在生成式AI和其他先進技術的輔助下，企業的流程管理正在被重塑。員工可以綜合各種類型的數據，包括非結構化數據。他們可以將曾經難以理解的大量數字信息轉化為洞察驅動的工作流程改進，從而不斷提高績效、減少浪費并實現更優質的運營。值得注意的是，與所有的技術采用一樣，人類仍將是生成式AI取得成功并改善業務流程的關鍵。

詹姆斯·威爾遜（H. James Wilson）

保羅·道格蒂（Paul R. Daugherty）| 文

廖琦菁 | 編輯

王一冰｜公眾號文章編輯

正文字數 3416 字 ｜閱讀 10 分鐘

20世紀40年代末，一位名叫大野耐一的工程師根據日本的“改善”（kaizen，也就是持續改進）原則，開發出了豐田生產方式（Toyota Production System）。在豐田，基于生產部門各級員工給出的關鍵建議，這種方法帶來了持續不斷的小幅改進。豐田沒有通過大膽、具有創新性和冒險的舉措謀求徹底改變行業，而是選擇了細水長流的改進方式。如今，豐田已成為全球最大的汽車制造商，而豐田生產方式也一直是企業流程管理的典范。豐田生產方式中的一些著名理念也被長期發揚光大：賦權員工、持續降低成本、全面質量管理、適時生產、根本原因分析、數據驅動的流程以及帶有人性化的自動化（jidoka）。

隨著越來越多的運營作業實現數字化，在生成式AI和其他先進技術的輔助下，“改善”（kaizen）再次重塑了流程管理。現在，自然語言界面等功能讓非技術人員也能使用AI，從而推動了大大小小的流程變革。在AI的幫助下，員工可以綜合各種類型的數據，包括非結構化數據。他們可以將曾經難以理解的大量數字信息轉化為洞察驅動的工作流程改進，從而不斷提高績效、減少浪費并實現更優質的運營。“改善2.0”并沒有像人們普遍認為的那樣取代人類，而是將人類轉移到新型機器輔助流程的核心，實現了許多管理理論長期以來的愿望：將業務轉型交到所有員工手中。

但是，成功地重新構想業務流程并不像讓ChatGPT審核工作流程那么簡單。為了跟上這一變化，領導者需要了解哪些流程已經成熟，可以利用算法進行重新設計，并了解其他公司如何利用生成式AI改造流程。

在本文中，我們將根據數十年來為客戶提供技術和創新建議的經驗，介紹最優秀的公司如何部署生成式AI。我們還將介紹“改善”的未來：完全自主的代理人（agent）能夠獨立行動，去實現目標、調整策略、分析環境并完成復雜的任務。然而，與所有的技術采用一樣，人類仍將是生成式AI取得成功并改善業務流程的關鍵。

01

賦能全體員工

在從汽車制造到生命科學，再到消費品的各個行業中，以及從研發到制造再到供應鏈管理的各個職能領域中，生成式AI正在以全新的方式提升員工能力。舉例來說，這種變化正發生在梅賽德斯-奔馳的生產車間、供應鏈和軟件設計部門。

該公司的MO360數據平臺將其全球乘用車工廠連接到云端，提高了生產和供應鏈運營的透明度和可預測性，并在全球范圍內實現了AI和分析工具的部署。2024年早些時候，時任梅賽德斯-奔馳集團首席信息官的揚·布萊希特（Jan Brecht）指出：“通過MO360數據平臺，我們在制造領域實現了技術和數據的普及。在梅賽德斯-奔馳，數據正在成為每位員工日常工作的一部分。我們生產車間的同事可以訪問與生產和管理相關的實時數據。他們可以使用下鉆式儀表盤（drill-down dashboard，一種能夠提供詳細數據信息的儀表盤），做出基于數據的決策。”

通過使用日常語言的提示，而不是技術性的數據庫查詢，生產員工可以詢問有關裝配線瓶頸或發掘難以察覺的流程優化機會，并從AI中獲得豐富的數據洞察。這種洞察力會提高員工根據自身經驗、觀察力和創造力進行改進的能力，而不是取代他們。

該平臺還能幫助團隊識別供應鏈中的瓶頸。同時，公司的軟件開發人員也使用GitHub Copilot這款AI助手，將自然語言提示轉化為編程建議。如此一來，他們就可以騰出更多時間去處理復雜的流程問題，并對全公司的軟件開發工作進行整合。

為了讓數據的使用更加普及，奔馳正在協助員工獲取新的AI技能。人力資源部建立了Turn2Learn計劃，該計劃為一線員工提供超4門數據和AI課程，包括提示工程和自然語言處理等技能的廣泛培訓。得益于生成式AI、技能培訓計劃，以及MO360數據平臺等數字生態系統，流程變革已從一項小眾的技術技能，轉變為公司員工日常工作經驗的一部分。

在汽車制造商馬恒達（Mahindra & Mahindra），生產團隊向生成式AI驅動的虛擬助手發送詢問后，能夠收到維修工業機器人的分步驟指導。這有助于他們快速解決技術問題，減少機器停機時間。馬恒達集團的AI主管布萬·洛達（Bhuwan Lodha）表示，這項技術大大提高了生產車間的士氣，實現了“改善”所承諾的員工成就感。

02

重新設計科學流程

在制藥行業，工作人員正在借助生成式AI驅動的合成數據創建數據豐富的流程，減少浪費，加快分析，并加強質量控制。以藥品檢驗流程為例，制藥公司一向依靠自動化視覺系統來檢測產品的瑕疵。遺憾的是，這些系統經常會產生錯誤的剔除結果，不僅減慢工作流程，還導致昂貴的返工。出現這種情況的原因是，系統需要使用大量的圖像進行訓練，但對于許多復雜的瑕疵來說，只有數量有限的圖像可以用于訓練。

為了應對這一挑戰，默克（Merck）使用生成式AI方法，如生成對抗網絡（generative adversarial network）和變分自編碼器（variational autoencoder），來開發合成瑕疵圖像數據。據IT架構副總監尼廷·高爾（Nitin Kaul）的說法，經過生成式AI增強的系統幫助默克“理解了剔除的根本原因，優化了流程，并將各產品線的整體錯誤剔除率降低了50%以上。”

生成式AI也在改變著藥物研發的方式。藥物研發公司Absci現在能夠利用電腦和零樣本生成式AI，來創建和驗證治療性新抗體，即機器學習模型在沒有任何標注示例的情況下識別和分類新概念。換句話說，AI無需使用任何已知能與特定靶點結合的抗體的訓練數據，就能設計出能與這些靶點結合的抗體。通過AI而不是反復試驗來創造抗體，可以將新生物制劑進入臨床所需的時間從長達六年縮短至18個月，同時提高成功的概率。正如“改善”教導我們的那樣，浪費這件事不僅僅與材料有關，也關乎時間和精力。

03

增強創意流程

一些領先的消費品公司正在利用前沿的AI和數字技術激發人類創造力，從而推動消費品行業的發展。在高露潔棕欖公司（Colgate-Palmolive），員工正在使用生成式AI加速新產品配方的開發過程。據報道，雀巢、金寶（Campbell’s）和百事公司正在使用生成式AI平臺，幫助員工驗證新的產品構想和進行市場研究。可口可樂公司正在試驗一個平臺，可以結合GPT-4的語言能力與DALL-E根據文字指令生成圖像的能力。該平臺允許數字藝術家從公司龐大的檔案庫中挖掘獨特的品牌元素，這相當于為他們提供了一塊畫布，把在上面創作的原創藝術作品用作廣告看板。

長期以來，產品和零部件設計一直都是融合了藝術與科學——將設計師的經驗和感性與原型制作和測試的嚴謹性相結合。在各行各業，生成式AI正在加速并改變這一設計流程的諸多要素：為新創意創建3D模型、對設計提出修改建議、推薦材料使用、優化成本、快速創建數字原型，以及確定哪些創意最有前途。

這些工具能在多大程度上賦能員工改進創意過程呢？以美國國家航空航天局（NASA）的研究工程師瑞安·麥克里蘭（Ryan McClelland）為例，他使用市面上可用的AI軟件，在馬里蘭州格林貝爾特的NASA戈達德太空飛行中心（NASA’s Goddard Space Flight Center）改造了特殊定制組件的設計流程。很少有機構能夠像NASA那樣以如此嚴格的標準生產如此多的獨特組件。從天體物理學氣球觀測站到大氣掃描儀、行星儀器、太空天氣監測器、太空望遠鏡，甚至火星取樣返回任務等，這些組件都至關重要。

在麥克里蘭的新流程中，計算機輔助設計專家從任務的需求出發，繪制出組件與儀器或航天器連接的表面，以及其他硬件和電子設備的螺栓和配件。設計師可能還需要為激光束或光學傳感器繪制一條路徑。“這些算法確實需要人類的眼睛。人類的直覺知道什么看起來是正確的，如果完全交給算法，有時會讓結構過于薄弱。”麥克里蘭指出。在專家級人類工程師的監督下，AI可以在短短一兩個小時內完成復雜的結構設計。在傳統的機械設計中，提出設計方案并對其進行分析可能需要一周的時間，隨后還要進行多次迭代，直到專家對設計方案的可制造性進行評估。因此，可能需要幾個月的時間才能找到解決方案。用AI設計的結構可能看起來有點奇怪，但它們比傳統設計流程制造出的組件輕三分之二，承受的壓力僅為傳統設計的十分之一。

04

以動畫呈現實體運作

生成式AI還在改變人類與復雜實體系統的交互方式，這些實體系統包括從機器人、人體，再到醫院之類的組織。

總部位于斯圖加特的Sereact公司是一家AI軟件供應商，它推出的軟件可以自動化執行倉庫作業。Sereact率先推出了首個商用解決方案，利用ChatGPT底層的轉換器技術，使機器人能夠理解自然語言。這些機器人經過數十億張模擬圖像的訓練，負責執行“分揀和包裝”的任務，而這些任務通常占倉庫成本的55%。在這種被稱為PickGPT技術的幫助下，人類操作員只需在聊天界面上輸入文字命令，即便是缺乏專業技術知識的用戶，也能運用該技術指導和調試系統。公司CEO拉爾夫·古爾德（Ralf Gulde）稱其為“世界上與機器人互動最便捷的方式。”

接下來是什么？生成式AI和數字孿生的融合已經開始，讓我們得以窺見，流程的持續改進在未來將變得更加普及。數字孿生被用于為復雜系統（如噴氣發動機、風力渦輪機、工廠和人類心臟）建立模型，并且精確地模擬其運行，使用戶可以在系統出現問題時（甚至常常是在問題出現之前），遠程創建解決方案。數字孿生可用于提高生產流程的效率、改善品質、提高運營效能，以及創建更穩健、更具韌性的供應鏈。

不妨看看數字孿生在醫療行業的應用。全球約90%的頂級藥物和醫療實驗室已經在臨床前藥物開發等領域使用了數字孿生。醫療科技公司Atlas Meditech建立了一個平臺，讓外科醫生可以在一個和患者大腦尺寸、形狀、病變位置相同的虛擬大腦上練習開刀。醫院能夠借助數字孿生技術制定日常決策，例如人員配備、手術和床位管理等。醫院還可以利用數字孿生對組織進行壓力測試，以了解自身如何應對未來的各種情況，例如造成大規模人員傷亡的地震。研究人員預計，有朝一日，數字孿生將被用于提供精準醫療、診斷疾病以及預測健康和疾病的變化結果。

現在，生成式AI已準備好擴展數字孿生的能力，包括增加自然語言交互功能，我們預計，未來會有更多的醫療工作者擁有這些調整流程的工具，并以幾乎即時的方式響應新的需求，這將是向持續改進邁出的一大步。

05

自主代理

新的AI代理（AI agent）將“改善”提升到了一個新的高度，它們不僅能提供建議，還能自行決策、采取行動并改進流程。它們可以是簡單的聊天機器人，也可以是自動駕駛汽車，再到能夠自主運行復雜工作流程的機器人系統。

以DoNotPay公司為例，為幫助消費者省錢，其業務范圍從申訴違章停車罰單到取消分時度假（time-share）會員資格等等。不久之前，DoNotPay還只是協助客戶找出省錢的機會，并鼓勵他們采取行動。但后來，該公司將GPT-4和AutoGPT集成到其軟件中。這些新功能的第一位用戶是DoNotPay的CEO。他允許代理訪問他的財務賬戶，并給它一個簡潔而復雜的命令：幫我把錢找出來。代理發現有81美元的不必要訂閱費用和一筆37美元的機上Wi-Fi費用。然后，它提議自動取消訂閱，也草擬了一封Wi-Fi費用的申訴信，并與CEO進行了確認。更妙的是，它甚至還起草并發送了郵件，通過協商將CEO的有線電視和互聯網賬單減少20%。

傳統軟件由精確、基于規則的指令驅動，通過編程產生可預測的結果。這極大地限制了軟件自主行動的能力。它缺乏像人類那樣的推理能力；決策是直接寫死在程序里的，沒有納入人類思維特有的細膩判斷和靈活性。相比之下，建立在預先訓練的大語言模型之上的AI代理，能夠理解語言和提示，因此更能動態調整和適應。建立在多模態基礎模型上的AI代理，能力更強得多，因為它們能夠同時針對多種信息類型，如文本、代碼、音頻、圖像和視頻，進行概括、理解、跨類型操作和結合。

在以“改善”為導向的環境中，自主代理還展現出另外三個與人類工作者相似的地方：

目標導向的行為。由人設定目標，但由AI代理獨立行動來實現這些目標，并在必要時調整策略。為了做到這一點，代理可以跨越到公司的其他軟件平臺，并與其他組織的軟件和語言模型互動，以執行任務。

邏輯推理和規劃。AI代理可以感知和分析自身的環境。它們可以將復雜的任務分解為各個組成部分，并運用推理找出實現目標的最佳方式。

長期記憶與反思。AI代理可以借由過去的互動，更清楚了解意圖和背景脈絡。它們從經驗中學習，從而更好地完成工作。

在各行各業，許多公司現在都在部署自主程度不一的AI助理或代理。沃爾瑪使用它們來協助管理庫存。在萬豪國際酒店集團，它們負責優化預訂流程。在雀巢公司，它們負責改善供應鏈流程。安全服務運營商ADT正在開發一款代理，能夠幫助數百萬客戶挑選、訂購和設定他們的家庭安全系統。豐田公司正在開發代理機器人，它們可以充當老年人的護理員，或在工廠車間的生產流程中自主平穩地作業。摩根大通正在開發的自主代理，在不久的將來可以執行復雜的多步驟任務。

與此同時，從科技巨擘到較小的公司和初創企業，各家科技公司都在提供創建自主代理和系統的平臺和工具。微軟的AutoGen是一個開源編程框架，可以用于創建此類代理，并協調它們一起執行任務。透過這個框架，代理能夠彼此對話，并協助創建既自主、也和人類協作的工作流程。Meta的React是一個免費的開源JavaScript庫，可以用于構建用戶界面，包括與自主代理的交互。亞馬遜網絡服務公司（Amazon Web Services）最近推出了Amazon Q，它可以幫助用戶建立執行各種任務的半自主AI代理，包括編寫和調試代碼。谷歌的Vertex AI Agent Builder和Semantic Kernel開源開發套件也能幫助你輕松構建AI代理，并將最新的AI模型集成到你的代碼庫中。OpenAI 的Assistants API允許用戶在自己的應用程序中創建代理。位于舊金山的初創公司LangChain提供了一個開源框架，可以用于構建基于大語言模型的應用程序。LlamaIndex可幫助用戶構建上下文增強型（context-augmented）的生成式AI應用，包括自主代理和工作流程。GenWorlds提供了一個平臺，可以用來建立一些環境，讓AI代理相互交互以執行復雜任務。MemGPT讓代理聊天機器人能夠學習與你有關的資訊，并隨著時間調整它們自己的個性。

科技公司也在其產品中加入了自主代理。例如，Salesforce銷售的Agentforce是一款完全自主的AI代理，它可以理解客戶信息的全部上下文，并獨立解決范圍廣泛的服務問題，而無需像傳統聊天機器人那樣使用預編程場景（大多數聊天機器人只能處理已明確編程到系統中的特定查詢）。

06

自主代理生態系統

完成某些任務需要不止一位代理。在這種情況下，公司可能會定制一個代理系統，其中每個代理都是專精一項特定任務的專家。以抵押貸款審核流程為例，當人類審核員發出“根據本公司的放款政策審查該貸款申請”的指令時，一個代理可能會從申請書中提取相關信息。另一個代理可能會充當銀行政策管理員的角色，將這些政策提供給代理，再由這些代理比對申請書和放款政策。還有一位代理可能會生成一份最終報告，向檢視那筆貸款的審核員建議應該采取的行動方案。一個“連接器”代理可以監督和協調所有這些代理的活動。

企業必須結合多重代理，并讓它們能夠相互溝通和協作，才能開發出可以自主管理端到端流程的AI系統。這種解決方案可以改造供應鏈管理、生產和營銷等整個職能。乍看之下，這似乎是在實現大規模的自動化（也為那些擔心AI統治世界的科幻迷提供了更多素材）。但實際上這提供了一個持續改進的機會，仍然與“改善”（kaizen）一脈相承。

舉例來說，谷歌和斯坦福大學的研究人員在2023年進行了一項實驗。他們創建了25個數字人類化身，賦予每個化身獨特的個性和背景故事，并將他們放逐到一個模擬的網絡世界中。隨著這些化身彼此互動、開始過著日常“生活”，他們復制出了逼真的人類行為。他們根據自己的記憶和過去的經驗做出決定，而不需要真人介入。正是這種依靠記憶、反思自身經驗和互動的能力，使代理能夠相互學習，建立起不斷改進流程的生態系統。

在最近的另一項實驗中，斯坦福大學的研究人員證明，與應用最廣泛的機器人流程自動化（RPA）技術相比，人類和代理協作更有可能促進復雜工作流程的自動化。RPA本質上是機器人，它被硬編碼為按照預定義的規則執行一系列操作。由于缺乏通用的推理和規劃能力，機器人很容易在復雜流程中不可避免的變化和例外情況前出現問題。它們的設置成本也很高昂，而且在條件不斷變化的情況下也很難維護。

研究人員實驗的第一個工作流程是一家醫院的營收周期管理。大多數醫院都有負責及時處理收款、病人保險驗證、預先授權和保險理賠的部門。第二個實驗針對一家大型B2B企業的發票處理流程，由于該公司要處理的客戶眾多，且合同情況千差萬別，因此工作流程同樣復雜。盡管組織試圖將這些工作自動化，但這兩個流程中的大部分工作仍然是人工操作。

為了克服RPA的局限性，研究人員采用了一種多模態基礎模型，通過觀看視頻演示和閱讀文檔向人類學習，因而大幅降低了設置成本。這個模型包含執行不同任務的各種代理，能識別每個工作流程的所有步驟，準確率高達93%。它利用自己的推理和視覺理解能力制定行動計劃，進行自我監測和糾正錯誤，并以90%的準確率和84%的召回率，成功識別出工作流程的完成情況。這些結果表明，該模型可以推動全新類別的工作流程自動化，例如有些包含難以描述的步驟、需要復雜的決策，或者是知識密集型的工作流程。

研究人員的模型在執行工作流程時，會觀察自身行動的效果，因此能夠編制一套技能數據庫，可以應用到其他的工作流程中。雖然模型的目標是盡量減少人工干預，但研究人員發現，將人工融入流程非常重要：組織需要人類來確保流程符合總體目標，優化與員工互動的模型，并為代理提供培訓和反饋。

斯坦福大學的研究表明，盡管AI代理代替我們工作，而且它們相互協作，但這并不意味著人類可以置身事外。AI的成功既取決于技術，也同樣取決于人。當員工優化代理模型，以便適合與人類互動時，代理會以更高的自主性做出決策和運行。隨著經驗的積累，代理將不斷改進，而監督這一過程的人類也將不斷完善其設計和性能。當員工和AI代理都得到賦能時，人機協作的雙方都將獲得持續改進。

即使機器的自主性不斷提高，流程仍然以人為中心。在即將到來的自主代理時代，這將是“改善”的一個關鍵。（本文完）

微信 ID：chunnuanhuakai-cch