在BPM中部署AI的發現和自動化功能，可以推動前臺流程、流程數據分析、業務流程映射和流程建模方面的進步。

業務流程管理在幫助企業進行流程工程工作和數字化轉型計劃方面有著悠久的歷史。現在，BPM正在從AI中得到巨大的推動。

數據和分析咨詢公司DAS42的首席顧問Jeff Springer表示：“人工智能技術正在迅速發展，使開發更復雜、更有效的人工智能驅動的流程發現和自動化解決方案成為可能。他補充說，其中許多進步是由于來自企業系統、傳感器和社交媒體等許多來源的數據可用性不斷提高，從而導致更大規模的人工智能部署。例如，深度學習算法的發展使人工智能系統能夠從數據中學習，并識別人類難以或不可能識別的模式。

AI 如何改變 BPM？

支持 AI 的部署在 BPM 中發現了許多應用，從改進前臺流程到分析流程數據，再到映射業務流程，再到利用生成式 AI 流程建模功能。

前臺流程

呼叫中心智能平臺提供商Gryphon的產品管理副總裁Brian Steele表示，在前臺流程中部署人工智能正在推動銷售，提高客戶滿意度并改善員工敬業度。例如，在聯絡中心，業務流程管理中的人工智能正在豐富客戶互動、縮短呼叫等待時間、個性化推薦并提供實時銷售幫助。

流程挖掘

流程挖掘是 BPM 的關鍵推動因素，可幫助企業發現改進流程、創造價值和降低成本的機會。業務流程SaaS提供商Celonis的產品管理、人工智能和知識副總裁Chris Monkman解釋說：“人工智能有助于使流程挖掘更快、更易于使用，相反，流程挖掘使人工智能（系統）正在訓練的數據更加智能，從而釋放其真正的力量。但是，當涉及到訓練大型語言模型（LLM）和生成式人工智能與幻覺的斗爭時，過程智能的創新將需要實時結構化數據和語義知識的改進。

以對象為中心的流程挖掘

Celonis 和亞琛工業大學正在將 AI 與以對象為中心的流程挖掘（表示流程中的真實對象和事件）相結合，以更好地理解和控制業務流程。例如，當運輸訂單或發票等真實對象在業務流程中移動時，人工智能可以不斷更新預期的交貨時間，在發生延誤時發送警報，甚至采取行動解決問題。

大型流程模型

企業管理軟件公司SAP Signavio正在使用LLM中的標記數據來訓練所謂的大型流程模型 （LPM），以更準確地分析流程數據。SAP和學術研究人員發布了SAP Signavio Academic Models LPM數據集，該數據集收集了數十萬個業務模型，主要采用業務流程建模符號。SAP Signavio全球市場影響主管Dee Houchen表示，LPM可以部署在許多用例中，如最佳實踐建議、流程分析、內容創建和流程數據增強。

數據提取和擴充

ABBYY產品營銷高級副總裁Bruce Orcutt表示，光學字符識別軟件提供商ABBYY正在探索人工智能技術如何從客戶文檔和信件中提取更多數據，以加快注冊、資助和審批流程的決策。人工智能還可用于豐富數據洞察力并改善流程結果。“數據為王，”Orcutt說，“但AI有助于理解所有數據，并以對業務有影響力的方式為所有數據帶來背景和意義。

低代碼/無代碼開發

傳統上，低代碼和無代碼工具與BPM分析工具相結合，以幫助簡化業務再造工作。Lotis Blue Consulting業務流程合伙人John King表示，AI正在使用GitHub Copilot功能實現更多的低代碼/無代碼開發。此功能可以促進應用程序開發的去中心化，并承諾更快的更改速度和更多的A/B測試類型的部署，以滿足客戶需求。企業還可以開發和支持應用程序，這些應用程序只需IT部門的基礎架構和平臺支持即可實現關鍵業務流程的自動化。

工作網絡分析

網絡分析使用圖論來理解復雜系統的結構和功能。King推測，這些相同的概念可以通過工作網絡分析擴展到企業，該分析處理來自會議，電話，即時消息和電子郵件的工件。人工智能可以識別行為和協作模式，并將其與公司的期望和最佳實踐進行比較，從而在需要時提高生產力。

數字孿生

數字孿生是通過數字線程與現實世界聯系在一起的物理環境和復雜過程的工作模型。人工智能可以幫助將來自傳感器和工作流程的原始數據轉換為更相關的數字孿生。King補充說，人工智能也可以應用于這些模型，以提供不同的場景和決策分析。“這將節省時間和金錢，”他推理道，“并允許公司在罕見或預期事件發生之前對其進行建模，在安全但客觀的環境中了解事件的影響，并允許提前制定應急措施。

業務流程映射

DAS42的Springer說，人工智能和機器學習模型已經被用于自動繪制業務流程，并確定改進和自動化的機會。他指出，一家制造公司正在使用人工智能系統實時監控其生產線，識別潛在的瓶頸和其他問題，并向操作員提出糾正措施，從而使產量增加了10%。

業務流程分析

傳統上，業務流程分析是由流程專家手動完成的。網絡安全咨詢公司S-RM美洲業務發展主管Stephen Ross表示，BPM中的AI可以加速涉及建模、協作、流程挖掘以及風險管理和合規性的任務的業務流程分析結果。

聊天機器人、虛擬助手和 NLP

盡管聊天機器人和虛擬助手已經存在了近60年，但它們的商業價值直到最近十年才得以實現。在生成式AI的支持下，自然語言處理 （NLP） 為聊天機器人和虛擬助手開辟了新的商機，可以集成到BPM系統中，以處理查詢、指導員工完成流程并改善客戶互動。NLP還擅長分析非結構化數據源，例如客戶反饋和社交媒體帖子，以提取有價值的見解。

AI 在 BPM 中的優勢

Gryphon 的 Steele 以聯絡中心為例表示，BPM 中的 AI 可用于發現流程優化、提高效率、降低成本和創造價值的機會，具體如下：

識別并自動執行重復性任務，讓呼叫座席騰出時間專注于更復雜的任務，提高客戶滿意度。

將客戶路由到正確的座席或部門，以減少呼叫等待時間并確保客戶獲得最佳服務。

為座席提供實時幫助，以更快、更高效地解決客戶服務問題。

分析數據以識別客戶情緒、趨勢和模式，從而改善客戶體驗。

人工智能在業務流程管理中的挑戰

在BPM 應用程序中部署 AI 的好處伴隨著挑戰、風險和道德問題，包括以下內容：

缺乏整體概述。關于生成式 AI 如何更廣泛地促進 BPM，目前還沒有達成共識。

生成式人工智能的弱點。對 LLM 的準確性、偏見、可重復性、數據隱私和幻覺的擔憂需要由供應商同質化解決。

數據質量。用于訓練和操作人工智能系統的數據必須干凈、準確和完整。

新數據風險。需要對組織內的孤立 AI 進行更嚴格的審查，并了解組織數據所在的位置、組成內容以及使用方式。

缺乏熟練工人。人工智能和BPM需要專門的技能和知識，這將需要在專業培訓或雇用具有必要技能的員工方面進行額外投資。

害怕工作崗位被取代。許多組織希望生成式人工智能和自動化技術能夠同步工作，因此他們需要讓員工處于轉型的循環和中心。

道德問題。透明度、問責制和負責任的使用以及潛在的偏見和幻覺只是將 AI 應用于 BPM 時的一些道德考慮因素。