在当前的制造和服务运营中，许多流程都在一定程度上重复进行，这为实验、学习和持续改进其底层流程提供了机会。直到最近，这些流程的改进大多由人类专家执行。然而，随着包括生成型AI在内的人工智能工具的出现，这一切都在迅速改变。这些工具能比单靠人类更快、更省钱地执行任务。
《哈佛商业评论》最近就这个话题发表了一篇关于“人工智能如何融入精益六西格玛”的论文，作者们是几位在运营管理和信息技术领域的知名学者，包括Matthias Holweg、Thomas H. Davenport、Ken Snyder。论文探讨了人工智能如何在精益六西格玛的框架内发挥作用，特别是在流程改进、质量控制和运营效率方面。以下将会讲述一下论文中的内容。
精益思想和六西格玛
传统的流程改进方法有精益思想和六西格玛。精益思想起源于丰田，通过不断去除客户视角下不增值的活动（“浪费”）来改进流程。六西格玛源自摩托罗拉（后由通用电气推广），通过减少流程中所有步骤的不希望的变异（“缺陷”）来改进流程。精益和六西格玛在质量方面有共同的祖先，比如戴明博士（W. Edwards Deming）的工作；它们共享许多工具，并因此常被统称为“精益六西格玛”。
精益六西格玛的核心是对运营问题根源的系统性识别、对策的制定以及确保改进的持久性。这是流程改进专家的领域——“黑带”是最高等级——他们设计改进项目并监督其实施。AI已在重复操作的所有方面证明了其价值，但普遍观点认为流程改进是需要情境意识和创造力的任务，因此必须保留为人类专家的唯一领域。
这种观念看起来越来越过时了：AI已成为越来越多公司流程改进中不可或缺的一部分。例如，强生公司有一个雄心勃勃的“智能自动化”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力，已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和自动化工具结合起来。关键问题不是AI能否自动化改进过程，而是在多大程度上可以实现。
AI对六西格玛DMAIC过程中的帮助
以精益六西格玛中常用的DMAIC（即“定义-测量-分析-改进-检查”）例程为例，我们发现AI已被用来增强改进项目的所有阶段——尽管不同阶段的程度不同——并可以显著加快改进倡议的速度，减少劳动强度。
定义
在定义阶段，通过输入、任务和输出对流程进行绘制和定义。AI系统可以通过两种方式来理解流程。一种是使用常见IT系统（如广泛使用的企业资源规划（ERP）系统）定期创建的物料、信息和财务流的数字记录。另一种是使用流程挖掘技术从系统和应用程序中获取数字数据，揭示流程如何运作，AI系统可以通过从数据中提取重复模式来识别常见流程及其各个步骤。西门子、宝马和默克等公司已在大规模改进整个流程中使用流程挖掘。
測量
测量阶段涉及测量流程的性能，以设定任何改进的基准。例如，通过物联网（IoT）设备、条形码、RFID设备和摄像头来捕获流程中物品的状态、与既定标准的质量对比或两者。现代基于深度学习的AI系统可以训练分类其他方式难以识别的各种缺陷。例如，在高容量食品生产中，视觉AI系统使生产者能够检查生产线上的每一项产品，这对于人类检查员来说是不可能的。流程挖掘软件还可以测量实际的流程执行时间和变化数量。
分析
接下来是分析阶段。AI计算大量数据的能力意味着它可以比人类更有效地提取模式。精益六西格玛中常用的许多关键方法实际上是启发式的，目的是为了降低抽样成本，简化西格玛水平、控制限制的计算，并定义何为值得进一步调查的“失控事件”。AI还可以限制“误报”的数量，从而减少调查被错误识别为问题的事件所花费的时间，正如宝马所发现的。由于AI的深度神经网络可以考虑全部人口数据并跟踪随时间的模式，所以不需要抽样或计算限制。这些AI工具往往比人类常用的“五个为什么”方法来发现问题根源更快、更高效。
改进
在改进阶段，传统方法是让流程改进团队头脑风暴以寻找更好的做事方法。然而，AI系统在识别性能数据中的“最佳性能”配置方面更为出色和迅速。更重要的是，虽然标准化流程是精益六西格玛中的常规做法，但AI系统可以使流程的配置定制化，以最适合每个产品和情境。从概念上讲，这是与传统流程改进最大的不同之处，后者总是寻求制定新的标准操作程序。
控制
最后一阶段是控制阶段，此时将改进措施付诸实施并进行监控，确保其表现如预期，保持“控制”状态，即过程运行在预期的范围内。人工智能在执行监控任务方面表现卓越：过时的统计过程控制方法可以轻松被深度神经网络所取代，这些网络能够实时识别“异常值”——即结果超出这些预期边界的情况。无论是在制造业还是服务业，检测这些异常值都同样重要。例如，在金融交易中检测欺诈。使用传统的异常检测方法，丹斯克银行的误报率高达99.5%，而实际欺诈案件的捕获率仅为40%；使用深度学习后，这两个指标都有了显著改善。
总结
如今，人工智能已能增强流程改进周期的所有阶段。展望未来，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（如ChatGPT、Claude和Stable Diffusion背后的系统）正是新兴“自主代理”的核心，它们不仅能执行单一命令（称为“提示”），还能处理一系列的提示。像AutoGPT或Wolfram Alpha这样的早期代理已经展示了如何自动化更复杂的任务，以及如何通过仔细的提示设计和内容策划来克服当前生成式人工智能系统所面临的“幻觉”问题。生成式人工智能工具用正常语言与用户互动，以理解他们的需求，然后考虑大量数据来执行复杂任务的能力，使它们成为帮助自动化操作改进任务的首选候选者。我们才刚开始理解这些代理将为改进流程带来的价值。
将会出现的挑战 随着人工智能在操作改进中扮演越来越重要的角色，领导者将不得不应对许多重要问题。
工具和技术的重点减弱了。 目前的流程改进方法依赖于成熟的固定程序，使得劳动力能够使用它们。它们往往是启发式的，以简化其使用，并使其对组织内的所有层次都易于接近。随着人工智能的日益使用，这些标准化工具和技术的重要性将会减弱。人工智能将被所有那些内部专家和顾问视为一种存在的挑战，这些人在应用这些技术方面已经建立了自己的职业生涯，他们很可能会抵制其采用。
需要开发新的能力。 公司中的改进专家，包括黑带，将不得不了解人工智能的能力和局限性。评估人工智能系统输出并评估其能够提供的附加价值所需的技能，并未包含在精益六西格玛培训和大多数商学院的课程中。流程所有者和高级执行利益相关者需要倡导此类培训工作。可能出现的一个障碍是，不完全了解基于人工智能的流程分析和改进的高管；他们可能因为更信任人力驱动的精益六西格玛项目而抵制它。
采用人工智能需要进行重大的组织变革。 识别要改进的流程方面是一回事。但流程包括机器和人，两者需要密切协作以实现无缝运营。因此，要使任何改进对底线绩效产生真正影响，嵌入该过程中的人（即您的员工）需要买账。当他们不这样做时，改进往往无法持久，绩效会回退。
正因为此，所有成熟的改进模型都强调，运营改进需要沟通和说服，以吸引员工参与流程的每一个部分。本质上，如果你想实现你寻求实施的改进的全部潜力，没有你的员工的日常支持是无法做到的。
随着在流程改进中使用人工智能的增加，将极大地加剧这一挑战。在传统方式中，工人会绘制流程图并进行“五为什么”根本原因分析，而人工智能可以更好更快地完成这些任务。结果是，拥有感将减弱，员工将更不愿支持那些被视为强加而非自主决定的改进。
管理运营改进的人员方面一直至关重要。人们可能会认为，有了人工智能，这会变得更容易，然而，奇怪的是，事实恰恰相反。运营领导者将不得不重新思考在人工智能加入时如何保留积极参与和一定程度的自主性的方式。人工智能绝不能成为阻止人们以有意义的方式参与流程改进的障碍。
人工智能可以彻底改变流程改进，并大幅减少传统方法中使用的劳动密集型任务。然而，要实现这项技术的潜力，领导者将需要重新定位一线工人对这些新工具的认识。他们还需要在流程所有者和利益相关者中建立信任，即人工智能与最有资质的黑带人类流程工程师同样有效甚至更有效。
