新AI浪潮下的新業務流程重組

郭迅華

業務流程重組（Business Process Reengineering，BPR）是新技術帶來的管理革命的重要組成部分。1990年，邁克爾·哈默在《哈佛商業評論》發表了一篇題為《再造：不是自動化改造，而是推倒重來》的文章，將企業在微型計算機、數據庫、計算機網絡等信息技術的滲透下日益涌動的管理變革推向高潮。一時間，業務流程重組成為企業競相追逐的熱點。隨后的三十年中，業務流程重組的理念與實踐在最初的激進風潮之后，經歷了持續的探索與完善，深刻融入到現代數字化企業管理思想體系中。在ERP（Enterprise Resource Planning，企業資源計劃）等關鍵性企業系統的實施和應用中，在新興網絡環境下的商業模式創新構建中，業務流程的設計、管理與優化，更是不可或缺。

新AI的興起，在更高的維度上為業務流程重組開辟了新的空間。2022年11月，生成式大語言模型對話機器人ChatGPT的推出，開啟了新一輪AI浪潮。在隨后一年多的時間中，生成式大語言模型席卷全球，新AI技術的發展和應用，成為各行各業矚目的焦點。與過去二十多年中興起的其他信息技術相比，基于生成式大語言模型的AI具有通用性、交互性、多模態、動態性、成長性等新特點，如同當年的計算機、數據庫和網絡技術一樣，具備深度沖擊和改變人們基本工作方式以及業務流程基礎運行邏輯的巨大潛力。新AI正在引發人們思考并探索對工作方式和業務流程進行根本性再造的可能性。新一輪的業務流程重組呼之欲出。

在這股新業務流程重組潮流的醞釀涌動之際，本文試圖回顧上一輪業務流程重組的歷程與經驗，反思其理念、方法與原則，對照新AI的特點與潛在作用，為新一輪業務流程重組的啟動提供啟示。

業務流程重組的興衰

二十世紀八十年代后期，計算機在歐美企業中得到廣泛應用，數據庫和網絡技術也逐漸發展成熟。在實踐需求的驅動下，一些企業開始嘗試使用新的信息技術來連接跨越職能界限的業務流程，從而建立與以往那種條塊分隔、步驟繁冗的流程模式有著根本性不同的新型業務流程。一個被廣泛引用的典型例子是，福特公司通過在應付賬款管理流程中引入一個集中的數據庫系統，減少了以往流程中訂單、入庫單和付款單之間多重匹配問題帶來的大量煩瑣且難以核驗的工作步驟，將流程的運行成本降低了70%。另一個著名的例子是，IBM信用公司通過在授信審批流程中以跨職能的“通才”人員代替傳統的“專才”分工，將流程執行的平均周期從6天縮短到4個小時。

在這些廣泛探索的啟發下，管理學者和咨詢顧問總結提煉出了“業務流程重組”的概念。在一系列的文章和著作中，邁克爾·哈默、托馬斯·達文波特、詹姆斯·錢皮等人全方位闡述了業務流程重組的目標、思路、原則和方法。如哈默在《再造：不是自動化改造，而是推倒重來》一文中所說的那樣，業務流程重組是“對企業的流程作根本性的思考和徹底重建，其目的是在成本、質量、服務和速度等方面取得顯著的改善，使得企業能最大限度地適應以顧客、競爭、變化為特征的現代企業經營環境”。

在信息技術廣泛滲透的大背景下，業務流程重組的理念成功地連接起信息技術、業務流程、重新設計三個關鍵性的元素，并深刻地揭示了計算技術的真正價值不僅僅在于提高工作效率，還在于改變工作的方式。一方面，信息技術使重組成為可能：流程之所以能夠重組，是因為以信息技術為代表的新型生產條件和管理手段為流程的設計提供了新的選擇。另一方面，信息技術使重組成為需要：流程之所以需要重組，是因為在變化了的經營條件下，原有的流程在能力和效果上都存在缺陷。

理論的提煉與實踐的探索相得益彰。在學界，哈默等人對一系列早期案例進行了分析，在此基礎上總結出了業務流程再設計的七條原則：第一，流程應圍繞產出目標而非活動進行設計；第二，讓使用流程產出的人來執行流程；第三，將信息處理工作納入到產生該信息的活動中；第四，將地理上分散的資源當作是集中的資源來對待；第五，將并行的活動連接起來，而不僅僅是聚合其結果；第六，將決策點放在工作執行的位置上，并在流程中建立控制；第七，在源頭一次、一處捕獲信息。圍繞這些原則，咨詢公司構建起了體系化的方法論，并開發了大量用于流程建模、分析及設計的工具。在業界，企業爭先恐后地啟動了業務流程重組的變革項目。根據達文波特的估算，1995年北美企業在業務流程重組項目中的投入達到了510億美元。

然而，第一輪激進的業務流程重組成功率極低，失敗案例眾多。許多企業投入了大量的資金和精力，換來的卻是遠低于預期的成效，甚至是嚴重的負面后果。1993年，在麥肯錫咨詢公司調查的20個項目中，只有10%的企業認為達到了業務流程重組所承諾的效果，60%的企業取得的效益低于5%；1994年，美國計算機科學公司（Computer Sciences Corporation，CSC）調查了100個業務流程重組項目，其中67%的企業認為效果甚微或失敗。

從1995年起，人們開始對激進的業務流程重組進行深入反思。正如哈默最初所論述的那樣，激進的業務流程重組“是非連續性的改變過程，追求的是‘10倍的改進，往往要廢棄舊的工作流程，徹底重新設計未來的流程”。這種非連續的、突進式的管理改造意味著組織整體價值鏈的重建，其中必然潛藏著巨大的困難和風險。在最初的狂熱中，這些困難和風險是被忽視的，這使得業務流程重組的實踐陷入了一個又一個的泥潭中。

首先，一次性的、全面的流程改造并不能使組織的關鍵業務流程達到期望的理想狀態，寄希望于以一個整體性的BPR項目讓企業脫胎換骨，往往是不現實的。其次，對于那些已經發展成型的企業，這種全面的、根本性的流程重建，就像要改造在鐵軌上高速運行的列車一樣艱難，稍有不慎就會脫軌翻車。再次，許多BPR項目過于強調對舊流程的否定，往往會落入“為了改變而改變”的陷阱。最后，業務流程重組往往過于強調流程結構，忽視了人的因素，得到的結果因此常常與預想的情況大相徑庭。正如達文波特所總結的那樣，業務流程重組成了一場“忘記了人的狂熱”。

反思過后，業務流程重組的實踐從激進轉向漸進。以“改良”為導向的“業務流程優化”（ Business Process Improvement，BPI）和“業務流程管理”（ Business Process Management ，BPM）成為主流，強調在分析理解現有流程的基礎上進行連續性的優化改造，不再追求對管理框架的整體性顛覆，從而降低和控制組織轉變的風險?！白罴褜嵺`”流程的引入和建立，往往只在ERP等重大企業應用系統的實施中強調，而在穩定運行的企業中，業務流程管理通常聚焦于關鍵流程的漸進優化，如針對生產制造等重復性流程的精益管理和六西格瑪方法等。

新AI視角下的業務流程

以生成式大語言模型為代表的新AI具有一系列鮮明的新特點。與計算機、數據庫和網絡等基礎性信息技術相比，新AI的這些新特點為人們在更高的維度上重新審視、思考和設計業務流程提供了可能性。新AI具有以下五個特點。

第一個特點是通用性。傳統上，基于規則的AI應用需針對特定領域情境專門構建，即便是以往的機器學習技術，也須借助充足的領域數據進行專門訓練。相比之下，大語言模型“通古博今”，能夠廣泛地應對多樣化的領域情境。盡管針對特定應用場景的專門“調教”仍然必不可少，但其高度的適應性是以往的智能技術所不可比擬的。

第二個特點是交互性。新AI應用最初以對話機器人的形態出現，重要原因在于大語言模型具備根據上下文語境進行多輪連續交互的能力。強大的自然語言處理能力使得新AI應用能夠與人類用戶進行多角度迭代式的信息交換。

第三個特點是多模態。盡管語言文本仍然是大語言模型最擅長處理的信息形態，但快速拓展的新AI技術已能夠有效地處理和解釋多種形態的數據信息，包括圖像、聲音、視頻、設備信號等，并在這些不同模態之間建立關聯，提供更為豐富和綜合的理解和響應。

第四個特點是動態性。新AI應用在與用戶及環境要素持續交互的過程中，能夠根據外部的反饋不斷地調整自己的判斷和輸出，也能基于用戶的要求進行修正。這種動態性使得新AI應用有可能在持續交互中不斷完善信息輸出，但另一方面也使得信息輸出缺乏穩定性、確定性和可靠性，甚至可能產生捏造事實信息的“AI幻覺”。此外，由于作為新AI基礎技術的深度神經網絡模型存在缺乏可解釋性的“黑箱”性質，這種不穩定、不確定、不可靠的信息輸出，在許多場合都可能給人們帶來嚴重困擾。

第五個特點是成長性。成長性也可以稱作“學習能力”。在預訓練階段，大語言模型基于海量數據集中學習語言模式、語法規則和知識信息。這種訓練通常需要大量的計算資源，并在模型部署之前完成。在應用部署之后，模型可以自動在特定任務的新增數據上進一步學習，從而適應特定任務的需求，提升自身的能力和表現。從這個意義上說來，新AI具備在工作中學習成長的素質。

當新AI被納入到業務流程的構建之中時，以上這些特點使其有可能在業務流程中起到以往任何技術都未能達到的作用，從而給新型業務流程的設計和管理帶來前所未有的想象空間。具體來說，新AI在業務流程中可能發揮出四個作用。

第一個作用是替代知識性工作。長期以來，信息技術在業務流程中的一個重要的作用便是替代人工活動，從而實現自動化、數字化。以往的信息技術替代的主要是事務性的工作和結構化的決策；新AI能夠替代的則是諸如程序開發、文件編撰、綜合分析、方案設計等以往只有訓練有素的知識工作者才能完成的專業性、知識性活動。例如，在一家大型互聯網企業的程序開發中，AI自動生成的代碼已達到72%，程序員開發的代碼量不足30%。

第二個作用是檢查與識別。例如，對于撰寫完成的文字材料，AI可以進行檢查審閱，發現其中的問題并提出修改方案。對于一個項目計劃或設計方案，AI可以幫助識別潛在的錯誤或風險；基于圖像、視頻、設備信息流等數據，AI可以及時發現潛藏的缺陷、故障或變化趨勢，并給出相應對策。

第三個作用是溝通與協調。由于具有交互性、多模態特點，新AI能夠成為人與人之間、人與設備之間、設備與設備之間溝通的有效橋梁。例如，在涉及復雜檢查維修工作的客戶服務流程中，新AI能夠實時同步對接用戶、產品設備、技術人員、產品經理、物料管理系統、生產排程系統等相關人員、設備及系統，成為信息溝通的中樞，并在整個維修服務流程中扮演調度協調的角色。

第四個作用是信息萃取、預測與決策支持。大數據環境下的管理決策依賴于對內外部多源、多模態信息的廣泛采集和綜合萃取。新AI的通用性、多模態、動態性特點，使其能夠有效匯集來自不同領域的不同形態的數據，據此作出預測判斷，為管理決策提供建議方案，并在交互討論中配合管理者實現決策方案的完善與優化。

業務流程再設計

新AI所帶來的新想象空間，催動著業務流程重組思想的復蘇。進取型的企業將有機會對自身的業務流程進行根本性思考，并進行重新設計，從而實現業務流程在價值創造能力上的顯著提升，使企業能更有效地適應以顧客、競爭、變化為特征的現代企業經營環境。

上一輪業務流程重組的探索者們曾經總結出一系列原則，幫助企業更有效地組織業務活動、設計業務流程。經過長期的實踐，這些原則大多已成為流程管理的普遍規范，融入到企業組織的管理體系和日常運行之中。在新AI時代，流程的設計和優化面臨著新的可能性和新的要求，業務流程重組思想與新AI結合形成若干新的參考原則，對新情境下的實踐有所助益。

第一，業務流程仍應圍繞產出目標而非活動進行設計。

業務流程更新設計的根本目的不是用機器人代替人，而是使流程能夠以更高的效率創造更高的價值。因此，在新AI條件下考慮流程的再設計，出發點不應是“流程中的哪些活動可以由機器人來完成”，而是“流程如何調整能夠達到更好的效果”。早期業務流程重組實踐中，福特在營收賬款管理中以集成的數據庫消除單據的多重匹配活動、IBM信用公司以通才代替專才快速完成信貸流程等，均是這一原則的典型例子。

在新AI條件下，一些企業的實踐也有效地把握了這一原則。例如，一家汽車企業在新車型研發流程中，將AI技術與產品主數據系統結合，建立虛擬仿真平臺，改變了車型研發的傳統“V”型流程結構，通過仿真實現“虛擬驗證”，從而大幅減少了所需的實驗次數，顯著縮短了研發周期，有效地提升了市場響應速度。相反的例子是，一些企業盲目地在產品營銷業務流程中引入AI技術，用機器人代替人類員工，以更高的效率給更多的用戶撥打營銷電話，這非但未能帶來更好的營銷效果，反而大大降低了用戶的體驗。這些例子提醒我們，AI在流程中的真正價值在于以新的工作方式使流程更好地達成產出目標，而不是通過機器人代替人把原有的工作步驟執行得更快。

第二，應當讓執行流程的人來參與和主導流程的設計和優化。

在上一輪業務流程重組的理念中，一個重要的原則是讓使用流程產出的人來執行流程，目的在于破除職能壁壘的束縛，使流程能夠更高效地運轉。在新AI的加持下，流程的執行者不但能夠獲取跨職能領域的信息以完成工作任務，還有可能借助AI工具改進流程。例如，在一家互聯網企業中，一個軟件開發團隊通過引入基于大語言模型的翻譯及測試工具，改變了以往多語言版本軟件先開發后翻譯的流程，實現了邊開發、邊翻譯、邊測試的多語言版本同步并行研發流程。同樣是這家互聯網企業，產品經理借助大語言模型構建了快速實現產品原型的工具，從而大幅減少了概念印證階段產品經理和軟件工程師之間的信息溝通量。企業應當為這種積極的變化創造有利的環境，讓流程的執行者有機會創造新AI條件下的新流程形式。

第三，將AI視為合作者而非工具。

這一原則具有兩方面的含義。一方面，新AI具有交互性、成長性，在進行分析和判斷時，往往需要經過多輪的交互和調整，才能觸及問題的實質，得出高質量的結果。傳統技術工具如電子表格計算、數據庫查詢統計等，則更具穩定性、確定性，根據特定的輸入數據和指令，就能夠得到穩定的、確定的結果。因此，對于數據庫、電子表格、優化求解模型等“工具”而言，人們需要做的是“發出指令”；而對于大語言模型這樣的“合作者”而言，人們則需要與之“交流討論”。

另一方面，新AI的動態性特點也使其更像合作者而非工具。工具是穩定可靠的，而合作者則可能是動態多變的。新AI如大語言模型能夠根據外部的反饋不斷調整自己的判斷和輸出，這種調整的基礎是內部不計其數的復雜神經網絡節點以及數以千億計的參數，其思維脈絡對于人類而言是不透明的。在業務流程中，新AI的這種動態多變性會給流程帶來更高的不確定性。因此，在流程設計中，應當為這種不確定性預留更大的容錯空間。

第四，將決策權交給人和傳統智能技術，而非大語言模型。

之所以提出這一原則，是因為以大語言模型為代表的新AI在信息輸出方面缺乏穩定性、確定性和可靠性。因此，大語言模型技術應用于業務流程中時，更適合發揮“參謀建議”而非“代理決策”的作用。

第五，為新AI提供學習和成長的條件。

新AI具有學習能力，可以基于特定任務的新增數據進一步學習。因此，要使新AI實現學習成長，一方面要在業務流程中設計有效的反饋機制，使新AI應用能夠及時獲取業務流程內外部產生和采集的增量信息；另一方面，管理者應持續分析評估新AI應用在業務流程中的表現，并施以針對性的訓練調校。

在這一點上，機器學習與用戶行為的偏差問題值得注意。大語言模型本質上仍然是機器學習模型。機器學習方法在數據使用和模型訓練中不可避免地會存在模型偏差（如數據觀測和提取中的采樣偏差以及模型構建中的擬合偏差）；同時，在情境應用中，模型作出的預測和推薦對不同用戶的感知、態度、行為選擇和觀點表達會產生不同的影響，形成行為偏差（如用戶活動的選擇偏差和行為表現的表達偏差）。一方面，行為偏差會被帶入到用戶行為數據中，通過算法訓練的過程被機器學習模型所習得，產生新的模型偏差；另一方面，模型偏差會在系統應用中輸出，在情境交互中干擾用戶的自選擇及行動，引發新的行為偏差。這樣的循環使得模型偏差和行為偏差往復重塑，在交互和習得過程中持續放大和擴散，可能會導致模型算法的效力降低甚至失效，也可能使用戶陷入信息繭房等困境。從這種意義上說來，在流程中設置有效的反饋機制以支持AI的持續學習，是新AI條件下業務流程再設計的一個關鍵且極具挑戰性的任務。

上一輪業務流程重組的啟示

讓我們再次回顧當年那些絆倒了上一輪業務流程重組的“石頭”，為即將開啟的新AI時代的新業務流程重組提供警示與借鑒。

上一輪業務流程重組帶給我們的第一個教訓是不應過于激進。

二十世紀九十年代初期第一輪業務流程重組成功率低的首要原因是過于激進。在新技術潮流的牽引下和成功案例的鼓舞下，人們寄望于以一次性的、非連續的、突進式的管理改造重建組織價值鏈，從而獲得競爭力的飛躍。這種根本性改造蘊含的巨大風險不應被忽略。當前，許多企業的ERP等系統的建設實施已完全成型，業務流程與管理體系在成熟的信息系統平臺持續運轉。試圖對運行中的業務流程進行面向新AI的整體性重新設計，就如同要在高空中為一架正在飛行的飛機更換發動機一樣，是不現實且極為危險的。

因此，除非是初創企業，否則就大多數企業而言，新AI條件下進行新業務流程重組，更為恰當的策略應當是積極探索和漸進重組，在組織中逐步建立起新AI應用的條件與環境，持續展開業務流程的調整與優化。對那些不以前沿信息技術應用作為自身核心競爭力的企業而言，采取“跟隨”策略，觀察別人的探索，再擇機學習借鑒，也不失為一種穩健有效的選擇。

上一輪業務流程重組帶給我們的第二個教訓是不宜“過度設計”。

在新技術、新模式的吸引下，流程的變革很容易落入“為了改變而改變”的陷阱。在新AI的應用探索中，簡單地以智能機器人替代人工、“為了智能而智能”的改造屢有出現。人們傾向于認為更先進的技術總是能夠帶來更優質的流程，因此執著于引入新技術，而不是尋找最合適的解決方案。同時，在業務流程重組時，也往往過于追求理想化的設計而忽略了業務的真正需要。

新AI條件下的新業務流程重組要避免“過度設計”，關鍵在于堅持“業務流程應圍繞產出目標而非活動進行設計”這一原則。畢竟，只有在能夠幫助人們更好地開展工作以達成目標時，新技術才是有用的，新AI也如此。因此，新業務流程重組仍應以業務為導向，而非以AI技術應用為導向。

上一輪業務流程重組帶給我們的第三個，可能也是最重要的一個教訓，是不該忽視人的因素。

流程變革之中，人員減少、人力成本降低，是最直觀也最容易實現的“效益”。新AI應用最直接的形式便是“替代人工”。然而，上一輪業務流程重組之所以遭遇許多重大挫折，正是因為將人員節省作為衡量效益的第一標準，將人看作是簡單的數字以及可以被技術替代的工具。盡管以“機器人”形象出現的新AI很容易讓人想到對人工勞動的替代，盡管利用AI技術“減員降本”的誘惑直觀而又強烈，新業務流程重組中的管理者仍應自覺地避免陷入這一誤區。

以裁減人員為目標的業務流程重組存在著巨大的風險。一方面，聚焦于通過替代人工來降低成本，可能導致流程的設計忽略“價值創造”這一根本性的目標，從而錯失利用新AI實現業務流程實質性再設計和根本性提升的機會；另一方面，以裁減人員為目標的重組，必然會遭到員工顯性或隱性的抵制，因為沒有人會樂于“被重組”，而抵制之下的重組，則可能會帶來種種始料不及的不良結果。

因此，新AI條件下的新業務流程重組，不應重蹈覆轍，不應成為又一場“忘記了人的狂熱”。新業務流程重組應當以價值創造而非人員節省為效益衡量的首要標準。畢竟，新技術應當用于解放人們工作的興趣和活力，而非剝奪人們工作的機會和權利。