门负责实施并由业务部门执行。

• 技术架构与实现：规则引擎（Rule Engine）、决策管理系统，例如Drools, IBM ILOG, FICO等产品

范式三编排 (Orchestration)

【特征：中确定性 + 强中心化控制】

• 基本概念：与“流程”相比，“编排”更侧重于系统与系统之间的交互。它采用一个中心化的“指挥者”（Orchestrator，或称为“编排器”），来统筹调用多个独立的业务服务。指挥家清楚地知道业务的全貌，负责向各个服务发送指令、接收反馈、处理异常（如重试、回滚）。

这里的“中确定性”意味着：虽然业务的大目标明确，但由于涉及分布式系统调用，网络延迟、服务宕机或业务逻辑分支（如库存不足触发的复杂补偿机制），使得执行路径比单纯的流程更复杂。

• 企业实际场景：

o 复杂的交易链路：例如旅游订单。用户下单后，编排引擎需依次或并行调用：1.航司接口订票；2.酒店接口预订；3.银行接口扣款。如果扣款成功但酒店预订失败，编排器必须反向执行“退款”和“取消机票”的操作，即事务补偿。

o 端到端的流程：制造业的订单到交付（Order to delivery）的“长流程”，需要编排多个服务。例如银行的新客户开户，需要成功激活一个具有银行卡、理财权限和网上银行功能的新账户，它需要编排如下服务：

身份核验服务：调用 KYC系统进行身份验证和人脸识别。

反洗钱/风控服务：调用黑名单、风险评级服务，确定账户等级

核心银行系统服务：创建账户主数据和银行卡信息。

理财系统服务：为该账户开通理财产品交易权限。

渠道通知服务：发送欢迎邮件和短信通知客户。

如果在第3步“核心银行系统创建账户”成功后，第4步“开通理财权限”失败，编排器必须立即启动补偿操作，调用“核心银行系统服务”将已创建的账户标记为挂起或删除，并通知客户开户失败原因。

• 组织适配：需要有平台型团队负责工程及服务提供，通常对应企业的“共享服务中心”或“中台”，该团队负责维护核心的编排逻辑和API契约。

• 技术架构与实现：微服务编排、Saga 事务模式，常见产品有Netflix Conductor, Temporal.io, Zeebe (Camunda)，Orion奥锐方等

• 传统编排 vs. 智能体式编排 (Agentic Orchestration)：

传统编排：业务逻辑是预定义的，A完成后必须做B，主要解决系统稳定性与事务一致性。

智能体编排：逻辑是运行时动态生成的，基于一定的预定义逻辑，并且利用大模型的认知和推理能力，由AI大模型根据用户意图（Goal），自主决定调用哪些工具。它适用于“帮我策划一次旅行并预订行程”这种非固定的、创造性的任务。

范式四编舞 (Choreography)

【特征：中确定性 + 去中心化/松耦合】

• 基本概念：没有中心指挥官。各个参与者（服务或部门）像四个小天鹅的舞者一样，听到特定的“音乐”（事件）就做出反应。基于事件驱动，系统间高度解耦。A服务做完事发出一个事件，B服务监听到后就自动开始工作，A根本不需在意B的存在。

• 企业实际场景：

o 智慧物流：包裹到达分拣中心（事件发生），分拣机器人自动响应，无需总控室具体指令每个机器人怎么走。

o 银行反欺诈：当一笔信用卡冒用交易发生时，核心交易系统会发布一个交易发起事件，风险计算服务和黑名单服务等多个系统会独立订阅该事件并进行计算，若任一系统检测到风险发布一个新的高风险警示事件，交易阻止系统订阅此高风险事件，自动执行交易冻结。这种方式高度解耦，适合高效处理海量、高并发的风险数据流。

o 智能家居：物联网设备联动，门开了，灯自动亮，无需中央服务器轮询。

• 组织适配：敏捷小组制。企业实施大规模敏捷模式，各小团队高度自治，通过明确的接口（契约）协作，无需层层汇报。这和“中台”的中心化模式是有区别的。

• 技术架构与实现：EDA（事件驱动架构），Event Mesh（事件网格），典型厂商如这几天IBM用110亿美元收购的Confluent公司的消息中间件Apache Kafka, 以及RabbitMQ, 企业级事件驱动集成平台Solace等。

范式五个案 (Case)

【特征：低确定性 + 中强控制】

• 基本概念：以非结构化信息和知识管理为手段来开展协作的“个案管理”（Case Management）。目标模糊，活动路径完全未知，高度依赖人（专家）的判断。系统无法预设固定路径，只能提供“工具包”和“数据视图”，由人来决定下一步做什么。这也是具有认识和推理能力的人工智能的主攻方向。

• 企业实际场景：

o 医疗诊断：医生根据病人症状开检查单、诊断、开药。路径因人而异，无法标准化为结构化的、简单的流程。

o 复杂客诉/公关危机：VIP客户投诉或突发舆情，专员需调动多方资源解决，无标准标准操作程序（SOP）。

o 司法案件/刑侦：根据破案线索，动态调整调查方向。

• 组织适配：知识型组织，以具备特定知识的专家（医生、律师、顾问、侦探）为组织运行核心，组织为专家赋能，由专家个人处理各种特殊场景并交付结果。

• 技术架构与实现：个案管理软件出现很早，目前已经成为BPM平台的一个分支，包括CMMN（案例管理模型与标记），低代码平台。头部BPM厂商Pega Systems就是由个案管理软件厂商发展而来，ServiceNow也属于这类技术。

范式六自主智能体 (Autonomous Agent)

【特征：低确定性 + 去中心化/自组织】

• 基本概念：这是AI转型的终极形态，智能体（Agent）设定一个宏观目标（Goal），它能够感知环境、自主规划路径、使用工具、执行操作并根据反馈自我修正。它不需要人类编排流程，也不需要预设规则，整个业务执行中尽量少的人类介入，通过“人在回路”监督人工智能工作。

• 企业实际场景：

o 高阶AI应用：给AI一个指令“帮我把这款新品在Z世代群体中推爆”，AI自动调研市场、写文案、在多渠道投广告、分析数据、动态调整策略。

o 全自动驾驶：车辆根据路况实时决策，无需云端控制。

o 量化交易Bot：在动荡市场中自主寻找套利机会。

• 组织结构：人机协同、去中心化自治组织。人类的角色从“执行者”变为“监督者”或“目标设定者”。

o 技术架构与实现：这是当前快速发展，但是还未完全成熟的技术，包括LLM（大语言模型）+ Agent框架 + 向量数据库。

企业数字化系统可以分层为：数据和模型层、语义层、应用层（分析/业务执行层），以上谈的是执行层的业务范式，最近大火的Palantir则揭示了建立语义层的重要性。