大模型最常见的界面是一段回答。但在企业流程中，数量更多、也更接近实际控制权的，往往不是长答案，而是那些几乎看不见的小判断：
- 这张单据属于哪一类； - 这个请求应该路由给哪个团队； - 这次异常是否需要升级； - Agent 应该继续、重试，还是请人确认； - 这条命令在执行前应被放行、拦截，还是进入复核。
每个判断都很小，但它们决定信息流向哪里、谁先被服务、什么动作能够发生。过去因为成本和响应时间限制，企业只能在少数节点使用模型；当一次判断变得足够快、足够便宜，AI 就可能进入业务流程的每一个分岔口。
2026 年 10 月 22 日，OpenAI 宣布 Decisions API 正式可用。它要求开发者先定义问题和允许的答案，再让模型返回概率、选项或评分，而不是生成完整回复。OpenAI 称，这一接口基于 GPT-6 Luna，处理速度最高可达到 Luna 经 Responses API 的 10 倍，并展示了文档路由、Agent 命令风险判断、AI 成本归因和实时对话下一步选择等早期用例。[1]
这项发布的经营意义，不只是又多了一个低延迟接口。它预示着企业 AI 的重点正在从“生成内容”转向“高频参与流程控制”。
而这恰恰需要一条清楚的边界：模型可以给出判断，企业必须另外设计决定。
一次快速分类，为什么会变成经营权力
设想一个售后系统收到客户消息：“设备又停了，昨天刚修过，今天产线无法开工。”
模型可以判断消息属于“技术故障”，识别情绪强烈，并给出“升级处理”的较高概率。但接下来怎么做，不应由这一概率直接决定：
同一个模型判断，在不同客户、产品、地区、时段和后果条件下，可能对应完全不同的业务动作。
因此，企业不能把“模型认为是什么”与“系统应该做什么”合并成一个黑箱。前者是基于输入作出的估计，后者是组织结合政策、权利、成本和风险作出的选择。
低成本判断大规模进入流程后，最容易发生的错误不是每一次分类都明显荒谬，而是某个细小偏差被稳定地重复数十万次：某类客户总被送入较慢队列，某类报销总被要求补充材料，某类告警更容易被忽略。单次看似无害，累积后却会改变客户体验、资源分配和人员权益。
- 是否触发最高等级服务，需要结合客户合同与停机影响；
- 是否派现场工程师，需要检查设备位置、备件和人员资质；
- 是否先远程诊断，需要确认安全条件和客户授权；
- 是否通知销售或管理层，需要依据客户等级和事件规则；
- 是否形成赔付承诺，需要由合同与授权政策决定。
不要让“置信度”偷偷变成政策
模型返回 0.82 的概率，并不等于企业已经得到“可以自动执行”的结论。
概率或分数只在特定问题定义、数据分布和评测方式下有意义。把 0.8 设为自动通过阈值，把 0.6—0.8 交给人工复核，看似是一项技术配置，实际是在分配错误后果：谁承担漏判，谁承担误判，多少客户要等待，多少人工复核能力需要被预留。
阈值应由错误成本决定，而不是由模型分数的外观决定。例如：
同样是误判，后果可能从多花几秒人工时间，到错误付款、服务中断或对个人作出不利决定。企业应先写出误判与漏判的后果矩阵，再决定自动化程度和阈值；不能先选一个看起来漂亮的准确率，再倒推业务规则。
NIST 的 AI 风险管理框架指出，值得信赖所需的指标和阈值需要结合具体情境，由人作出判断；不同可信特性之间通常存在取舍。[2] 这意味着“最佳阈值”不是模型供应商可以统一给出的参数，而是企业自己的经营与责任选择。
- 模型判断：可能的业务决定：还必须考虑的条件
- 单据疑似重复：自动提示、暂缓付款或人工核验：金额、供应商历史、付款时限、追回难度
- 客户可能流失：推送挽留方案或交给客户经理：客户意愿、优惠权限、联系频率、长期价值
- Agent 命令风险较高：阻止执行或进入安全复核：环境、权限、可逆性、影响范围、替代动作
- 产品图片疑似损坏：自动理赔、补充证据或人工检查：商品价值、欺诈风险、客户承诺、物流记录
把高频 AI 判断拆成三层
更稳妥的生产架构，是把流程拆成相互可检查的三层。
第一层：模型判断
模型只回答边界明确的问题，例如“属于 A、B、C 中哪一类”“是否存在明显破损”“风险处于哪一档”。问题、允许答案、必要上下文和未知情况都要被定义。无法充分判断时，应允许返回“不确定”或请求补充信息，而不是被迫在现有选项中猜一个答案。
第二层：业务政策
确定性规则把模型结果与金额、合同、权限、地区、客户状态、法律要求和流程容量结合起来。这里决定哪些情况自动通过、哪些需要第二项证据、哪些必须人工处理、哪些禁止自动化。
政策应有明确所有者和版本。业务部门修改服务等级，法务调整规则，风控改变阈值，都不需要重新把整套逻辑藏进提示词。
第三层：执行与证据
系统执行路由、拦截、通知或创建任务，同时记录当时输入、模型与版本、输出分数、采用的政策版本、最终动作和结果。高影响或不可逆动作还需要额外授权、双人确认或延迟执行窗口。
这样，即使结果错误，企业也能判断问题来自模型判断、业务政策还是执行故障，而不是只看到“AI 做错了”。
“人工复核”不能只是承接中间分数
许多系统把低置信度案例交给人工，就认为已经完成风险控制。但如果复核人员只能看到模型结论，没有原始证据；如果队列过长、时间不足；如果员工没有权限推翻结果，人工只是流程上的橡皮图章。
英国信息专员办公室对 AI 决策支持的指导强调，有意义的人类参与需要复核者主动检查建议，拥有与建议相反的实际权限，并综合其他信息作出判断；仅仅由人例行批准自动建议，并不能构成真正的人工介入。[3]
欧盟《人工智能法》第 14 条同样要求，高风险 AI 的监督人员能够理解系统能力与限制、识别异常、正确解释输出，并意识到自动化偏见；监督强度应与风险、自治程度和使用情境相称。[4]
对企业来说，这要求在上线前同时计算两种容量：机器每秒能作出多少判断，以及人工每天能够高质量复核多少例外。如果系统轻易制造出十倍于团队承载能力的复核队列，所谓“人机协作”只会变成延迟、积压和机械点击。
有效复核至少需要：原始输入与关键证据、模型为何进入该分支、适用政策、可选动作、推翻入口、时间要求，以及复核结果如何反馈到评测和规则调整。
验收不能只看总体准确率
用于流程分岔的模型，即使总体准确率很高，也可能在真正重要的区域失效。企业需要围绕决定后果设计评测：
OpenAI 公布的早期案例包括：Box 在 30 个保险凭证案例上实现约 5 倍更快的路由选择且准确率相同；Datadog 披露风险判断的 p95 延迟较可用前沿模型快 40 倍、准确率相当；Sierra 披露单次调用成本下降 90%、p95 低于 280 毫秒且客户结果未下降。[1]
这些数字可以说明低延迟判断的潜力，但来自不同公司、不同任务和各自定义的比较基线。公开材料没有统一提供完整样本、类别分布、置信区间、错误后果、长期漂移或独立验证，不能外推为其他企业的性能或 ROI 承诺。尤其是 30 个案例的评测，只适合成为进一步验证的信号，不足以证明大规模生产稳定性。
- 分支质量：各类别的误判与漏判分别是多少，不能只看平均值；
- 概率可用性：相似分数是否对应相似的实际正确率，阈值变化会带来什么结果；
- 群体与场景差异：不同地区、语言、产品、客户群和输入质量下表现是否稳定；
- 下游结果：路由之后是否真正解决问题，拦截是否减少损失，还是只增加等待；
- 人工负荷：复核比例、积压时长、推翻率和复核一致性；
- 漂移与退路：业务数据变化后如何发现性能下降，何时降级到规则或人工流程。
先选择一个“可撤回的小判断”
企业开始试验时，不必先寻找最复杂、最重要的决策。更合适的起点，是一个高频、答案边界清晰、错误可被发现、动作可撤回的小判断，例如内部工单路由、非关键文档分类或 Agent 执行前的附加风险信号。
试验应同时保留现有流程，先观察模型结果而不自动行动；随后仅开放低后果、高把握的分支；再根据真实错误成本、人工容量和下游结果逐步调整。每次扩大自动化范围，都应有明确进入条件、停止条件和回退方式。
最重要的是，在第一个试点中就建立三份独立记录：模型判断记录、政策决定记录、执行结果记录。它们会成为企业以后扩大 AI 决策覆盖面时最有价值的基础设施。
生成式 AI 让企业第一次大规模获得廉价内容。快速判断能力则可能让企业第一次大规模获得廉价的流程分岔。
但判断越便宜，组织越容易在没有察觉的情况下把权力交给分数。专业的企业不会问“AI 能不能替我们决定”，而会更精确地设计：AI 负责估计什么，政策依据什么作出选择，谁承担例外，什么证据能够证明最终结果值得信任。
模型可以越来越快地回答“它更像哪一种”。企业仍要对“所以我们要做什么”负责。
