AI加持下的豐田模式，正在掀起一場新的流程革命

更新于：2025-03-26 00:18:06

在生成式AI和其他先進技術的輔助下，企業的流程管理正在被重塑。員工可以綜合各種類型的數據，包括非結構化數據。他們可以將曾經難以理解的大量數位資訊轉化為洞察驅動的工作流程改進，從而不斷提高績效、減少浪費並實現更優質的運營。值得注意的是，與所有的技術採用一樣，人類仍將是生成式AI取得成功並改善業務流程的關鍵。

20世紀40年代末，一位名叫大野耐一的工程師根據日本的“改善”（kaizen，也就是持續改進）原則，開發出了豐田生產方式（Toyota Production System）。在豐田，基於生產部門各級員工給出的關鍵建議，這種方法帶來了持續不斷的小幅改進。豐田沒有通過大膽、具有創新性和冒險的舉措謀求徹底改變行業，而是選擇了細水長流的改進方式。如今，豐田已成為全球最大的汽車製造商，而豐田生產方式也一直是企業流程管理的典範。豐田生產方式中的一些著名理念也被長期發揚光大：賦權員工、持續降低成本、全面品質管理、適時生產、根本原因分析、數據驅動的流程以及帶有人性化的自動化（jidoka）。

隨著越來越多的運營作業實現數位化，在生成式AI和其他先進技術的輔助下，“改善”（kaizen）再次重塑了流程管理。現在，自然語言介面等功能讓非技術人員也能使用AI，從而推動了大大小小的流程變革。在AI的説明下，員工可以綜合各種類型的數據，包括非結構化數據。他們可以將曾經難以理解的大量數位資訊轉化為洞察驅動的工作流程改進，從而不斷提高績效、減少浪費並實現更優質的運營。“改善2.0”並沒有像人們普遍認為的那樣取代人類，而是將人類轉移到新型機器輔助流程的核心，實現了許多管理理論長期以來的願望：將業務轉型交到所有員工手中。

但是，成功地重新構想業務流程並不像讓ChatGPT審核工作流程那麼簡單。為了跟上這一變化，領導者需要瞭解哪些流程已經成熟，可以利用演算法進行重新設計，並瞭解其他公司如何利用生成式AI改造流程。

在本文中，我們將根據數十年來為客戶提供技術和創新建議的經驗，介紹最優秀的公司如何部署生成式AI。我們還將介紹“改善”的未來：完全自主的代理人（agent）能夠獨立行動，去實現目標、調整策略、分析環境並完成複雜的任務。然而，與所有的技術採用一樣，人類仍將是生成式AI取得成功並改善業務流程的關鍵。

賦能全體員工

在從汽車製造到生命科學，再到消費品的各個行業中，以及從研發到製造再到供應鏈管理的各個職能領域中，生成式AI正在以全新的方式提升員工能力。舉例來說，這種變化正發生在梅賽德斯-賓士的生產車間、供應鏈和軟體設計部門。

該公司的MO360數據平臺將其全球乘用車工廠連接到雲端，提高了生產和供應鏈運營的透明度和可預測性，並在全球範圍內實現了AI和分析工具的部署。2024年早些時候，時任梅賽德斯-賓士集團首席資訊官的揚·布萊希特（Jan Brecht）指出：“通過MO360數據平臺，我們在製造領域實現了技術和數據的普及。在梅賽德斯-賓士，數據正在成為每位員工日常工作的一部分。我們生產車間的同事可以訪問與生產和管理相關的實時數據。他們可以使用下鑽式儀錶盤（drill-down dashboard，一種能夠提供詳細數據資訊的儀錶盤），做出基於數據的決策。”

通過使用日常語言的提示，而不是技術性的資料庫查詢，生產員工可以詢問有關裝配線瓶頸或發掘難以察覺的流程優化機會，並從AI中獲得豐富的數據洞察。這種洞察力會提高員工根據自身經驗、觀察力和創造力進行改進的能力，而不是取代他們。

該平臺還能幫助團隊識別供應鏈中的瓶頸。同時，公司的軟體開發人員也使用GitHub Copilot這款AI助手，將自然語言提示轉化為程式設計建議。如此一來，他們就可以騰出更多時間去處理複雜的流程問題，並對全公司的軟體開發工作進行整合。

為了讓數據的使用更加普及，賓士正在協助員工獲取新的AI技能。人力資源部建立了Turn2Learn計劃，該計劃為一線員工提供超4門數據和AI課程，包括提示工程和自然語言處理等技能的廣泛培訓。得益於生成式AI、技能培訓計劃，以及MO360數據平臺等數位生態系統，流程變革已從一項小眾的技術技能，轉變為公司員工日常工作經驗的一部分。

重新設計科學流程

在製藥行業，工作人員正在藉助生成式AI驅動的合成數據創建數據豐富的流程，減少浪費，加快分析，並加強品質控制。以藥品檢驗流程為例，製藥公司一向依靠自動化視覺系統來檢測產品的瑕疵。遺憾的是，這些系統經常會產生錯誤的剔除結果，不僅減慢工作流程，還導致昂貴的返工。出現這種情況的原因是，系統需要使用大量的圖像進行訓練，但對於許多複雜的瑕疵來說，只有數量有限的圖像可以用於訓練。

為了應對這一挑戰，默克（Merck）使用生成式AI方法，如生成對抗網路（generative adversarial network）和變分自編碼器（variational autoencoder），來開發合成瑕疵圖像數據。據IT架構副總監尼廷·高爾（Nitin Kaul）的說法，經過生成式AI增強的系統説明默克“理解了剔除的根本原因，優化了流程，並將各產品線的整體錯誤剔除率降低了50%以上。”

生成式AI也在改變著藥物研發的方式。藥物研發公司Absci現在能夠利用電腦和零樣本生成式AI，來創建和驗證治療性新抗體，即機器學習模型在沒有任何標註示例的情況下識別和分類新概念。換句話說，AI無需使用任何已知能與特定靶點結合的抗體的訓練數據，就能設計出能與這些靶點結合的抗體。通過AI而不是反覆試驗來創造抗體，可以將新生物製劑進入臨床所需的時間從長達六年縮短至18個月，同時提高成功的概率。正如“改善”教導我們的那樣，浪費這件事不僅僅與材料有關，也關乎時間和精力。

增強創意流程

一些領先的消費品公司正在利用前沿的AI和數位技術激發人類創造力，從而推動消費品行業的發展。在高露潔棕欖公司（Colgate-Palmolive），員工正在使用生成式AI加速新產品配方的開發過程。據報導，雀巢、金寶（Campbell’s）和百事公司正在使用生成式AI平臺，幫助員工驗證新的產品構想和進行市場研究。可口可樂公司正在試驗一個平臺，可以結合GPT-4的語言能力與DALL-E根據文字指令生成圖像的能力。該平臺允許數字藝術家從公司龐大的檔案庫中挖掘獨特的品牌元素，這相當於為他們提供了一塊畫布，把在上面創作的原創藝術作品用作廣告看板。

長期以來，產品和零部件設計一直都是融合了藝術與科學——將設計師的經驗和感性與原型製作和測試的嚴謹性相結合。在各行各業，生成式AI正在加速並改變這一設計流程的諸多要素：為新創意創建3D模型、對設計提出修改建議、推薦材料使用、優化成本、快速創建數位原型，以及確定哪些創意最有前途。

以動畫呈現實體運作

生成式AI還在改變人類與複雜實體系統的交互方式，這些實體系統包括從機器人、人體，再到醫院之類的組織。

總部位於斯圖加特的Sereact公司是一家AI軟體供應商，它推出的軟體可以自動化執行倉庫作業。Sereact率先推出了首個商用解決方案，利用ChatGPT底層的轉換器技術，使機器人能夠理解自然語言。這些機器人經過數十億張類比圖像的訓練，負責執行“分揀和包裝”的任務，而這些任務通常占倉庫成本的55%。在這種被稱為PickGPT技術的説明下，人類操作員只需在聊天介面上輸入文字命令，即便是缺乏專業技術知識的使用者，也能運用該技術指導和調試系統。公司CEO拉爾夫·古爾德（Ralf Gulde）稱其為“世界上與機器人互動最便捷的方式。”

接下來是什麼？生成式AI和數位孿生的融合已經開始，讓我們得以窺見，流程的持續改進在未來將變得更加普及。數位孿生被用於為複雜系統（如噴氣發動機、風力渦輪機、工廠和人類心臟）建立模型，並且精確地類比其運行，使用戶可以在系統出現問題時（甚至常常是在問題出現之前），遠端創建解決方案。數位孿生可用於提高生產流程的效率、改善品質、提高運營效能，以及創建更穩健、更具韌性的供應鏈。

自主代理

新的AI代理（AI agent）將“改善”提升到了一個新的高度，它們不僅能提供建議，還能自行決策、採取行動並改進流程。它們可以是簡單的聊天機器人，也可以是自動駕駛汽車，再到能夠自主運行複雜工作流程的機器人系統。

傳統軟體由精確、基於規則的指令驅動，通過程式設計產生可預測的結果。這極大地限制了軟體自主行動的能力。它缺乏像人類那樣的推理能力；決策是直接寫死在程式里的，沒有納入人類思維特有的細膩判斷和靈活性。相比之下，建立在預先訓練的大語言模型之上的AI代理，能夠理解語言和提示，因此更能動態調整和適應。建立在多模態基礎模型上的AI代理，能力更強得多，因為它們能夠同時針對多種信息類型，如文本、代碼、音訊、圖像和視頻，進行概括、理解、跨類型操作和結合。

在以“改善”為導向的環境中，自主代理還展現出另外三個與人類工作者相似的地方：

目標導向的行為。由人設定目標，但由AI代理獨立行動來實現這些目標，並在必要時調整策略。為了做到這一點，代理可以跨越到公司的其他軟體平臺，並與其他組織的軟體和語言模型互動，以執行任務。

邏輯推理和規劃。AI代理可以感知和分析自身的環境。它們可以將複雜的任務分解為各個組成部分，並運用推理找出實現目標的最佳方式。

長期記憶與反思。AI代理可以藉由過去的互動，更清楚瞭解意圖和背景脈絡。它們從經驗中學習，從而更好地完成工作。

在各行各業，許多公司現在都在部署自主程度不一的AI助理或代理。沃爾瑪使用它們來協助管理庫存。在萬豪國際酒店集團，它們負責優化預訂流程。在雀巢公司，它們負責改善供應鏈流程。安全服務運營商ADT正在開發一款代理，能夠幫助數百萬客戶挑選、訂購和設定他們的家庭安全系統。豐田公司正在開發代理機器人，它們可以充當老年人的護理員，或在工廠車間的生產流程中自主平穩地作業。摩根大通正在開發的自主代理，在不久的將來可以執行複雜的多步驟任務。

自主代理生態系統

完成某些任務需要不止一位代理。在這種情況下，公司可能會定製一個代理系統，其中每個代理都是專精一項特定任務的專家。以抵押貸款審核流程為例，當人類審核員發出“根據本公司的放款政策審查該貸款申請”的指令時，一個代理可能會從申請書中提取相關信息。另一個代理可能會充當銀行政策管理員的角色，將這些政策提供給代理，再由這些代理比對申請書和放款政策。還有一位代理可能會生成一份最終報告，向檢視那筆貸款的審核員建議應該採取的行動方案。一個“連接器”代理可以監督和協調所有這些代理的活動。

企業必須結合多重代理，並讓它們能夠相互溝通和協作，才能開發出可以自主管理端到端流程的AI系統。這種解決方案可以改造供應鏈管理、生產和行銷等整個職能。乍看之下，這似乎是在實現大規模的自動化（也為那些擔心AI統治世界的科幻迷提供了更多素材）。但實際上這提供了一個持續改進的機會，仍然與“改善”（kaizen）一脈相承。

不過，斯坦福大學的研究也表明，儘管AI代理代替我們工作，而且它們相互協作，但這並不意味著人類可以置身事外。AI的成功既取決於技術，也同樣取決於人。當員工優化代理模型，以便適合與人類互動時，代理會以更高的自主性做出決策和運行。隨著經驗的積累，代理將不斷改進，而監督這一過程的人類也將不斷完善其設計和性能。當員工和AI代理都得到賦能時，人機協作的雙方都將獲得持續改進。

即使機器的自主性不斷提高，流程仍然以人為中心。在即將到來的自主代理時代，這將是“改善”的一個關鍵。

關鍵詞：AI

詹姆斯·威爾遜（H. James Wilson）保羅·道格蒂（Paul R. Daugherty）| 文

詹姆斯·威爾遜是埃森哲研究院全球技術研究與思想領導力的常務董事。保羅·道格蒂是埃森哲前CEO，目前是該公司的高級技術顧問。他們是《人+機：AI時代的工作重塑》（Human + Machine: Reimagining Work in the Age of AI，哈佛商業評論出版社，2024年）一書的作者。

廖琦菁 | 編輯