Automação de Processos de Negócios, dispensando as inutilidades

Automação de Processos de Negócios, dispensando as inutilidades

É uma temporada assustadora, então vamos espancar alguns fornecedores de pilhas antigas até a morte — Appian, IBM, Salesforce, SAP, Pegasystems, IFS, Oracle, Software AG, TIBCO, UIPath ...

Em 2010-2012, escrevi bastante sobre automação de processos de negócios no meu antigo blog, BPM Redux , e algo que me fascinou foi o conceito de automontagem ou processos dinâmicos , criados na hora para lidar com uma tarefa usando inteligência artificial sem a necessidade de desenhar um mapa de processos ou de me preocupar em projetar outro conjunto de telas.

O problema que tenho com 'regras de negócios' sendo uma parte inerente de alguns BPMS é que elas começam a restringir a tomada de decisões e a flexibilidade do processo, mas ter um conjunto de rotinas de IA que não apenas se adapta rapidamente (ou JIT), mas também aprende e potencialmente cria uma nova instância de processo a partir da evolução de instâncias anteriores...

Avançando para hoje, isso pode finalmente se tornar realidade.

Fornecedores de Pilhas Desesperados

Eu olhei para o que alguns dos maiores fornecedores de pilha e nuvem estão fazendo hoje, e todos eles parecem tão desesperados — jogandoIA Generativaem suas pilhas de software para parecerem relevantes e com visão de futuro. O problema é que a Gen-AI os torna inúteis. Cada. Único. Um.

Vamos pegar a Pegasystems como exemplo (divulgação: eu trabalhava para eles anos atrás). Eles têm a Generative AI como parte de suas soluções de software agora, mas ela ainda está enraizada no passado, forçando os usuários corporativos não apenas a continuar usando a Pega, mas também a pensar continuamente em construir fluxos de trabalho com ela — não importa que seja um pseudodesenvolvimento de "baixo código" ou que você possa desenhar instantaneamente novas etapas de processo usando a mágica da IA, você ainda está preso ao uso da Pega.

O mesmo vale para todo o resto — seja Salesforce, IFS, SAP; seja ERP, CRM, RPA — o que todos eles potencialmente entendem e não dizem aos clientes é que você já tem todos os dados, estruturados e não estruturados, e uma camada Gen-AI é tudo o que você precisa.

Reclamações de Clientes e Automação

Pense no exemplo a seguir — uma reclamação de um cliente.

Um cliente envia um e-mail reclamando sobre um de seus produtos ou serviços e esperando uma ação em resposta. Normalmente, o e-mail virá de um formulário de contato com todos os detalhes necessários para identificar o cliente, o produto em questão e o que eles esperam que seja feito. Se não, então são dados não estruturados de forma livre com uma dose de miséria e raiva.

Normalmente, ele se enquadra em um processo definido que um agente foi treinado para executar, com etapas claras já mapeadas. Se não, então é tratado como uma exceção e passado para alguém mais alto na cadeia para tomar uma decisão. Tudo isso leva tempo para criar e desenvolver em uma solução SaaS cara de alguém que parece um jantar de cachorro na tela. Invariavelmente, alguns anos depois, haverá um programa multimilionário de "transformação digital" vendido por uma consultoria para extrair alguns ajustes e economias desse processo esquecido por Deus para justificar o custo.

Processos Dinâmicos Gerados por IA

Mas e se tudo isso não precisasse mais ser feito?

E se treinar um Large Language Model em seus processos, regras, dados de clientes, informações de produtos ou serviços existentes fosse tudo o que você precisasse fazer?

O LLM lê e entende o conteúdo do e-mail, extraindo informações importantes como detalhes do cliente, o produto ou serviço mencionado e o problema específico que está sendo levantado. No caso de uma conversa telefônica, já vimos algumas soluções Gen-AI transcreverem em tempo real uma interação e então oferecerem conselhos, uma resposta ou uma resposta a uma pergunta. Então, já não há necessidade de análise de dados para outro sistema para preencher uma tela para um agente olhar.

Com base nessas informações, o LLM descobre a prioridade da reclamação, vê se o problema é comum ou recorrente e decide se alguma regra comercial específica ou ações passadas se aplicam. Em alguns casos, pode muito bem haver uma análise de sentimento feita na linguagem da reclamação para determinar o quão importante isso é, o quão urgente ou o quão irritado o cliente está.

As coisas podem ficar estranhas a partir daqui.

Com base no tipo de reclamação, o LLM cria um fluxo de trabalho para resolver o problema imediatamente. Isso pode envolver a atualização de dados do cliente, o processamento de um reembolso ou o envio da reclamação para uma equipe especializada, mas tudo isso é feito sem um sistema de front-end que todos nós nos acostumamos a detestar.

Com recursos JIT (Just In Time), o LLM pode gerar código no local para fazer tarefas de backend necessárias. Por exemplo, se um reembolso for necessário, o LLM cria o código para processá-lo e atualiza o banco de dados do cliente de backend com os detalhes.

Como o LLM foi treinado em regras de negócios, ele garante que todas as ações sigam as políticas da empresa — verificando se o cliente é elegível para um reembolso antes de processá-lo, por exemplo. Os resultados de cada processo de tratamento de reclamações são usados ​​para treinar o LLM ainda mais. Se uma reclamação for resolvida com sucesso, o LLM aprende com as ações tomadas, melhorando respostas e fluxos de trabalho futuros.

Com o tempo, o LLM pode encontrar problemas recorrentes, melhorar fluxos de trabalho existentes e até mesmo sugerir alterações em regras ou políticas de negócios com base em padrões de reclamações de clientes.

O Futuro da Automação de Processos

O ponto aqui é que (a) você não precisa definir o que é o processo de negócios mais do que você faz com a definição de tarefas, ninguém mais se importa com processos estáticos quando você pode gerá-los e executá-los dinamicamente, (b) o LLM gera código e uma interface de usuário de tela mínima para concluir a tarefa e envolver o agente, mas depois que isso é feito, o código e a interface de usuário são excluídos, é um artefato que não é mais necessário porque foi criado para lidar com uma interação que é pessoal para aquele cliente, e (c) os humanos ainda estão no circuito.

Os ganhos de eficiência não estão na redução do número de funcionários, mas na remoção da desculpa cara de pagar por software antigo e programas de transformação desnecessários com base em métodos antigos que são sempre iniciados por algum executivo de nível C com um relacionamento com um fornecedor favorito.

Não é tão simplista e as soluções Gen-AI atuais não estão preparadas para isso ( ainda ), mas isso deve ser o suficiente para começar a questionar por que você precisa de uma grande implementação de ERP ou por que um CRM caro é necessário se você pode simplesmente ter uma conversa direta com os dados do cliente. Lembra do Master Data Management? As empresas gastaram milhões e anos para garantir que todos os seus bancos de dados de backend fossem adequados para o propósito, limpos, deduplicados, estivessem em boa forma e estruturados o suficiente para uma única camada Gen-AI no topo e nada mais.

Imagine não ter que se preocupar em integrar um fornecedor gigante de frankenstack a outro, ter que sincronizar fontes de dados, transformar os dados, orquestrar processos entre eles... é uma perspectiva bastante tentadora e que nenhum dos fornecedores mencionados acima realmente quer que você saiba.

Os principais fornecedores que oferecem papéis de parede Gen-AI além dos softwares quebrados e defeituosos que eles vendem estão morrendo lentamente. Os benefícios que eles oferecem acabarão se esgotando quando comparados ao uso da inteligência artificial como alternativa por si só.

De certa forma, Altman estava certo, é um novo tipo de sistema operacional, neste caso é um sistema operacional empresarial e que não precisa de bloatware.

Talvez eu tenha ficado sentado nessas ideias por muito tempo agora, eu posso ir e começar a construir novamente. Quer dizer, dependendo de quem você lê, o tamanho do mercado global de automação de fluxo de trabalho foi avaliado em US$ 16,41 bilhões em 2021 e está projetado para atingir US$ 34,4 bilhões até 2030, crescendo a um CAGR de 9,71%. Não são números pequenos.

Conteúdo Relacionado

返回博客

发表评论

请注意,评论必须在发布之前获得批准。