• 當生成式AI遇到業務流程管理，大語言模型正在變革BPM?
• 生成式AI時代的業務流程管理變革，BPM迎來大型流程模型
• 從大語言模型到大流程模型，生成式AI帶來的BPM范式轉變
• 基于價值鏈的生成式AI流程應用，探索LLM影響BPM的另一種方式
• 從生成式AI對業務流程的增變量，看LLM如何影響業務流程管理
• 由業務驅動生成式AI應用，大語言模型快速融入業務流程管理

生成式AI對各領域有很大影響，一個方面在于它改變了很多固有業務的工作流。

工作流（Workflow）是業務流程的一種實現方式，一個業務流程往往包含多個工作流范式以及相關的數據、組織和系統。

因此，提及工作流必然離不開業務流程。

業務流程（Business Process），是為達到特定價值目標而由不同的人分別共同完成的一系列活動，是企業用來實現目標的可重復步驟集合。

使用業務流程，可以幫助組織提高客戶滿意度和提高對快速市場變化做出反應的敏捷性。同時面向流程的組織打破了結構部門的障礙，并能夠避免功能孤島。良好的業務流程，對于朝著目標取得進展和改善業務運營至關重要。

隨著業務規模的不斷壯大，組織的業務流程往往變得過于龐大和復雜。這時就需要自動化工具的幫助和管理，由此誕生了業務流程管理（BPM，Business Process Management）這種流程管理方法論。

BPM是一種結構化方法，用于改進組織用于完成工作、服務客戶和產生業務價值的流程。它使用各種方法來改進業務流程，包括分析業務流程、對業務流程在不同場景中的工作方式進行建模、實施更改、監視新流程等，并不斷提高其推動所需業務成果和結果的能力。

用以支持自動改進業務流程并支持組織大規模業務變更的業務流程管理軟件，被稱作BPM軟件、套件或系統（BPMS，Business Process Management Software\Suite\System），它是不同類型的技術的集合，包括流程挖掘工具、用于繪制業務流程圖的BPMN工具、工作流引擎及模擬和測試工具等。

近年來，隨著AI等技術的進一步發展，新型技術被引入和集成到BPM軟件中，BPMS也進化成了智能BPMS（IBPMS，此概念由研究公司Gartner創造），并將低\無代碼 （LCNC，Low Code No Code）及RPA等技術納入其中。

此外，還發展出了用于分析業務流程及操作工作流中各個步驟的新一代流程智能（Process Intelligence），以幫助組織識別流程瓶頸并提高運營效率。

隨著市場需求的進一步擴大，最近幾年AI等技術已在深度影響BPM，這些技術為發現、設計、測量、改進和自動化工作流提供了新的方法。而在今年大語言模型（LLM，Large language Models ）爆發后，BPM又在積極引入生成式AI技術以及基于大語言模型進行各種探索與演化。

BPM遇到生成式AI發生了什么變化？生成式AI為行業帶來了哪些影響？大語言模型時代的BPM又該是怎樣的？

本文，王吉偉頻道就跟大家聊聊這些。

生成式AI帶來的BPM范式轉變

競爭日益激烈的現代商業世界中，BPM和流程智能是決定公司成功成敗的重要組成部分。

BPM主要涉及現有業務流程的識別、設計、執行、文檔和監視，它旨在使這些流程盡可能有效和高效，常用的工具和方法包括六西格瑪、精益管理和BPMN（業務流程模型和表示法）。

流程智能可以看作是BPM的分析大腦，如果說BPM擔當“怎么做”，流程智能就擔任了“怎么知道”。它涉及了仔細檢查大量過程數據，以收集可以導致智能決策的見解。

傳統的流程智能方法依賴于手動審核、數據分析和專用軟件來可視化和評估過程效率。而AI技術的應用，特別是生成式AI，重新定義了這些領域的基礎，為BPM帶來了范式轉變。

生成式AI是人工智能的延伸，專注于創建新的數據模型、自動化工作流程，甚至預測算法。這項技術以神經網絡和機器學習算法為基礎，顛覆了傳統的BPM和流程智能技術。

傳統BPM和流程智能方法是手動、線性和孤立的，生成式AI則提供了自動化、高度自適應和集成系統的可能性，這些系統可以隨著時間的推移而學習和發展。

在BPM中，生成式AI可以在幾秒鐘內自動模擬數千個流程路徑，以確定最高效和最有效的路徑。這與精益或六西格瑪等傳統方法形成鮮明對比，后者可能需要數周或數月才能產生優化結果。

麥肯錫的一項研究表示，將生成式AI集成到BPM實踐的公司，運營成本降低了多達20%。

在流程智能領域，生成式AI也取得了重大進展。

數據分析，通常涉及數據科學家手動制定要分析的假設和模型。生成式AI可以根據現有數據自動生成這些模型，從而減少分析所需的時間和人為錯誤。Forreste的一份報告表明，使用AI增強型流程智能的組織在識別流程方面比傳統方法快50%。

因此，生成式AI不只是添加到現有BPM和流程智能庫中的工具，更改變了人們理解、分析和實施業務流程的方式，代表了一次重大的范式轉變。

借助生成式AI，組織將獲得植根于自適應智能和無與倫比的效率的競爭優勢。

基于價值鏈的生成式AI流程應用

以往我們分析生成式AI的對業務流程的影響，主要探索技術對某些業務場景的變革，這是一種節點式的觀察。如果我們把這些節點縮小，將目光整體放到企業價值鏈上，就會有更多的發現。

企業價值鏈是以企業內部價值活動為核心所形成的價值鏈體系，它由一系列為顧客制造價值的活動和功能組成，能夠展示企業的設計、生產、營銷、運輸等為顧客創造價值的一系列活動、功能以及業務流程之間的連接情況。

探索生成式AI如何影響企業價值鏈，能夠了解其對企業經營更深層次意義。

我們可以從端到端業務流程入手，構建一個價值鏈生成式AI應用示意圖，并在上面重點標注重復模式的子流程和任務，這些標注的業務流程可以視作應用生成式AI的重要指標。

當標注工作完成后，可以將這些已標注流程大概分為三種類型。

第一種類型，與生成式AI增強客戶數字體驗的潛力有關。這是通過使用自然語言與軟件交互、客戶支持自動化和信息對話檢索來實現的。

第二種類型，涉及生成式AI協助業務流程和知識管理的內容創建帶來的潛在好處。這些業務流程一般會通過生成流程模型定義（比如重新設計招聘流程等）、在業務流程上下文中生成實際內容（比如自動創建的職位描述等）以及詳細闡述文檔和數據（比如總結客戶支持交互等）來實現。

第三種類型，與生成式AI提高專業和公民開發人員的速度和有效性的能力有關。這些業務流程，是通過從自然語言生成代碼、代碼自動完成和自動生成文檔來實現的。

需要說明的是，對于適合應用生成AI的任務，關鍵在于分析任務中所涉及業務角色的“當天生命周期”，可以更清晰地了解當前任務進行的細節、差距、問題以及更廣泛的背景。

比如分析物流小哥一天中的業務，如果他們的任務從手動輸入送貨單轉變為通過人工智能處理的簡單地驗證送貨單，將會大幅加快送貨單的處理時間。

這種方法，也可以稱作業務驅動的生成式AI應用。

用業務驅動的方法來識別業務流程中生成式AI的應用領域，可以為企業帶來寶貴的見解和機會。而通過分析端到端業務流程并創建重復模式的熱圖，組織可以確定有效利用生成式AI 的業務流程位置。

上面列出的三種基本類型，主要用于改善數字體驗、協助內容創建和知識管理以及提高開發人員的速度和效率，能為廣大組織探索生成式AI的高效應用奠定堅實基礎。

當然為了確保這種方法的成功實施，必須分析任務、了解挑戰、將場景與目標聯系起來，設計工作流、用戶體驗以及與 AI 功能和業務邏輯的數據集成，還需要進行健全性檢查以確保安全性、隱私合規性和整體可行性。

生成式AI對業務流程的增變量

大家都清楚，應用程序方案應該鏈接到明確的業務目標和組織范圍。一旦建立生成式AI在業務流中的應用關系，就可以設計與構建業務流程了。

這其中，有一些步驟將基于常規與規則的業務邏輯，從企業應用程序和其他來源檢索數據；還有一些步驟，將是可以被AI功能取代的任務。

除了流程工作流之外，還需要設計用戶體驗和利用現有數據和潛在新數據的方法。

例如，可以考慮從企業系統中檢索有關作業配置文件的一些數據，使用該數據構建生成式AI服務的輸入以生成建議的作業配置文件描述，然后將其存儲在同一個企業系統中。

這里有一個加快生成式AI業務方案設計的方法，就是將融合AI技術的業務流程視為構建各種功能模塊，將AI功能與常規業務邏輯相結合。

這些功能構建塊可以包括文本摘要、翻譯、情緒分析、問題和答案、圖像編輯、文本到圖像生成等功能。例如，在客戶滿意度分析流程的上下文中，可以使用摘要AI功能來查看社交媒體帖子和其他數據源，然后應用情緒分析AI功能來生成驗證記錄的凈推薦值分數的輸出。

采用這種將AI功能和業務邏輯相結合的機制，業務解決方案將會演變為兩類：增量和變革。

增量解決方案用以優化現有流程或產品以提高盈利能力，變革性解決方案則引入了從根本上重塑業務運營或行業的突破性方法。

來看兩個例子。

使用生成AI的增量解決方案的例子，可以聚焦用于營銷目的的內容生成，它可以讓企業無需再花費數小時為社交媒體、博客文章或時事通訊創建引人入勝的內容。借助生成式AI根據特定參數快速起草或建議內容，可以節省時間和資源，提高效率并降低成本。

變革性的解決方案案例，可以看看人工智能驅動的個性化教育平臺。與標準課程不同，人工智能平臺可以根據每個學生的表現和興趣定制學習材料，從業務流程上徹底改變教育架構。

當然，選擇增量還是變革性解決方案，很大程度上取決于企業的特定需求、能力和戰略愿景，需要組織結合自身業務屬性與適配資源因地制宜。

業務驅動生成式AI的優勢

將生成式AI集成到BPM和流程智能中，不僅僅是增量和變革，它還代表了組織如何管理、優化和創新其運營的巨大轉變。

這些轉變，主要表現在以下幾個方面：

流程優化：生成式AI可以模擬許多流程路徑，使企業能夠確定最有效的路線。比如通過人工智能生成的模擬，將訂單到現金的周期時間縮短多達15%變得可行。

工作流程自動化：能夠創建新的自動化工作流程的人工智能算法可以增強客戶服務運營，如自動工單等流程，可將時間縮短25%。

資源分配：該技術可實現動態資源分配，例如實時調整制造計劃，從而將停機時間減少10%。

增強的數據分析：生成式AI可以創建新的數據模型或假設，從而獲得更好的見解。一個引人注目的案例是預測性維護模型，該模型將工廠停機時間減少了多達20%。

決策支持：由生成式A1提供支持的高級決策支持系統(DSS)可以改善戰略規劃。數據顯示，情景規劃模型將市場進入成功率提高了18%。

實時智能：該技術允許實時報告和洞察，例如將物流成本降低12%的供應鏈儀表板。

挑戰和解決方案：雖然該技術具有變革性，但其成功實施需要應對各種挑戰，包括數據隱私、技術要求和變更管理。

當然，其中的大部分挑戰都可以通過戰略規劃及框架、技術補齊來克服。

從FM到LLM

2021年，斯坦福大學的研究人員首次提到了基礎模型（FM，Foundation Models），以總結機器學習模型的新水平，與遷移學習的概念密切相關。

他們將基礎模型定義為一種在大量原始數據基礎上通過無監督學習訓練而成的AI神經網絡，可適應各種任務，并把transformer模型、大型語言模型和其他仍在構建的神經網絡都歸入到這個被他們稱之為基礎模型的重要新類別中。

基礎模型是在廣泛數據集上訓練的，這些數據集可以在很大程度上進行調整，使得只需非常小的訓練樣本集就可以將它們專門化為某個利基產品或應用案例。

傳統的機器學習方法需要大量的訓練數據，收集和準備此類數據非常耗時，成本高，投入大量時間。擁有一個預先訓練的基礎模型，并且只針對專業化對其進行微調，可以降低構建新模型的運營成本，為新的業務用例開辟無數的機會。

LLM是在大量文本數據（至少由數十億個參數組成）上訓練的基礎模型，只需要給定自然語言描述的提示，LLM可以生成文本并執行基于文本的任務。

隨著ChatGPT的上線，基于LLM的各種應用也爆發式涌現，并且迅速影響BPM在內的企業管理軟件，同時BPM技術合集中的各項子集技術也都在快速融合生成式AI。

從LLM到LPM

雖然通用LLM已經增強了文案寫作、圖文設計等日常知識工作，但軟件工程、金融和人力資源等領域的專用模型的訓練、融合及應用仍然需要大量的培訓。

由于LLM是基于統計的工具，它重用了大量通常策劃不佳的人工生成文本的語料庫，因此很多行為是不可預測的，輸出的結果經常不符合邏輯，以至無法使用。這種情況，限制了LLM在很多商業環境中的適用性。

從結構上講，流程模型是邏輯語句，因此許多基于LLM技術的進步可以在流程管理領域采用。LLM可以訓練廣泛的知識，用戶可以用它編寫食譜、撰寫劇本、繪制圖片等。但是，如果用戶問“生產流程中最大的問題是什么？”這樣的問題，一般得不到想要的答案。

特別是在BPM和流程智能中，決策對業務運營具有重要的影響，深度學習并無法擔任可靠的、可信的和可操作的智能助手。

所以，LLM能否應用于業務流程管理空間，一直以來都是智者見智。

在這個背景下，為了促進BPM的進一步智能化，需要將LLM（或更廣泛的基于基礎模型的方法）與符號數據管理（如知識圖）和自動推理方法集成。

同時為了推進生成式AI時代BPM軟件技術基礎的整體認知，在論文《Large Process Models Business Process Management in the Age of Generative AI》中，來自SAP的Timotheus Kampik以及來自曼海姆大學、墨爾本大學及慕尼黑工業大學等教育機構的研究人員，提出了大型過程模型（LPM，Large Process Models）作為生成式AI時代軟件支持的BPM的中心概念框架（后臺發消息 LPM ，獲取該論文，王吉偉頻道提供漢化版）。

▲ LPM的概念性體系結構（來源：LPM論文）

LPM被設想為一個神經符號軟件系統（neuro-symbolic），它集成了專家積累的流程管理知識和組織如何運行流程的精確數據與生成式AI和統計以及符號推理方法，從而融合了流程數據和知識。

給定流程數據在一個事件日志或關系格式，LPM自動識別特定流程的領域以及組織的上下文，然后生成見解和行動建議，再使用一組工具對流程進行設計、分析、執行和預測。

經過微調和增強通用LMM 實現的LPM，通過與經典算法工具和結構化數據的安全和健全的集成，可以提供在以往設置中不會被發現的業務流程新見解，大大提高了流程的可觀察性。

▲ 通過對流程信息的專業化，將LLM提升為LPM（來源：SAP官網）

基于LPM，用戶可以訪問非結構化和半結構化組織知識，能夠利用來自數千名專家的數十年流程經驗和非常寶貴的專業知識以及數千個組織的多年績效數據。還能通過特定于上下文的、自動定制的流程和其他業務模型、分析深入探討和改進建議進行進一步微調和增強，從而大大減少生成業務流程見解所需的時間和精力。

LPM對業務流程管理軟件的影響

從各項應用表現來看，LPM將會成為智能流程管理的主要推動者，同時LPM也將增強軟件或提供新的業務流程管理功能。

對于LPM對BPM軟件的影響，已經在應用LPM的SAP總結了以下幾點：

  1. 利用情境化知識促進自動化流程分析

LPM能夠利用大量的組織知識支持增強流程分析能力，例如生成流程自動化建議以及結構流程改進建議。

  2. 通過將非結構化流程信息轉化為洞察力來擴展流程智能領域

LPM可以幫助直接從組織中豐富的非結構化流程信息和數據中生成業務流程模型和流程分析，可以大大減少理解和改進流程和操作所需的時間和精力。

  3. 在人為控制下實現持續改進的自動化

基于 LPM 的方法激增，這些方法自動生成人工可解釋和可驗證的分析查詢，將它們編譯為自動定制的深入過程調查?；诖?，流程變更操作可以自動推斷并以人機交互的方式觸發，以在更短的時間內改進流程操作。

  4. 面向自動駕駛組織的企業通用人工智能

圍繞LPM的算法工具箱不斷擴展，以便LPM可以根據過去的表現自動調整其推理，并進一步增強數據和知識語料庫，實現由企業通用智能實現的完全自動化組織的愿景。

后記：BPM融合生成式AI的未來

隨著LLM的不斷發展與完善，BPM領域已經出現很多有意思的應用程序。借助生成式AI，用戶無需任何特殊專業技能即可快速、輕松地生成內容，使用自然語言運行任務可能比學習和導航系統要容易得多。

毋庸置疑，融合生成式AI的BPM用途是非常廣泛的，這點從麥肯錫發布的研究文章《Generative AI is here:How tools like ChatGPTcould change your business》就能體現出來（回復 LPM ，獲取該文章PDF文件）。

在這篇文章中，麥肯錫預測了生成式AI在營銷、銷售、運營、IT/工程、法務、人力資源和公用事業/員工優化等領域的預期價值創造。

下圖來自這篇文章，可以看到生成式AI適用的這些領域，大部分應用場景也能發現BPM的身影。在這些不同的應用領域，可以看到生成式AI能夠作為BPM用戶處理特定任務的助手，這也意味著融合生成式AI的BPM的廣闊應用前景。

雖然生成式AI與BPM的融合剛剛開始，但就現在的新型技術架構、產品及應用情況而言，生成式AI已經成為業務流程管理和流程智能領域的革命性力量。尤其是優化、自動化和數據驅動型洞察能力，帶來了前所未有的價值和效率提升。

對于其在未來的發展趨勢，這里王吉偉頻道也簡單列出幾點：

趨勢1：自適應商業模式

未來的進步可能會根據市場變化、客戶行為或全球事件實時調整商業模式。這種適應性將重新定義業務運營的敏捷性。

趨勢2：人與人工智能協作

隨著人工智能系統變得更加直觀和上下文感知，人與人工智能協作在決策過程中的范圍將擴大，從而產生協同效應，顯著提高運營效率。

趨勢3：道德和監管框架

隨著技術變得越來越普遍，可能會制定一個更全面的道德和監管框架來管理其使用，平衡創新與道德考慮。

趨勢4：人工智能民主化

隨著基于云的人工智能解決方案和開源工具的可用性不斷提高，即使是較小的組織也可以利用生成式人工智能，從而在許多行業中創造公平的競爭環境。

趨勢5：增加投資

根據普華永道的數據，由于人工智能，到2030年，全球GDP可能會增加14%，相當于額外的15.7萬億美元。這種收益，大部分可能來自應用于業務流程的生成式人工智能的進步

雖然生成式AI與BPM的融合應用與發展還存在一些挑戰，但其潛在的好處和驚艷的表現，已經壓倒性地證明了它與當代商業實踐的整合優勢。

隨著生成式AI的不斷發展，其對BPM和流程智能的影響只會在規模和范圍上不斷擴大。

本文轉載自??王吉偉??，作者：王吉偉