玛氏箭牌（MARS WRIGLEY）决定进行供应链数字化时，在多项AI和分析能力方面进行了投资。公司建立了生产线的数字孪生模型（一个实时模拟运营情况的虚拟副本），并将模型数据输入机器学习模型来预测生产线的产量，以减少过度囤货和浪费。它与“智能决策”供应商Aera Technology合作，对数据进行了可视化处理，生成预防性维护建议，并实现了部分运营决策的自动化。它还聘请了Kinax，这家供应商的AI软件可以为员工提供平衡供需、自动处理发票和将卡车利用率提高15%的建议。有了这些改进，公司可以更快完成订单，客户服务评级也提高了几个百分点。
最近，玛氏箭牌开始建立预测销售情况的机器学习模型，帮助工厂经理设定生产水平，并计划在生产线上部署智能机器人和新的AI系统，以提高效率和可持续性。整体来看，玛氏箭牌一直在用AI重构各种业务的流程管理。
流程管理并不是一个复杂概念，它的目标在于了解一连串任务是如何组合在一起产生特定结果，然后进行改进的。它可以应用于多个层面：个人或小组执行的工作，部门内的关键活动，或者跨越整个组织甚至企业边界的端到端流程。
实施得当时，流程管理会极为有效。更好的流程管理意味着更高的生产力：错误率、周期和低价值工作都会减少。然而即便有AI助力，大规模实施流程管理也并不容易。AI支持的是范围较窄的任务或子流程，而非端到端的完整流程，因此企业必须将多个AI应用场景串联起来才能改进整个流程。流程管理需要大量的变革管理，要说服利益相关者、重新培训员工，还要整合许多变量。此外，它通常与传统的层级管理不同，因为它需要跨部门协作以提高效率。20世纪90年代初，流程再造成为热潮，但随之而来的却是满目的失败项目和盲目裁员，流程管理的名声因此受损，难怪它会随潮退去。
与此同时，AI和其他信息技术在提高生产率方面也让企业感到失望。罗伯特·索洛（Robert Solow）1987年评论说“计算机时代全面到来，就是没进到生产力统计数据中”，组织在数据和技术上投入了数万亿美元来分析和提高生产力，却依然收效甚微。大多数组织甚至没有IT项目生产力指标之外的ROI数据。
一种新的流程思维可以帮助扭转这一局面。
事实上，关于流程的新思想——包括科学管理、统计质量控制、全面质量管理、六西格玛、敏捷和精益方法，都产生过重要影响。关于流程管理的新思想不断涌现也证明了它的重要性。组织始终需要提升运营绩效，流程管理正是实现这一目标的有效途径。
本文作者是各种形式流程管理的支持者。托马斯·H. 达文波特在20世纪90年代初就协助发起了流程再造。托马斯·C.雷德曼则在数据咨询服务中广泛应用了流程思维。在与数百名领导者进行广泛对话后，我们得出了一种关于流程的新哲学，它捕捉了人员、数据、分析和技术，特别是AI，可以如何共同作用以提升业务绩效。
我们将在本文描述这种新哲学，并详细说明高层领导在应用它时，应该采取的第一步。
技术与流程管理相互增强
缺少技术支持，特别是在精益六西格玛等渐进流程改进方法中，会导致流程思维的热度退却。但在过去几年中，新技术为组织提供了流程管理转型的机会。这也是我们认为企业现在应该广泛采用本文观点的一个关键原因。
流程管理和技术相辅相成。新技术会帮助公司大幅推广改进后的流程，而当支持新技术的流程得到明确定义与良好管理时，部署新的AI算法并从中获取价值也会更加容易。端到端集成流程也会让获得训练AI所需的大量高质量数据变得更加便捷。
良好的流程管理要求各部门采用统一的数据标准，并在组织内自由共享数据，不过许多部门可能不愿意这样做，毕竟他们已经有了针对自身特定需求量身定制的系统，这些需求不一定是为了端到端的有效性。但当各部门数据不协调时，往往会引发问题。
以一个负责组装订单中各种组件的运营部门为例。员工从销售部门接收订单后很快就会发现许多漏洞和错误，但是由于要完成自己的KPI，他们会尽力清理数据。我们也不能责怪销售部门，因为他们不知道数据有问题。尽管如此，运营人员依然不得不在没有接受过相关培训或支持的情况下，花费大量时间处理这些数据，而且通常面临巨大压力。一个显而易见的解决方案是减少销售部门的错误，但被困在各自孤岛中的运营人员却看不到这样的机会。
流程管理有助于打破或至少弥合这样的孤岛。它可以揭示错误及其导致的效率低下问题，鼓励改进措施，并提供系统消除错误所需的结构。
从哪开始
缺乏有力流程导向的组织可能难以起步。在这种情况下，最好先集中精力改进一两个对绩效至关重要的流程，随着组织逐渐适应流程思维，再逐步解决其他问题。我们了解的许多公司都会从订单到现金（Order-to-Cash, OTC）流程开始——这一流程涵盖了从客户下单到收款的所有步骤，这些流程对大多数公司的绩效都有重要影响，因此是流程再造的热门目标。
多年来，欧洲公司一直在管理OTC和其他跨部门流程。尽管拥有高度分散的业务部门，但西门子在订单管理和采购支付等领域创建了通用的OTC子流程。宝马已经将以往在世界各地有很大差异的生产流程，实现了标准化，现在转而专注于优化支持流程。消费品公司利洁时（Reckitt）正在通过使用流程挖掘和流程自动化来简化整个OTC流程，以改善发票、用品采购、订单履行等工作。这些公司已经将IT支持的流程管理当作了运营的重要部分。
相比之下，北美的公司通常会采取更为渐进的方法。优步（Uber）首先专注于客户服务，百事可乐专注于应收账款和应付账款流程，卡地纳健康（Cardinal Health）专注于订单管理，强生则专注于供应链。这些公司都在这样更窄范围的关注点上取得了显著进步。正如我们前面提到的，对于没有强大流程管理历史的组织来说，这是一种很好的开始方式。
现在我们将用OTC来解释AI如何适应流程管理，指导大家应用并应对难以避免的困难。
第1步 设立负责人
第一个目标是召集一个愿意并且能够对流程绩效承担端到端责任的管理者团队。这意味着要命名一位“流程负责人”来协调工作，并从相关部门招募一个“流程管理者”团队。对于OTC流程来说，团队将包括来自销售、运营、运输和财务及其他领域的人员。这些员工必须能够代表部门发声，并且维护整个组织的利益。
任命合适的流程负责人至关重要，也可能很棘手，因为大多数情况下这会是一个全新的高管职位。最理想的负责人要懂得如何在没有正式职权的情况下发挥影响力：在流程改进的工作初期，他们可能并没有太多正式职权。
还有另一个挑战：由于流程管理往往会与客户的优先事项保持一致，而日常的基层管理往往是与上级的优先事项保持一致，这里必然会有矛盾。员工不可避免地需要有人指导他们回答“时间紧迫时谁更重要，我的领导还是流程负责人？”例如，销售人员在上级的鼓励下录入买家要求10天内交货的订单，以完成销售配额，但流程负责人表示库存不足，更现实的交货日期是20天时，销售人员就会陷入两难境地。
第2步 识别客户
在启动一项计划之初，流程经理始终应该提出问题：“客户是谁？他们想要什么？他们最需要什么？我们要如何提供这些？”答案中的任何差距或不确定因素都意味着有机会从根本上重新思考流程。
最终从这一流程中获益的人员可能来自企业内部，也可能来自外部。有了OTC，企业会很容易确定主要客户，即购买产品或服务的人，他们需要按时在期望的地点收到高质量的产品或服务，以及需要管理现金的企业自身。
这里可能还有次要客户。例如，如果市场营销部门希望将公司的准时交付表现当作竞争优势来进行市场定位，那么它就可以是OTC的一部分。另一个潜在客户可能是希望降低公司碳足迹的可持续发展团队。这正是流程管理的精妙之处——它会迫使管理者确定优先级，然后使工作与之保持一致。
技术可以帮助公司收集和分析客户数据，以及客户对当前流程绩效的看法。客户关系管理系统可以提供有关客户流失、服务请求数量和客户盈利能力的见解。生成式AI系统可以分析和总结客户在来电咨询、电子邮件和社交媒体发帖中的评论，且它在这方面的能力还在不断提升。
第3步 规划现有流程
接下来，你需要开发一个描述当前情况的高级流程图，其中包括商品的物理移动以及数据的创建、流动和使用。之前这项工作是通过在白板上用便利贴表示任务来手动完成，今天的AI可以自动完成这一步。
我们发现对部门间连接口进行描述会格外有效，特别是在早期阶段。这些接口常常处于“空白地带”：它们并不明确属于任何一个部门的职责范围。正因如此，它们很可能成为延误、错误和低效率的源头。
流程挖掘是指从IT系统中提取流程数据进行建模、分析和业务优化，会用从企业系统日志文件中收集的信息来查看组织的流程运行情况，这点在这一步中也很有帮助，不过这项技术在早期的流程管理浪潮中并不可用。现在通过OTC，公司几乎可以实时了解正在进行的计算机介导任务，以及完成一笔订单、交付一个包裹和从客户处收款所需的时间。流程挖掘可以突出重新设计时应重点关注的痛点，一旦发现这些痛点，团队就可以尝试一些由技术供应商提供的通常侧重通过自动化改进较小的流程任务挖掘。
从2019年的应付账款流程开始，百事就在进行流程挖掘。从那时起，公司每年都会从该流程中节省数千小时的人力和数百万美元的核销。现在，公司正在另外9个包括OTC等广泛的端到端流程中使用流程挖掘（供应商是Celonis）。向客户发送逾期应收账款信息等活动已经在这些流程中实现了自动化。AI被用于识别有待解决的最大问题，例如百事在安装新的SAP系统时，最初的订单拒绝率高达30%。得益于AI的流程挖掘，拒绝率下降到了4%。
第4步 制定衡量标准与目标
下一步是确定和实施管理修订流程所需的衡量标准。对于OTC而言，端到端的周期时间（从下单到收到付款所需的时间）、客户满意度、数据准确性和流程效率尤为重要。公司还应确定要对现有流程进行多大程度的改进。大家在流程再造过程中往往追求10倍的改进，但随着精益六西格玛方法的出现，目标变得更加渐进。企业不应随意设定或大或小的目标，而是根据需要和潜在可能来设定目标。
分析当前流程的绩效指标也可以为推动新流程的设计和技术应用提供见解。例如，一家电信公司发现提供某类特定服务大约需要90天时间，深入研究后，公司发现实际工作时间约为10天，其余80天都花在了步骤间的等待上。更好协调工作问题后，公司节省了60天时间，这让客户更加满意，公司也更快拿到了现金。
第5步 考虑辅助工具
微软、UiPath和其他供应商销售的机器人流程自动化工具，会用机器人自动执行重复和常规性的工作流程，有助于小型流程的设计；而生成式AI和传统机器学习都可以提高大型流程的性能。例如，通过OTC，生成式AI可以起草合同，帮助客户更准确地下单，并提醒交货变化。传统机器学习则可以帮助公司优化定价、加快信贷审批、防止欺诈，并估算所需的人员编制。
其他新技术也可以这样关联起来。物联网传感器可以用于监控制造设备和预防故障，区块链可以用于跟踪供应链上的物流，传统的业务分析也可以改善整个流程的决策。
第6步 重新设计流程
重新设计工作应由跨部门团队主导，队员来自各相关部门。工作的目标不仅是制定更好的工作流程，还要确定所需的技能、技术和组织结构变化，以及合作伙伴和客户的期望。
尽管流程设计曾是一项高度劳动密集型活动，但今天的AI已经使这项工作变得更加快速高效。例如，流程管理软件的长期供应商Pega已经创建了使用生成式AI从库中提取最佳实践流程设计，并向设计团队做出推荐的工具。
德国电信（Deutsche Telekom）是德国最大的电信公司，也是Pega的客户，就使用了Pega的一种名为蓝图（Blueprint）的新工具来重建HR流程及相关支持系统。多年来，德国电信在20多个国家搭建了约800个HR流程，其复杂程度令人咋舌。起初公司是用传统设计和系统开发工具处理多个人力资源子流程，但进展缓慢。业务与信息技术部门间的误解造成了延误，而蓝图凭借简洁的沟通界面让业务专家可以用自己的语言描述流程，从而化解了这一难题。蓝图还就进行重新设计的团队可能忽略的事情提出了建议，并创建了流程模板，大大缩短了寻找解决方案和改进工作流系统所需的时间。
在蓝图的帮助下，公司已经简化了250个流程，并制定了处理其余流程的计划。员工满意度有所提高，HR也从重复任务中解脱出来，有更多时间为员工提供更优质的服务。该业务还节省了数百万欧元的程序运营和管理成本。生成式AI和业务知识的结合正在改变德国电信的流程设计方式，我们相信它在其他组织中也会产生相同效果。
我们寄予厚望的其他工具还包括基于生成式AI的图像创作功能、建筑师正在使用的生成式设计工具，以及数字孪生技术。我们预计，这些工具将帮助团队构想新的流程设计，进行模拟，并最终优化流程的设计和运行。
第7步 实施与监控
正如我们前面提到的，推出新的流程设计需要付出相当大的努力。虽然软件和基于AI的工具可以自动完成新流程中的关键任务，但员工需要培训，数据需要整合，系统需要搭建，客户需要了解情况。这一过程即便不用几年，也可能需要几个月的时间。
在实施改进的流程后，公司必须建立一种新常态，其中控制和持续改进需要占据主导地位。控制的本质是可预测性，即相信流程绩效在未来不会变糟。它是救火的对立面，而救火往往是常态。
流程挖掘也许是监控流程绩效和建立控制的唯一最有价值工具。它能发现所有流程都会出现的变化，调查并消除过大差异。例如在OTC中，公司可能使用了多个承运商进行最终交付。一个成本较低但不太可靠的承运商就会带来巨大变数。因此，作为重新设计供应链的一部分，玛氏箭牌求助了第四方物流公司，与承运商合作，监控其表现以保证可靠交付。
流程挖掘可以识别最重要、成本最高的问题。流程挖掘应该是持续不断的，因为商业中唯一确定的事情就是变化：新客户有新需求，新产品需要特殊处理，新法规需要新报告，管理库存等新技术可能会提高生产率等等。聪明的流程管理团队会保持领先地位，努力不断改进流程——哪怕是彻底重新设计过的流程。
企业采用流程管理的理由比以往任何时候都更充分，难度也更小。更好的数据、更简便易得的技术部署以及生产率的提高，三者的良性循环提升了回报，而众多新技术也使工作变得更快更容易。尽管大众对流程的关注正在褪去，但那些坚持流程管理的企业却收获颇丰。我们认为，所有公司都应该认真审视流程管理，它对认真对待AI的公司来说至关重要。
高管需要广泛思考如何将人员、数据、技术、人工智能和分析结合起来以提高绩效，而流程必须处于核心位置，毕竟组织正是通过流程来创造价值的。现在是时候让高管重新关注流程，并着手思考如何在各自部门中优化流程了。
托马斯·H. 达文波特是巴布森学院校长杰出信息技术教授，弗吉尼亚大学达顿商学院博迪百年纪念分析学教授（the Bodily Bicentennial Professor），麻省理工学院数字经济倡议项目访问学者，同时也是德勤首席数据与分析官项目高级顾问。托马斯·C.雷德曼是数据质量解决方案（Data Quality Solutions）总裁，也是《人与数据：共同改变你的业务》（People and Data: Uniting to Transform Your Business，Kogan Page出版，2023）作者。
托马斯·H. 达文波特（Thomas H. Davenport） 托马斯·C.雷德曼 （Thomas C. Redman）| 文
DeepL | 译 DeepSeek | 校 孙燕 | 编辑