异常队列：决策追踪基础设施与垂直人工智能领域的终极目标

我们认为，在垂直领域人工智能中，决策过程才是真正的关键所在，它决定了哪些产品能够脱颖而出，成为优秀的公司。现有的智能系统已经能够遵循规则、获取所需数据并生成有用的文档，但它们无法处理那些异常情况——也就是那些不符合既定模板、需要根据市场、客户及合作方的具体情况由人类来介入处理的案例。这类任务不会被记录在 ERP、CRM 或 WMS 等系统中，而是堆积在异常处理队列中，一旦有人处理完毕就会立刻消失。从长远来看，谁能够掌握人类在这些决策背后的推理逻辑，谁就能在垂直领域人工智能中获得更高的企业价值。

在早期崛起的垂直领域 AI 企业中，我们已经可以看到这种模式。Tennr 掌控着患者转诊信息，EvenUp 掌握着需求数据包，Abridge 则负责管理临床文档。表面上，这些产品各不相同，但实际上它们都在做类似的事情：它们存在于那些反复出现、且后果严重的工作流程之中，每次问题得到解决后都会留下可重复使用的决策痕迹。这就是异常处理队列，我们认为这是每家垂直领域 AI 企业最值得收集的宝贵资产。

为何挖起杆能发挥作用

在评估那些需要使用挖起杆来处理的异常情况时，我们通常会从两个维度来进行考量：其一为异常出现的频率；其二则为故障（或延误）所带来的成本。前者显然指的是那些需要加以处理的流程异常出现的次数，而后者则是指当这些异常未能被及时发现或妥善处理时将会产生的后果。

那些异常情况频发但后果较轻的工作流或许能够提升使用率，甚至带来短期的收入增长，但使用率并不能体现问题的紧迫性或解决的持久性。这类工作流仅属于生产力工具，而在智能技术日益商品化的背景下，生产力工具其实相当脆弱。至于那些后果严重但发生频率较低的工作流，虽然也较为重要，但其运作方式更接近于咨询项目，而非软件。

当失败或延迟所带来的成本极高时，采购方就会显得极为急切。这种“成本”可能表现为未实现的收入、闲置的劳动力、利润流失、合规风险，或是现金流受阻。正因如此，延迟与失败同样重要。即便技术上通过了预先授权，但如果送达时间过晚，依然会破坏整个工作流程；即使可以申诉却被错过时限，依然会导致收入损失；而那些在发票过期后才解决的货运纠纷，同样会损害企业的现金周转能力。

当失败或延迟所带来的成本极高时，采购方就会显得极为急切。这种“成本”可能表现为未实现的收入、闲置的劳动力、利润流失、合规风险，或是现金流受阻。正因如此，延迟与失败同样重要。即便技术上通过了预先授权，但如果送达时间过晚，依然会破坏整个工作流程；即使可以申诉却被错过时限，依然会导致收入损失；而那些在发票过期后才解决的货运纠纷，同样会损害企业的现金周转能力。

这项测试实际上指向的是异常处理队列——那是一连串由人工进行分类、上报、记录、处理和审核的非标准案例。以预先授权为例，根据 KFF 的最新研究，仅在 Medicare Advantage 计划中，2024 年就提交了近 5300 万份预先授权申请，其中 410 万份被拒绝。只有 11.5%的被拒申请有人选择上诉，而这些上诉中有 80.7%获得了成功。背后的制约因素是什么？就是内科医生的工作负荷。美国医学协会的最新调查显示，内科医生平均每周要处理 39 份预先授权申请，这大约需要 13 个小时的时间。这样的系统实际上是在不断消耗医疗提供者的资源与精力。在那些有人努力争取的被拒申请中，有五分之四最终都被撤销了。

物流领域也存在类似的状况。虽然货物在预约失败或附加费用存在争议的情况下仍有可能送达，但这种延迟依然会造成经济损失。以第三方物流公司为例，多达 35%的发票都会出现争议。错误、漏收费用以及不正确的计费方式不仅会损害盈利能力并提高平均应收账款周转天数，还会导致客户流失。

另一个有用的指标是“衔接功能”。在医疗保健和物流等领域中，护理协调、理赔处理、货物审核、许可证办理以及采购异常处理等工作往往分散在各种电子表格、邮件往来、电话沟通、门户网站以及不同人员的记忆中。相关情境分散在多个系统和不同人员之间，因此问题的解决依赖于人的判断力。

这正是出色的挖起杆该有的模样：那些需要人工决策来处理的任务本就该由专人负责，处理不当会带来高昂成本或延误，同时还会导致任务队列不断积压。

最优秀者进入处理队列之处

最优秀的垂直 AI 企业表面上并不都看起来像专门处理“异常队列”问题的公司。有些企业从异常队列本身入手，处理那些转诊请求、拒付申请、许可审批以及账单纠纷等问题；另一些则从更上游的环节开始，即那些会生成异常队列的初始事件。但决定其长期价值的关键始终是同一个问题：该产品所处的场景中，决策痕迹是否能够自然地作为使用过程的副产品产生？

我们认为存在两个可行的切入点。

1. 在异常处理环节本身。
   Tennr 专注于那些已经出现处理故障的案例。EvenUp 则针对那些存在争议的索赔案件展开工作。异常情况频发，失败或延误会带来巨大损失，而且解决问题还需要了解相关背景信息。每一个得到解决的案例都会留下决策轨迹，这是客户所信赖、会转发、审查、审计并据以采取行动的依据，同时也是产品能够学习的依据。当解决问题本身就构成该产品功能时，每个案例解决后就会自然产生相应的决策轨迹。
2. 在上游的创建环节。
   Abridge 就是一个很好的例子。从运营角度而言，临床诊疗过程并不总属于“异常”情况，但它始终是那些需要被记录下来的高语境场景。当这些临床细节被用于医疗编码、风险调整以及收入保障等环节时，就会在后续产生异常处理队列。决策轨迹最初来源于这些记录，而随着记录在工作流程中不断流转，这一轨迹也会愈发清晰。一旦掌握了相关背景信息，就能发现后续出现的各种异常情况。

这两种路径都是可行的，因为最终都会达到同一个目标：身处高重要性的工作流中，并在每次问题解决时生成决策痕迹。不同之处在于切入点。从任务队列开始的风险在于，你会处于工作流中最混乱、集成最复杂的环节；而从上游开始的风险则是，即便产生了相关上下文，也未必能传递到任务队列中，从而导致问题累积。Abridge 能够成功运作，是因为临床文档必然会流入编码和计费流程中。而那种只能生成有用文档却无法衔接后续工作流的工具，终究只属于提升效率的工具而已。

像 Harvey、Legora 或 TrunkTools 这类更通用的平台，在处理每一个工作流时都会面临同样的问题。尽管它们的规模可能非常大，但却并不表现为一个独立的异常处理队列。不过，其核心竞争力依然存在疑问：这些平台的使用行为能否积累形成专属的工作流记忆？产品能否掌握企业的操作规范、客户的偏好以及特定领域的细微差别？还是说它仅仅只是通用智能技术的更好接口而已？这些公司需要在自身的庞大功能体系中找到某个位置来衡量队列的深度。

掌握决策轨迹

鉴于私募和公开市场中的许多投资者都在担忧软件行业的长期发展前景，我们认为异常处理队列为垂直领域 AI（以及部分现有的垂直领域软件企业）的竞争优势提供了有力的佐证。垂直领域 AI 企业并非仅仅充当记录系统，而是以主动方式执行各项任务，从而积累起关于行业工作流程的独有知识。这些随着时间推移从平台用户那里积累而来的知识，其重要性远超简单的信息获取功能：首先，它们目前并不存在于任何结构化的格式中（主要存在于行业专家的头脑中）；其次，这类知识属于第一手资料，是由产品使用过程本身产生的，因此无需担心知识产权或所有权方面的问题。

致力于自动化保险工作流的初创公司 FurtherAI 的首席执行官阿曼·古尔，对异常处理队列的防御性优势提出了富有启发性的见解：

随着时间的推移，每一次问题升级都会成为一种信号，每一个异常情况都是反馈，而每一次人工干预则能显示出流程手册的不足之处。渐渐地，工作流程就不再仅仅是固定的脚本，而是变成了[保险]公司的运营记忆。而这正是那些实验室难以实现的领域。他们会不断推出更优秀的模型和更强大的通用智能体，这也是应该做的。但他们并没有足够长时间深入到保险公司的实际工作流程中，去了解为何某个案例会被升级处理、为何某个风险会被拒保，或者为何核保员会无视风险评估指南并做出正确的决策。

只有通过在实际环境中运行该工作流数千次，才能获得这样的理解。第一天就推出的那个工作流并不能构成真正的竞争壁垒，真正能形成壁垒的，是随着时间推移在实际使用过程中不断产生的循环机制。

每一个得到解决的异常情况都会留下决策痕迹：采用了哪项政策、哪条先例具有参考价值、谁批准了例外处理决定、客户接受了什么方案、处理耗时多久以及之后发生了什么。只要长期收集各类案例中的这些痕迹，就能逐步建立起专属的工作流记忆——即关于特定行业和客户群体中高风险决策是如何做出的完整记录。随着时间的推移，这样的工作流循环能够不断优化产品，使其更接近真正的智能系统。

其流程大致如下：

该生成对象起到了桥梁的作用，它是用于存储特定工作流程中各项决策的容器。它能记录下哪些证据具有重要性、应用了哪条规则、批准了何种例外处理、发生了哪些变化，以及该解决方案是否有效。在《垂直人工智能领域的新兴解决方案》一文中，我们将理想的“中介产品”定义为那样一种工具：它能自动创建人类原本需要手动生成的文档、参考资料、催款函或上诉材料，然后像人类一样将这些内容传递给其他系统。异常处理队列进一步完善了这一理念——最出色的“中介产品”不仅能够生成上述生成对象，还能记录下决策背后的推理过程。每一条决策轨迹都会为企业的流程记忆库增添内容，而这正是让后续案例处理更加便捷的关键所在。

Two workflow loops stack from there. An across-customer loop, where patterns grow as you encounter more variants of the same problem within a vertical. And a within-customer loop, where the product learns the reasoning behind a specific customer’s decisions — the unspoken exceptions, the firm’s own decision logic that emerges only through direct interaction with the system.  

正如我们在关于垂直 AI 护城河的论文中所阐述的，软件供应商能够随着时间的推移赢得客户更多的信任，从而实现多产品线的扩展。核心产品通过工作流循环持续增强其竞争力，而每一款新产品则能受益于日益强大的平台锁定效应。产品的扩展路径应当遵循工作流与决策轨迹来进行。

一些初创公司的案例让这一概念更加具体可感。Tennr 能够构建针对特定转诊场景的工作流记忆：哪些医疗服务提供者会发送不完整的病历资料、哪些专科最容易引发多次沟通、哪些支付方会拖延处理流程，以及哪些缺失的字段可能预示出现问题。EvenUp 则可以建立与特定公司和案件相关的工作流记忆：哪些记录会影响理赔结果、哪些类型的伤害较为重要、哪些保险公司会对哪些论点作出回应，以及不同类型的案件需要多长时间才能解决。而对于 Abridge 而言，围绕临床病历的工作流记忆还包括各专科特有的文档格式、账单与编码方面的支持、医疗团队之间的信息传递方式，以及处理各类临床病例的机构经验。

这正是人工创建的对象与智能系统之间的关键环节，也正是竞争壁垒开始不断加厚的地方。其原因并非该公司仅仅拥有数据而已，而是因为它能够逐步积累关于工作流中那些高风险决策是如何被处理的记录。仅能读取数据的产品或许仍能提供一些见解，但那些能够处理异常并记录决策过程的产品，则可以成为构建智能系统的基础。

异常处理队列策略指南

那个异常处理队列就是你的突破口。一旦找到它，公司建设中的其他问题就会变得更为明确：延迟会带来什么成本？什么样的工作成果才能解决该问题？在问题解决后，哪些推理逻辑应当被保留下来？此外，每一个被处理的案例又能为系统提供什么启示，从而让下一个案例的处理更加容易？

其目标并非仅仅加快队列的处理速度，而是要将每一次问题解决过程都转化为可持续的工作流记忆——包括哪些证据起到了关键作用、适用了哪条规则、谁认可了该解决方案以及之后发生了什么。正是这种记忆构成了能够实现长期竞争优势的工作流循环，也让产品得以不断改进与扩展，最终演变成真正的智能系统。

Here is the playbook as we see it:  

1. 找到那个异常处理队列。通常在相关软件出现之前，这个队列就已经存在了。它可能表现为收件箱、电子表格、传真、工单、审核意见、电话沟通、逾期报告、未获回复的请求，以及那些每天都在处理同类异常问题的团队。如果目前没有专人负责处理这些异常，那么产品销售将会面临困难。而如果是由一个工作负担过重的团队依靠电子邮件、内部经验以及人工判断来处理这些异常，那就需要引起重视了。

2. 要对异常处理成本进行评估。所谓失败或延迟带来的成本，指的是当异常情况被错误处理、处理不及时或根本未被处理时，客户所遭受的损失。高昂的成本往往是表明情况紧迫的最明显信号。对于某些类型的异常处理流程而言，任何延迟都可能等同于彻底的失败——例如，授权审批过晚仍可能导致患者无法得到及时救治，而对询价请求回复过迟则可能让企业错失投标机会。

3. 选择合适的切入点。你可以从异常事件本身入手，将问题的解决结果作为产出；也可以从上游的生成事件开始，从而获取队列所需的上下文信息——这两种方法都是可行的。关键在于，决策轨迹应是使用过程中的自然副产品，而非事后才补充的报告内容。

4. 确定要生成的文档类型。该产品应当能够生成客户能够直接识别为工作成果的文件：转诊资料、申诉材料、需求清单、RFI 回复、许可申请文件、审计工作底稿、编码建议书、货运纠纷处理文件或临床记录等。正因如此，该产品才能被接受——它替人类完成了原本需要手动完成的工作。

5. 要记录下决策轨迹。每一次问题解决过程都应保留相关的推理依据：哪些证据起到了关键作用、适用了何种规则、哪些先例具有参考价值、由谁进行了审批、发生了哪些变化、处理耗时多久，以及之后又出现了什么情况。这类机制在早期设计时成本很低，但事后再添加则十分困难。如果产品只是处理了任务却丢失了决策记录，那只不过是实现了自动化操作，却并未建立起任何工作记忆。

6. 构建工作流循环机制。每一个新案例都应让后续案例的处理变得更加容易。这并非因为企业掌握了更多原始数据，而是因为工作流记忆中逐渐积累了各种有用的关联信息：支付方的行为模式、审核人员的偏好、不同司法管辖区的特殊规定、客户政策、审批流程、问题升级路径以及最终处理结果等。关键在于每一次问题的解决是否都能为系统增添新的认知。

7. Expand from the queue. The next product should be adjacent to the workflow memory already earned. Tennr can move from referrals into adjacent patient-access workflows. EvenUp can move from demand packages across the claim lifecycle. Abridge can move from clinical notes into coding and revenue cycle management. The expansion path follows the workflow and the decision trace.  

当然，不同的任务队列情况各异，误报现象也屡见不鲜。那些处理量大但后果较轻的任务会带来常规性处理需求，而后果严重但出现频率较低的任务则往往需要专项咨询服务。仅具备读取功能的任务流程虽能提供一些洞察，却很难形成可不断积累的流程记忆。尽管大型平台能够不断发展壮大，但它们仍需要在庞大的规模中保持一定的任务队列深度。

最理想的定位，便是那些通过反复处理任务而形成独特工作流程记忆的领域。最优秀的垂直 AI 企业，能够持续为高重要性工作流程提供支持，从而将这些记忆固化下来，并将其转化为一种每次使用都让人更难放弃的产品。在垂直应用层面，出售智能解决方案只是暂时的竞争手段——真正的赢家，将是那些能够掌控决策过程的企业。

感谢阅读《The Verticalist》！

Euclid 是一家专为垂直人工智能领域的创业者设立的初创期风险投资机构。如果您的人脉中有谁正在考虑从事垂直人工智能相关业务，我们很乐意提供帮助。欢迎通过下方的评论或 LinkedIn 与我们联系。