几周前在杭州举行的观远软件新产品发布会上，我在主旨演讲中介绍了一个新兴的企业管理软件品类：决策智能平台（Decision Intelligence Platform，简称DIP）。

2026 年1 月，Gartner 第一次发布了DIP 的魔力象限图，这标志着DIP 成为一个主流的企业软件跑道，决策智能（简称 DI）成为企业数字化应用的一个独立领域。

我们来看下“决策智能”解决了企业的什么问题。

决策智能这个词是由美国人工智能女科学家罗里安·普拉特（Lorien Pratt）提出来的。2010 年，她与软件架构师Mark Zangari 首次提出“决策工程”（Decision Engineering）概念，并在2012 年正式将其确立为“决策智能（Decision Intelligence）”这一跨学科领域，旨在将机器学习、运筹学优化与行为心理学、管理科学系统性地整合在一起。

“决策智能”这个概念试图解决企业管理及数字化中，衔接在数据分析（Analytics） 和业务执行（Actions）之间的断层（The Missing Link）。

传统的数据科学和机器学习（ML）对业务进行诊断、洞察、预测，例如商业智能（BI）告诉你过去发生了什么——像后视镜，而预测性分析告诉你未来可能发生什么——像天气预报。

但普拉特指出，分析不等于决策。

她看到的问题是：数据科学家们沉迷于提高模型的准确率，比如把“下季度销量预测”的准确率从85% 提升到90%。然而，当这份预测报告送到高管桌上时，高管面对的问题是：“既然销量会下滑，我该降价促销、增加广告预算，还是直接砍掉这条产品线？” 对这些问题，现有的数据模型和分析型软件无法给出解答。

所以在现实企业实践中，当高管们看着一堆精美的数据分析图表，在决定具体‘采取什么行动’时，依然只能依靠个人的经验、直觉和胆量去拍脑袋决策（Gut-feel judgment）。所以，分析型应用企业软件只是“决策支持系统”，而不是“自动化决策系统”。

决策之所以成为黑盒子或者人为活动，是因为在决策过程中，传统的企业信息技术一直在为“数据”建模，而从未为“决策本身”建模。

为此，罗里安·普拉特发明了因果决策图工具CDD，倡导企业面向“最终业务结果”来逆向建模，将复杂、非结构化的战略决策，转化为机器可模拟、人类可理解的动态系统。

流程（即行动）和决策是相辅相成的关系，例如，“去买杯咖啡”这个事情，“到商店、咖啡、付钱、拿着咖啡回家”，这是流程；而线上买还是到店买、买环境社会责任（FTBF）咖啡还是普通咖啡这些都是决策选项，而不同咖啡的价格、以及环境社会责任影响则是影响最终决策结果的外部和中间因素，CDD 模型如下：

来源：2023 年，普拉特《决策智能手册》

CDD是一个管理者工具，它不只是简单的好坏对比或者决策树，而是画出因果网络，帮助发现隐藏的影响和权衡。在企业中，CDD 可用于复杂决策，如产品定价、供应链选择，让不同部门（财务、市场、可持续性）在同一张图上讨论，统一思想和语言。CDD 是起点，可映射到DMN ，进行工程化的详细建模和自动化执行。

DMN（Decision Model and Notation，决策模型与标记法）由软件标准化组织OMG（Object Management Group） 推出，2015 年9 月首次发布1.0 版本，正式成为国际标准，至今有多个版本迭代。 

流程和决策是组合是通用的企业业务模型：在决策上，CDD 和DMN 的关系，可以类比于在流程上，概念性流程图（例如价值流图）和工程化流程模型BPMN 的关系。CDD 是初步、高层的决策建模工具，DMN 是后续正式化、工程执行的工具。

OMG将 BPMN + CMMN + DMN 这三个企业业务建模标准称为“流程改进标准的三冠王（Triple Crown of Process Improvement Standards）”：

·  BPMN（Business Process Model and Notation，业务流程模型与标记法）：最早、最成熟（BPMN 2.0 是主流）；专注于高度结构化、预定义的流程（顺序流、网关、事件等），适合标准化的重复性流程（如订单处理、审批流）。

·  CMMN（Case Management Model and Notation，个案管理模型与标记法）：专注于非结构化或半结构化的个案性质工作，强调事件驱动、人工判断和动态规划。适合客户服务、边调查边行动的业务场景。

·  DMN（Decision Model and Notation，决策模型与标记法）：专注于业务决策和规则的建模（DRD 图+ 决策表等），解决“流程中需要做什么决策”的问题。适合定价、风控、资格审核、下一最佳行动等决策密集场景。

今天在全球领先的企业智动化平台，例如中国的奥锐方（Orion）以及国外的Camunda、IBM、Flowable等，同时支持三者，实现三类模型间的相互调用，从而应对企业中各种工作模式——从高度结构化到完全灵活，再到决策密集型。参见我过去三年最重要的理论创新｜业务执行模型及AI实现

有了理论和标准，那么接下来就是落地的企业级技术解决方案了，这就是“决策智能平台”。根据以上分析我们可以认识到，在企业数字化架构中，决策智能是跟数据、流程、AI 等平行的课题，如果按照国内的企业软件命名习惯， 跟“数据中台”、“AI 中台”、“流程中台”对应，DIP可以叫“决策中台”。

如上图所示，决策智能涉及到企业软件并不是全新的领域。在技术上，它本身基于各种数据、信息的整合，以及机器学习、自然语言处理、运筹优化、规则引擎、商业智能等传统的数据分析和人工智能技术；在应用上，传统的零售、医疗、金融等行业垂直应用也都具有决策智能的功能功能，例如零售的定价和商品优化、医疗的专家诊疗、金融的风控等功能，以及供应链排产优化、精准营销等职能领域智能化。

把这些基础技术和行业应用的通用决策能力抽取出来，形成的一个支持端到端决策（从决策建模到决策执行及监控）、形成从洞察到行动与反馈的企业运营闭环能力的企业软件平台，就是DIP。

Gartner从2022 年开始就将DI列为企业首要战略性技术趋势（Top Strategic Technology Trend）之一，过去几年里，在企业数字化架构里，DI发展到有明确平台类别。今年Gartner 首次发布DIP魔力象限图，正式定义了这个企业软件跑到。

DI不是一种底层AI 算法，而是将多种AI、计算技术组合起来，解决“如何做出更好决策” 这个高层业务问题。它是AI 在企业决策领域的落地框架或应用范式，与预测、聚类这类场景处于平行的位置。

DI很少只依赖单一的AI技术，而是复合智能（Composite AI）：

AI类型

在DI 中的作用

使用比例

规则引擎

编码业务政策、合规约束、逻辑判断

很高（基础）

优化（Optimization）

寻找多目标下的最佳行动方案（如资源分配）

核心

仿真/模拟（Simulation）

What-if 情景分析、风险评估

很高

启发式算法（Heuristics）

处理复杂、非凸、实时性要求高的场景

常见

知识图谱（Graph）

建模实体关系、上下文推理

中等

机器学习（ML）

预测输入变量、模式识别

中等（辅助）

大模型/生成式AI

自然语言交互、辅助解释、知识提取

较低（辅助）

这里我要特别强调DI 和大模型的关系，至少目前相关性不是非常大：生成式AI 擅长生成内容、对话、创意，但在高可靠性、可解释、可审计的业务决策场景中，因其幻觉、不可控而还不够成熟——DI 强调可治理、可追溯、业务结果闭环，更依赖规则、优化、仿真等确定性强的AI技术。

生成式AI 会作为辅助层融入DI（例如自然语言建模、决策解释、Agent 编排），但不会取代DI 的核心复合架构。

Gartner定义的决策智能平台（DIP） 强调以决策为中心的设计，核心是通过显式决策建模（Decision Modeling） 结合数据、分析、知识和AI，实现决策的设计、执行、监控和持续改进。

Gartner认定为真正的DIP，必须包含以下关键能力：

决策建模与设计（Decision Modeling and Design）：显式建模决策逻辑，支持DMN 等标准，可视化决策需求图（DRD）、决策表、规则等。这是DIP 与普通AI/BI 平台最核心的区别。

集成灵活性（Integration Flexibility / Composability）：轻松集成多源数据、现有系统和第三方AI/ML 模型，支持可组合架构。

决策执行与编排（Decision Execution and Orchestration）：实时或批量执行决策，支持工作流编排，将决策结果推送到业务系统中。

人机协作与决策参与（Collaborative Decision-Making / Decision Actor Collaboration）：支持人类与AI 的混合决策（human-in/on/out-of-the-loop），包括协作建模、审批和反馈。

决策监控、管理与治理（Decision Monitoring, Management and Governance）：实时监控决策绩效、漂移检测、审计追踪、合规治理。

学习与审计（Learning and Auditing）：从决策结果中持续学习、优化模型，形成反馈闭环，并提供完整审计能力。

Gartner认为DIP 根据企业实际的数字化架构，还可能具有如下增强能力：

数据与知识管理：多源数据集成、实时事件流处理、知识图谱、语义层，现在国内流行的“本体”，可以认为是DIP 的一个组件

分析与AI 组合（Composite AI）：规则引擎 + 机器学习+ 优化 + 仿真 （参见 商业仿真｜ 最理科生的企业管理软件） + 生成式AI 等。

情景模拟与优化：What-if 分析、多目标优化。

用户界面与解释性：自然语言交互、决策可解释性、可视化仪表板。

规模化与治理：企业级部署、安全、版本控制、A/B 测试。

今年的首份 DIP MQ 包含了多种背景的厂商，：

传统BPM/自动化厂商（如Pegasystems、IBM、Decisions、ACTICO 等）：它们在流程自动化、规则引擎、个案管理上有强大基础，现在向决策增强方向扩展。

BI厂商（如SAS）：从数据洞察向决策行动延伸，增加决策建模和优化能力。

新兴DI 厂商（如Aera Technology、Faculty、FlexRule、Quantexa、FICO 等）：专注于决策建模、实时优化、支持行业特定决策。

其他：规则/决策管理专家（InRule、Rulex）、金融/风控强项（FICO、CR IF）、供应链强项（o9 Solutions）等。

这反映了DI市场不是全新发明，而是对现有各种相关技术厂商围绕DI 的理念进行解决方案市场重构。 这种混杂也说明市场还在早期整合阶段，未来可能会有更多垂直或纯DI 原生厂商涌现。

如果我们用最通俗的语言解释DIP是什么，回到前文提到“决策智能”解决的问题，就是填平数据分析和工作流自动化之间鸿沟的企业软件平台：

 来源：Rulex

因而，DIP 和其上游的数据管理、数据分析/商业智能、人工智能有很多交叉之出：

同时，DIP和其下游的流程自动化也有很多交叉之处，后者就是我在过去两年反复强调的“智动化”，亦即Gartner 提出的BOAT（Business Orchestration and Automation Technologies，业务编排与自动化技术）。

Gartner 在2026 年提出的DIP是以决策为中心的平台，核心能力包括显式决策建模、AI、分析、规则的组合，用于支持、增强和自动化具体决策，并形成反馈闭环，最终驱动业务结果。而在2024 年提出的BOAT，则强调端到端业务流程的统一编排与自动化，整合RPA、低代码、iPaaS、流程自动化、BPM 等技术，实现企业级流程协同和智能自动化。

两者都旨在从孤立的自动化和分析，转向端到端、智能化的业务执行，减少烟囱式系统，强调编排（Orchestration）、AI 驱动和可治理性。技术上都大量使用AI（包括生成式AI 和Agent）、规则引擎、流程自动化。很多厂商在两个MQ 中都有身影，如Pegasystems、IBM等传统BPM/自动化厂商。

大型企业往往同时需要两者 —— 用DIP 设计智能决策逻辑，用BOAT 将这些决策编排进更大流程中。未来两个市场可能会进一步融合或有更多交叉评估。