AI 底层逻辑 / 经典论文

AI BPR / BPMN / DMN：流程与决策重构

AI BPR 不是在旧流程上加一个 copilot, 而是重新设计价值流、流程、决策、判断边界、控制点和证据链。BPMN 表达工作如何流动, DMN 表达决策如何形成, AI eval/control 表达不确定性如何被验证和治理。

219 行ai-foundations/papers/77-ai-business-process-reengineering-bpmn-dmn.md

AI Business Process Reengineering / BPMN / DMN 解读

配对阅读：本篇的操作手册版（模板/RACI/门禁/runbook）是 docs/AI_BUSINESS_PROCESS_REENGINEERING_BPMN_DMN_PLAYBOOK.md。第一遍读本篇建立原理与架构判断；第二遍做案例时再用 playbook 查表落地，两者不需要重复精读。

Source Anchors

Source	Link	用途
OMG BPMN	https://www.omg.org/spec/BPMN/	参考业务流程建模、流程语义和执行连接
OMG DMN	https://www.omg.org/spec/DMN/	参考业务决策、业务规则、决策依赖和 FEEL/decision table 思维
NIST AI RMF	https://www.nist.gov/itl/ai-risk-management-framework	将流程/决策重构和 AI risk mapping、measurement、management 连接

核心导读

这篇的核心判断是: AI 流程重构的关键不是自动化多少步骤, 而是能否把流程、决策、模型、人工监督、异常路径和审计证据连接成可运营系统。

从流程与架构建模角度看，BPMN/DMN 的价值在于把“流程动作”和“决策逻辑”拆开，再把 AI 放到合适的位置：辅助、推荐、决策、执行、监控或模拟。这样才能看清哪些判断可以规则化，哪些需要模型处理不确定性，哪些必须保留人工责任和正式审批。

治理边界在于：AI 可以降低认知负载和等待时间，但不能自动继承流程决策权。评估证据要绑定具体流程节点和决策节点，包括输入完整性、模型输出质量、人工覆盖、异常路径、SLA、投诉和审计记录；没有这些证据，流程图只是自动化愿望清单。

问题定义

普通自动化常问:

哪些步骤可以自动化。
哪些人工任务可以减少。
哪些系统可以集成。

AI BPR 必须多问:

端到端价值流是否仍然合理。
哪些决策应该规则化, 哪些由模型辅助, 哪些必须保留人工判断。
AI 插入后, exception path、责任边界、控制点和证据链是否变化。
自动化是否放大旧流程中的数据缺陷、不公平、局部优化或运营瓶颈。
生产反馈如何回到流程、规则、知识和 eval。

对金融零售, 最危险的不是“AI 没帮上忙”, 而是 AI 让错误流程更快、更难解释、更难纠正。

核心原理/方法

AI BPR 应分层建模:

Layer	建模对象	AI 设计问题
Value stream	端到端业务价值	哪些等待、返工、交接、风险成本最大
BPMN flow	活动、事件、网关、泳道	AI 在哪里 assist / recommend / decide / act / monitor
DMN decisions	决策、规则、输入、知识源	哪些规则可显式化, 哪些由模型辅助
AI tasks	分类、摘要、检索、推荐、预测、生成	是否需要 eval、HITL、置信度和拒答
Controls	权限、审批、抽样、日志、门禁	哪些控制前置、内嵌或后置
Metrics	效率、质量、风险、体验	如何证明流程重构有效

最重要的是分离三件事:

Process flow: 工作如何流动。
Decision logic: 决策如何形成。
Judgment boundary: 哪些判断不能完全自动化。

混在一起会导致流程图看似完整, 但上线后出现“系统做了决定, 人却说不清为什么”的问题。

系统/架构模型

AI BPR 需要一条 traceability chain:

BPMN task
  -> DMN decision
  -> AI capability
  -> Eval contract
  -> Control evidence
  -> Runtime monitor

示例映射:

BPMN 元素	DMN / AI 映射	证据
User Task: 审核客户资料	DMN: 资料完整性判断; AI: 文档抽取	extraction eval、人工复核样本
Business Rule Task: 风险等级分层	DMN decision table + ML score	rule test、model validation、threshold rationale
Service Task: 生成客户说明	AI controlled generation	groundedness eval、approved language check
Exclusive Gateway: 是否转人工	DMN rule + confidence threshold	routing accuracy、queue SLA
Boundary Event: 资料异常	exception classifier	exception taxonomy、false negative monitoring

架构上, BPMN/DMN 不只是文档:

BPMN 可以映射到 workflow engine、case management 和 SLA。
DMN 可以映射到 policy/rule engine、decision trace 和 reason code。
AI task 可以映射到 model gateway、RAG、tool gateway 和 eval harness。
Controls 可以映射到 approval service、audit log、policy engine 和 monitoring。

关键机制与取舍

AI insertion patterns:

Pattern	AI 角色	适用场景	主要风险
Assist	辅助人完成任务	案件摘要、资料检查、知识检索	人过度信任、遗漏证据
Recommend	推荐下一步	next-best-action、任务优先级	推荐偏差、目标函数错
Decide	给出决策结果	低风险规则+模型决策	客户权益、模型风险、公平性
Act	调用工具执行	agent workflow、自动创建工单	权限、误操作、幂等
Monitor	监控异常	风险监控、质量抽检	告警疲劳、阈值漂移
Simulate	评估政策或流程变更	capacity planning、policy simulation	模型假设失真

自动化边界可以用以下规则判断:

Low risk + reversible + strong rules -> decide / act
Medium risk + high workload -> recommend / assist with review
High impact + uncertain evidence -> assist / explain / escalate
Critical impact -> human decision with AI evidence support

真实取舍:

把 AI 放进 happy path 很容易, 难点在 exception path。
人工监督不是一句 HITL, 而是队列、证据、权限、SLA、override 和学习闭环。
DMN 过度规则化会僵化流程; 模型过度介入会削弱可解释性和审计。
自动执行必须考虑幂等、补偿、重试、死信队列和回滚。

证据与控制

AI BPR 的控制矩阵应覆盖:

Risk	Control	Eval	Runtime Monitor	Escalation
错误建议	approved language、human review	response quality、groundedness	complaint/error rate	service owner
错误自动执行	permission、idempotency、rollback	tool-call eval	failed action、anomaly	incident lead
漏检高风险案件	threshold、risk-based QA sample	recall on high-risk set	false negative proxy	risk owner
数据缺失	source completeness check、補件 workflow	extraction and completeness eval	missing data rate	data owner
政策冲突	policy owner review、versioning	policy consistency tests	policy conflict alert	policy forum
人工队列过载	capacity model、priority routing	handoff simulation	queue aging、SLA breach	operations lead

Exception and human oversight 要明确:

谁看。
看什么证据。
多久内看。
是否有 override 权限。
override 后如何记录原因。
override 数据是否进入学习闭环。
人工队列是否有容量。

金融零售场景映射

AML alert triage reengineering

旧流程:

Alert generated
  -> analyst opens case
  -> manually checks transactions
  -> searches customer profile
  -> writes narrative
  -> escalates or closes
  -> QA samples cases

重构后:

Alert generated
  -> AI enriches entity and transaction context
  -> DMN routes by typology / risk / SLA
  -> AI drafts evidence-grounded case summary
  -> analyst reviews high-risk fields and rationale
  -> DMN decides close / escalate / request info
  -> QA samples by risk and model confidence
  -> monitoring updates typology and eval set

能力分解:

Capability	Pattern	Control
Entity enrichment	RAG / graph lookup	permission, lineage, source freshness
Alert priority	rules + ML score	threshold review, segment monitoring
Narrative draft	grounded summarization	citation, completeness eval, human approval
Escalation decision	DMN decision table	decision trace, override reason
QA sampling	risk-based sampling	sample coverage, reviewer calibration

业务结果不是“自动关闭更多 alert”, 而是降低资料收集时间、提高叙事一致性、把高级分析能力集中到高风险案件, 并提前暴露数据缺口和模型漂移。

反模式

反模式	表现	修正
Copilot on broken process	旧流程不改, 加一个 AI 摘要	先重构 value stream 和决策边界
BPMN-only redesign	只画流程, 不建决策和证据链	加 DMN、eval、control 和 monitor
Auto-close temptation	为了效率让 AI 关闭高风险案件	高影响决策保留人工判断和 QA
HITL without design	人工复核没有证据、SLA 和 override 记录	设计 review workflow 和 capacity model
Eval detached from process	模型评测与流程节点无关	将 eval contract 绑定 BPMN/DMN 节点
Exception blindness	只优化 happy path	建模 boundary event、appeal、tool failure 和 drift

最终心智模型

AI BPR 的最终心智模型是:

流程决定工作如何流动;
决策决定系统如何判断;
AI 能力处理不确定性和认知负载;
控制决定哪些风险被允许;
证据决定系统能否被审计、运营和改进。

AI 流程重构不是把人拿掉, 而是重新分配规则、模型、工具和人的责任, 让系统在效率提高的同时仍能解释、控制、纠错和学习。

SOTA 状态标注 (2026-07-01)

本篇属于第二、三遍深读池（参考架构/深读笔记），未列入 12 周主线必读。时效基线为写作时点；引用前请按 CLAUDE.md 全局时效性硬规则复查最新进展。模块级 SOTA 对照见 docs/AI_SYSTEMATIC_LEARNING_ROADMAP_2026.md 各周「2026 SOTA 对照」行与文末「SOTA 检查」。