在生成式AI和其他先进技术的辅助下，企业的流程管理正在被重塑。员工可以综合各种类型的数据，包括非结构化数据。他们可以将曾经难以理解的大量数字信息转化为洞察驱动的工作流程改进，从而不断提高绩效、减少浪费并实现更优质的运营。值得注意的是，与所有的技术采用一样，人类仍将是生成式AI取得成功并改善业务流程的关键。

    20世纪40年代末，一位名叫大野耐一的工程师根据日本的“改善”（kaizen，也就是持续改进）原则，开发出了丰田生产方式（Toyota Production System）。在丰田，基于生产部门各级员工给出的关键建议，这种方法带来了持续不断的小幅改进。丰田没有通过大胆、具有创新性和冒险的举措谋求彻底改变行业，而是选择了细水长流的改进方式。如今，丰田已成为全球最大的汽车制造商，而丰田生产方式也一直是企业流程管理的典范。丰田生产方式中的一些著名理念也被长期发扬光大：赋权员工、持续降低成本、全面质量管理、适时生产、根本原因分析、数据驱动的流程以及带有人性化的自动化（jidoka）。
    随着越来越多的运营作业实现数字化，在生成式AI和其他先进技术的辅助下，“改善”（kaizen）再次重塑了流程管理。现在，自然语言界面等功能让非技术人员也能使用AI，从而推动了大大小小的流程变革。在AI的帮助下，员工可以综合各种类型的数据，包括非结构化数据。他们可以将曾经难以理解的大量数字信息转化为洞察驱动的工作流程改进，从而不断提高绩效、减少浪费并实现更优质的运营。“改善2.0”并没有像人们普遍认为的那样取代人类，而是将人类转移到新型机器辅助流程的核心，实现了许多管理理论长期以来的愿望：将业务转型交到所有员工手中。
    但是，成功地重新构想业务流程并不像让ChatGPT审核工作流程那么简单。为了跟上这一变化，领导者需要了解哪些流程已经成熟，可以利用算法进行重新设计，并了解其他公司如何利用生成式AI改造流程。
    在本文中，我们将根据数十年来为客户提供技术和创新建议的经验，介绍最优秀的公司如何部署生成式AI。我们还将介绍“改善”的未来：完全自主的代理人（agent）能够独立行动，去实现目标、调整策略、分析环境并完成复杂的任务。然而，与所有的技术采用一样，人类仍将是生成式AI取得成功并改善业务流程的关键。

赋能全体员工
    在从汽车制造到生命科学，再到消费品的各个行业中，以及从研发到制造再到供应链管理的各个职能领域中，生成式AI正在以全新的方式提升员工能力。举例来说，这种变化正发生在梅赛德斯-奔驰的生产车间、供应链和软件设计部门。
    该公司的MO360数据平台将其全球乘用车工厂连接到云端，提高了生产和供应链运营的透明度和可预测性，并在全球范围内实现了AI和分析工具的部署。2024年早些时候，时任梅赛德斯-奔驰集团首席信息官的扬·布莱希特（Jan Brecht）指出：“通过MO360数据平台，我们在制造领域实现了技术和数据的普及。在梅赛德斯-奔驰，数据正在成为每位员工日常工作的一部分。我们生产车间的同事可以访问与生产和管理相关的实时数据。他们可以使用下钻式仪表盘（drill-down dashboard，一种能够提供详细数据信息的仪表盘），做出基于数据的决策。”
    通过使用日常语言的提示，而不是技术性的数据库查询，生产员工可以询问有关装配线瓶颈或发掘难以察觉的流程优化机会，并从AI中获得丰富的数据洞察。这种洞察力会提高员工根据自身经验、观察力和创造力进行改进的能力，而不是取代他们。
    该平台还能帮助团队识别供应链中的瓶颈。同时，公司的软件开发人员也使用GitHub Copilot这款AI助手，将自然语言提示转化为编程建议。如此一来，他们就可以腾出更多时间去处理复杂的流程问题，并对全公司的软件开发工作进行整合。
    为了让数据的使用更加普及，奔驰正在协助员工获取新的AI技能。人力资源部建立了Turn2Learn计划，该计划为一线员工提供超4门数据和AI课程，包括提示工程和自然语言处理等技能的广泛培训。得益于生成式AI、技能培训计划，以及MO360数据平台等数字生态系统，流程变革已从一项小众的技术技能，转变为公司员工日常工作经验的一部分。

重新设计科学流程
    在制药行业，工作人员正在借助生成式AI驱动的合成数据创建数据丰富的流程，减少浪费，加快分析，并加强质量控制。以药品检验流程为例，制药公司一向依靠自动化视觉系统来检测产品的瑕疵。遗憾的是，这些系统经常会产生错误的剔除结果，不仅减慢工作流程，还导致昂贵的返工。出现这种情况的原因是，系统需要使用大量的图像进行训练，但对于许多复杂的瑕疵来说，只有数量有限的图像可以用于训练。
    为了应对这一挑战，默克（Merck）使用生成式AI方法，如生成对抗网络（generative adversarial network）和变分自编码器（variational autoencoder），来开发合成瑕疵图像数据。据IT架构副总监尼廷·高尔（Nitin Kaul）的说法，经过生成式AI增强的系统帮助默克“理解了剔除的根本原因，优化了流程，并将各产品线的整体错误剔除率降低了50%以上。”
    生成式AI也在改变着药物研发的方式。药物研发公司Absci现在能够利用电脑和零样本生成式AI，来创建和验证治疗性新抗体，即机器学习模型在没有任何标注示例的情况下识别和分类新概念。换句话说，AI无需使用任何已知能与特定靶点结合的抗体的训练数据，就能设计出能与这些靶点结合的抗体。通过AI而不是反复试验来创造抗体，可以将新生物制剂进入临床所需的时间从长达六年缩短至18个月，同时提高成功的概率。正如“改善”教导我们的那样，浪费这件事不仅仅与材料有关，也关乎时间和精力。

增强创意流程
    一些领先的消费品公司正在利用前沿的AI和数字技术激发人类创造力，从而推动消费品行业的发展。在高露洁棕榄公司（Colgate-Palmolive），员工正在使用生成式AI加速新产品配方的开发过程。据报道，雀巢、金宝（Campbell’s）和百事公司正在使用生成式AI平台，帮助员工验证新的产品构想和进行市场研究。可口可乐公司正在试验一个平台，可以结合GPT-4的语言能力与DALL-E根据文字指令生成图像的能力。该平台允许数字艺术家从公司庞大的档案库中挖掘独特的品牌元素，这相当于为他们提供了一块画布，把在上面创作的原创艺术作品用作广告看板。
    长期以来，产品和零部件设计一直都是融合了艺术与科学——将设计师的经验和感性与原型制作和测试的严谨性相结合。在各行各业，生成式AI正在加速并改变这一设计流程的诸多要素：为新创意创建3D模型、对设计提出修改建议、推荐材料使用、优化成本、快速创建数字原型，以及确定哪些创意最有前途。

以动画呈现实体运作
    生成式AI还在改变人类与复杂实体系统的交互方式，这些实体系统包括从机器人、人体，再到医院之类的组织。
    总部位于斯图加特的Sereact公司是一家AI软件供应商，它推出的软件可以自动化执行仓库作业。Sereact率先推出了首个商用解决方案，利用ChatGPT底层的转换器技术，使机器人能够理解自然语言。这些机器人经过数十亿张模拟图像的训练，负责执行“分拣和包装”的任务，而这些任务通常占仓库成本的55%。在这种被称为PickGPT技术的帮助下，人类操作员只需在聊天界面上输入文字命令，即便是缺乏专业技术知识的用户，也能运用该技术指导和调试系统。公司CEO拉尔夫·古尔德（Ralf Gulde）称其为“世界上与机器人互动最便捷的方式。”
    接下来是什么？生成式AI和数字孪生的融合已经开始，让我们得以窥见，流程的持续改进在未来将变得更加普及。数字孪生被用于为复杂系统（如喷气发动机、风力涡轮机、工厂和人类心脏）建立模型，并且精确地模拟其运行，使用户可以在系统出现问题时（甚至常常是在问题出现之前），远程创建解决方案。数字孪生可用于提高生产流程的效率、改善品质、提高运营效能，以及创建更稳健、更具韧性的供应链。

自主代理
    新的AI代理（AI agent）将“改善”提升到了一个新的高度，它们不仅能提供建议，还能自行决策、采取行动并改进流程。它们可以是简单的聊天机器人，也可以是自动驾驶汽车，再到能够自主运行复杂工作流程的机器人系统。
    传统软件由精确、基于规则的指令驱动，通过编程产生可预测的结果。这极大地限制了软件自主行动的能力。它缺乏像人类那样的推理能力；决策是直接写死在程序里的，没有纳入人类思维特有的细腻判断和灵活性。相比之下，建立在预先训练的大语言模型之上的AI代理，能够理解语言和提示，因此更能动态调整和适应。建立在多模态基础模型上的AI代理，能力更强得多，因为它们能够同时针对多种信息类型，如文本、代码、音频、图像和视频，进行概括、理解、跨类型操作和结合。
    在以“改善”为导向的环境中，自主代理还展现出另外三个与人类工作者相似的地方：目标导向的行为。由人设定目标，但由AI代理独立行动来实现这些目标，并在必要时调整策略。为了做到这一点，代理可以跨越到公司的其他软件平台，并与其他组织的软件和语言模型互动，以执行任务。
    逻辑推理和规划。AI代理可以感知和分析自身的环境。它们可以将复杂的任务分解为各个组成部分，并运用推理找出实现目标的最佳方式。长期记忆与反思。AI代理可以借由过去的互动，更清楚了解意图和背景脉络。它们从经验中学习，从而更好地完成工作。
    在各行各业，许多公司现在都在部署自主程度不一的AI助理或代理。沃尔玛使用它们来协助管理库存。在万豪国际酒店集团，它们负责优化预订流程。在雀巢公司，它们负责改善供应链流程。安全服务运营商ADT正在开发一款代理，能够帮助数百万客户挑选、订购和设定他们的家庭安全系统。丰田公司正在开发代理机器人，它们可以充当老年人的护理员，或在工厂车间的生产流程中自主平稳地作业。摩根大通正在开发的自主代理，在不久的将来可以执行复杂的多步骤任务。

自主代理生态系统
    完成某些任务需要不止一位代理。在这种情况下，公司可能会定制一个代理系统，其中每个代理都是专精一项特定任务的专家。以抵押贷款审核流程为例，当人类审核员发出“根据本公司的放款政策审查该贷款申请”的指令时，一个代理可能会从申请书中提取相关信息。另一个代理可能会充当银行政策管理员的角色，将这些政策提供给代理，再由这些代理比对申请书和放款政策。还有一位代理可能会生成一份最终报告，向检视那笔贷款的审核员建议应该采取的行动方案。一个“连接器”代理可以监督和协调所有这些代理的活动。
    企业必须结合多重代理，并让它们能够相互沟通和协作，才能开发出可以自主管理端到端流程的AI系统。这种解决方案可以改造供应链管理、生产和营销等整个职能。乍看之下，这似乎是在实现大规模的自动化（也为那些担心AI统治世界的科幻迷提供了更多素材）。但实际上这提供了一个持续改进的机会，仍然与“改善”（kaizen）一脉相承。
    不过，斯坦福大学的研究也表明，尽管AI代理代替我们工作，而且它们相互协作，但这并不意味着人类可以置身事外。AI的成功既取决于技术，也同样取决于人。当员工优化代理模型，以便适合与人类互动时，代理会以更高的自主性做出决策和运行。随着经验的积累，代理将不断改进，而监督这一过程的人类也将不断完善其设计和性能。当员工和AI代理都得到赋能时，人机协作的双方都将获得持续改进。
    即使机器的自主性不断提高，流程仍然以人为中心。在即将到来的自主代理时代，这将是“改善”的一个关键。