文/王吉伟
生成式AI对各领域有很大影响，一个方面在于它改变了很多固有业务的工作流。工作流（Workflow）是业务流程的一种实现方式，一个业务流程往往包含多个工作流范式以及相关的数据、组织和系统。因此，提及工作流必然离不开业务流程。业务流程（Business Process），是为达到特定价值目标而由不同的人分别共同完成的一系列活动，是企业用来实现目标的可重复步骤集合。使用业务流程，可以帮助组织提高客户满意度和提高对快速市场变化做出反应的敏捷性。随着业务规模的不断壮大，组织的业务流程往往变得过于庞大和复杂。这时就需要自动化工具的帮助和管理，由此诞生了业务流程管理（BPM，Business Process Management）这种流程管理方法论。BPM是一种结构化方法，用于改进组织用于完成工作、服务客户和产生业务价值的流程。它使用各种方法来改进业务流程，包括分析业务流程、对业务流程在不同场景中的工作方式进行建模、实施更改、监视新流程等，并不断提高其推动所需业务成果和结果的能力。用以支持自动改进业务流程并支持组织大规模业务变更的业务流程管理软件，被称作BPM软件、套件或系统（BPMS，Business Process Management SoftwareSuiteSystem），它是不同类型的技术的集合，包括流程挖掘工具、用于绘制业务流程图的BPMN工具、工作流引擎及模拟和测试工具等。近年来，随着AI等技术的进一步发展，新型技术被引入和集成到BPM软件中，BPMS也进化成了智能BPMS（IBPMS，此概念由研究公司Gartner创造），并将低无代码 （LCNC，Low Code No Code）及RPA等技术纳入其中。此外，还发展出了用于分析业务流程及操作工作流中各个步骤的新一代流程智能（Process Intelligence），以帮助组织识别流程瓶颈并提高运营效率。随着市场需求的进一步扩大，最近几年AI等技术已在深度影响BPM，这些技术为发现、设计、测量、改进和自动化工作流提供了新的方法。而在今年大语言模型（LLM，Large language Models ）爆发后，BPM又在积极引入生成式AI技术以及基于大语言模型进行各种探索与演化。BPM遇到生成式AI发生了什么变化？生成式AI为行业带来了哪些影响？大语言模型时代的BPM又该是怎样的？本文，王吉伟频道就跟大家聊聊这些。
生成式AI带来的BPM范式转变
竞争日益激烈的现代商业世界中，BPM和流程智能是决定公司成功成败的重要组成部分。BPM主要涉及现有业务流程的识别、设计、执行、文档和监视，它旨在使这些流程尽可能有效和高效，常用的工具和方法包括六西格玛、精益管理和BPMN（业务流程模型和表示法）。流程智能可以看作是BPM的分析大脑，如果说BPM担当“怎么做”，流程智能就担任了“怎么知道”。它涉及了仔细检查大量过程数据，以收集可以导致智能决策的见解。传统的流程智能方法依赖于手动审核、数据分析和专用软件来可视化和评估过程效率。而AI技术的应用，特别是生成式AI，重新定义了这些领域的基础，为BPM带来了范式转变。生成式AI是人工智能的延伸，专注于创建新的数据模型、自动化工作流程，甚至预测算法。这项技术以神经网络和机器学习算法为基础，颠覆了传统的BPM和流程智能技术。传统BPM和流程智能方法是手动、线性和孤立的，生成式AI则提供了自动化、高度自适应和集成系统的可能性，这些系统可以随着时间的推移而学习和发展。在BPM中，生成式AI可以在几秒钟内自动模拟数千个流程路径，以确定最高效和最有效的路径。这与精益或六西格玛等传统方法形成鲜明对比，后者可能需要数周或数月才能产生优化结果。麦肯锡的一项研究表示，将生成式AI集成到BPM实践的公司，运营成本降低了多达20%。在流程智能领域，生成式AI也取得了重大进展。数据分析，通常涉及数据科学家手动制定要分析的假设和模型。生成式AI可以根据现有数据自动生成这些模型，从而减少分析所需的时间和人为错误。Forreste的一份报告表明，使用AI增强型流程智能的组织在识别流程方面比传统方法快50%。因此，生成式AI不只是添加到现有BPM和流程智能库中的工具，更改变了人们理解、分析和实施业务流程的方式，代表了一次重大的范式转变。借助生成式AI，组织将获得植根于自适应智能和无与伦比的效率的竞争优势。
基于价值链的生成式AI流程应用
以往我们分析生成式AI的对业务流程的影响，主要探索技术对某些业务场景的变革，这是一种节点式的观察。如果我们把这些节点缩小，将目光整体放到企业价值链上，就会有更多的发现。企业价值链是以企业内部价值活动为核心所形成的价值链体系，它由一系列为顾客制造价值的活动和功能组成，能够展示企业的设计、生产、营销、运输等为顾客创造价值的一系列活动、功能以及业务流程之间的连接情况。探索生成式AI如何影响企业价值链，能够了解其对企业经营更深层次意义。我们可以从端到端业务流程入手，构建一个价值链生成式AI应用示意图，并在上面重点标注重复模式的子流程和任务，这些标注的业务流程可以视作应用生成式AI的重要指标。当标注工作完成后，可以将这些已标注流程大概分为三种类型。第一种类型，与生成式AI增强客户数字体验的潜力有关。这是通过使用自然语言与软件交互、客户支持自动化和信息对话检索来实现的。第二种类型，涉及生成式AI协助业务流程和知识管理的内容创建带来的潜在好处。这些业务流程一般会通过生成流程模型定义（比如重新设计招聘流程等）、在业务流程上下文中生成实际内容（比如自动创建的职位描述等）以及详细阐述文档和数据（比如总结客户支持交互等）来实现。第三种类型，与生成式AI提高专业和公民开发人员的速度和有效性的能力有关。这些业务流程，是通过从自然语言生成代码、代码自动完成和自动生成文档来实现的。需要说明的是，对于适合应用生成AI的任务，关键在于分析任务中所涉及业务角色的“当天生命周期”，可以更清晰地了解当前任务进行的细节、差距、问题以及更广泛的背景。比如分析物流小哥一天中的业务，如果他们的任务从手动输入送货单转变为通过人工智能处理的简单地验证送货单，将会大幅加快送货单的处理时间。这种方法，也可以称作业务驱动的生成式AI应用。用业务驱动的方法来识别业务流程中生成式AI的应用领域，可以为企业带来宝贵的见解和机会。而通过分析端到端业务流程并创建重复模式的热图，组织可以确定有效利用生成式AI 的业务流程位置。
生成式AI对业务流程的增变量
大家都清楚，应用程序方案应该链接到明确的业务目标和组织范围。一旦建立生成式AI在业务流中的应用关系，就可以设计与构建业务流程了。这其中，有一些步骤将基于常规与规则的业务逻辑，从企业应用程序和其他来源检索数据；还有一些步骤，将是可以被AI功能取代的任务。除了流程工作流之外，还需要设计用户体验和利用现有数据和潜在新数据的方法。例如，可以考虑从企业系统中检索有关作业配置文件的一些数据，使用该数据构建生成式AI服务的输入以生成建议的作业配置文件描述，然后将其存储在同一个企业系统中。这里有一个加快生成式AI业务方案设计的方法，就是将融合AI技术的业务流程视为构建各种功能模块，将AI功能与常规业务逻辑相结合。这些功能构建块可以包括文本摘要、翻译、情绪分析、问题和答案、图像编辑、文本到图像生成等功能。例如，在客户满意度分析流程的上下文中，可以使用摘要AI功能来查看社交媒体帖子和其他数据源，然后应用情绪分析AI功能来生成验证记录的净推荐值分数的输出。采用这种将AI功能和业务逻辑相结合的机制，业务解决方案将会演变为两类：增量和变革。增量解决方案用以优化现有流程或产品以提高盈利能力，变革性解决方案则引入了从根本上重塑业务运营或行业的突破性方法。来看两个例子。使用生成AI的增量解决方案的例子，可以聚焦用于营销目的的内容生成，它可以让企业无需再花费数小时为社交媒体、博客文章或时事通讯创建引人入胜的内容。借助生成式AI根据特定参数快速起草或建议内容，可以节省时间和资源，提高效率并降低成本。变革性的解决方案案例，可以看看人工智能驱动的个性化教育平台。与标准课程不同，人工智能平台可以根据每个学生的表现和兴趣定制学习材料，从业务流程上彻底改变教育架构。当然，选择增量还是变革性解决方案，很大程度上取决于企业的特定需求、能力和战略愿景，需要组织结合自身业务属性与适配资源因地制宜。
业务驱动生成式AI的优势
将生成式AI集成到BPM和流程智能中，不仅仅是增量和变革，它还代表了组织如何管理、优化和创新其运营的巨大转变。这些转变，主要表现在以下几个方面：流程优化：生成式AI可以模拟许多流程路径，使企业能够确定最有效的路线。比如通过人工智能生成的模拟，将订单到现金的周期时间缩短多达15%变得可行。工作流程自动化：能够创建新的自动化工作流程的人工智能算法可以增强客户服务运营，如自动工单等流程，可将时间缩短25%。资源分配：该技术可实现动态资源分配，例如实时调整制造计划，从而将停机时间减少10%。增强的数据分析：生成式AI可以创建新的数据模型或假设，从而获得更好的见解。一个引人注目的案例是预测性维护模型，该模型将工厂停机时间减少了多达20%。决策支持：由生成式A1提供支持的高级决策支持系统(DSS)可以改善战略规划。数据显示，情景规划模型将市场进入成功率提高了18%。实时智能：该技术允许实时报告和洞察，例如将物流成本降低12%的供应链仪表板。挑战和解决方案：虽然该技术具有变革性，但其成功实施需要应对各种挑战，包括数据隐私、技术要求和变更管理。当然，其中的大部分挑战都可以通过战略规划及框架、技术补齐来克服。
从FM到LLM
2021年，斯坦福大学的研究人员首次提到了基础模型（FM，Foundation Models），以总结机器学习模型的新水平，与迁移学习的概念密切相关。他们将基础模型定义为一种在大量原始数据基础上通过无监督学习训练而成的AI神经网络，可适应各种任务，并把transformer模型、大型语言模型和其他仍在构建的神经网络都归入到这个被他们称之为基础模型的重要新类别中。基础模型是在广
