业务流程重组（Business Process Reengineering，BPR）是新技术带来的管理革命的重要组成部分。1990年，迈克尔·哈默在《哈佛商业评论》发表了一篇题为《再造：不是自动化改造，而是推倒重来》的文章，将企业在微型计算机、数据库、计算机网络等信息技术的渗透下日益涌动的管理变革推向高潮。
一时间，业务流程重组成为企业竞相追逐的热点。随后的三十年中，业务流程重组的理念与实践在最初的激进风潮之后，经历了持续的探索与完善，深刻融入到现代数字化企业管理思想体系中。在ERP（Enterprise Resource Planning，企业资源计划）等关键性企业系统的实施和应用中，在新兴网络环境下的商业模式创新构建中，业务流程的设计、管理与优化，更是不可或缺。
新AI的兴起，在更高的维度上为业务流程重组开辟了新的空间。2022年11月，生成式大语言模型对话机器人ChatGPT的推出，开启了新一轮AI浪潮。在随后一年多的时间中，生成式大语言模型席卷全球，新AI技术的发展和应用，成为各行各业瞩目的焦点。
与过去二十多年中兴起的其他信息技术相比，基于生成式大语言模型的AI具有通用性、交互性、多模态、动态性、成长性等新特点，如同当年的计算机、数据库和网络技术一样，具备深度冲击和改变人们基本工作方式以及业务流程基础运行逻辑的巨大潜力。新AI正在引发人们思考并探索对工作方式和业务流程进行根本性再造的可能性。新一轮的业务流程重组呼之欲出。
在这股新业务流程重组潮流的酝酿涌动之际，本文试图回顾上一轮业务流程重组的历程与经验，反思其理念、方法与原则，对照新AI的特点与潜在作用，为新一轮业务流程重组的启动提供启示。
一、业务流程重组的兴衰
二十世纪八十年代后期，计算机在欧美企业中得到广泛应用，数据库和网络技术也逐渐发展成熟。在实践需求的驱动下，一些企业开始尝试使用新的信息技术来连接跨越职能界限的业务流程，从而建立与以往那种条块分隔、步骤繁冗的流程模式有着根本性不同的新型业务流程。
一个被广泛引用的典型例子是，福特公司通过在应付账款管理流程中引入一个集中的数据库系统，减少了以往流程中订单、入库单和付款单之间多重匹配问题带来的大量烦琐且难以核验的工作步骤，将流程的运行成本降低了70%。另一个著名的例子是，IBM信用公司通过在授信审批流程中以跨职能的“通才”人员代替传统的“专才”分工，将流程执行的平均周期从6天缩短到4个小时。
在这些广泛探索的启发下，管理学者和咨询顾问总结提炼出了“业务流程重组”的概念。在一系列的文章和著作中，迈克尔·哈默、托马斯·达文波特、詹姆斯·钱皮等人全方位阐述了业务流程重组的目标、思路、原则和方法。如哈默在《再造：不是自动化改造，而是推倒重来》一文中所说的那样，业务流程重组是“对企业的流程作根本性的思考和彻底重建，其目的是在成本、质量、服务和速度等方面取得显著的改善，使得企业能最大限度地适应以顾客、竞争、变化为特征的现代企业经营环境”。
在信息技术广泛渗透的大背景下，业务流程重组的理念成功地连接起信息技术、业务流程、重新设计三个关键性的元素，并深刻地揭示了计算技术的真正价值不仅仅在于提高工作效率，还在于改变工作的方式。
一方面，信息技术使重组成为可能：流程之所以能够重组，是因为以信息技术为代表的新型生产条件和管理手段为流程的设计提供了新的选择。另一方面，信息技术使重组成为需要：流程之所以需要重组，是因为在变化了的经营条件下，原有的流程在能力和效果上都存在缺陷。
理论的提炼与实践的探索相得益彰。在学界，哈默等人对一系列早期案例进行了分析，在此基础上总结出了业务流程再设计的七条原则：
第一，流程应围绕产出目标而非活动进行设计；
第二，让使用流程产出的人来执行流程；
第三，将信息处理工作纳入到产生该信息的活动中；
第四，将地理上分散的资源当作是集中的资源来对待；
第五，将并行的活动连接起来，而不仅仅是聚合其结果；
第六，将决策点放在工作执行的位置上，并在流程中建立控制；
第七，在源头一次、一处捕获信息。
围绕这些原则，咨询公司构建起了体系化的方法论，并开发了大量用于流程建模、分析及设计的工具。在业界，企业争先恐后地启动了业务流程重组的变革项目。根据达文波特的估算，1995年北美企业在业务流程重组项目中的投入达到了510亿美元。
然而，第一轮激进的业务流程重组成功率极低，失败案例众多。许多企业投入了大量的资金和精力，换来的却是远低于预期的成效，甚至是严重的负面后果。1993年，在麦肯锡咨询公司调查的20个项目中，只有10%的企业认为达到了业务流程重组所承诺的效果，60%的企业取得的效益低于5%；1994年，美国计算机科学公司（Computer Sciences Corporation，CSC）调查了100个业务流程重组项目，其中67%的企业认为效果甚微或失败。
从1995年起，人们开始对激进的业务流程重组进行深入反思。正如哈默最初所论述的那样，激进的业务流程重组“是非连续性的改变过程，追求的是‘10倍的改进’，往往要废弃旧的工作流程，彻底重新设计未来的流程”。这种非连续的、突进式的管理改造意味着组织整体价值链的重建，其中必然潜藏着巨大的困难和风险。在最初的狂热中，这些困难和风险是被忽视的，这使得业务流程重组的实践陷入了一个又一个的泥潭中。
首先，一次性的、全面的流程改造并不能使组织的关键业务流程达到期望的理想状态，寄希望于以一个整体性的BPR项目让企业脱胎换骨，往往是不现实的。
其次，对于那些已经发展成型的企业，这种全面的、根本性的流程重建，就像要改造在铁轨上高速运行的列车一样艰难，稍有不慎就会脱轨翻车。
再次，许多BPR项目过于强调对旧流程的否定，往往会落入“为了改变而改变”的陷阱。
最后，业务流程重组往往过于强调流程结构，忽视了人的因素，得到的结果因此常常与预想的情况大相径庭。正如达文波特所总结的那样，业务流程重组成了一场“忘记了人的狂热”。
反思过后，业务流程重组的实践从激进转向渐进。以“改良”为导向的“业务流程优化”（ Business Process Improvement ，BPI）和“业务流程管理”（ Business Process Management ，BPM）成为主流，强调在分析理解现有流程的基础上进行连续性的优化改造，不再追求对管理框架的整体性颠覆，从而降低和控制组织转变的风险。
“最佳实践”流程的引入和建立，往往只在ERP等重大企业应用系统的实施中强调，而在稳定运行的企业中，业务流程管理通常聚焦于关键流程的渐进优化，如针对生产制造等重复性流程的精益管理和六西格玛方法等。
二、新AI视角下的业务流程
以生成式大语言模型为代表的新AI具有一系列鲜明的新特点。与计算机、数据库和网络等基础性信息技术相比，新AI的这些新特点为人们在更高的维度上重新审视、思考和设计业务流程提供了可能性。新AI具有以下五个特点。
第一个特点是通用性。传统上，基于规则的AI应用需针对特定领域情境专门构建，即便是以往的机器学习技术，也须借助充足的领域数据进行专门训练。相比之下，大语言模型“通古博今”，能够广泛地应对多样化的领域情境。尽管针对特定应用场景的专门“调教”仍然必不可少，但其高度的适应性是以往的智能技术所不可比拟的。
第二个特点是交互性。新AI应用最初以对话机器人的形态出现，重要原因在于大语言模型具备根据上下文语境进行多轮连续交互的能力。强大的自然语言处理能力使得新AI应用能够与人类用户进行多角度迭代式的信息交换。
第三个特点是多模态。尽管语言文本仍然是大语言模型最擅长处理的信息形态，但快速拓展的新AI技术已能够有效地处理和解释多种形态的数据信息，包括图像、声音、视频、设备信号等，并在这些不同模态之间建立关联，提供更为丰富和综合的理解和响应。
第四个特点是动态性。新AI应用在与用户及环境要素持续交互的过程中，能够根据外部的反馈不断地调整自己的判断和输出，也能基于用户的要求进行修正。这种动态性使得新AI应用有可能在持续交互中不断完善信息输出，但另一方面也使得信息输出缺乏稳定性、确定性和可靠性，甚至可能产生捏造事实信息的“AI幻觉”。此外，由于作为新AI基础技术的深度神经网络模型存在缺乏可解释性的“黑箱”性质，这种不稳定、不确定、不可靠的信息输出，在许多场合都可能给人们带来严重困扰。
第五个特点是成长性。成长性也可以称作“学习能力”。在预训练阶段，大语言模型基于海量数据集中学习语言模式、语法规则和知识信息。这种训练通常需要大量的计算资源，并在模型部署之前完成。在应用部署之后，模型可以自动在特定任务的新增数据上进一步学习，从而适应特定任务的需求，提升自身的能力和表现。从这个意义上说来，新AI具备在工作中学习成长的素质。
当新AI被纳入到业务流程的构建之中时，以上这些特点使其有可能在业务流程中起到以往任何技术都未能达到的作用，从而给新型业务流程的设计和管理带来前所未有的想象空间。具体来说，新AI在业务流程中可能发挥出四个作用。
第一个作用是替代知识性工作。长期以来，信息技术在业务流程中的一个重要的作用便是替代人工活动，从而实现自动化、数字化。以往的信息技术替代的主要是事务性的工作和结构化的决策；新AI能够替代的则是诸如程序开发、文件编撰、综合分析、方案设计等以往只有训练有素的知识工作者才能完成的专业性、知识性活动。例如，在一家大型互联网企业的程序开发中，AI自动生成的代码已达到72%，程序员开发的代码量不足30%。
第二个作用是检查与识别。例如，对于撰写完成的文字材料，AI可以进行检查审阅，发现其中的问题并提出修改方案。对于一个项目计划或设计方案，AI可以帮助识别潜在的错误或风险；基于图像、视频、设备信息流等数据，AI可以及时发现潜藏的缺陷、故障或变化趋势，并给出相应对策。
第三个作用是沟通与协调。由于具有交互性、多模态特点，新AI能够成为人与人之间、人与设备之间、设备与设备之间沟通的有效桥梁。例如，在涉及复杂检查维修工作的客户服务流程中，新AI能够实时同步对接用户、产品设备、技术人员、产品经理、物料管理系统、生产排程系统等相关人员、设备及系统，成为信息沟通的中枢，并在整个维修服务流程中扮演调度协调的角色。
第四个作用是信息萃取、预测与决策支持。大数据环境下的管理决策依赖于对内外部多源、多模态信息的广泛采集和综合萃取。新AI的通用性、多模态、动态性特点，使其能够有效汇集来自不同领域的不同形态的数据，据此作出预测判断，为管理决策提供建议方案，并在交互讨论中配合管理者实现决策方案的完善与优化。
三、业务流程再设计
新AI所带来的新想象空间，催动着业务流程重组思想的复苏。进取型的企业将有机会对自身的业务流程进行根本性思考，并进行重新设计，从而实现业务流程在价值创造能力上的显著提升，使企业能更有效地适应以顾客、竞争、变化为特征的现代企业经营环境。
上一轮业务流程重组的探索者们曾经总结出一系列原则，帮助企业更有效地组织业务活动、设计业务流程。经过长期的实践，这些原则大多已成为流程管理的普遍规范，融入到企业组织的管理体系和日常运行之中。在新AI时代，流程的设计和优化面临着新的可能性和新的要求，业务流程重组思想与新AI结合形成若干新的参考原则，对新情境下的实践有所助益。
第一，业务流程仍应围绕产出目标而非活动进行设计。
业务流程更新设计的根本目的不是用机器人代替人，而是使流程能够以更高的效率创造更高的价值。因此，在新AI条件下考虑流程的再设计，出发点不应是“流程中的哪些活动可以由机器人来完成”，而是“流程如何调整能够达到更好的效果”。早期业务流程重组实践中，福特在营收账款管理中以集成的数据库消除单据的多重匹配活动、IBM信用公司以通才代替专才快速完成信贷流程等，均是这一原则的典型例子。
在新AI条件下，一些企业的实践也有效地把握了这一原则。例如，一家汽车企业在新车型研发流程中，将AI技术与产品主数据系统结合，建立虚拟仿真平台，改变了车型研发的传统“V”型流程结构，通过仿真实现“虚拟验证”，从而大幅减少了所需的实验次数，显著缩短了研发周期，有效地提升了市场响应速度。相反的例子是，一些企业盲目地在产品营销业务流程中引入AI技术，用机器人代替人类员工，以更高的效率给更多的用户拨打营销电话，这非但未能带来更好的营销效果，反而大大降低了用户的体验。
这些例子提醒我们，AI在流程中的真正价值在于以新的工作方式使流程更好地达成产出目标，而不是通过机器人代替人把原有的工作步骤执行得更快。
第二，应当让执行流程的人来参与和主导流程的设计和优化。
在上一轮业务流程重组的理念中，一个重要的原则是让使用流程产出的人来执行流程，目的在于破除职能壁垒的束缚，使流程能够更高效地运转。在新AI的加持下，流程的执行者不但能够获取跨职能领域的信息以完成工作任务，还有可能借助AI工具改进流程。
例如，在一家互联网企业中，一个软件开发团队通过引入基于大语言模型的翻译及测试工具，改变了以往多语言版本软件先开发后翻译的流程，实现了边开发、边翻译、边测试的多语言版本同步并行研发流程。同样是这家互联网企业，产品经理借助大语言模型构建了快速实现产品原型的工具，从而大幅减少了概念印证阶段产品经理和软件工程师之间的信息沟通量。企业应当为这种积极的变化创造有利的环境，让流程的执行者有机会创造新AI条件下的新流程形式。
第三，将AI视为合作者而非工具。
这一原则具有两方面的含义。一方面，新AI具有交互性、成长性，在进行分析和判断时，往往需要经过多轮的交互和调整，才能触及问题的实质，得出高质量的结果。传统技术工具如电子表格计算、数据库查询统计等，则更具稳定性、确定性，根据特定的输入数据和指令，就能够得到稳定的、确定的结果。因此，对于数据库、电子表格、优化求解模型等“工具”而言，人们需要做的是“发出指令”；而对于大语言模型这样的“合作者”而言，人们则需要与之“交流讨论”。
另一方面，新AI的动态性特点也使其更像合作者而非工具。工具是稳定可靠的，而合作者则可能是动态多变的。新AI如大语言模型能够根据外部的反馈不断调整自己的判断和输出，这种调整的基础是内部不计其数的复杂神经网络节点以及数以千亿计的参数，其思维脉络对于人类而言是不透明的。在业务流程中，新AI的这种动态多变性会给流程带来更高的不确定性。因此，在流程设计中，应当为这种不确定性预留更大的容错空间。
第四，将决策权交给人和传统智能技术，而非大语言模型。
之所以提出这一原则，是因为以大语言模型为代表的新AI在信息输出方面缺乏稳定性、确定性和可靠性。因此，大语言模型技术应用于业务流程中时，更适合发挥“参谋建议”而非“代理决策”的作用。
第五，为新AI提供学习和成长的条件。
新AI具有学习能力，可以基于特定任务的新增数据进一步学习。因此，要使新AI实现学习成长，一方面要在业务流程中设计有效的反馈机制，使新AI应用能够及时获取业务流程内外部产生和采集的增量信息；另一方面，管理者应持续分析评估新AI应用在业务流程中的表现，并施以针对性的训练调校。
在这一点上，机器学习与用户行为的偏差问题值得注意。大语言模型本质上仍然是机器学习模型。机器学习方法在数据使用和模型训练中不可避免地会存在模型偏差（如数据观测和提取中的采样偏差以及模型构建中的拟合偏差）；同时，在情境应用中，模型作出的预测和推荐对不同用户的感知、态度、行为选择和观点表达会产生不同的影响，形成行为偏差（如用户活动的选择偏差和行为表现的表达偏差）。
一方面，行为偏差会被带入到用户行为数据中，通过算法训练的过程被机器学习模型所习得，产生新的模型偏差；另一方面，模型偏差会在系统应用中输出，在情境交互中干扰用户的自选择及行动，引发新的行为偏差。这样的循环使得模型偏差和行为偏差往复重塑，在交互和习得过程中持续放大和扩散，可能会导致模型算法的效力降低甚至失效，也可能使用户陷入信息茧房等困境。从这种意义上说来，在流程中设置有效的反馈机制以支持AI的持续学习，是新AI条件下业务流程再设计的一个关键且极具挑战性的任务。
四、上一轮业务流程重组的启示
让我们再次回顾当年那些绊倒了上一轮业务流程重组的“石头”，为即将开启的新AI时代的新业务流程重组提供警示与借鉴。
上一轮业务流程重组带给我们的第一个教训是不应过于激进。
二十世纪九十年代初期第一轮业务流程重组成功率低的首要原因是过于激进。在新技术潮流的牵引下和成功案例的鼓舞下，人们寄望于以一次性的、非连续的、突进式的管理改造重建组织价值链，从而获得竞争力的飞跃。这种根本性改造蕴含的巨大风险不应被忽略。
当前，许多企业的ERP等系统的建设实施已完全成型，业务流程与管理体系在成熟的信息系统平台持续运转。试图对运行中的业务流程进行面向新AI的整体性重新设计，就如同要在高空中为一架正在飞行的飞机更换发动机一样，是不现实且极为危险的。
因此，除非是初创企业，否则就大多数企业而言，新AI条件下进行新业务流程重组，更为恰当的策略应当是积极探索和渐进重组，在组织中逐步建立起新AI应用的条件与环境，持续展开业务流程的调整与优化。对那些不以前沿信息技术应用作为自身核心竞争力的企业而言，采取“跟随”策略，观察别人的探索，再择机学习借鉴，也不失为一种稳健有效的选择。
上一轮业务流程重组带给我们的第二个教训是不宜“过度设计”。
在新技术、新模式的吸引下，流程的变革很容易落入“为了改变而改变”的陷阱。在新AI的应用探索中，简单地以智能机器人替代人工、“为了智能而智能”的改造屡有出现。人们倾向于认为更先进的技术总是能够带来更优质的流程，因此执着于引入新技术，而不是寻找最合适的解决方案。同时，在业务流程重组时，也往往过于追求理想化的设计而忽略了业务的真正需要。
新AI条件下的新业务流程重组要避免“过度设计”，关键在于坚持“业务流程应围绕产出目标而非活动进行设计”这一原则。毕竟，只有在能够帮助人们更好地开展工作以达成目标时，新技术才是有用的，新AI也如此。因此，新业务流程重组仍应以业务为导向，而非以AI技术应用为导向。
上一轮业务流程重组带给我们的第三个，可能也是最重要的一个教训，是不该忽视人的因素。
流程变革之中，人员减少、人力成本降低，是最直观也最容易实现的“效益”。新AI应用最直接的形式便是“替代人工”。然而，上一轮业务流程重组之所以遭遇许多重大挫折，正是因为将人员节省作为衡量效益的第一标准，将人看作是简单的数字以及可以被技术替代的工具。尽管以“机器人”形象出现的新AI很容易让人想到对人工劳动的替代，尽管利用AI技术“减员降本”的诱惑直观而又强烈，新业务流程重组中的管理者仍应自觉地避免陷入这一误区。
以裁减人员为目标的业务流程重组存在着巨大的风险。一方面，聚焦于通过替代人工来降低成本，可能导致流程的设计忽略“价值创造”这一根本性的目标，从而错失利用新AI实现业务流程实质性再设计和根本性提升的机会；另一方面，以裁减人员为目标的重组，必然会遭到员工显性或隐性的抵制，因为没有人会乐于“被重组”，而抵制之下的重组，则可能会带来种种始料不及的不良结果。
因此，新AI条件下的新业务流程重组，不应重蹈覆辙，不应成为又一场“忘记了人的狂热”。新业务流程重组应当以价值创造而非人员节省为效益衡量的首要标准。毕竟，新技术应当用于解放人们工作的兴趣和活力，而非剥夺人们工作的机会和权利。
本文来自微信公众号：清华管理评论（ID：tbr2013），作者：郭迅华