AI驱动的超自动化如何提高业务效率

人们对AI和超自动化感到兴奋，这是有充分理由的，AI具有自动化涉及人类思维和相关行为的复杂企业任务的潜力。

AI驱动的企业超自动化看起来就像自动驾驶汽车的现状，我们有特斯拉可以按需送人们去地方，Waymo在旧金山和凤凰城的街道上漫游，根本没有司机!这是一个很好的开始，但在考虑我们自己进入一个完全自动驾驶的世界之前，还需要做更多的工作。

挑战包括不完整的数据地图版本、不同和不断变化的路况、驾驶文化、障碍物和许多其他变量，该系统也不能在所有道路、城市和地点运行，也不能在较大、拥堵的城市运行，而且，在所有情况下，它仍然需要人类的监督。

企业自动化也是如此，有些自动化是存在的，但要在企业中拥有有效的超自动化，有很多事情必须首先发生。具体地说：“学习阶段”，以确保自动化能够适应企业的挑战，这包括每种类型的系统中的数千个流程，每个流程都有细微差别的策略，不同的团队嵌入了任务如何完成的知识。

通过使用AI仔细地学习业务流程并应用正确的学习严谨性，使用超自动化来加速复杂的企业流程是可能的。

客户支持是人员密集型企业流程的一个很好的例子，可以从AI驱动的超自动化中受益。德勤报告称，80%的联络中心正在积极参与AI部署的某个阶段。

18个月前，随着GenAI的出现，客户支持/服务世界发生了变化。聊天机器人现在在解决问题方面从根本上更有效，运行和实施成本也比以往任何时候都要低。因此，所有现有的客户服务平台提供商 - Salesforce、Zendesk、ServiceNow等 - 都在其核心平台功能中添加GenAI，他们的机器人将以指数级的方式变得更加有用和强大，因为它们基于那些系统中的数据，并可以从中学习。

然而，所有不能偏离的事情又如何呢?那些仍然需要经纪人的人!对于不折不扣的客户支持，超自动化的机会更大。根据定义，每一笔客户交易都是一次性的，风险很高——因为它还不够简单，无法实现自动化!

例如，处理产品发货问题的客户支持工程师需要浏览各种系统 - 内部和外部“堆栈”和工具(例如，ServiceNow、Salesforce、SAP、Oracle ERP、发货工具和自主开发的应用程序) - 并根据大量环境做出决策。自动履行流程在美国和德国可能是相同的，但有一个(关键)例外：选择不同的本地履行合作伙伴。

类似的需要认知能力的大容量、高风险职能包括索赔处理、医疗收入运营、供应商入职和更多后台职能。

通过使用AI大规模地观察和学习代理的实际工作流，可以高效地创建和训练特定于代理环境的模型，使他们能够预测和做出相应的响应。

通过将AI模型锚定在人类解决的问题中，该模型将不断从现实生活工作流程中学习，而不是源于统计建议而不是逻辑的生成性、变形模型，这将帮助你达到最佳状态。

简而言之，这种新的“学习机”有三个必备条件：

你可以越深入地执行工作流分析，就越能更好地定义单个工作流，并非所有工作流都是平等创建的，即使它们运行的是相同的进程。高价值的节省步骤和时间的机会可能隐藏在单个工作流程中，也可能隐藏在模糊的步骤组合中。

通过深入查看各个工作流级别的流程，你可以识别执行中的细微差异，从而帮助你确定建模的最佳运行状态，基于实际数据和逻辑进行优化——不要做任何假设。

如果你在不同的场景中用许多不同的用户来训练模型，那么模型将是最强大的。与RPA不同的是，没有万能的方法。就像你会有许多不同的汽车在道路上行驶并在上面创建我们的自动驾驶汽车时绘制出它一样，你需要许多不同的代理培训模型以确保事情是正确和准确的。

例如，假设两个代理在执行操作中工作。在获得解决方案方面，一个代理执行该过程的速度明显快于大多数其他代理，另一个代理的工作速度要慢得多，在更长的工作流程中使用更多的步骤和系统。

人们很容易认为FAST代理自动“正确”，并宣布他的工作流对你的AI模型是最优的，然而，在更深层次的分析中，FAST代理揭示了许多在后端重新打开的案例(因为他在解决这些问题的方式上存在错误)，相反，“较慢”的第二种代理有稳定的100%的分辨率。

或者，你可能有两个“完全相同”的代理并肩工作来完成任务，然而，其中一个人可能比她的第二层伙伴有权访问额外的系统(因为她是第一层)，他们的工作流程可能有重叠，但了解其中的细微差别对于适当地实现流程自动化至关重要。自动化层是否需要额外访问此系统?为什么只有第2层才有访问权限，应该重新考虑流方面吗?

毫无疑问，AI将使更多的商业功能从人类转向机器人和其他更智能的自主技术，因此，预计GenAI及其继任者会出现更多偏离。

AI的下一个重大胜利将是为冗长的交易制造自动化流程，这些交易涉及多个系统和许多实时代理的物理步骤，这些流程必须跟上日益高度自动化的业务，以满足客户、财务、监管和董事会的期望。基于工作流分析和其他视角的AI驱动的学习“机器”可以帮助尽快缩小企业应用程序的差距。