摘要：人工智能已经在某些领域的流程改进中得到应用，包括生成式人工智能在内的这种技术的使用有望不断增长。这是因为它能够更快速、更经济地执行任务。但它永远无法完全取代人类，这也带来了管理上的挑战。

大部分制造和服务运营以会以某种方式重复，这为生产、实验、学习和持续改进流程提供了机会。直至今日，改善这些流程的方法仍是由内部改进专家或是外部咨询顾问执行的。但这种情况正在迅速改变，这要归功于包括生成式人工智能在内的AI工具，它们能够比单靠人类更快速、更经济地执行任务。

两种成熟的方法

改善流程的传统方法是精益和六西格玛。精益起源于丰田，通过不断消除从客户视角看来没有价值的活动（“浪费”）来改善流程。六西格玛则起源于摩托罗拉（后来由GE推广），通过减少流程中的变异（“缺陷”）来改善流程。精益和六西格玛在质量工作上有共同的奠基者，如W. Edwards Deming等人的工作；这两套方法论共享许多工具，结合使用既可以消除浪费，也可以减少变异，因此通常被称为“精益六西格玛”。

精益六西格玛的核心是确定问题的根本原因、设计解决方案并确保改进结果有效落地和长效维持。这是流程改进专家—“黑带Black Belt”所擅长的领域，他们协同企业高层分解战略，识别改进项目并指导实施。人工智能已经在重复性操作的各个方面证明了其价值，然而普遍的看法是：流程改进是一项需要情境意识和具备创造性的任务，因此必须由人类专家完成。

这种观念似乎日益过时：越来越多的企业已经将AI作为流程改进的一部分纳入其信息系统。例如，Johnson&Johnson 就拥有雄心勃勃的“Intelligent Automation 智能自动化”计划，该计划应用自动化和AI工具来自动化流程并提高员工的生产率，已经为公司节省了五亿美元的成本。Voya Financial 也将传统流程改进与AI和自动化工具相结合。关键问题不在于AI是否可以自动化改进流程，而在于AI可以在多大程度上自动化改进流程。

AI如何帮助

让我们来看看精益六西格玛经常使用的DMAIC（即“定义-测量-分析-改进-控制”）流程：我们发现AI已经被用来增强改进项目的所有阶段——尽管在各个阶段的程度有所不同。

在定义阶段，通过input、tasks和output来绘制和定义流程。AI可以通过两种方式来训练以理解流程。一种方法是使用公司 ERP 系统等常用IT系统生成的物料、信息和财务流的数字记录。另一种方法是使用流程挖掘技术来收集系统和应用程序中的数据，以揭示流程的工作方式，AI可以通过提取数据中看到的重复模式来识别常见流程及其各个步骤。例如，Siemens, BMW 和 Merck 等公司已经在整个流程的大规模改进中使用了流程挖掘。

测量阶段涉及测量现状流程的性能水平以建立改进基准。可以通过许多方式来进行：例如，通过物联网（IoT）设备、条形码、RFID设备和捕捉流程中实物状态、将它们实际水平与设定标准相比较或获取相关影像资料。基于深度学习的AI系统可以被训练来分类难以通过人类识别的缺陷。例如，在食品生产中，视觉AI系统使生产商能够检查生产线上的每个物品，这对现场的QC来说是不可能完成的。流程挖掘还可以测量实际流程执行时间和变异情况。

接下来是分析阶段。AI的计算大量数据的能力意味着它可以比人类更有效地提取数据模式。精益六西格玛常用的许多关键方法实际是启发式的抽样方法，是为了降低采样成本、简化 Sigma 水平的计算等。BMW发现，采样和计算的限制都不适用于AI，因为它的深度神经网络可以考虑全量数据和随时间推移的跟踪模式。这些AI工具往往比人类经常用来发现问题根本原因的“5 why”等方法更快、更有效。

在改进阶段，传统方法是由六西格玛团队通过“六顶思考帽”等方法集思广益。AI系统更善于快速地识别性能数据中的“最佳水准”配置。此外，虽然在精益六西格玛中标准化流程是规范，但AI系统可以定制化的配置流程，以使其最适合每种产品和情境。从概念上讲，这是与传统流程改进最大的分歧之处，后者总是试图开发新的标准操作程序。最后是控制阶段，这是对流程改进结果的标准化和监控，用以确保其按预期运行的阶段。人工智能在执行监控任务方面表现出色：SPC可以轻松替换为可以实时识别异常信息的深度神经网络，即当结果超出这些预期范围时。在制造和服务领域，检测这些异常信息同样重要。比如金融交易中检测欺诈行为。使用传统的异常值检测方法，Danske Bank的“误报率”为99.5%，只识别了40%的实际欺诈案件；通过深度学习，这两个指标都得到了显著的改善。现在，人工智能已经能够增强流程改进周期的所有阶段。未来，人工智能将能够处理越来越复杂的任务。生成式人工智能系统（例如ChatGPT、Claude和Stable Diffusion背后的系统）是新兴“自主代理”的核心，它们不仅可以执行单个命令（prompt），还可以处理命令序列。早期的代理，如AutoGPT或Wolfram Alpha已经展示了如何自动化更复杂的任务，以及如何通过精心的提示设计和内容策划来解决困扰当前生成式人工智能系统的“幻觉”问题。生成式人工智能工具与用户以常规语言交互，以理解他们所寻找的内容，然后综合大量数据来执行复杂任务的能力，使它们成为自动化运营改进任务的首选候选者。我们正在尝试理解这些候选者将为流程改进带来哪些价值。

将会出现的挑战

随着人工智能在改进中发挥越来越大的作用，领导者们将不得不应对一系列重要问题。

工具和技术的强调减弱了

现有的流程改进方法依赖于既定的范式，使得任何人都可以使用。它们往往是为了简化和使得其能够让组织各层级通用而制定的启发式方法。随着人工智能在不同场景的应用，这些标准化的工具和技术的重要性将减弱。人工智能将被所有依靠应用这些技术来建立职业生涯的专家和顾问视为挑战，并且许多人可能会进行抵制。

新的能力需要开发

公司内的改进专家，包括黑带，将不得不了解人工智能的能力和局限性。评估人工智能系统的输出并评估其提供的附加价值所需的技能在精益六西格玛培训和大多数商学院的课程中都没有涵盖。流程所有者和高级管理者利益相关者将需要支持此类培训工作。一个可能出现的障碍是不完全了解基于人工智能的流程分析和改进的高管；他们也可能会抵制它，因为他们更信任专家驱动的精益六西格玛项目。

采用人工智能需要进行重大的组织变革

每个流程环节都可能包括设备和人员，这两者间是需要无缝的交互和协作。因此，为了使任何改进对财务或业绩产生真正影响，嵌入流程中的人员（即员工）需要参与其中。如果不参与，那么改进通常不会持久，成果也会滑坡。

正是因为这个原因，所有成熟的改进模型（如Shingo模型）都强调运营改进需要沟通和说服力，以使工作人员参与流程的每个部分。本质上，企业如果想实现试图实施的改进的全部潜力，那么就不能在没有员工的日常支持的情况下实现这一目标。

随着人工智能在流程改进中的使用场景增加，带来的主要问题是它将极大地加剧这一挑战。在传统模式下，员工们会绘制流程图并进行“5 why”等根本原因分析，人工智能可以更好、更快地完成大部分这些任务。结果将导致对所做改进的所有权感减弱，员工会不太愿意支持被视为强加而非自主决定改进的事项。

管理运营改进中的人员方面一直至关重要。企业可能会认为，有了人工智能，这变得更容易了，矛盾的是，事实正好相反。运营领导者将不得不重新思考当人工智能加入后，如何保持团队的积极参与和一定程度的自主性。人工智能不应成为阻碍员工以有意义的方式参与流程改进的障碍。

人工智能可以革命性地改进流程，并显著减少传统方法中使用的劳动密集型任务。但是，要实现这项技术的潜力，领导者需要重新定向，倡导我们的员工使用这些新工具。当然还需要在流程所有者和利益相关者之间建立信任，认为人工智能与最被认可的黑带工程师一样有效或更有效。

以上！

如何学习专业六西格玛全课程：

线上课程学习：点击此链接

扫描二维码加入六堂课唯一质量群，共同交流讨论质量相关知识信息哦👇