AI正迅速成为一种无处不在的技术。

在20世纪90年代，业务流程再造曾风靡一时：企业利用企业资源规划（enterprise resource planning, ERP）系统和互联网等新兴技术，对广泛的端到端业务流程进行彻底的变革。在再造工程的学界及咨询界拥趸的鼓舞下，企业期待着对从订单到现金以及从新产品概念到其商业化等广泛的流程进行变革。

可是，虽然技术的确带来了重大的升级，但技术的实施通常未能达到超高的预期。比如，SAP或甲骨文（Oracle）之类的大型企业资源规划系统为数据交换提供了有用的IT主干，但也创造了十分僵化的流程，在IT实施后很难改变。自那以后，流程管理通常只涉及对局部流程进行渐进式改变——将精益生产（Lean）和六西格玛（Six Sigma）用于重复性流程，而将敏捷精益创业（Agile Lean Startup）方法用于开发——所有这些都没有得到任何技术的帮助。

现在，这种想法的一个版本在一些企业正卷土重来，我们可望在更多的企业中看到它。这不仅需要对人工智能（AI）的欣赏和理解，而且需要重新认识业务流程，将其当作改进工作的架构。随着AI成为一种普遍适用的通用技术，再造工程支持者最初设想的那种业务流程的彻底重新设计似乎越来越有可能实现。（我们中的一人——达文波特——写了有关这一主题的首部著作）。

流程再造的提档升级

20世纪90年代实现再造的技术主要是交易型、基于通信的技术。它们在企业内和企业间实现了高效的数据采集和传输。另一方面，AI能够实现更好、更快、更自动化的决策。实质上，大型企业中部署的大多数AI涉及借助大型数据集，学习预测或分类，这反过来又有助于企业做出更好的运营决策。更好的运营决策反过来又会因产生更好的结果而提高效率。一个关键的区别是，目前的AI系统是真正的通用技术，不仅在生产计划和控制方面带来了巨大变化，而且在视觉影像识别与检视、自主操作和新内容生成方面也带来了巨大变化。

虽然推动AI发展的方法已存在了数十年，但实施这些方法的成本已急剧下降。基于AI的现代化解决方案以前只属于数据科学家的领域，现在却已经足够成熟，可以“现成”提供，大大降低了入门的技术难度。计算成本的下降——因云技术的广泛使用、低成本带宽的发展和传感器成本的降低所驱动——大大降低了模型驱动预测的价格。基于AI的决策还可以纳入更广泛的自动化背景。机器人流程自动化（robotic process automation, RPA）等技术有助于构建工作流程，实现信息密集型后台流程的自动化。机器人流程自动化建立在规则的基础之上，这限制了它采用基于数据的决策能力。不过，如果与机器学习结合起来，成为“智能流程自动化”，它可以处理的任务类型远比这更多。

AI驱动的这种流程再造已经开始。银行开始利用它为客户提供财富管理建议。保险公司开始使用AI来让客户引导和承保变得更加便捷，并通过对被保险人拍摄的照片进行深度学习分析，自动对车损和住房损坏进行索赔估算。工业企业开始重塑维修和工程流程。即使在AI研究相当丰富但临床采用远远不足的医疗领域，一些国家的诊断和治疗因基于AI的远程医疗而正得到重塑。

这一切对我们使用AI的方式、开展工作的方式以及企业的组织方式都会产生重要影响。为了利用这些潜在的好处，企业需要恢复以端到端的流程视角来看待他们的业务，并仔细思考AI如何能够改造这些业务。实质上，企业需要探究他们在哪些方面产生了足够的数据，以便可以提炼出可用于支持运营决策的模式。

AI推动流程再造

随着AI给业务流程带来新的能力，企业需要重新思考所需的任务有哪些，以何种频率，以及由谁来执行这些任务。当AI伴以部分自动化时，企业还需要决定在其流程中人类要从事什么工作，机器要承担什么工作。迄今为止，大多数AI应用都力图改进某项特定的任务。然而，这忽视了大局；聪明的企业现在将AI的引入视为重新审视端到端流程的根本原因。

在最基本的层面上，流程分析通常涉及到制约因素与机会的共存。比如，在新加坡的星展银行（DBS Bank），交易监控（反洗钱及诈骗侦测）经理在一次采访中表示，他们对银行监管机构要求的基于规则的系统在识别结果中的高误判率感到失望。这是制约流程的一个不可避免的因素，但他看到了一个机会，即，可以通过机器学习，利用AI来预测每个肯定结果存在的欺诈风险，并对其进行评分。欺诈概率低的交易可以简单放进一个“冷却器”里几个月，看看它们是否在同一个客户身上重复出现。基于机器学习的AI系统用于检测异常值，这在欺诈侦测领域早已有之。可是，当机器学习系统与新的工作流程平台和关系网络分析系统（以识别欺诈网络成员）相结合时，监视分析师的生产率提高了三分之一。

另一个很好的例子在壳牌公司，我们中的一个人（杰文斯）在该公司领导AI计划。长期以来，壳牌一直是一家注重流程的公司，目前正致力于在供应链、运营和维修保养等领域开展一项重大的AI计划。作为其中的一部分，壳牌正在再造其工作流程。

比如，我们可以看看能源及化工厂、管道、海上设施以及风力和太阳能发电场的监测和检查工作。这项工作过去完全由检查员和维修技术人员亲自完成，但AI可以缓解这一制约因素。现在，许多低附加值的检查任务可以由机器人和无人机远程完成。壳牌公司的一些设施实在太大，过去需要花费数年时间来手动检查所有的东西——现在他们开始引入无人机和机器人来实现这些流程的自动化，并帮助缩短周期。

由于这些变化，检查员和维修技术人员现在可以重新思考他们的日常工作。他们可以专注于确定项目优先次序等价值更高的活动，或者，如果他们在现场，可以进行更高级的验证。与此同时，新的任务正在出现，比如为图像添加标注，以改进检查算法，或对现在运行于生产中的数千个机器学习模型的训练过程加以管理。以前属于体力工作流程的东西现在由多学科的团队进行管理，这些团队主要从事的是数字任务。

这一转变必然会有一些阻力。起初，说服检查人员的难度很大，可是渐渐地，他们开始被说服，因为他们看到，图像处理在远更短的时间内可以提供相似的准确性。此外，壳牌正让这些工程师重新思考他们与远程监控中心的工作流程，从而让他们有能力推动这一变革。

壳牌逐渐发现，这种由AI支持的再造过程正在成为一种永久性的运作方式。每个单独项目可能只需耗时一两年，但他们越是使用数字、数据和AI来重新设计流程，他们就越能看到进一步发展的机会。这一点尤其重要，因为该公司正在转型成为一家净零排放的能源公司。

谁应该领导AI支持的流程变革？

流程改进传统上完全属于运营经理的领域。正由于此，企业很少制定有明确的再造计划来配合他们的AI项目。为了真正利用AI的力量，流程设计和改进活动应该被纳入AI计划。最成功的AI计划越来越多地由“产品经理”来协调，他们把系统的成功部署（包括所需的业务变化）作为他们的目标。壳牌公司指派了一名产品负责人来管理业务变化，还指派了一名负责技术交付的产品经理。一些企业还致力于“设计思维”活动，这与再造风格分析有部分重叠，即对工作流程和活动需要如何重新设计进行分析，以满足客户需求或内部需求。

虽然我们已经看到了流程再造与AI开发同步进行的诸多例子，但还没有足够的企业认识到流程改变的必要性。无论这是否被称为“再造”，更明确地表示流程再造的作用和活动——包括高层设计、具体的工序流程、前后成本与周期时间的衡量，以及分析所需的技能和培训——会十分有用。这些活动对AI项目的成功实在太重要，不能心存侥幸。

由于以自动化为重点的项目对工序流程有直接的影响，而且相比其他形式的AI，更有可能只会发生渐进的改变，所以它们更可能包括一套正式的流程改进步骤。比如，在Voya Financial公司，流程改进团队内部有一个自动化卓越中心，任何自动化项目都要先经过流程改进工作之后才能进行。该团队的负责人向我们表示，该公司的自动化既是面向流程的努力，又是一项技术活。我们发现，还有好几家公司将流程改进与自动化结合起来，不过，我们还希望看到更激进的流程变革与机器学习等更强大的AI技术相结合。

AI正迅速成为一种无处不在的技术。一旦炒作偃旗息鼓，它会成为与企业资源规划系统、统计包、甚至电子表格一样的正常事物。AI平台可以被为数更多的企业用来再造他们的流程。AI是实现目的的一种手段，本身并非目的。从长远来看，那些了解如何在更广泛的流程再造背景下将其用作一种新工具的企业，按理会从AI中获得最大收益。

托马斯·达文波特（Thomas H. Davenport）、马赛厄斯·霍尔韦格（Matthias Holweg）、丹·杰文斯（Dan Jeavons）| 文  

托马斯·达文波特是巴布森学院（Babson College）信息技术及管理学杰出主席教授（President’s Distinguished Professor），麻省理工学院数字经济计划（MIT Initiative on the Digital Economy）访问学者，以及德勤AI业务的高级顾问。马赛厄斯·霍尔韦格是英国牛津大学萨伊德商学院（Saïd Business School at the University of Oxford）运营管理学美标企业教授（American Standard Companies Professor）。丹·杰文斯是壳牌公司负责计算科学与数字创新的副总裁。他在扩大壳牌各业务的数字和数据科学技术方面发挥了关键作用。