第12章
解构工作流程

在信息技术革命当中，企业问：“我们应该怎样在业务中贯彻计算机的应用？”对一部分企业来说，答案很简单：“找到要做计算的地方，用计算机代替人；计算机更快、更好、更廉价。”但对其他企业而言，答案就没这么一目了然了。尽管如此，它们还是做了实验。但是这些实验的成果需要时间来呈现。诺贝尔经济学奖得主罗伯特·索洛（Robert Solow）感慨道：“你到处都能感受到计算机时代，除了在生产力数据方面。”

伴随这一挑战，出现了一场名为“工程再造”（reengineering）的有趣的商业运动。1993年，迈克尔·哈默（Michael Hammer）和詹姆斯·尚皮（James Champy）在《再造企业》（Reengineering the Corporation）一书中指出，为使用计算机这一多用途的新技术，企业需要从整个流程中退后一步，并勾勒出自己想要实现的目标。接下来，企业需要研究工作流程，确定实现目标所需的任务，最后再考虑计算机在这些任务中能否发挥作用。

哈默和尚皮最喜欢的一个例子是福特公司20世纪80年代所面临的困境。他们在制造汽车上没问题，但在付款方面很成问题。在北美，福特公司负责应付账款的部门雇用了500人，希望通过花大价钱采购计算机将这个数目削减20%。只留400名员工在该部门并非不切实际，毕竟，其竞争对手马自达公司就只有5名员工负责应付账款事宜。当时，即20世纪80年代，许多人震惊于日本工人的生产效率，哪怕不是管理专家，也能看出事情存在很大的改进空间。

为了实现更好的业绩，福特公司的经理们必须退后一步，观察采购的整个过程。从签好一笔采购订单到实际核准采购某物期间，很多人得参与其中。只要有一个人花了很长时间完成任务，整个系统的速度就会放慢。毫不奇怪，一些采购会很棘手，例如有人不得不重新调整订单。必须有一个人来完成这项任务。因此，哪怕只有一小部分订单出了问题，这个人也得耗费大量时间来解决这些问题。这就使得每一笔订单都得按照最棘手的订单的速度来完成。

这就带来了可供计算机大展手脚的空间。计算机不仅可以减少系统失调的概率，还可以把棘手的订单筛选出来，让更容易的订单以合理的速度完成。等到新系统就绪，福特公司的应付账款部门缩小了75%，整个流程快多了，也准确多了。

并非所有的工程再造案例都跟裁员相关，虽然遗憾的是，许多人一开始就会想到它。更宽泛地说，工程再造能够提高服务质量。另一个案例来自互惠人寿保险公司。该公司发现，在处理申请的过程中，5个部门的19个人花了30个不同的步骤。如果你带着一份标准的申请文书来走这栋迷宫，实际上你可以一天就完成。但处理一份申请往往要花5到25天。为什么呢？交接时间。更糟糕的是，各种各样其他的低效因素也会逐渐卡在那个移动缓慢的目标上。背靠企业计算机系统的共享数据库再一次改进了决策，减少了处理时间，显著提高了生产率。到最后，一份申请只需要一个人的权限就够了，处理时间缩短到了4小时至几天之间。

像传统计算机一样，人工智能是一种多用途技术。它有着影响所有决策的潜力，因为预测是制定决策的关键输入。因此，只是在一个问题或现有流程上“洒点人工智能”，管理者是不可能实现生产力的大幅提升的。相反，人工智能是一种需要（像哈默和尚皮那样）重新思考流程的技术。

企业已经展开了分析，将工作流程分解成一项项任务。高盛公司的首席财务官R.马丁·查维斯（R.Martin Chavez）表示，首次公开募股流程中有146项不同的任务，许多都“亟待自动化”。这146项任务里有不少都是对决策的预测，人工智能可显著提高这一进度。如果有人要撰写10年后高盛的转型，故事的重头戏一定是人工智能的崛起怎样在转型中发挥了重要作用。

人工智能是通过工具的开发得以实际贯彻的。人工智能工具设计的单位不是“工作”“职业”或“策略”，而是“任务”。任务是决策的集合（如第二部分中的图7-1及分析），决策以预测和判断为基础，依靠数据获得信息。任务中的决策往往有着这些共同元素，它们之间的区别在于其后的动作。（见图12-1）

有时我们能够将一项任务内的所有决策自动化。又或者，随着预测的提升，我们可以把任务中残留的尚未自动化的任务进行自动化。预测机器的崛起激发了人们的思考：怎样对工作流程重新设计并使其自动化，从此类任务中有效地剥离人类。但仅有更好、更廉价的预测还不能带来完全的自动化，采用预测机器还必须提高机器在任务的其他方面所带来的回报。否则，你会希望人类决策者与预测机器协同工作。

人工智能工具对工作流程的影响

颠覆性创新实验室在帮助科技公司成长的过程中不断发展壮大，如今已入驻150多家人工智能公司。每家公司都专注于开发一种人工智能工具，以解决特定工作流程中的特定任务。一家初创公司预测文件中最重要的段落并高亮标出。另一家预测生产瑕疵并打上标记。还有一家预测恰当的客户应答和查询答案。这样的例子不胜枚举。大公司正在应用数百甚至上千种不同的人工智能工具，以提升工作流程中各项任务的执行效率。事实上，谷歌正在开发1000多种不同的人工智能工具，帮忙执行从发送电子邮件到翻译，再到驾驶等范围极广的任务。

对许多企业而言，预测机器将产生影响力，只不过是以渐进的、几乎不起眼的方式，就跟人工智能给你手机上许多照相软件带来的改善差不多。它对照片做了有益的筛选，但不会从根本上改变你使用软件的方式。

但是，你阅读本书，很可能是因为你有意了解人工智能将怎样给你的企业带来根本性的变化。人工智能工具可以通过两种方式改变工作流程。首先，它们可以淘汰任务，将之从工作流程中移除。其次，它们可以添加新的任务。这将视企业和工作流程而定。

以MBA课程的招生问题为例。这个流程我们非常熟悉。你或许也充当过甲方或乙方，经历过类似的招生（也可能是招聘员工或签约客户）流程。MBA的招生工作流程以一群申请人开始，到这群人中的一部分获得了录取书，并答应到学校就读时结束。它大致分为三个部分：（1）一个能体现如何吸收更多申请者的销售漏斗；（2）一套斟酌录取哪些人的流程；（3）进一步鼓励被录取者答应就读的步骤。每个部分都涉及重要的资源分配。

显然，任何此类招生任一环节的目标都是获得一个班级中的优等生。然而，什么是“优等”，这是个很复杂的问题，它关系到学校的战略目标。就此刻的讨论而言，我们先不管“优等”的不同定义对人工智能工具的设计会有什么影响（当然有影响），也不管它对工作流程中的任务有什么影响，只简单地假定，“优等”对组织有什么意义，学校有着明确的定义。也就是说，在相关的应用程序里，学校可以按“优等”的条件对学生排序（当然要费上些工夫）。在实践中，招生工作流程的中间步骤（选择哪些申请人发出录取书）涉及一些重要决策：在录取过程中，录取书应该早些发出，还是迟些发出；录取书是否附带经济上的奖励或帮助？这些决策不仅仅锁定了优等生，也是预测让最佳候选人接受录取邀约（这件事，发生在工作流程靠后的阶段）的最有效的方法。

当前的排名应用系统只包括了粗略的评估。候选生源通常会按a、b、c三类来排名；a等学生应该录取；如果a等学生拒绝学校的邀约，就录取b等学生；c等学生完全不该录取。这反过来带来了风险管理的需求，以对有可能提高失误率的行为进行利弊权衡。比方说，你不希望，由于应用程序里某个不明显的原因，就把某个本该属于a等学生的人放到c等或者b等里。同样，你也不希望把某个在排序列表中位置较低的人划分成a等。由于应用程序是多维度的，把候选学生放到哪一类里进行评估，混合了多种主客观条件。

假设MBA项目开发了一种人工智能工具，它可以既纳入申请材料又能获取申请人的其他信息（比如人们常常提交的面试视频，以及社交媒体上张贴的公开信息等），将往届申请人的申请材料和额外信息转化为其在候选排名中的得分，利用这些往年的数据对人工智能工具进行训练，以此呈现所有申请人的高低名次。这种人工智能工具会让筛选出发出录取书的申请人这一过程变得更快速、更廉价、更准确。关键问题是：这样一种神奇的预测技术，对MBA招生流程的其余部分有什么样的影响呢？

我们假设的这一给申请人排名技术生成了预测，告诉我们哪些申请人有可能是优等生，这将影响整个工作流程里的决策。这就包括提前录取（或许先于其他学校的录取工作）、经济奖励（奖学金）和特别关注（与教职工或著名校友共进午餐等）。这些决策都需要权衡，并且涉及稀缺资源。从合意度上说，拥有一份更准确的候选人名单能改变什么人将获得这些资源。此外，对那些我们更有把握成为优等生的候选人，我们可能愿意花更多的钱对其提供经济奖励。

学校在收到就读申请之前所做的决定或许会更受预测排名的影响。许多学校都知道，一方面，他们想要收到更多的就读申请，但如果收到的申请太多，就要面临评估和排名的问题。我们的预测机器大大降低了完成此类排名的成本。因此，它提升了找更多申请人进行排名的回报。如果相关技术也可以评估申请人的态度是否诚恳（既然这是一种神奇的技术，为什么不这么做呢？），那就更是这么回事了。于是，学校或许会扩大申请人的范围。他们可能会将申请费用降为零，因为通过应用程序进行排名很容易，接收更多的就读申请没有实际成本。

最后，工作流程上或许会出现更为根本性的变化。有了这样的排名，学校可以缩短提交申请和发出录取书之间的时间。如果排名足够好，可能眨眼的工夫即可完成，这将显著改变整个工作流程的时间安排，以及顶尖MBA候选人之间的竞争动态。

这款人工智能工具是虚构出来的，但本例旨在说明，在工作流程的任务环节投入人工智能工具，既可能消除任务（比如对申请人进行人工排名），也可能增加任务（比如进行大范围的招生宣传）。当然，每一家企业会有不同的结果，但通过分解工作流程，企业可以评估预测机器是否有可能突破它起初被设计出来要做的单个决策。

人工智能工具怎样为iPhone键盘提供技术支持

在一个特定的层面上，较之你个人电脑上使用的键盘，智能手机上的键盘跟最初的机械打字机反倒有更多的共同点。如果你足够年长，用过机械打字机，你大概记得，如果打字太快，机器会卡住。出于这个原因，键盘有了人们熟悉的QWERTY布局；这一设计标准限制了两个相邻键撞到一起（这是老式机械打字机卡死的原因）的可能性。但有了这一功能，就连打字速度最快的打字员也会被放慢速度。

就算导致麻烦的机械问题已经不存在了，QWERTY设计仍延续了下来。苹果工程师设计iPhone时，争论过是否要放弃QWERTY布局。可从熟悉感考虑，他们最终还是保留了它。毕竟，他们当时最强劲的竞争对手黑莓手机自带QWERTY实体键盘，它表现极佳，打起来啪啪作响，叫人上瘾。

iPhone上“最重大的科学项目”是软键盘。但是直到2006年（iPhone于2007年推出），键盘的表现都非常糟糕。它不仅不能跟黑莓一较高下，还极其难用，没人用它来发短信，更别说写电子邮件了。问题出在，为了适应4.7英寸的液晶显示屏，每个键都被设计得很小。这意味着你很容易敲错。于是，许多苹果工程师拿出了放弃QWERTY键盘的设计方案。

只剩三周时间寻找解决方案时——如果找不到办法，整个项目都会流产——iPhone的每一名软件开发人员都获得了自由探索出路的权限。三周快结束的时候，他们拿出了一种像是小型QWERTY键盘的东西，只是做了很大的调整。尽管用户看到的图形没有改变，可打字时，一组特定键的表面区域会放大。当你输入“t”的时候，下一个字母很可能是“h”，因此“h”键所在的区域会放大。输入“h”之后，“e”和“i”又会相应放大，以此类推。

这是人工智能工具在工作中发挥的作用。苹果公司的工程师使用了2006年的机器学习方法来建构预测算法（基本上领先于其他任何人），让键的大小随着人输入的字母而变化。你如今看到的文本自动修订功能也来自这一技术源流。但从根本上说，这么做能生效原因还是在于QWERTY的分布。这种键盘布局能保证你不会误按相邻键，这才使得智能手机上的键能在必要时放大，因为下一个键与你才敲击过的键相邻的概率很低。

苹果工程师在开发iPhone时，精确地理解了键盘使用涉及的工作流程。用户必须找到某个按键，点击它，然后转到下一个按键。分解这一工作流程后，他们意识到，键不一定非得被人们找准然后点击。更重要的是，预测能够解决用户接下来要前往哪里的问题。理解工作流程对弄清怎样最好地部署人工智能至关重要。这对所有工作流程都成立。

本章要点

※人工智能工具是定点解决方案。每一种工具都能生成一种特定的预测，按照设计，大多数工具只执行一项特定的任务。许多人工智能初创公司都是围绕一种人工智能工具成立的。

※大企业是由将输入转化为输出的工作流程组成。工作流程由任务构成（例如，高盛的首次公开募股是一道由146项不同任务构成的工作流程）。在决定如何贯彻人工智能时，公司会把工作流程分解为任务，预估投资回报率，以确定是开发人工智能还是购买人工智能来执行每一项任务，并按投资回报率对人工智能进行排序，接着从清单的最顶端开始，一路朝下走。有时候，公司可以简单地在工作流程里安插一套人工智能工具，提高该任务的生产效率而实现直接收益。然而，大多数情况并非如此简单，需要重新思考应用人工智能工具带来的真正益处，或对整个工作流程进行“工程再造”。因此，与个人计算机革命类似，在许多主流企业，人工智能带来的生产力收益要过些时间才看得出来。

※为了说明人工智能对工作流程的潜在影响，我们描述了一款虚构的人工智能工具，它能预测所有MBA申请人的排名。为了从这台预测机器中获得全部好处，学校必须重新设计其工作流程。这就需要把人工排序的任务取消，并且扩大该MBA课程的营销范围，因为人工智能会提高申请人范围扩大所带来的回报（对什么人能成功做出更好的预测，降低评估申请人的成本）。学校将修改奖励举措（如奖学金和经济补助），并提高潜在优等生的入学率。最后，学校还会调整工作流程的其他环节，善加利用能提供即时的录取决策所带来的优势。