AI Business Process Reengineering / BPMN / DMN Playbook

面向对象: AI BA / AI PM / Enterprise Architect / Solution Architect / Process Owner / Risk & Compliance Technology Lead。 核心问题: 如何在 AI 时代重新设计金融零售业务流程, 把 process mining、BPMN orchestration、DMN decision service、AI Copilot / Agent、human oversight、control point、eval contract、exception handling 和 audit trail 串成一套可落地、可审计、可演进的流程重构方法。 使用方式: 本文默认读者已经具备 CBAP 级业务分析能力, 不讲 BPMN / DMN 基础符号。重点是如何把流程再造从“画流程图”和“加自动化”升级为 AI-ready operating architecture。

---

1. Source Anchors

这些来源作为术语和架构锚点。本文把它们转成金融零售 AI 流程重构语言, 不构成法律、合规、审计、模型验证或监管意见。访问日期按 2026-06-29 记录。

经典业务流程再造的核心提醒仍然有效: 不要只把旧流程自动化, 而要围绕客户价值、端到端结果、责任边界和控制证据重新设计流程。AI 时代的差异是, 流程里新增了概率模型、RAG、Agent 工具、决策服务、策略引擎和持续评估, 因此再造对象不只是活动顺序, 还包括决策权、证据链、例外处理和运行时治理。

---

2. One-Sentence Positioning

AI Business Process Reengineering 的一句话定位:

AI BPR = 用流程事实重构端到端 value stream,
再用 BPMN 编排流程、DMN 外置决策、AI 插入认知任务、control point 强制边界、
eval contract 验证行为、audit trail 留存证据, 让流程既更快也更可控。

中文记忆:

AI BPR 不是“给现有流程加一个 Copilot”, 而是重新分配人、模型、规则、系统和控制点在流程中的职责。

成熟的 AI BPR 设计必须同时回答 10 个问题:

---

3. AI BPR 与普通自动化的区别

普通自动化经常从“哪个步骤可以省人”开始。AI BPR 应该从“端到端价值、真实流程、决策权和控制证据如何重构”开始。

3.1 不只是“自动化旧流程”

AI BPR 要避免把以下问题规模化:

3.2 AI BPR 的判断标准

一个流程改造是否达到 AI BPR 水平, 可以用下面标准判断:

---

4. Process Redesign Layers

AI BPR 可以按 6 层设计, 每层都有不同的建模对象和证据要求:

Value stream
-> BPMN flow
-> DMN decisions
-> AI tasks
-> Controls
-> Metrics and evidence

4.1 Layer Map

4.2 Value Stream Layer

Value stream 层不讨论模型能力, 先讨论流程为什么存在。

Value stream 输出:

4.3 BPMN Flow Layer

BPMN 层不是画得更漂亮, 而是把流程编排成可执行、可监控、可审计的 operational contract。

4.4 DMN Decisions Layer

DMN 层负责把流程中的判断点从流程图、UI 逻辑和模型回答中抽离。

DMN decision service 的输出应该工程化:

{
  "decision_id": "LOAN_DOC_COMPLETENESS",
  "decision": "require_customer_follow_up",
  "reason_code": "MISSING_INCOME_EVIDENCE",
  "rule_id": "DOC-014",
  "decision_table_version": "2026.06.1",
  "required_next_actions": ["request income document", "hold underwriting review"],
  "human_review_required": false,
  "trace_id": "trace-20260629-LOAN-001"
}

4.5 AI Tasks Layer

AI task 层只在流程中承担清楚的职责, 不偷换成最终 authority。

4.6 Controls Layer

AI BPR 的控制不是上线前写一段原则, 而是放进流程执行路径。

4.7 Metrics Layer

AI BPR 指标要同时覆盖价值、质量、风险、控制和运营。

---

5. AI Insertion Patterns

AI 插入点不是“哪里有文字就放 LLM”。应按风险、可逆性、决策权和流程证据选择模式。

5.1 Pattern Map

5.2 模式升级规则

AI 从 assist 升到 recommend、decide 或 act, 需要满足更高证据标准:

5.3 插入点选择矩阵

---

6. BPMN / DMN / Eval Traceability

AI BPR 的核心竞争力是 traceability: 从流程节点追到决策表、AI eval、控制证据和上线门禁。

6.1 Traceability Chain

Value objective
-> BPMN process id
-> BPMN node id
-> DMN decision id
-> DMN rule id / reason code
-> AI behavior id
-> Eval contract id
-> Control id
-> Audit event id
-> Metric id
-> ADR id

这条链的价值:

6.2 Trace Matrix 示例

6.3 Eval Contract 如何绑定流程节点

每个 AI 插入点至少要有一个 eval contract。Eval 不是泛泛测“模型准不准”, 而是回答该流程节点的风险问题。

6.4 Control Evidence Pack

AI BPR 的证据包应按流程实例生成, 也能按版本、队列、规则和模型聚合。

---

7. Exception and Human Oversight Design

AI BPR 中, exception path 不是失败边角料, 而是金融零售流程的核心设计对象。高质量流程的标志不是“没有例外”, 而是例外被分类、排队、升级、解释、记录和学习。

7.1 Exception Taxonomy

7.2 Queue Design

队列不是简单的“转人工”。队列需要目的、入口、SLA、分派、证据包和退出标准。

7.3 Human Oversight Packet

人工复核不能只看到 AI 的一句建议。合格的 oversight packet 应该包含:

7.4 Override Design

Override 是学习信号, 不是噪声。每次人工覆盖都应该被结构化记录。

7.5 Rollback and Compensation

AI BPR 的 rollback 不只是关闭模型。流程动作可能已经改变 case 状态、发送通知或触发客户行为。

7.6 Case Notes

Case note 是审计语言, 不是自由作文。AI 可以起草, 但结构必须支持复盘。

---

8. Financial Retail Case: AI-Ready 贷款审批流程重构

下面用贷款审批流程展示如何把 process mining、BPMN、DMN、AI insertion、human oversight、control、eval 和 audit 串起来。这个案例可以替换为 AML alert、支付争议或客户服务, 方法相同。

8.1 AS-IS 发现

Process mining / workflow intelligence 发现:

8.2 Redesign Thesis

重构假设:

把资料完整性、资格预检、例外路由和 reason code 从人工经验中抽离为 DMN decision service;
把 AI 放在证据抽取、摘要、memo 草稿、政策解释和客户沟通草稿中;
把最终信贷判断、例外批准和客户影响通知保留给授权人员;
用 BPMN 明确队列、异常、补偿、SLA 和审计证据。

8.3 TO-BE BPMN 逻辑

flowchart TB
  A[Application Submitted] --> B[AI Extracts Candidate Facts]
  B --> C[DMN: Document Completeness]
  C -->|missing evidence| D[Request Customer Evidence]
  D --> E[Evidence Received Event]
  E --> B
  C -->|complete| F[DMN: Eligibility Precheck]
  F -->|standard eligible| G[AI Evidence Pack and Memo Draft]
  F -->|policy exception| H[Exception Review Queue]
  F -->|ineligible| I[Reason Code Mapping]
  G --> J[Underwriter Review]
  H --> K[Supervisor Approval]
  K -->|approved| J
  K -->|rejected| I
  J --> L[Credit Decision by Authorized Human]
  L --> M[DMN: Notice and Reason Boundary]
  M --> N[AI Drafts Customer Notice]
  N --> O[Compliance / Supervisor Gate if Required]
  O --> P[Send Notice and Archive Evidence]
  I --> M

8.4 BPMN / DMN / AI / Control Mapping

8.5 DMN Decision Table 示例

DOC_COMPLETENESS 示例:

EXCEPTION_ROUTE 示例:

8.6 AI Eval Contracts

8.7 Oversight and Exception Queues

8.8 Audit Trail

一个贷款 case 的审计链:

case_id LOAN-2026-000881
-> BPMN node LOAN-020 Intake Validate
-> AI extraction output v2026.06.1
-> DMN DOC_COMPLETENESS rule DOC-014
-> customer evidence request task created
-> customer uploaded income document
-> DMN DOC_COMPLETENESS rule DOC-001
-> DMN ELIGIBILITY_PRECHECK result standard_eligible
-> AI memo draft with source ids
-> underwriter review and case note
-> final credit decision by authorized human
-> DMN REASON_CODE_MAPPING
-> customer notice draft
-> compliance gate if applicable
-> notice sent
-> evidence archived with trace id

8.9 Transfer Patterns to Other Processes

8.10 Case Success Metrics

---

9. Artifact Templates

以下模板用于作品集、项目启动、架构评审和面试展示。每个模板都给出金融零售示例, 便于直接改造成自己的案例包。

9.1 AI BPR Canvas

9.2 BPMN / DMN Trace Matrix

9.3 Control / Eval Matrix

9.4 Architecture Decision Record

下面是 AI BPR 场景下的 ADR 写法。

# ADR-2026-06-LOAN-BPR-001: Externalize Loan Eligibility and Notice Reasons into DMN Decision Service

## Context
Loan underwriting currently embeds document completeness, eligibility precheck, exception routing and customer notice reasons across SOP, case notes, UI logic and underwriter judgment. Process mining shows repeated document requests, inconsistent exception routing and QA findings on reason wording.

## Decision
Use BPMN for workflow orchestration and queue design. Externalize document completeness, eligibility precheck, exception routing and reason code mapping into versioned DMN decision services. Use AI for evidence extraction, policy explanation, memo drafting and notice drafting. Final credit decisions and high-impact notices remain human-owned.

## Consequences
- Decision logic becomes testable, versioned and auditable.
- AI prompts no longer carry final decision authority.
- Workflow must capture facts hash, DMN version, AI output, reviewer action and trace id.
- Policy changes require simulation, release gate approval and rollback capability.

## Controls
- Tool gateway PEP blocks unauthorized status changes and notice sending.
- Reason code service restricts customer-facing adverse wording.
- Supervisor approval is required for high-risk policy exceptions.
- Eval contracts cover extraction, policy explanation, memo draft, notice safety and tool action.

## Success Metrics
- Reduce repeated document requests.
- Reduce underwriter waiting time.
- Keep unsupported customer-impacting reason count at 0.
- Maintain audit replay success for sampled cases.

9.5 Release Gate Memo Structure

---

10. Interview Answers

Q1: 你如何解释 AI BPR 与普通自动化的区别?

30 秒版本

AI BPR 不是把现有流程加速, 而是基于 process mining 看清真实流程后, 重新设计 value stream、BPMN 编排、DMN 决策、AI 插入点、人工复核、控制点和审计证据。普通自动化关注“哪个任务可以省人”, AI BPR 关注“人、模型、规则、系统和控制如何重新分工”。

2 分钟版本

我的做法是先用事件日志和运营数据建立 baseline, 找到真实流程、主要 variant、瓶颈、返工和控制偏离。然后在 value stream 层明确客户和业务结果, 在 BPMN 层重构流程、队列、异常和 SLA, 在 DMN 层把资格、路由、审批、reason code 等判断外置成可测试的 decision service。AI 只进入适合的节点, 比如证据抽取、摘要、建议、草稿或受控工具动作。高影响决策仍通过 human oversight 和 workflow gate 控制。最后用 eval contract、release gate、monitoring gate 和 audit trail 证明流程更快、更稳、更可审计。

Enterprise Architect 版本

从企业架构看, AI BPR 是把业务流程从 activity-centric architecture 升级为 decision-aware、control-enforced、evidence-driven operating architecture。BPMN 定义 orchestration 和 accountability, DMN 定义 deterministic business decisions, AI orchestrator 处理非结构化认知任务, PDP/PEP 控制授权和工具执行, eval platform 管理模型行为契约, audit lake 保留可复盘证据。这样 AI 不再是嵌在流程边上的助手, 而是受企业控制面约束的流程能力。

Q2: BPMN、DMN 和 eval contract 在 AI 流程里如何协同?

30 秒版本

BPMN 说明流程怎么走、谁负责、哪里等待和升级; DMN 说明关键业务判断怎么做、用哪条规则和 reason code; eval contract 说明 AI 在对应节点的行为如何测试和门禁。三者通过 traceability matrix 连接到 control evidence。

2 分钟版本

我会把每个高风险 BPMN 节点编号, 标出它调用哪个 DMN decision、AI 执行什么行为、哪些控制点强制生效、对应哪个 eval contract。比如贷款审批中的 eligibility precheck 是 BPMN business rule task, 调用 DMN ELIGIBILITY_PRECHECK, AI 只能解释政策和生成 memo 草稿, eval contract 验证它是否引用当前政策、是否没有暗示最终批准。运行时还要记录 facts hash、DMN rule id、model version、reviewer 和 trace id。这样流程、决策、AI 行为和审计证据可以闭环。

Enterprise Architect 版本

我会把 BPMN、DMN 和 eval contract 当成三类互补契约: process contract、decision contract 和 behavior contract。Process contract 定义编排和责任, decision contract 定义确定性判断和解释, behavior contract 定义概率模型在该节点的允许行为、数据集、阈值和失败等级。它们共同进入 release gate 和 monitoring gate, 并通过 policy registry、model registry、workflow engine 和 audit event schema 做版本化治理。

Q3: AI 插入流程时如何决定 assist、recommend、decide、act?

30 秒版本

我按客户影响、可逆性、规则清晰度、证据完整性和控制能力分级。低风险信息处理适合 assist, 有证据的人类工作适合 recommend, 规则清楚且可逆的判断可由 DMN decide, 有副作用的 act 必须经过 PEP、审批、审计和 rollback。

2 分钟版本

我会先识别流程节点的 decision rights。AI 可以 read、extract、summarize、draft, 但不一定能 decide 或 act。比如 AML narrative 可以由 AI 起草, 但 SAR filing 不能由 AI 决定。贷款 memo 可以由 AI 生成证据包, 但 approve / decline 必须由授权信贷人员决定。如果一个动作会影响客户资金、账户、信贷、投诉或合规记录, 我会要求 workflow gate、tool PEP、human approval、case note 和 rollback path。模式升级必须由 eval 和生产监控证明, 不是由模型能力宣传决定。

Enterprise Architect 版本

架构上我会把 AI capability 暴露为受控服务, 每个 capability 有 automation level、risk tier、allowed actions、tool scope、eval contract 和 enforcement point。Assist / recommend 可以在 workbench 内运行, decide 必须通过 DMN 或 rules service, act 必须通过 tool gateway 和 PEP。所有 high-impact transition 都由 workflow engine 强制执行, 不能让 Agent 直接写核心系统。

Q4: 如何设计 human oversight, 避免变成形式审查?

30 秒版本

Human oversight 必须有清楚的触发条件、队列、证据包、决策选项、override reason、SLA 和审计记录。人工不是给 AI 盖章, 而是对高影响判断、例外、低置信度和控制冲突承担明确责任。

2 分钟版本

我会先定义哪些情况必须人工介入: 高客户影响、政策例外、低置信度、证据冲突、reason code 风险、工具动作有副作用、投诉或弱势客户。然后设计对应队列, 比如 evidence review、policy exception、supervisor approval、compliance review、model quality review。每个队列都有 oversight packet, 包含 case context、AI output、source evidence、DMN trace、control state 和 reviewer actions。人工覆盖必须记录结构化 reason, 并回流到 eval、decision table 或流程改进。

Enterprise Architect 版本

企业架构上, human oversight 是 workflow capability, 不是 UI 按钮。它需要 case management、approval service、segregation policy、audit schema、SLA management 和 analytics。关键是让 oversight 既能承担责任, 又能成为持续学习信号: override、escalation、review defect 和 approval delay 都进入 monitoring gate。

Q5: 如何证明 AI BPR 可审计?

30 秒版本

要能从任何客户结果回溯到流程节点、输入事实、DMN 规则、AI 输出、人工审批、工具动作、版本和证据。审计不靠解释性文字, 而靠结构化 trace 和 evidence binder。

2 分钟版本

我会为每个 case 记录 process trace、input facts、DMN trace、AI trace、control trace、human oversight、exception trace 和 release trace。比如客户收到拒绝通知时, 审计可以看到哪条 BPMN path 被执行, 哪个 DMN reason code 触发, AI 草稿是否只改写批准话术, 谁审批, 用的政策和模型版本是什么, 通知何时发送。如果发生事故, 可以按版本、规则、模型、队列或工具筛出影响范围, 回滚并 replay affected cases。

Enterprise Architect 版本

审计能力要在 event architecture 中设计, 不能上线后补日志。我会要求统一 trace id, 事件 schema 覆盖 workflow、decision service、model gateway、tool gateway、approval 和 customer communication。证据进入可检索的 audit store, 与 model registry、policy registry、feature flag 和 release gate 关联。这样 internal audit、risk、compliance 和 incident response 都能复盘同一条事实链。

Q6: 如果让你重构贷款审批、AML alert 或支付争议流程, 你会如何开始?

30 秒版本

我会先用 process mining 建立 AS-IS baseline, 找到主要 variant、瓶颈、返工和控制偏离。然后定义 TO-BE value stream, 用 BPMN 重构流程和例外路径, 用 DMN 外置关键决策, 再选择 AI 插入点和控制点, 最后用 eval、release gate 和 audit evidence 支撑上线。

2 分钟版本

第一步不是选模型, 而是定义 case 粒度和事件日志。贷款可以用 application, AML 可以用 alert, dispute 可以用 dispute case。第二步分析 cycle time、waiting、touch time、rework、handoff、SLA breach、quality defect。第三步画 AS-IS 与 discovered model 对账, 区分合理例外、控制缺口和数据噪声。第四步设计 TO-BE: 哪些判断进 DMN, 哪些步骤由 AI assist, 哪些动作要人工审批, 哪些工具动作要 PEP。第五步写 trace matrix、eval contract、control matrix 和 release gate memo。这样流程改造既有业务价值证据, 也有风险治理证据。

Enterprise Architect 版本

我会把它作为一个 domain workflow modernization initiative: event log 产品化、BPMN orchestration、DMN decision service、AI orchestrator、policy enforcement、case management、audit store 和 monitoring loop 共同交付。架构原则是 workflow owns state, decision service owns business logic, AI owns cognitive assistance, policy layer owns authorization, human workflow owns accountability, audit layer owns evidence。

最终记忆卡

最重要的一句话:

AI 时代的业务流程重构, 不是让模型替代流程, 而是让流程知道何时使用模型、何时信任规则、何时要求人工、何时阻断动作、何时留下证据。