AI を活用したハイパーオートメーションがビジネス効率を向上させる方法

AI とハイパーオートメーションに期待するのには十分な理由があります。AI には、人間の思考や関連する行動を伴う複雑な企業タスクを自動化する可能性が秘められています。

AI 主導のエンタープライズ ハイパーオートメーションは、自動運転車の現状によく似ています。テスラはオンデマンドで人を目的地まで連れて行ってくれますし、ウェイモは運転手なしでサンフランシスコやフェニックスの街を走り回っています。これは素晴らしいスタートですが、完全な自動運転の世界に突入するまでには、さらに多くの作業が必要です。

課題としては、不完全なデータマップのバージョン、さまざまな道路状況の変化、運転文化、障害物、その他多くの変数が挙げられます。また、このシステムはすべての道路、都市、場所で機能するわけではなく、大規模で混雑した都市でも機能しません。そして、すべてのケースで、依然として人間による監視が必要です。

エンタープライズ自動化についても同じことが言えます。ある程度の自動化は存在しますが、エンタープライズで効果的なハイパーオートメーションを実現するには、まず多くのことを行わなければなりません。具体的には、企業の課題に自動化が適応できるようにするための「学習フェーズ」です。企業の課題には、あらゆる種類のシステムにおける何千ものプロセスが含まれ、それぞれに微妙な戦略があり、タスクの実行方法に関する知識が組み込まれたさまざまなチームがあります。

AI を使用してビジネス プロセスを慎重に学習し、適切な学習の厳密さを適用することで、ハイパーオートメーションを使用して複雑なエンタープライズ プロセスを加速することが可能になります。

カスタマーサポート

カスタマー サポートは、AI 主導のハイパーオートメーションのメリットを享受できる、人手集約型のエンタープライズ プロセスの優れた例です。 Deloitte の報告によると、コンタクト センターの 80% が AI 導入の何らかの段階で積極的に取り組んでいます。

18 か月前、GenAI の登場により、顧客サポート/サービスの世界は変化しました。チャットボットは根本的に問題解決の効率性が向上し、実行と実装のコストもかつてないほど安くなりました。したがって、Salesforce、Zendesk、ServiceNow などの既存のすべての顧客サービス プラットフォーム プロバイダーが GenAI をコア プラットフォーム機能に追加すれば、ボットはそれらのシステム内のデータに基づいて学習できるため、飛躍的に便利で強力になります。

しかし、逸脱できないものについてはどうでしょうか? それでもブローカーが必要な人はいませんか? 妥協のない顧客サポートのために、ハイパーオートメーションの機会はさらに大きくなります。すべての顧客取引は、定義上、一回限りでリスクが高いものです。自動化できるほど単純ではないからです。

たとえば、製品の出荷問題を扱うカスタマー サポート エンジニアは、さまざまなシステム (内部および外部の「スタック」とツール (ServiceNow、Salesforce、SAP、Oracle ERP、出荷ツール、自社開発アプリケーションなど)) をナビゲートし、さまざまな環境に基づいて意思決定を行う必要があります。自動フルフィルメント プロセスは、米国とドイツで同一である可能性がありますが、1 つの (重要な) 例外があります。それは、異なるローカル フルフィルメント パートナーを選択することです。

認知能力を必要とする同様の大量かつ高リスクの機能には、請求処理、医療収益業務、プロバイダーのオンボーディング、その他のバックオフィス機能などがあります。

プロセスの自動化: 学習マシンの構築

AI を使用してエージェントの実際のワークフローを大規模に観察して学習することで、エージェントの環境に固有のモデルを効率的に作成およびトレーニングし、それに応じて予測して対応できるようになります。

AI モデルを人間が解決する問題に定着させることで、モデルは、ロジックではなく統計的な提案から導き出される生成的で形状が変化するモデルではなく、実際のワークフローから継続的に学習し、最適な状態に到達するのに役立ちます。

つまり、この新しい「学習マシン」には 3 つの必要条件があります。

1. ディープワーク

ワークフロー分析をより詳細に実行できるほど、個々のワークフローをより適切に定義できます。同じプロセスを実行する場合でも、すべてのワークフローが同じように作成されるわけではありません。手順と時間を節約できる価値の高い機会は、単一のワークフロー内またはわかりにくい手順の組み合わせの中に隠れている可能性があります。

2. データに耳を傾ける

個々のワークフロー レベルでプロセスをドリルダウンすることで、実行の微妙な違いを識別し、モデリングに最適な実行を決定し、仮定を立てずに実際のデータとロジックに基づいて最適化することができます。

3. 一生懸命練習し、模範となる人の言うことに耳を傾ける

さまざまなシナリオでさまざまなユーザーを使用してモデルをトレーニングすると、モデルは最も強力になります。 RPA とは異なり、万能のアプローチはありません。上記の自動運転車を作成するときに、さまざまな車を道路上で走らせてマッピングするのと同じように、物事が正確で正確であることを確認するには、さまざまなエージェントのトレーニング モデルが必要です。

たとえば、2 つのエージェントが実行操作を行っているとします。解決策に到達するという点では、1 人のエージェントが他のほとんどのエージェントよりも大幅に速くプロセスを実行しましたが、もう 1 人のエージェントは、より長いワークフローでより多くの手順とシステムを使用して、はるかにゆっくりと作業しました。

FAST エージェントが自動的に「正しい」と考え、そのワークフローが AI モデルに最適であると宣言するのは簡単ですが、より詳細な分析では、FAST エージェントはバックエンドで再開されたケースを多数明らかにしました (解決方法のエラーのため)。一方、対照的に、「遅い」2 番目のエージェントは安定して 100% 解決しました。

あるいは、タスクを完了するために 2 人の「同一」エージェントが並んで作業しているが、そのうちの 1 人は Tier 2 パートナーよりも多くのシステムにアクセスでき (Tier 1 であるため)、ワークフローが重複している可能性がありますが、プロセスを適切に自動化するにはニュアンスを理解することが重要です。自動化レイヤーには、このシステムへの追加アクセスが必要ですか? レイヤー 2 のみがアクセスできるのはなぜですか? フローの側面を再検討する必要がありますか?

偏向とその先

AI によって、ビジネス機能が人間からロボットやその他のよりスマートな自律技術へと移行することは間違いありません。そのため、GenAI とその後継者からさらに多くの逸脱が予想されます。

AI の次の大きな成果は、複数のシステムと多くのリアルタイム エージェントにまたがる物理的な手順を伴う長いトランザクションの自動化です。このプロセスは、顧客、財務、規制、取締役会の期待に応えるために、ますます高度に自動化されたビジネスに追いつく必要があります。ワークフロー分析やその他の観点に基づく AI 駆動型学習「マシン」は、エンタープライズ アプリケーションのギャップをできるだけ早く埋めるのに役立ちます。