高山老师：怎样把过程管理与AI有机结合？
摘要。过程管理在20世纪90年代席卷商业世界，然后失宠，如今由于人工智能（AI）的兴起，正在经历复兴。两者相互促进：AI帮助企业大规模改进过程，而管理良好的过程使得获取训练AI所需的高质量数据变得更容易。将两者结合可以产生巨大的生产力提升，但这需要大量的变革管理。本文作者概述了公司可以遵循的七个步骤，以整合人员、数据、分析和技术，特别是AI，以改进过程并实现越来越高的业务绩效。
当玛氏箭牌公司（Mars Wrigley）决定数字化其供应链时，公司在人工智能和分析能力上进行了多项投资。它为生产线构建了一个数字孪生（能够实时模拟生产运行的虚拟复制品），并将其中的数据输入到机器学习模型，用于预测产线产量，减少过量灌装和浪费。它与 “决策智能” 供应商 Aera Technology 合作，将数据可视化、预防性维护建议以及部分运营决策自动化。它还聘请了 AI 软件供应商 Kinaxis，其软件向员工提供如何平衡供需、自动处理发票，以及如何使卡车利用率提升 15% 的建议。通过这些改进，订单交付速度更快，客户服务评分也提升了几个百分点。
最近，玛氏箭牌开始构建可预测销售额的机器学习模型，以帮助工厂经理确定产量；在生产线上，它计划部署智能机器人与新的 AI 系统来提升效率与可持续性。总之，玛氏箭牌正利用 AI 在广泛的运营环节中重新构想过程管理。
过程管理本身并不复杂，其目标是搞清一系列任务如何衔接，从而产生某个特定的结果，并在此基础上进行改进。它适用于多个层面：个人或小团队所执行的工作、部门内的关键活动，乃至跨越整个企业甚至跨组织边界的端到端的过程。
如果正确运用，过程管理卓有成效。管理得更好的过程意味着更高的生产力：错误率、周期时长和低价值工作都会减少。但即使有人工智能的加持，要在大规模层面上落实过程管理依然具有挑战。AI 通常只针对单一任务或子过程，而非端到端的过程，因此企业需要串联多项 AI 用例场景，才能整体改进一个完整过程。过程管理需要极大投入的变革管理——说服利益相关方、重新培训员工，并协调许多相互关联的环节。此外，过程管理往往与传统的科层管理模式相冲突，因为它会跨部门推动效率提升。在20世纪90年代初，过程再造一度成为风潮，却因太多项目失败和盲目裁员而饱受诟病，也导致过程管理名声受损。由此可见，它一度不再受青睐，也就不难理解了。
与此同时，在推动生产力提升这一点上，AI 和其他信息技术同样让许多企业感到失望。罗伯特·索洛（Robert Solow）1987年的一句话——“计算机时代无所不在，唯独在生产力统计中不见踪影”——至今仍值得玩味。企业在数据和分析技术上投入了数万亿美元，却几乎没见到多少成效。大多数企业对 IT 项目的回报率（ROI）并无清晰数据，更遑论如何与生产力指标挂钩了。
如今，一种针对过程思维的新方法有望改变这一局面。
事实上，人们对过程的思考层出不穷（如科学管理、统计质量控制、全面质量管理、六西格玛、敏捷和精益方法等），并都曾产生过不小的影响。过程管理之所以不断有新理念涌现，证明它对于组织来说至关重要。企业总需要提高运营绩效，而管理过程是实现这一目标的可靠途径。
本文的两位作者——Tom Davenport 和 Tom Redman——都对各种过程管理方法深表赞同。Tom Davenport 在 1990 年代初期曾助力推动过程再造运动，而 Tom Redman 在其数据咨询服务中广泛运用了过程思维。通过与数百位业界领导者深入对话，我们形成了一套新的过程理念：将人员、数据、分析和技术（尤其是 AI）有机地结合起来，以增强企业绩效。
本文将概述这一新理念，并详细介绍高层领导者应采取的第一步行动。
技术与过程管理如何相互促进？
在过去，尤其是精益和六西格玛等渐进式过程改进方法中，技术支持的缺失是导致过程思维式微的一个重要原因。但近年来，新技术不断涌现，为企业变革过程管理带来更多机会，这也是我们主张企业应重新广泛采用过程管理的关键原因。
过程管理与技术是相辅相成的。新技术帮助企业大规模推广改进的过程，而在过程定义清晰、管理得当的前提下，新的 AI 算法也更容易落地并产生价值。端到端集成的过程也使得训练 AI 所需的大量高质量数据更容易获取。
良好的过程管理需要各部门采用统一的数据标准，并在企业内部自由共享数据。不过，许多部门往往不愿这样做。毕竟，这些部门往往部署了满足自身需求的系统，而不一定考虑端到端的效率。一旦部门间数据缺乏协调，就很容易出现问题。
举例来说，某运营部门负责整合各项订单组件，收到销售部门的订单后，却发现大量信息缺失或错误。运营的员工只能尽力修正这些数据，毕竟他们还有关键绩效指标（KPI）要达成。销售部门可能根本不知道自己提供的数据质量有问题。这也导致运营人员常常在毫无培训和支持、压力巨大的情形下，花费大量时间去处理他们本不该负责的工作。最明显的解决方案，就是在销售环节减少错误，但被困在各自“孤岛”的运营人员却无法看到这样的机会。
过程管理能有效打破（或至少搭建桥梁连接）这些“孤岛式”运营。它会直面并暴露错误以及由此造成的低效，推动改进，并提供结构化的方法来系统地消除错误的根源。
从何着手？
对于缺乏强大过程导向的组织而言，起步阶段可能不易。此时，不妨先聚焦一两个对组织绩效至关重要的过程，待企业逐渐熟悉过程思维后，再拓展到其他过程。我们了解到，很多企业往往从订单到收款（Order-to-Cash，简称 OTC）过程着手——这个过程涵盖从客户下单到企业收到款项的所有步骤。OTC 对多数公司的业绩影响都至关重要，也因此成为过程再造的热门目标。
欧洲企业多年来一直在管理 OTC 和其他跨职能过程。西门子（Siemens）虽然各业务单元高度分散，但还是为订单管理、采购到付款等领域建立了统一的 OTC 子过程。宝马（BMW）将过去在全球各地千差万别的大部分生产过程进行了标准化，如今又开始聚焦优化支持过程。消费品企业利洁时（Reckitt）则借助过程挖掘（Process Mining）和过程自动化技术简化整个 OTC 过程，包括发票、采购、订单履行等环节。这些企业将 IT 支持的过程管理，视为其运营模式不可或缺的一部分。
对比之下，北美企业往往更倾向采取相对渐进的方法。例如，优步（Uber）首先聚焦客户服务过程，百事公司（PepsiCo）聚焦应收应付过程，Cardinal Health 则专注于订单管理，强生（Johnson & Johnson）则从供应链着手。他们都通过在较小范围内聚焦改进而取得显著成效。正如前文所述，这对那些没有深厚过程管理积淀的企业而言，也是一种较好的起步方式。
接下来，我们将以 OTC 为例，阐释 AI 在过程管理中的应用，并指导如何应对在实施过程中不可避免会遇到的困难。
第 1 步：建立过程责任制
首先，要组建一支有意愿且有能力对过程整体绩效负责的管理团队，即指定一位“过程负责人”（Process Owner）来统筹整个端到端过程的工作，并邀请各相关部门的“过程管理者”（Process Managers）加入团队。对于 OTC 来说，团队成员通常来自销售、运营、发货和财务部门，其他部门也可能参与。这些人员既要能代表本部门，也要能为整个组织的利益着想。
选对“过程负责人”十分关键。但这往往并不容易，因为在大多数组织里，这是一个全新的高级管理角色。胜任者需要有在没有正式职权的情况下行使影响力的能力；尤其在过程管理初期，正式职权可能并不充分。
过程管理还面临另一个难题：它更注重满足客户的优先事项，而日常的直线管理往往更关注上级领导的要求，两者之间难免会有冲突。员工会经常纠结于“时间有限时，到底该听老板的，还是该听过程负责人的？” 例如，销售人员也许为了完成销售目标，在上级的推动下接受了客户 10 天内交货的要求，但过程负责人从库存状况出发，认为 20 天才更现实。销售人员在这种矛盾中会非常棘手。
第 2 步：识别过程的客户
在一个过程变革项目伊始，“过程管理者”们一定要问：“谁是过程的客户？他们想要什么，最需要什么？我们该如何交付？” 如果对这些问题的回答存在差距或模糊，那就是颠覆性改进的机会。
在 OTC 过程里，主要客户显而易见：
- 外部客户：需要购买产品或服务，并希望准时收到高质量的货物；
- 企业自身：需要合理地回款管理。
此外也可能存在次要客户。比如，市场部可能是 OTC 过程的一个“客户”，因为它希望能够将“按时交付”的优势用作产品差异化的卖点。又如，一个希望降低碳排放的可持续发展团队也可能作为次要客户登场。这正是过程管理的魅力之一——它逼着管理者明确优先级，然后将所有工作与这些优先级对齐。
在获取并分析客户数据、了解客户对过程现有表现的评价方面，技术大有可为。例如，CRM（客户关系管理）系统能提供客户流失率、服务请求数量以及客户盈利能力等洞察；生成式 AI（Generative AI）能对客户来电、电子邮件与社交媒体评论进行整理、总结，而且这一能力还在不断提升。
第 3 步：描绘现有过程
接下来，需要为现行过程绘制一个宏观的过程图，包括实物如何流动、数据如何产生、传递和使用等。过去常用便利贴在白板上手动完成，但现在可以借助 AI 来自动化完成这项工作。
我们发现，部门之间接口的描述尤其有用，尤其在初期阶段。这些接口往往处在各部门的“空白地带”，没有哪家部门明确负责，于是就成了过程延误、错误与低效的高发区。
此时，过程挖掘技术（Process Mining）也能带来巨大帮助。该技术可从企业系统日志文件中提取过程数据，进行建模、分析与优化。在 OTC 环节中，企业可以几乎实时看到哪些计算机介导的任务正在执行、从下单到交付再到收款花了多长时间。过程挖掘能够突出那些最痛苦的环节，帮助团队将再设计的重点对准它们。然后团队可以利用一些厂商提供的“任务挖掘”（Task Mining）技术，更多地针对局部小过程进行自动化。
案例：百事公司的过程挖掘实践
百事公司从 2019 年开始在其应付账款过程中应用过程挖掘。从那时起，每年都省下数千小时的人力，并减少了数百万美元的坏账核销。如今，百事在更多过程上（多达 9 个），包括端到端的 OTC 过程，都使用 Celonis 的过程挖掘技术。与此同时，在这些过程中，一些活动也得到了自动化处理，例如向逾期应收账款的客户发送消息。AI 帮助百事发现了最大的改进机会，例如百事在新上线 SAP 系统初期，订单拒收率高达 30%。在应用基于 AI 的过程挖掘后，拒收率降至 4%。
第 4 步：设定过程绩效指标与目标
下一步需要定义并部署衡量改进后过程所需的指标。对于 OTC，端到端周期（从下单到收款所需时长）、客户满意度、数据准确率以及过程效率是关键的指标。企业还要确定要在现有过程基础上改进到何种程度。过程再造运动兴起时，经常会提出把绩效提升 10 倍的目标；而精益和六西格玛时代则偏向渐进式改进。我们建议企业不要盲目制定“大”或“小”目标，而是基于实际需要和可行性来制定。
对现有过程绩效指标的深入分析也能为新过程设计及所需技术提供启示。比如，有一家电信公司，发现为客户交付某项业务的周期大约为 90 天，但真正的“干活”时间其实只有 10 天，其余 80 天都浪费在等待和空档上。当这家公司反思如何更好地衔接各环节后，成功将周期缩短了 60 天，大幅提升了客户满意度并加速了回款。
第 5 步：评估可能的技术支持
在设计新过程时，常见的工具包括机器人过程自动化（RPA），如微软、UiPath 等供应商的解决方案，可以用软件机器人来完成重复、常规的工作；对更大型的过程，可以利用生成式 AI（如 ChatGPT 等）和传统的机器学习方法。以 OTC 为例，生成式 AI 可以用于起草合同、帮助客户更精准地下订单、或在发货变更时及时提醒客户；传统机器学习则可优化定价、加速信用审批、防范欺诈以及预测所需人力。
其他技术也可能派上用场：物联网（IoT）传感器可用于监测生产设备并及时维护；区块链可追踪供应链中的货物流动；传统的数据分析工具也能在过程各处改善决策。
第 6 步：重新设计过程
过程再造应由跨职能团队牵头，包括过程所涉各部门的成员。其目标不仅是绘制更优的过程图，还要同时识别新的技能需求、技术需求、组织结构调整需求，以及合作伙伴及客户的期望。
在以往，过程设计是一项相当人力密集的工作，而现在 AI 显著提升了效率。例如，老牌过程管理软件供应商 Pega 就推出了基于生成式 AI 的工具，可从其最佳实践过程库中调取过程设计原型，并向设计团队提供建议。
案例：德国电信的 HR 过程再造
德国电信（Deutsche Telekom）是德国最大的电信公司，其 HR 团队多年来在全球 20 多个国家共累积了 800 个过程，复杂度极高。公司此前一直用传统的方法对许多子过程进行改造，但进展缓慢，业务部门与 IT 部门间的沟通不畅频频导致延误。后来，公司使用 Pega 的新工具 Blueprint 来重建 HR 过程及支持系统。
Blueprint 通过一个简单的沟通界面，让业务专家能够用自然语言描述过程，并根据其内置的提示功能自动发现遗漏，并基于过程模板极大地缩短了设计和系统改进的周期。借助 Blueprint，德国电信已精简了 250 个过程，后续还计划改进余下过程。员工满意度随之提升，HR 人员也摆脱了大量重复性工作，能为员工提供更优质的服务。企业还在应用运营和管理成本上节省了数百万欧元。总之，在德国电信，生成式 AI 与业务专长的结合，正在彻底改变过程设计的方式，而我们相信在其他组织也会出现同样的变化。
我们同样对其他一些工具寄予厚望，比如生成式 AI 生成图像的能力、在建筑领域已广泛使用的“生成式设计”工具，以及数字孪生技术。我们预计，这些技术都能帮助团队更好地设想新过程，模拟运行效果，并在未来实现自动优化过程设计和运行。
第 7 步：实施并监控过程
正如之前所说，将新过程落地需要大量工作投入。虽然软件与 AI 工具可以自动化新的过程任务，但还需给员工提供培训，整合数据，搭建系统，并与客户充分沟通。执行落地可能耗时数月，但不应拖到数年。
在新过程上线后，企业必须让“控制”（Control）与“持续改进”（Continuous Improvement）成为新的常态。控制的本质在于过程绩效的可预测性——让管理层确信过程不会再次退化到需要“救火”的地步；然而在许多企业，“救火”才是常态。
过程挖掘或许是监控过程绩效并实现稳定控制的最有价值工具之一。它能揭示过程必然存在的各种“变异”（Variation），从而帮助企业识别并消除过大的波动。例如，OTC 环节中，企业可能会使用多家承运商来完成最后的交货。如果其中一家较便宜但不稳定，就会极大增加过程中的变异。因此，玛氏箭牌在其供应链再造项目中，专门聘请了第四方物流供应商来与各承运方协作，监控其表现，确保交付的稳定可靠。
过程挖掘还能帮助我们识别最重要、最昂贵的问题，并持续检测。毕竟，商业世界唯一不变的就是变化：新客户有新需求，新产品需要新过程，新法规需要新报表，新技术（比如库存管理的新模式）或许能带来更高生产力等等。优秀的过程管理团队会提前预判这些变化，努力确保已重构的过程也能不断得到改进。
综上所述，如今企业实施过程管理的理由更加充分，而实施难度比以往更低。更好的数据、技术部署的便利性与由此带来的生产力提升，形成了一个良性循环。与此同时，大量新技术也使得过程管理工作的效率明显提升。虽然过程管理已经从聚光灯下淡出，但那些始终坚持它的企业却一直在收获丰厚回报。我们相信，所有企业都应重新认真审视过程管理，而对于那些“真心实意”想在 AI 领域投入的企业，更是不可或缺。
高层领导需要对“人、数据、技术、AI 与分析如何融合提升企业绩效”进行全局思考，而过程应该处在这一思考的核心。毕竟，组织正是通过过程来交付价值的。是时候让高层管理者重新重视过程，着手在各自部门中改善过程了。
本文英文原始版本刊于《哈佛商业评论》2025年1–2月刊。
作者简介
- Thomas H. Davenport：巴布森学院（Babson College）总统特聘信息技术教授，弗吉尼亚大学达登商学院（UVA’s Darden School of Business）Bodily Bicentennial 分析学讲席教授，麻省理工学院数字经济倡议（MIT Initiative on the Digital Economy）的访问学者，同时也是德勤首席数据与分析官项目（Deloitte’s Chief Data and Analytics Officer Program）的高级顾问。
- Thomas C. Redman：Data Quality Solutions 总裁，《人与数据：协力转型您的业务》（《People and Data: Uniting to Transform Your Business》，Kogan Page，2023年版）一书的作者。
