流程挖掘：企业AI项目缺失的环节
企业技术领域最昂贵的一句话就是"我们可以在下个季度开始部署"，这句话我听了太多次，以至于在睡梦中都能听到。
叹息。
企业AI消耗预算的速度，足以让一位1996年电商泡沫时期的企业家流下一滴体面的眼泪。因为在越来越多的组织中，AI带来的业务成果微乎其微，你需要用显微镜才能找到。但计算账单却是实实在在的，即使你不追随tokenmaxing的潮流，你与推理提供商的年度合同，以及你的Azure AI Foundry、WatsonX、Vertex、Bedrock或Einstein，都是非常、非常真实的。然而，转型，即公司运营方式实际可衡量的改变，这部分业务案例却总是姗姗来迟，介于第三次路线图修订和那位推动整个项目、如今却被悄无声息调离原岗位的高管之间。
我目睹这种模式反复上演，其可靠性令人印象深刻，如果不是代价如此高昂的话。事情通常是这样发展的...
一家公司宣布其AI转型计划。成立了一个指导委员会，选定了一家供应商。然后选择试点项目——通常不是基于潜在价值，而仅仅是因为某位高管有"直觉"，而你又怎敢质疑。试点项目随后以Powerpoint和Excel表格呈现，这些数字看起来确实很有前景。但这些数字的真实性，就像电影预告片对实际电影的描绘一样，技术上准确，当然经过精心剪辑，却与你实际坐下来投入后得到的结果几乎毫无相似之处。然后推广开始，你的指导委员会看到成本攀升，而在这一切中间，运营部门的人员仍在手动在两个系统之间复制数据，因为agent无法弄清楚当字段为空时该怎么做，或者更糟糕的是，它决定创建一个本不该存在的行项目。
这种情况不断发生的原因，与其说是技术的缺陷，模型确实令人印象深刻，尽管我们偶尔还会受到幻觉的困扰，但原因更多在于组织正在在无知之上部署智能。
是的，agentification团队正在将AI agent投入没有人真正理解的工作流程，这种理解程度根本不足以让自动化变得安全。他们在由假设和直觉构成的基础上建造摩天大楼，然后当编排开始动摇时表现出惊讶。
在这篇博客中，我将解释这里到底出了什么问题，以及为什么process mining——企业软件柜中最不起眼的工具之一——即将成为你武器库中最重要的部分，任何认真的组织都应该投资它，以实现成功的AI未来。
1、企业认为其流程是什么与实际是什么之间的差距
大多数公司更喜欢可预测性，而不是收到一张六位数的账单却没有相应业务成果的快感，它们在一定程度上定义了自己的流程。
一项业务活动有一个流程。它还有一个描述活动的名称，以及一个负责人。如果你"幸运"的话，它还有一个BPMN图表，由一位顾问在2019年精心制作，只为一次研讨会打印过一次，然后再也没有打开过。而当你真的、真的幸运时，它还有一个五级标准操作程序文档或工作指导书，存放在一个没人记得URL的SharePoint文件夹中，最后一次更新的人已经不在那里工作了。通常它还有一位"主题专家"，当被问及流程如何运作时，会自信满满地说"哦，我完全知道那是怎么运作的"，然后描述的内容与实际发生的事情只有模糊的相似之处，却缺少了大约百分之四十的步骤、所有的例外情况，以及运营部门三个人在Excel中搭建的整个影子系统，因为官方系统无法处理边缘情况。
听起来很熟悉吧？
好吧，我聪明的朋友，这并不只是你在管理不善的公司中才会遇到的事情。我发现这是所有公司的故事，即使是那些拥有ISO认证和足以资助小型太空计划的咨询账单的公司。文档化流程与实际执行流程之间的差距是组织生活中最一致且最被低估的事实之一，它无处不在，从制造业到金融服务，是的，在每个曾经任命"业务流程负责人"绘制流程图然后又回到老样子做事的行业中。
是的。
真正的流程并不存在于文档中。但它存在于系统日志中，这些日志显示某样东西在有人处理之前实际上在队列中待了多长时间，也存在于交接出错时出现的返工循环中，或者因为官方决策标准模糊而发生的升级中，尤其存在于人们多年来为应对无法相互对话的系统而建立的人工变通方法中。
Process mining读取这些日志。
它重建了实际发生的事情。它揭示的差距通常会让相关人员感到震惊，我是从心理意义上说的，就像你看到自己的X光片，然后意识到骨头已经断了多年，而你只是学会了绕着它走路。
IBM对自动化失败进行了一些研究，并将其写在一篇名为"业务自动化计划失败的五个原因以及如何避免"的文章中。在文中，他们发现组织通常会自动化破损或执行不佳的流程，这意味着他们花费大量资金让错误的事情发生得更快*。*
我有一种感觉，这不是你第一次听到这个特定的故事，如果这一切都没有引起你的共鸣，那么你要么是企业流程自动化领域的新手，要么你很擅长遗忘（这在公司政治中可能是一种福气）。
那句话应该挂在每个AI项目的乒乓球桌上方，但它却被埋没在一个Powerpoint演示文稿中，当然没有人读，因为所有人都在忙着参加每周的agent演示。
而task mining增加了人的层面。
Process mining告诉你系统记录的内容，但它不会告诉你当系统对他不再有用时这个人做了什么，这通常发生在流程的第四步左右。它捕获屏幕级别的行为，人们为战胜系统而尝试的变通方法，他们用于快速计算的Excel文件，以及没有人记录的标签切换，因为没有人甚至将其视为一个流程，尽管它已经在某人的第二个显示器上可靠运行了三年。
嗯哼——这是你在开始用AI自动化流程之前需要了解的流程知识水平。好像你的烦恼还不够多...我知道，这很糟糕。
2、Agentic AI需要大多数组织无法提供的流程细节
如果你有幸之前尝试过RPA-ing流程，那么你可能有一些流程自动化的经验。我一直很欣赏传统基于RPA的自动化的一点是，它被设计为能够容忍一定程度的流程混乱，而不会立即成为负担。
传统的RPA脚本本质上就像一个字面意义上的员工，每次都严格按照被告知的去做，顺序完全一致，但当现实与指令不匹配时就会失败。它是僵化的，但这种僵化在你的流程混乱时是一个特性，因为至少你能立即知道什么时候出了问题。
是的，我的朋友，回顾RPA，让我们渴望AI的东西实际上是我最怀念的东西。因为AI agent是一种根本不同的野兽，这种差异对我将要论证的内容至关重要。
AI agent不遵循确定性脚本。
它根据上下文做出决策，并在可能的行动之间进行选择。它可以处理模糊性，并决定何时继续或何时升级，并在可能跨越多个系统、部门甚至多天的整个工作流程中持续执行所有这些操作。但它也需要知道正常状态是什么样的，这样它才能识别异常状态，它必须被展示什么是有效的转换，这样它才能检测到无效的转换，当它遇到不对劲的事情时，它必须有清晰的升级逻辑。在我的项目中，它还被训练优化成本边界，因为一个不断重试永远不会成功的API调用的agent正在积极消耗我们的token预算，同时还在失败。
所有这些要求都需要一样东西，而大多数组织都没有这样东西，那就是对其流程实际运作方式的运营上诚实的理解。
没有这种基础，你得到的就是我所说的"没有入职培训却拥有公司信用卡的自主员工"。它们是自主的，是的，但它们也对应该做什么深感困惑，因为有人给了它们一张2019年的地图。
去年六月，我们在Gartner的炒作周期伙伴们估计，在他们的新闻稿†中，超过百分之四十的agentic AI项目将在2027年底之前被取消，成本攀升、业务价值不明确和治理不足被列为主要原因。我认为这三个原因都指向同一个根本原因，即组织正在将它们不理解的流程环境中部署agent，并在规模上发现这种无知的代价。
† 新闻稿标题为"Gartner预测超过40%的agentic AI项目将在2027年底前被取消"
3、Process mining为企业AI提供所需的运营基础
Process mining工具，这里我指的是Celonis、UiPath Process Mining、SAP Signavio等平台，它们做的事情听起来很简单，但结果证明具有深远的价值。它们读取你的事件日志，向你展示运营中实际发生的事情。如果你曾经看过它们生成的详细流程图，你就知道我的意思
这些工具向你展示瓶颈在哪里，不是你认为它们在哪里，而是数据显示时间实际积累在哪里，它向你展示哪些审批步骤在增加延迟而没有增加价值，然后你会看到变体爆炸，即单一流程类型在实践中实际采取的不同路径数量，这总是远远大于任何人在纸上或在Aris中设计的路径数量。一个设计为有三个变体的流程在实践中通常有四十个，每个变体都代表一组没有人想到要写下来、而AI agent最终必须导航的东西
它们还做了一件对企业AI规划特别有价值的事情，那就是识别值得追求的自动化候选者。
在实践中，你在AI项目中会遇到四种类型的流程，我之前已经描述过它们几次，所以对于常读读者，你可以跳过这部分。
区域I是高结构化、低风险、重复性的。这是当你试图推销你的项目时，能让你获得关注、惊叹和赞赏的东西。诚实的问题是，这个区域的大多数agentic自动化不能被称为"转型性"而不脸红。当你瞄准这些"快速胜利"时，你看的是我所说的"点解决方案"。比如为数据分类电子邮件、在Excel电子表格中填充行或实时扫描发票，在我们分析的所有agentic实施中，我们看到27%的企业流程步骤实际上落在这里，区域I部署的文档成功率为71%。
区域II涵盖17%的企业流程步骤，成功率为52%。乍一看这听起来可以接受，直到你记住另外48%产生了清理工作，而这些工作永远不会出现在你的指导委员会看到的仪表板中。这些流程大多数时候有清晰的结构，但在边缘处崩溃，因为它有一个缺失的字段，或者一个总是由某人手动处理的未记录例外，你知道，边缘情况和变体。然而，这是第一个开始有人类参与的区域。
21%的企业流程步骤落入区域III，它们的成功率仅为31%。而这，我好奇的朋友，是应该用足够大的字体打印在每个agent部署提案上的数字，大到不用眼镜就能阅读。这些流程在原则上有足够的结构可以自动化，但它们充满了例外、合规和风险。如此之多，以至于像RPA这样的确定性自动化总是在它们身上崩溃。然而，这是你会获得真正生产力提升的地方，但也是token成本概况最高的地方，因为模糊性消耗计算资源，而区域III流程充满了模糊性。没有process mining，区域III中的agent正在根据某人认为他们知道事情如何运作的流程描述工作。但结果证明那是错的。因此是31%。
但这些正是现代AI agent可以创造真正价值的流程，而process mining是用证据而非直觉揭示它们的工具。
Celonis在描述他们所谓的process intelligence时直接阐明了这一点，即AI agent需要从实际流程数据中获得的业务上下文，以便在企业环境中有效运作，而没有这种上下文，agent就是在假设上运作，而假设在生产环境中是相当昂贵的。
区域IV涵盖我们记录的12%的案例，成功率为8%。是的。这是你永远不会听到供应商推销的数字。这些是高风险、高模糊性、低可结构化，并且在当前条件下不适合自主处理的流程。区域IV部署的失败案例有一个共同特征，涉及的组织说服自己他们处于区域II，通常是因为某个对项目有财务利益的人告诉他们如此。当有人声称agentic AI已经能够自动化这个区域时，我只是问他们是否愿意乘坐由ChatGPT驾驶的飞机。
确实。
4、在没有流程智能的情况下部署agent的复合成本
我想花一些时间讨论出错机制的运作方式，因为我认为失败模式并不像看起来那么明显。
当你将AI agent部署到未映射的流程中时，首先发生的事情是，agent在简单案例上表现相当好，这些案例是每个人在设计系统时隐含的。这些案例是你在生成试点演示文稿中的数字时想到的，但问题是它们可能只占实际量的百分之三十。
另外百分之七十都是关于复合的。
一个遇到未准备好的案例的agent会不断尝试，消耗token，进行API调用，尝试变体，有时在连接的系统中产生副作用，最终要么放弃，要么产生一个技术上算是响应但实际上不正确的输出。
每一次失败的尝试都要花钱，每一个不正确的输出都会产生下游工作，需要人工干预的案例是一个产生AI成本却没有交付AI价值的时刻，在高容量环境中，这些案例积累得很快。
隐藏的人工清理工作也许是最阴险的后果，因为它对向上报告的指标是不可见的。agent完成了任务，在这个意义上，工作流程状态发生了变化。运营部门的人花了四十分钟纠正agent所做的事情，这一事实不会出现在向指导委员会展示AI项目表现如何的仪表板中。ROI计算看起来不错，运营团队却在 drowning。
IBM在他们题为"业务自动化计划失败的五个原因以及如何避免"的论文中广泛记录了这种模式，在文中，他们说最有可能从自动化中看到回报的组织是那些在投资技术之前先投资于理解其流程的组织。跳过这一步的组织往往以昂贵的教训告终。
Token成本是企业AI预算中最明显的项目，在这种情况下，它们是所有例外处理的症状，以及agent没有足够上下文自信行动、不得不更努力地工作以产生输出的案例。这一发现是我在Poundwise Tokenomics和Roundtrip Value Governance研究论文†中使用的。
† 论文链接在评论中。
5、以正确的顺序构建堆栈
mining、simulation、部署和治理。
那些做对的组织将企业AI视为运营模式问题，然后才将其视为技术问题，而有效的运营模式看起来是这样的。
它从process mining作为诊断层开始，不是一次性的练习，而是一种持续的能力，读取整个企业的事件日志，并产生一个持续的、基于证据的运营实际发生情况的图景。这是基础。其他一切都建立在其上。
第二层是simulation‡，这是几乎每个人都跳过的步骤，因为它感觉慢，因为供应商正在等待开始部署，因为六周后有一个董事会演示。
Simulation意味着获取你收集的流程智能，并对当你将agent引入特定步骤时会发生什么进行建模，在投入生产环境之前预测对吞吐量、成本、质量和例外率的影响。Apromore‡和类似工具在这方面投入了大量资金，正是因为在生产中出错的成本远高于在simulation中出错的成本。
第三层是关于受控部署的，在其中，你有一个分阶段且可逆的推广，有明确的成功标准，明确的干预触发器，以及simulation识别为高风险的例外类别的人类参与。
当你部署后，你进入第四层，通过process mining对流程进行运行时治理。是的，这意味着process mining能力在部署后不会消失。它只是转变为监控模式，持续比较agent实际在做什么与它们被设计要做什么，并标记偏差和衡量已识别的价值。我此刻正在用Celonis做这个来衡量净项目价值†
这个堆栈并不华丽，但它产生了有价值的东西，在这个意义上，它证明你的项目实际上在大规模和长时间内有效，而不必扩大必须为其善后的运营团队。
‡ 阅读评论中的AEGIS——Agentic Enterprise Governance and Intelligence Simulator——论文
† 阅读Roundtrip Value Governance for Agentic Process Automation论文。
6、在下一次供应商推销之前，高管需要做什么
如果你是高管，你需要做的第一件事是停止在购买理解之前购买技术。
是的，我同意，这句话值得挂在乒乓球桌附近的一张励志海报上。
Process mining不是咨询推销中出现的先决条件，因为顾问想要构建agent，但它仍然是一个先决条件，对于跳过它的组织，审计很快就会到来。
你需要做的第二件事是在围绕它们自动化之前修复交接。我指的是像双重数据输入、系统之间的手动传输或多个审批这样的事情。它们是AI agent要么会复制要么会卡住的结构性失败，无论哪种结果都要花钱。
作为一个粗略的数字，在部署前花一小时修复交接，大致相当于之后花十小时token支出试图导航它。
还要将事件日志视为战略资产。这意味着你投资于收集流程遥测的基础设施和分析它们的工具，还要投资于根据它们显示的内容采取行动的组织纪律。大多数企业坐拥数据，这些数据会准确告诉它们最高价值的自动化机会在哪里，而它们却没有阅读，因为没有人给它做仪表板，也没有人让它成为某人的工作去关心。
衡量已识别的价值，而不是生产力代理指标。完成的任务、节省的时间、理论上释放的全职员工，这些指标很容易产生，尽管它们可能是你的管理层想要看到的，但它们对于理解你的AI项目是否正在创造真正的业务影响几乎毫无用处。重要的指标是特定流程的周期时间减少、特定输出的错误率变化、特定流程的每笔交易成本，最终是对收入、利润和风险的影响。如果你的AI项目不能产生这些数字，你应该将它们设计进去。
最后一件事是，你不再让技术对话与运营对话分开发生。企业AI不是一个有业务赞助商的IT项目，而是对组织运营方式的根本改变，它需要从开始就要求了解运营、流程、例外和边缘情况的人参与。
Process mining是使这些对话事先成为可能的学科，因为它给房间里的每个人提供了组织实际运作方式的相同基于证据的图景，而不是关于它应该如何运作的竞争意见的集合。
Process mining从来不是令人兴奋的部分。它一直是必要的部分。那些在账单到来之前明白这一点的组织，将是三年后仍在运行AI项目的组织。其余的将有一个非常有趣的案例研究和一个小得多的预算。
原文链接: Process Mining Is the Strategic Foundation Your Enterprise AI Project Is Missing
汇智网翻译整理，转载请标明出处