导语
自动化生产与自动化管理对企业的发展都具有重要的影响。自动化生产所影响的更多是与企业生产相关的过程，而自动化管理对企业的影响则更加全面和深远。在数字化时代，企业必须要重视运用自动化管理以获得可持续的优势。那么，企业究竟应该如何认识和开展自动化管理呢？
文 / 刘杰
企业对自动化管理的定位
近年来，伴随着物联网、云计算、大数据以及深度学习等技术的发展，自动化管理也成为赋能企业管理的一项重要应用。自动化管理的实质是运用基于人工智能（Artificial Intelligence - AI）的解决方案来完成管理任务。虽然AI这个概念在二十世纪五十年代就被提出，并且半个多世纪以来也经历了多次发展浪潮，但是，AI的基本组成并没有改变，仍然由数据、模型（也称“算法“）和算力等三大基石组成（如图1）。
图1 组成人工智能的三大基石
正是由于大数据（数据）和云计算（算力）的高速发展，特别是机器学习技术的长足进步，AI又一次成为企业的热点应用技术。而对AI三大基石中的算法可以从不同视角加以理解。一般而言，企业可以将算法理解为是一个明确的计算过程，该计算过程在计算机中表现为一个或一组程序，该程序接受某个数据或某一组数据作为输入，通过算力的运用，产生一个或一组新的数据作为输出。从表面上看，算法就是程序，是程序员或者软件工程师的工作。然而，本质上程序的核心是发现、分析和解决实际问题的方法与过程。进一步思考可以知道，相关的方法与过程取决于具体的实际工作，甚至还与每个工作人员的思想方法和认知水平等密切相关。所以，程序的核心思想来自实际工作的抽象，这项任务一般由算法工程师承担。可以认为算法也是模型，而模型表达的是业务本身。算法也就是可以计算的业务职能，因而可以通过一定的方法对算法不断理解、解析、学习和迭代。当业务职能成为计算机可以运行的程序时，相对于人工从事该项业务职能而言，就表现出高效率、规范化和易控制等特点，能有效地降低企业内、外部的交易成本。
由于自动化管理能够带来管理协调成本的降低，因此对于企业规模的扩大提供了有利的条件。其实，计算机的出现和互联网的发展，就已经引发了企业竞争市场的变化。从个体经营对象看，以前是“一铺养三代”，近两年很多人使用一部手机做直播的收入，可能会超过一个固定的商铺，个别带货主播在双十一这一天的销售收入就超过了100亿人民币。数字化系统使得很多小企业也有了进入全国甚至国际市场的机会。美国代顿大学历史学教授拉里·施韦卡特等在《美国企业家》一书中就指出，1950年时美国初创小企业有九万三千家，而随着70年代末及80 年代个人电脑和桌面排版系统的出现，在1980年时，初创小企业的数量就增加到四十五万家，尤其是在1995年，初创小企业的数量超过了八十万家，相比1980年几乎翻了一番。分析《财富》世界500强企业，也可以发现在1996到2020年之间，企业的营收规模整体上增长了近两倍。
就整体而言，无论是理论上的分析，还是企业实践中的现象，都说明了随着数字化技术的应用，企业生产率水平普遍有了进一步的增长。可以肯定的是，当以AI为核心的自动化管理在企业中加以应用，能为企业带来两大优势：一个是管理决策的效率与质量优势，另一个是将数据作为生产要素真正地开始加以运用的优势，亦即自动化管理成为企业发挥数据要素的一个抓手。
M公司供应链自动化管理示例
以笔者参加过的一家钢铁贸易企业M公司供应链自动化管理为例，采购与供应链管理是公司持续竞争优势的核心来源。M公司上游有数十家供应商，下游有数千家客户，这里分别仅用B钢铁公司和汽车企业G公司来说明，图2是一个简化的示意图。由于钢铁产品有生产周期的限制，在传统模式下， G汽车公司通常依据自己的生产计划给M钢贸公司下达下下个月的多个车型、数百种零部件的采购计划，亦即M公司需要为G公司保留两个月生产所需的原材料库存。M公司汇总所有客户的订单后还需要向B钢铁公司传递相应的采购计划。该过程中不仅存在合同、加工、仓储、提货、物流和结算等复杂的环节，而且还常常会遇到“计划没有变化来得快”等问题，哪怕G公司对某个品种零部件一天的实际需求量达到了两个月的计划量，M公司也必须满足。
图2 M公司供应链
M公司传统的做法是，借助于信息系统安排多名工作人员，分别负责不同产品的采购与销售。其实，M公司要满足G公司对库存的需求是有难处的：一方面存在着国家之间发生贸易冲突的可能，上游B公司的原材料铁矿石存在不确定性；另一方面，保持两个月库存量所占用的资金等成本很大，而且钢铁产品市场价格波动也很大。尽管M公司近年来对信息系统进行了持续的投资，供应链中的主要环节均实现了信息化，但是，随着下游G公司的产品越来越多品种、小批量化，M公司供应链管理开始面临三大挑战。
一是数据挑战。信息系统中的数据呈指数级增长，这些累积了若干年的大量数据不仅没有发挥作用，反而占用了系统的资源，系统本身和工作人员的处理能力越来越不足。
二是交互挑战。对销售与采购这两项活动，公司虽然不断增加人员，但是与上下游之间以及公司内部部门之间的沟通与协调愈加不畅，相应的管理成本大幅上升。
三是创新挑战。原有模式下，M公司的销售对接G公司采购，M公司的采购对接B公司销售，而“对应着计划的变化”却主要取决于G公司的营销部门对某款车的营销成果和B公司的采购部门所掌握的原材料供应的稳定程度。
M公司原有的模式难以保证持续地扩大业务规模，同时，效率和效益也有降低的趋势。“功不十，不易器；利不百，不变法”，在此背景下，M公司选择进入数字供应链（Digital Supply Chain）转型阶段，这将改变传统的采购与供应链的运营、组织和关系模式，管理自动化就是其中的一项重要任务。
企业的目的是创造客户，为客户带来价值的并不是企业的某个部门、某个岗位，而是一个完整的业务流程。因此，M公司明确开展自动化管理的对象应该是业务流程，而不是某一项具体的活动。而企业流程自动化的目标主要是使流程更精简、高效，大规模业务流程管理自动化也是企业数字化转型的重要特征。
M公司采取了多项举措来部署与实施供应链管理自动化：
首先，公司召开了四天的全员研讨会，主要讨论供应链管理中面临的需求和挑战，并开展AI基本原理的培训，提出公司下一步的自动化管理解决方案。
第二，与咨询公司合作，对与上下游以及第三方之间的业务流程进行抽象整理，从上百个主要流程中识别具有高度重复性的数十个核心业务流程，确定优先为这些流程开发可以开展自动化管理的解决方案。这里的高度重复性是指在多个岗位执行或某个岗位高频率执行。
第三，将选定的业务流程转换为算法模型开发人员能够阅读的工作流程，进行算法建模。在建模过程中，分类确定程序化流程、非程序化流程和半程序化流程，对程序化流程和半程序化流程中程序化部分的算法模型进行构建，同时确定算法模型需要用到的数据及对数据的要求。
第四，预算构建、运行和维护算法模型的成本，同时计算算法模型可替代的全职员工的工时，估算运行算法模型所产生的效率与效益影响，进而创建每一个算法模型的投资回报率。
第五，依据上述过程的结果选定相应的业务流程开展算法模型的软件实现、调试、试运行和实际投入运用。在此过程中，对全员持续进行培训，开展变革管理教育，创建员工自动化管理的思维和企业的文化。
第六，持续优化、增强已投入运行的算法能力，逐步增加自动化管理流程的数量。
在M公司库存管理的流程中，典型的一个程序化流程就是依据客户需求自动生成订单，主要活动包括：系统每天定时接入G公司计划系统抓取最新发布的生产计划，依据BOM表自动分解为公司的采购计划；接受其他客户的电子邮件、Excel或Word文档等文件，自动生成采购计划。
然而，上述自动生成的采购计划并不能作为M公司给上游B公司下的订单。因为M公司不愿意、也不需要为G公司保持两个月的库存，同时上游B公司的生产也存在不确定性。这就是半程序化管理决策的问题。一方面，因为G公司的计划一定会有波动，针对这个波动可以依据历史数据建立相应的算法，自动化管理系统就可以确定每一种零部件的波动值。另一方面，M公司的销售与采购部门定期（如每天或每周）分别与客户的营销部门、供应商的采购部门沟通，以把握客户的产品营销活动和供应商的原材料保障信息。
国家政策的变化、市场发展的趋势、突发性的疫情或其他自然灾害甚至区域战争的影响等，就是非程序化的管理决策问题，需要管理者的智慧。
综上，M公司最后才确定自动转发给供应商B公司的订单。该系统的建立与运行，不仅为M公司带来了日常工作效率，而且还带来了巨大的效益。就为G公司准备库存而言，周转期从127天减少到47天。
M公司建立供应链管理自动化系统，其初心并不是取代员工，而是充分运用积累的大量数据，在采购和销售两个环节上协助员工与企业内外开展交互，简化端到端的流程，并为客户、为公司创新增加业务价值。该系统除了参与完成日常的工作流程外，每日还为不同岗位的人员创建市场数据报告、客户评估报告、库存异常报告等，管理自动化也改变了公司文化以及员工的工作方式。
企业开展自动化管理的基础建设
正如本文第一部分所分析的，自动化管理的核心技术是AI，而模型（算法）、数据与算力是AI的三大基石。落实到自动化管理中，模型实现的就是连贯的业务流程，模型的正常运行需要输入正确的数据，而模型、数据的运行必然需要IT基础设施。
业务流程梳理
亚当·斯密的分工理论指导企业管理者们细化工作任务单元，一方面大幅度提高了企业的生产率，另一方面也带来了营销、生产、财务等专职职能部门以及科层式组织架构形式，使得企业中存在着大量各自为政的破碎性流程。企业开展自动化管理首要的基础就是需要将业务流程连贯化。正如迈克尔·哈默等在《端到端流程：为客户创造真正的价值》一书中所阐述的，工作不应该是一系列分散的活动，应该用端到端的连续体来代替。
其实，反过来说，业务流程连续化的前提还是做好分工，因此，通过分工的重新安排就是连贯业务流程的路径。重新安排分工有两种思路：一种是从下游客户出发推动需求，再推向内部的流程，即由外而内跨组织打通业务流程；另一种是把提高效率作为出发点，对内部能力和资源进行跨职能整合成连贯的流程。
适合管理自动化的企业业务流程应该具有明确的规则，因为只能对结构化的问题才能构建算法模型，同时，自动化程序的执行也需要精确的指令。然而，对企业而言，不可能没有异常的情况发生，如果对异常进行自动化管理的算法建模，复杂度就会大幅增加。此外，即使还存在没有异常情况出现的流程，但是可能一周或一个月才执行一次，那么由人工完成这些异常的或低频率的流程即可，这不仅是出于成本的考虑，也是从减少系统运行的复杂度出发的。
应用数据准备
运用系统开展自动化管理的方式和人工不一样，它们不是通过模仿人们的思维方式而建立的，而是建立在算法模型和数据基础上的，也就是将过去需要人类的智慧去解决的问题转变为了计算问题。人类的思考与推理等智慧活动常常并不需要很多的数据，而且人脑处理数据的能力也很有限。人们常常会运用自己的直觉和经验进行决策，这也是人类擅长的活动，所以，以前的银行等机构就称经验丰富的员工为“老法师”。自动化管理系统需要更多的数据和计算能力，而“不知疲倦”地运行和处理大量的数据是计算机系统所擅长的，算法模型和数据就成为当今的“老法师”了。
自动化管理系统需要的数据主要来自业务管理系统。在很多企业，这些数据大部分已经存在于现有的系统中，包括在企业之间进行数据传输的电子数据交换（Electronic Data Interchange - EDI）系统，还有ERP、PLC、SCM、CRM以及MES等集成系统。这些系统覆盖了企业从销售到采购以及物流、付款等流程，共同组成了企业自动化管理系统的数据神经系统。因为系统访问系统的能力很强，即信息管理系统从一个系统转换到另一个系统可以在“黑箱”中进行，其速度快于人工，不仅效率高，而且能减少人工成本。
因此，企业构建自动化管理系统并不需要把原有系统推倒重来。当然，企业针对自动化管理的实际需求，可以开发诸如物联网应用系统并运用区块链技术等，采集流程所需求的及时数据并保证数据的安全性。
IT基础设施提供
实施企业管理自动化所需要的IT基础设施大部分都可以与原有系统共享，包括计算机硬件、操作系统、企业应用软件、数据管理及存储、网络/通讯平台以及咨询系统集成服务等。
就企业管理自动化的应用软件而言，一般有两类，一类对应程序化流程，通常被称为机器人流程自动化（Robotic Process Automation ，RPA）。常见的 RPA 软件具有两个特点：一是配置简单，应用人员不需要掌握很强的编程技能，只需要拉动图标把流程中的步骤表达出来，代码便会自动生成；二是RPA产品不需要侵入和触及其他诸如ERP等系统底层，不存储任何数据，只需要通过表示层即可对其他系统进行访问。
另一类对应半程序化流程，通常被称为认知自动化（Cognitive Automation - CA）或认知智能（Cognitive Intelligence - CI）。这类软件工具需要与业务工作人员通过逻辑推理等开展交互活动，并应用知识解决问题，应用过程比RPA复杂。
虽然说引入新的IT技术能够大幅度提高系统运行效率，但对大多数中小企业而言，新技术的成本很高，需要智能地使用，即必须要考虑投入产出。企业开展管理自动化，一项有效降低成本的技术选择就是虚拟化 IT 资源的云计算，包括基础设施即服务（IaaS）、平台即服务 (PaaS)和软件即服务（SaaS）等形式。
关于作者 | 刘杰：复旦大学管理学院教授、博士生导师
责任编辑 | 刘永选（liuyx6@sem.tsinghua.edu.cn）
文章来源 | 本文刊登于《清华管理评论》2022年6月刊，内容有删减