AI
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
在垂直领域人工智能系统中，最有价值的数据每天都在悄无声息地被产生。有人撤销了被拒的诊疗授权，解决了货运纠纷，或更改了设备订购订单，但一旦他们转向下一个案件，这些决策背后的理由就会立刻消失不见。由于大多数工作都是如此完成的，其背后的判断依据也会永远丢失。 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。 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。 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 […]
