你是否曾思考过工具与系统之间的区别？
工具是我们执行任务时所使用的，系统也同样能简化任务。
有些人可能认为系统只是更复杂的工具。
然而，当任务被划分为两种类型——迭代工作和流程工作时，工具与系统之间的区别便一目了然。
迭代与流程
迭代工作是指通过灵活的试错，逐步创建可交付成果的过程。
在迭代工作中，一个可以根据具体任务灵活使用的工具箱会非常有用。
相反，流程工作则是一个循序渐进的过程，在最终阶段产出可交付成果。
在流程工作中，拥有一个引导任务流程的系统能够显著提高生产力和质量。
流程工作转化与系统化
人类执行的许多任务，要么是迭代工作，要么是已系统化流程工作的一部分。
通过将迭代工作转化为流程工作，再对其进行系统化，可以显著提升生产力和质量。
工业革命与IT革命
工业革命和IT革命正是将迭代工作转化为流程工作并进行系统化，从而大幅提升生产力和质量的典型范例。
在工业革命之前，制造业是以迭代工作的形式进行的，人类熟练地使用工具，每次都能自由改变安排和程序。
同样，在IT革命之前，信息处理也涉及人类以非结构化、迭代的方式使用工具。
通过将这些过程系统化，就像工厂生产线或企业IT系统那样，生产力和质量都得到了显著提升。
然而，不仅是系统化，迭代工作的流程工作转化也极其关键。正是因为能够转化为流程工作，系统化才得以实现。
生成式AI革命
在业务运营中，若想通过利用生成式AI来提高生产力和质量，仅仅将AI作为工具使用是无法释放其真正价值的。
核心目标是将迭代工作转化为流程工作，并随后对该流程工作进行系统化。
生成式AI由于其适应性，能够处理迭代工作。然而，无论是人类还是生成式AI执行，迭代工作的生产力和质量都存在局限。
因此，旨在实现流程工作转化和系统化至关重要。
有人可能会争辩说，如果流程工作转化能够提高人类员工的生产力和质量，那么早在生成式AI出现之前就应该采取这些举措。
然而，以人类员工为前提的流程工作转化实际上是一个非常困难的问题。人类员工无法立即适应任务分配或内容的变化。
相反，当执行者是生成式AI时，迭代地重新配置角色和任务内容变得非常容易。
与人类不同，生成式AI可以忘记之前的步骤，瞬间阅读并理解新程序，并在此基础上执行任务。
因此，在业务中利用生成式AI的主流方法将是迭代工作的流程工作转化及其后续的系统化。
使用生成式AI提升业务效率
我们来考虑一个通过生成式AI实现业务效率提升的例子。
例如，思考处理员工关于公司内部规章制度咨询的任务。
生成式AI可以用于搜索内部规章并草拟回答。
然而，生成式AI有可能引用过时的规章，或者错误地基于规章中不存在的臆想信息生成回复。
此外，咨询可以通过多种渠道进行，例如电子邮件、即时通讯工具、电话或面对面。
因此，处理咨询的员工仍然需要像以前一样接收咨询。
可以想象，如果员工能够当场回答的问题就立即回答，而对于需要验证规章的问题，则将咨询内容输入生成式AI以生成回复草稿，这样可以提高效率。
此外，对于频繁被问到的问题，有必要将其作为常见问题解答（FAQ）发布在公司内部网站上。
生成式AI还可以用于输入代表性的问题和答案，并生成用于网站发布的项目符号草稿。
再者，当需要修订规章时，生成式AI也可用于审查草拟的措辞。
这种应用或许能简化一部分咨询处理任务。
然而，这仅仅是将咨询处理视为迭代工作，并将生成式AI作为工具使用。
因此，这种方法带来的效率提升非常有限。
流程工作转化
为了最大限度地提高前述咨询响应任务的效率，必须将此任务转化为流程工作。
这需要详细列出并记录负责人在处理咨询时所采取的步骤：
- 通过各种渠道接收咨询。
- 如果咨询与之前已回答的相同，且相关规章未发生变化，则提供与之前相同的答案。
- 对于新的咨询，或涉及规章变更的咨询，则审查规章并准备回复草稿。
- 检查回复草稿是否引用了旧规章，或包含了规章中未提及的信息。
- 检查回复前是否需要批准，并在必要时获得批准。
- 通过接收到咨询的渠道进行回复。
- 在咨询历史数据中登记咨询内容、批准结果和回复结果。
- 定期检查咨询历史数据，以创建常见问题解答的建议更新。
- 获得批准后，更新公司内部网站。
- 当规章更新时，更新引用的规章数据。
- 同时，在过去的咨询历史数据中记录相关回复和规章更新。
- 核实常见问题解答是否因规章变化而需要修订，并在必要时进行更新。
通过明确这些任务的细节，并将它们连接起来，灵活的迭代工作就可以转化为清晰的流程工作。
系统化示例
通过将任务转化为流程工作，系统化的道路变得清晰起来。
在系统化过程中，如果可以牺牲一些员工便利性，一个选择是整合咨询渠道。
反之，如果员工便利性是最高优先级，则所有咨询渠道都应保持开放。
从根本上说，系统应直接接收咨询。只有在口头咨询的情况下，才由人工将详细信息输入系统。
收到咨询后，IT系统和生成式AI将根据流程尽可能多地执行后续任务。最初，系统应在各处穿插人工检查和批准，并允许人工操作员进行修正。
然后，随着系统用于处理咨询，如果生成式AI犯了错误，应更新AI的指令，加入注意事项、检查项、错误示例和正确示例，以防止再次发生此类错误。
这个过程可以减少生成式AI的错误。而将更新这些AI指令本身从迭代工作转化为流程工作，可以使其更加高效。
通过这种方式，将流程化的任务进行系统化，即使是那些最初看起来需要人工干预的操作，也可以被以生成式AI为中心的系统所取代。
常见误解
许多人认为生成式AI的商业应用目前效果甚微，或者为时过早。
然而，这些人在大多数情况下存在两种误解。
第一种误解源于将生成式AI仅仅视为工具。
如本文所示，将生成式AI作为迭代工作的工具来利用，并不能显著提升业务效率。这种误解正是由于体验或观察到这种有限的结果而产生的。
第二种误解则源于专注于让生成式AI执行迭代工作。
诚然，尝试让当前的生成式AI执行迭代工作往往难以成功。因此，人们仅凭此观察就错误地断定生成式AI无法接管人类执行的任务。
结论
如前所述，通过将迭代工作转化为流程工作并进行系统化，可以比单纯使用工具获得更高的效率。
此外，即使生成式AI无法执行迭代工作，它也能够处理流程工作中的许多具体任务。即使初期存在较多错误，也可以通过不断更新指令来实现持续改进。
或者，如有必要，可以对任务进行分解，将草拟工作与检查工作分开，或实施多阶段检查。
如果能够以这种方式实现系统化，那么每次任务执行都会带来改进，随着时间的推移，操作将变得更加高效。
这是一种工作方法，它允许机制本身持续改进，类似于工厂生产和IT系统化。
为了有效利用生成式AI，需要转变思维模式：不再试图改进自身的迭代工作，而是必须客观地将自己的任务转化为流程工作并进行系统化。