在企业软件市场，人工智能(AI)的引入热潮依然高涨。然而，在实际业务现场，持续产生"可用结果"正成为更艰巨的挑战。Appian表示，其重点并非生成式AI本身，而是将其稳定地融入企业流程自动化，以确保"准确性"和"可审计性"。
Appian产品管理部门副总裁Jake Rank在"Appian World 2026"上表示："我们的设计不是让人单独使用AI，而是让人在业务框架内使用内置AI的功能。"他强调，必须是旨在解决实际业务问题的"预定功能"，而非临时性的"特设AI"，才能产生价值。
文档处理升级……瞄准复杂的Excel
本次活动中引人注目的发布之一，是文档处理功能的扩展。Appian通过"DocCenter"扩大了支持范围，涵盖了大型电子表格、宏、拆分单元格以及包含多个标签页的复杂Excel文件。这意味着，以往被视为企业数据中利用难度较高的文档型信息，现在可以通过AI进行读取和处理的范围得到了扩大。
关键在于"反馈循环"。当准确性未达预期时，系统会自动分析失败案例，并推荐如何调整设置值。Rank解释说，即使是非专业人士，也能快速重复此过程，将准确率从80%提升到90%，甚至达到99%的水平。他补充说，在实际客户案例中，这种改进流程也经常出现。
AI Agent进入业务画面
Appian还将Agent功能进一步打磨得更加务实。新公开的"内联Agent协作"是一种将AI助手直接置于实际业务画面内，而非单独窗口的方式。用户可以在不脱离工作流的情况下，获得符合上下文的帮助。
这与人员流动加快导致组织内部"隐性知识"迅速消失的问题息息相关。这意味着一项尝试，即在系统内部补充熟练员工的判断力或业务诀窍。为此，用户可以对Agent的回应直接留下"赞"或"踩"的反馈，平台将基于这些信号提出改进方案。
Rank介绍了一个案例：一个初始准确率仅为75%的Agent，仅通过约30分钟的反馈，准确率就提升到了95%。他强调，并非只有积累足够数据才能提升性能，即便在相对较短的时间内，质量改进也是可能的。
数据架构结合MCP……连接外部AI工具
这些功能的基础，是Appian长期构建的"数据架构(Data Fabric)"。这是一种将多个企业数据源连接起来，如同一个统一的读写虚拟化层般运作的结构。其特点在于，数据保留在原始系统中即可进行查询和关联，并且可以应用到行或列级别的安全控制。这意味着，在减少独立数据仓库迁移负担的同时，还能实现集成利用。
同期发布的对MCP(Model Context Protocol)的支持，进一步拓展了数据架构的外延。这使得外部AI工具或第三方Agent也能够利用Appian环境内的数据和流程工具。核心在于，即使引入的不是Appian自身的AI，而是其他AI，企业也能维持其已建立好的治理和业务管控。
Rank表示："同时使用确定性流程和Agent型流程，可以根据问题的性质选择合适的方式。"也就是说，并非将所有业务都交给生成式AI，而是混合使用基于规则的自动化和AI Agent，来创建一个现实可行的运营模式。
比"引入"更重要的是可运营性
本次发布表明，企业AI的竞争正从"能创造什么"转向"能多稳定地运营"。尤其是在企业流程自动化市场，能够体现准确性、安全性、可追溯性以及反映用户反馈的改进体系，很可能成为决定实际引入成败的关键。
既然仅靠"搭载了AI功能"这一点已难以形成差异化，Appian的战略便聚焦于在企业流程自动化中创造可重复的成果。归根结底，市场的关注点似乎也正迅速从"华丽的AI演示"转向那些能在实际业务中长期坚守的"实战型AI"。
TP AI注意事项 本文使用基于TokenPost.ai语言模型的AI进行了摘要。正文的主要内容可能被省略或与事实不符。