拆解工作流程
在信息科技革命时，企业问：「我们该如何在企业中推行计算机？」对一些企业来说，答案很简单：「找到需要很多运算的地方，用计算机取代人。计算机可以做得更好、更快，而且更便宜。」而对其他企业来说，就没那么明显了。不过，他们会进行实验，只是那些实验的成果需要时间证明。诺贝尔经济学奖得主罗伯特．梭罗（Robert Solow）悲叹道：「到处都看得到计算机时代，除了生产力统计以外。」1
这个挑战产生有趣的企业风潮，称为「再造工程」（reengineering）。1993年，麦可．韩默（Michael Hammer）与詹姆士．钱辟（James Champy）在《企业再造工程》（Reengineering the Corporation）中主张，使用计算机这个新的万用科技时，企业必须回溯自己的作业流程（process），并勾勒出想要达到的目标。接下来企业需要研究自己的工作流程（work flow），找出达成目标所需的工作，唯有此时才能思考计算机能否在这些工作中发挥作用。
韩默与钱辟最喜欢的一个例子就是福特（Ford）在1980年代面临的两难困境，不是要制造汽车，就是要付钱给所有人。2福特在北美的会计部门雇用了500人，公司希望藉由采购计算机的大笔支出，将人数减少20％。这个目标在有400人的部门来看并非不切实际，毕竟竞争对手马自达（Mazda）的会计部门只有5个人。尽管在1980年代，许多人对日本工人的生产力大感不可思议，却没有让管理学大师领悟到有件事情正在酝酿。
要达到更高的绩效，福特的经理人必须退一步观察采购的作业流程。从写下一张购买订单到真正核可购买的中间会经手很多人，只要其中有一个人花很长的时间完成工作，整个系统就会慢下来。毫不意外，有些采购比较困难，例如必须有人协调订单。作业流程中要有人做那个工作。因此，就算订单只有一小部分出问题，那个人大部分的时间也都花在解决那些问题。这就让所有订单在那个步骤时，处理速度都跟最困难的订单处理的速度一样。
这其中就有潜力可以让计算机发挥极大效益。计算机不但能减少错误配置去延误系统，还能从较简单的案子中挑出较困难的案子，确保较简单的案子以合理的速度进行。新的系统一就位，福特的会计部门就缩减75％，整个作业流程明显加快，也更加准确。
并非每个再造工程的例子都是缩减人数，遗憾的是，许多人第一个想到的就是这个。3一般来说，再造工程可以改善服务质量。以另一个例子互惠人寿（Mutual Benefit Life）来说，这家大型人寿保险公司发现，在处理理赔申请时，需要五个部门里19个人进行30个不同的步骤。如果你在这家公司总部的迷宫中进行典型的申请流程，一天或许能完成。但是一件申请案却要花5到25天。为什么？因为时间都花在公文传送上了。更糟的是，还有一堆没效率的事，因为他们可能坚持去完成那个行进缓慢的目标。再一次，一个企业计算机系统运作的共享数据库可以改善决策、减少处理过程，并大幅改善生产力。到最后，一个人有权力决定申请案，而且在4小时到几天之间就可以完成。
就像典型的运算功能，AI也是万用科技。它有潜力影响所有决策，因为预测是决策的关键生产要素。因此，没有经理人能在一个问题或现有作业流程中只靠着「纳入AI」，就能达到生产力大幅成长。相反的，就像韩默与钱辟提到的那样，AI是一种需要重新思考作业流程的科技。
企业已经在分析工作流程，并将工作流程拆解成几个组成的任务。高盛（Goldman Sachs）财务长马丁．查维兹（Martin Chavez）曾说，IPO流程中的146项任务有许多「渴求自动化」。4在那146项任务中，有许多是基于AI工具可以明显增进决策。等到10年后有人写到高盛的转变，故事的一大部分将会谈到AI的兴起在这场革命中扮演举足轻重的角色。
AI的实际执行是透过AI工具的发展。AI工具的设计单位并非「工作」或「职位」或「策略」，而是「任务」。任务是决策的集合（就像图7-1，以及第二部分的分析）。决策根据的是预测和判断，并由数据提供信息。一项任务之中的各项决策通常都有这些共同要素，差别在于之后的行动。（见图12-1。）
有时候我们可以将任务里的所有决策都自动化，或是因为现在预测能力增强，而将最后尚未自动化的决策也自动化。预测机器的兴起刺激我们思考如何重新设计整个流程，或是这里所称的「工作流程」，并将其自动化，有效将人类彻底从这些任务中移除。但是光靠更好、更便宜的预测就会促成纯粹的自动化，使用预测机器必定也能增加任务里在其他方面使用机器的报酬。否则，你会想要让预测机器和人类决策者合作。
AI工具对工作流程的影响
在协助科技公司成长的创造性破坏实验室，我们已经看到有超过150家AI公司。每一家都专注在一种AI工具的发展，想要解决特定工作流程里的一项具体任务。有家新创公司是要预测文件中最重要的一段话，并加以凸显；另一家新创公司则要预测制造瑕疵，并标示出来；还有一家新创公司则是预想适当的客服响应，并回答顾客的询问。这类公司说也说不完。大公司为了加强工作流程中的各种任务而推行的AI，没有几千种也有几百种。当然，Google正在开发超过1000种AI工具，从电子邮件、翻译到驾驶，协助各式各样的任务。5
对许多企业来说，预测机器的影响很深远，不过是以渐进且大致不引人注意的方式进行，差不多就类似AI改善智能型手机上的许多修图应用程序。它协助整理照片，但并未从根本上改变使用应用程序的方法。
不过，你会阅读这本书，可能是因为有兴趣知道AI如何让你的企业产生根本性的改变。AI工具会从两方面改变工作流程。第一，它们可能会让任务过时，因此会从工作流程中淘汰；第二，它们可能会增加新的任务。每家企业及每个工作流程可能会有差异。
就以企管硕士学程招募学生的问题来说，这是我们十分熟悉的作业流程。你可能曾是类似作业流程的其中一端，也许是招募员工，或是签下顾客。企管硕士招募的工作流程是从汇集可能的申请人开始，之后会有一群人收到入学许可，而且决定接受。这有三大部分：（1）由几个步骤组成的销售漏斗（sales funnel），用意是为了鼓励申请，（2）考虑谁能收到许可的作业流程，以及（3）更进一步鼓励获得入学许可的人接受许可。每个部分都牵涉到重要的资源分配。
很显然，这种招募流程的目标都是为了争取到一班最优秀的学生。不过，何为「最优秀」是个复杂的问题，而且和学校的策略性目标有关。此刻，我们暂且不论「最优秀」的定义对设计AI工具有什么影响（确实有），以及工作流程中的任务等议题，只假设学校清楚定义出「最优秀」对整个组织所代表的意义，也就是学校拿到很多申请书，可以努力按照最优秀的定义给学生排名。实际上，招募工作流程的中间步骤，也就是选择哪些申请人给予入学许可，包含提供入学许可应该在流程中的早一点、还是晚一点，以及是否应该附带奖学金诱因或补助等重要决定。那些决定不单只是锁定最优秀的学生，还要预测最有效的方法，让最优秀的学生接受许可（这是工作流程中较晚出现的事）。
目前给申请者排名的系统包含粗略评估。候选人一般是以A、B、C等级排序：（A）是显然应该获得许可的人；（B）是如果（A）的人拒绝了，应该获得许可的人；以及（C）完全不给入学许可的人。于是这就产生风险管理的需求，需要评估可能会使错误增加的行动优缺点，从中取得平衡。比方说，有人基于申请书上不明显的理由，应该分类在（A）甚至是（B），所以你不想把那个人放到（C）。同样的，如果有个人在优先级的排序中较低，你也不想将他们分配到（A）。由于申请书有多重面向，导致候选人的分组评估中混合主观与客观因素。
假设企管硕士学程开发一个AI，可以接收申请书与其他信息，也许是一般人常会提交的视讯自我介绍，以及公布在社群媒体上的公开信息，并以过去的数据训练，显示这样的申请人与信息在稍后如何转化为优秀分数，并清楚提供所有申请人的排名。这个AI工具可以更快、更便宜，也更准确地执行任务、判断哪些申请人应该收到入学许可。关键问题是：这样神奇的预测科技对企管学程剩下的工作流程会有什么影响？
我们假设将申请人排序的科技可以提供一项预测，告诉我们哪些人可能是优秀的申请人，这就会影响整个工作流程的决策，包括提早给予入学许可（也许抢在其他学校之前）、金钱诱因（奖学金），以及给予特别关注（与教职员或杰出校友共进午餐）。这些决策全都牵涉到权衡取舍，以及稀有资源的分配。有了比较准确的理想候选人名单，将改变谁能收到这些资源。此外，对于我们有把握能成为优秀学生的候选人，我们也愿意付出更多金钱奖励。
预测排名也许对学校在收到申请书之前所做的决策产生更大的影响。许多学校知道，虽然它们想收到更多申请书，但如果收到太多，就要面对评估与排名的问题。我们的预测机器大幅降低这种排名的成本，对于有更多申请人要排序的结果来说，报酬会增加。如果这项科技还能评估申请人的认真程度（既然很神奇，那有何不可？），那这项科技就特别可信了。因此，学校可能会让申请人增加。它们可能会将申请费用调降到零，因为将申请书排序太容易了，收到更多申请书等于没有实质成本。
最后，工作流程可能会更从根本上出现改变。有了这样的排名，学校可以缩短提交申请书到提供入学许可的时间。如果排名够好，几乎瞬间就可以决定是否提供入学许可，这就大幅改变整个工作流程的时间安排，以及顶尖企管硕士候选人的竞争态势。
这种AI是个想象，但这个例子说明，将AI工具放进工作流程的任务之中，如何使得任务被移除（例如，以人工进行申请排名）或增加（例如更大范围的宣传）。每家企业当然会产生不同的结果，但是藉由拆解工作流程，企业可以评估预测机器的影响范围，是否可能超越原本设计的个别决策。
AI工具如何改变iPhone的键盘
一方面，智能型手机的键盘与原始打字机键盘的共同之处，可能比个人计算机使用的键盘还来得多。如果你的年纪大到使用过打字机，也许还记得如果字打得太快，机械会卡住。基于这个理由，键盘出现我们熟悉的QWERTY排列设计，这样的设计标准会限制敲到两个相邻按键的可能性，而这种可能性正是旧式打字机故障的原因。但同样的特征也会让速度最快的打字员变慢。
即使导致所有问题的机械作用早已无关紧要，QWERTY的设计仍延续至今。苹果的工程师设计iPhone时，争论到底要不要干脆完全摆脱QWERTY。而让他们打消念头的原因就是熟悉度，毕竟当时竞争最激烈的对手黑莓机（BlackBerry）就是用QWERTY键盘，效果好到产品有令人上瘾的本质，因而普遍被称为快克莓（Crackberry）。
苹果iPhone的「最大科学计划」就是虚拟键盘。6但迟至2006年（iPhone于2007年问世），键盘还是很糟糕。不但比不上黑莓机，而且难用到没有人能用来打一则简讯，更别说电子邮件了。问题在于要把键盘塞进4.7英寸的LCD屏幕，按键会变得非常小。这代表很容易按错键。许多苹果工程师最后想出甩开QWERTY的设计。
他们只有三个星期可以找出解决办法，如果找不到解决办法，整个计划可能就会终止。每个iPhone软件开发商都在天马行空地探索其他选项。等到三个星期结束时，他们有个看起来像小型QWERTY键盘的键盘，但做了相当大的调整。虽然用户看到的影像不变，但在打字时，某一组按键周围的区域会放大。当你按了「t」，极有可能下个字母是「h」，于是那个按键周围的区域会放大。在那之后就是「e」与「i」放大，以此类推。
这就是AI工具发挥作用的成果。苹果的工程师几乎是抢在所有人之前使用2006年的机器学习，建立预测性算法，让按键大小根据个人打字的内容而变化。一脉相传的科技，带动如今你看到自动修正的预测性文字。但基本上，能够有效运作的原因是QWERTY。设计用来确保你不会按到相邻按键的键盘，让智能型手机的按键能在需要时放大，因为下个按键非常不可能就在你刚使用过的按键附近。
苹果工程师在开发iPhone时做的事，就是精确了解使用键盘的工作流程。用户必须找出按键、碰触，然后移到下一个键。藉由拆解这个工作流程，他们发现找到及碰触的按键未必是同一个按键。更重要的是，可以预测到使用者下一个要按的按键。要了解如何充分利用AI工具，掌握工作流程非常重要，对每个工作流程来说都是如此。
本章重点
* AI工具是单点式的解决方案。每一个工具产生一个具体的预测，而大多数的设计目的是为了执行特定任务。许多AI新创公司的建立是在创造单一的AI工具。
* 大企业是由将生产要素转为产出的工作流程组成。工作流程由任务组成（例如，高盛的一个IPO案件有146个任务的工作流程）。在决定如何推行AI时，公司会将工作流程分解为许多任务，估算建立或购买AI执行每项任务的投资报酬率，按照投资报酬率给AI排序，然后从排名前面的项目开始往下进行。
有时候一家公司只是将AI工具放进工作流程之中，就会因为增加任务的生产力而立刻受益。不过，通常没有那么容易。想从推行AI工具中得到实质利益，需要重新思考或「再造」整个工作流程。因此，就像个人计算机革命一样，需要时间才能看出AI给许多主流企业带来的生产力增加。
* 为了说明AI对工作流程的潜在效应，我们描述一个假想的AI，预测企管硕士学程申请人的排序。要充分发挥这个预测机器的优点，学校必须重新设计工作流程。学校需要排除用人力给申请人排序的任务，并扩大宣传学程的任务，因为AI会使增加申请人所带来的报酬增加（可以更好的预测未来谁会成功，并降低评估申请人的成本）。因为更能确信未来谁会成功，所以学校可以修正提供奖励诱因的任务，例如提供奖学金与助学金。最后，学校会调整工作流程的其他要素，充分利用这种能力，实时提供入学决定。
