Reka Bentuk Semula Aliran Kerja untuk AI: Mengapa Menampal AI pada Proses Lama Gagal

Oleh Victor Hoang · Dikemas kini 22 September 2026

Reka bentuk semula aliran kerja untuk AI bermaksud membina semula sesuatu proses berdasarkan apa yang sebenarnya dilakukan dengan baik oleh AI, bukan memasukkan alat ke dalam proses yang dibina untuk manusia melakukan setiap langkah secara manual. Menambah AI pada satu langkah dalam proses yang tidak berubah menemui had yang sama yang menghadkan sebarang pecutan separa: bahagian yang tidak disentuh masih menentukan rentak. Syarikat yang mereka bentuk semula keseluruhan aliran kerja menikmati sebahagian besar keuntungan yang diukur; syarikat yang menampal AI pada proses sedia ada kebanyakannya tidak.

Jika anda pernah melihat pasukan menerima pakai alat AI, menjadi lebih pantas pada satu tugas, dan masih terlepas tarikh akhir yang sama: kesesakan telah berpindah, dan tiada siapa mencarinya.

Fakta Utama

• Kajian Paul David pada 1990 tentang elektrifikasi mendapati jurang kira-kira 40 tahun antara pengenalan dinamo (1881) dengan hasil produktivitinya (1920-an), kerana kilang menampal motor elektrik pada susun atur "pemacu kumpulan" era stim yang sama dan bukan mereka bentuk semula di sekeliling mesin "pemacu unit" individu (David, "The Dynamo and the Computer," American Economic Review, 1990).
• Model Productivity J-Curve oleh ahli ekonomi Erik Brynjolfsson, Daniel Rock, dan Chad Syverson menunjukkan sebabnya: pelaburan pelengkap tidak ketara (latihan semula, reka bentuk semula, peranan baharu) dikira sebagai kos ketika berlaku dan hanya membuahkan hasil sebagai output terukur bertahun-tahun kemudian (Brynjolfsson, Rock, Syverson, NBER Working Paper 25148).
• Penyelidikan MIT NANDA 2025 mendapati 95 peratus projek perintis AI generatif tidak menghasilkan pulangan P&L yang boleh diukur, menjejaki kegagalan itu kepada lapisan aliran kerja: alat yang tidak menyesuaikan diri dengan proses sebenar ditinggalkan sebaik sahaja geseran muncul (MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune).
• Peraturan 10-20-70 BCG berpegang bahawa hanya 10 peratus usaha transformasi AI patut ditumpukan kepada algoritma, 20 peratus kepada teknologi dan data, dan 70 peratus kepada manusia dan proses; hanya 22 peratus syarikat melepasi bukti konsep dan hanya 4 peratus mencipta nilai besar (BCG, "The Leader's Guide to Transforming with AI").
• Tinjauan State of AI 2025 oleh McKinsey mendapati pelaku berprestasi tinggi hampir tiga kali ganda lebih berkemungkinan telah mereka bentuk semula aliran kerja asas di sekeliling AI dan bukan menambah alat pada proses yang tidak berubah (McKinsey, The State of AI: Global Survey 2025).

Pengajaran Elektrifikasi: Kuasa Baharu Tidak Mereka Bentuk Semula Kilang untuk Anda

Duluan paling jelas bagi apa yang berlaku dengan AI tidak berlaku dengan komputer. Ia berlaku seabad lebih awal, dengan elektrik, dan ahli sejarah ekonomi Paul David menulis catatan muktamadnya pada 1990.

Pemacu Kumpulan kepada Pemacu Unit: Jurang 40 Tahun

Kilang abad kesembilan belas berjalan atas satu sumber kuasa, lazimnya enjin stim, yang disambungkan kepada setiap mesin melalui rangkaian tali sawat dan aci di atas kepala yang dikongsi ("pemacu kumpulan"). Setiap mesin berputar serentak sama ada digunakan atau tidak, kerana ia berkongsi satu tulang belakang mekanikal.

Dinamo elektrik muncul secara komersial pada 1881. Selama kira-kira empat dekad berikutnya, kebanyakan pemilik kilang melakukan perkara yang jelas dan murah: menukar enjin stim dengan motor elektrik dan mengekalkan tali sawat serta susun atur seperti sedia ada. Produktiviti hampir tidak bergerak, kerana proses yang dikuasakan itu tidak berubah.

Hasilnya hanya tiba apabila kilang membuang pemacu kumpulan untuk "pemacu unit": sebuah motor kecil pada setiap mesin. Itu membuka apa yang tidak dapat dilakukan susun atur lama: mesin diletakkan mengikut logik aliran kerja dan bukan geometri tali sawat, bangunan setingkat dan bukan menara aci, dan peralatan yang hanya berjalan apabila diperlukan. Pemacu unit tidak tiba sehingga 1920-an, kira-kira empat puluh tahun selepas dinamo itu sendiri, dan David menyalahkan kelewatan itu pada reka bentuk semula organisasi, bukan teknologi.

Kisah yang Sama, Teknologi Baharu

Kebanyakan syarikat hari ini menjalankan "AI pemacu kumpulan": alat itu menggantikan satu langkah manakala rantaian kelulusan, serah terima, dan proses semakan di sekelilingnya kekal tepat seperti yang dibina untuk pasukan yang semuanya manusia. Alat itu lebih pantas. Prosesnya tidak. Paradoks produktiviti AI membincangkan angka McKinsey, MIT, dan Gartner di sebalik jurang penerimaan berbanding impak yang sama ini dengan lebih mendalam.

Productivity J-Curve oleh Brynjolfsson menerangkan mengapa ini kelihatan seperti tiada apa berlaku walaupun pelaburan sebenar sedang berjalan. Melatih semula pasukan dan membina semula urutan serah terima ialah pelaburan tidak ketara: ia dikira sebagai kos pada tahun ia berlaku dan hanya muncul sebagai output apabila reka bentuk semula berjalan pada skala besar. Syarikat yang melakukan kerja itu sekarang kelihatan, di atas kertas, tepat seperti yang tidak pernah mengambil peduli. Perbezaannya muncul kemudian, bagi yang melakukan kerja itu, dan ia membangkitkan soalan yang ditanya terus oleh dividen produktiviti: setelah reka bentuk semula membuahkan hasil dan jam sebenar dibebaskan, siapa sebenarnya yang mendapatkannya.

Mengapa "Proses Sama, Langkah Lebih Pantas" Menemui Siling yang Keras

Ada sebab mengapa langkah individu yang lebih pantas begitu jarang diterjemahkan kepada hasil keseluruhan yang lebih pantas, dan ia mempunyai nama dalam sains komputer: Hukum Amdahl.

Meminjam Idea Pengkomputeran untuk Reka Bentuk Proses

Hujah Gene Amdahl, yang dibuat pada 1967 tentang pengkomputeran selari, mudah: percepatkan satu bahagian sistem, dan penambahbaikan maksimum kepada keseluruhan sistem dihadkan oleh berapa banyak daripada jumlah masa yang digunakan bahagian itu. Percepatkan langkah yang mengambil 10 peratus masa kitaran sebanyak 10x, dan anda menjimatkan paling banyak 9 peratus secara keseluruhan. Baki 90 peratus, yang tidak disentuh, masih menentukan garisan penamat.

Kebanyakan aliran kerja ialah rantaian langkah dan serah terima, bukan satu langkah dominan. AI biasanya diarahkan kepada apa sahaja yang paling mudah diautomasikan, seperti menggubal versi pertama, bukan apa yang menggunakan paling banyak masa kalendar. Menggubal e-mel dalam sepuluh saat dan bukan sepuluh minit terasa mengubah segalanya. Jika e-mel itu kemudian berada dalam baris gilir kelulusan selama tiga hari sama ada cara, tiada siapa di hilir yang menyedarinya.

Pecahan 10-20-70 yang Terus Ditemui BCG

Penyelidikan BCG menumpu kepada kesimpulan yang sama dari sudut berbeza. Peraturan 10-20-70nya berhujah bahawa hanya 10 peratus usaha di sebalik transformasi AI yang berjaya patut ditumpukan kepada algoritma, 20 peratus kepada teknologi dan data, dan 70 peratus kepada manusia dan proses: reka bentuk semula peranan, hak keputusan, latihan, insentif. Kebanyakan syarikat menyongsangkan nisbah itu secara naluri, kerana membeli model terasa seperti "melakukan projek AI" dan mereka bentuk semula siapa melakukan apa terasa seperti inisiatif berasingan yang lebih sukar.

Kosnya muncul dalam angka BCG sendiri: hanya 22 peratus syarikat melepasi bukti konsep, dan hanya 4 peratus mencipta nilai besar pada skala, walaupun generasi alat yang hampir sama tersedia kepada kesemuanya. Apa yang menerangkan hasilnya ialah berapa banyak daripada 70 peratus itu yang sanggup mereka lakukan.

Cari Kesesakan Sebenar Sebelum Anda Mengautomasikan Apa-apa

Jika mempercepatkan langkah yang salah hampir tidak menggerakkan apa-apa, soalan seterusnya ialah mencari yang betul.

Petakan Proses, Bukan Senarai Tugas

Kebanyakan pasukan boleh menerangkan kerja mereka sebagai senarai tugas. Jauh lebih sedikit yang boleh menerangkannya sebagai proses: urutan, serah terima, dan titik keputusan antara tugas-tugas itu. Gambaran kedua itulah yang sebenarnya mendedahkan ke mana masa pergi, dan ia biasanya mengejutkan orang yang hidup di dalam proses itu, kerana bahagian yang perlahan jarang yang terasa paling meletihkan.

Pilih satu aliran kerja berulang, onboarding, cadangan, saluran pengambilan pekerja, dan tulis setiap langkah serta serah terima mengikut urutan. Selama satu minggu sebenar, catat berapa lama setiap item berada pada setiap langkah sebelum bergerak, bukan berapa lama kerja itu sendiri mengambil masa. Jurang antara dua angka itu hampir selalu tempat proses kehilangan masa.

Tiga Soalan yang Mendedahkan Kekangan Sebenar

• Di mana kerja menimbun dan menunggu, dan bukan bergerak? Baris gilir atau peringkat kelulusan tempat sesuatu tersangkut lebih daripada tempat lain. Itulah kekangannya, sama ada ia menarik untuk dibaiki atau tidak.
• Langkah mana, jika hilang, akan mengubah jumlah masa kitaran paling banyak? Bukan apa yang orang suka lihat hilang, tetapi yang mana secara terukur menghalang garisan penamat.
• Langkah mana yang diulang kerana langkah sebelumnya menghasilkan sesuatu yang salah? Kerja semula ialah masa kitaran tersembunyi, dan ia sering menunjuk kepada output AI yang tidak disahkan dengan betul sebelum bergerak ke hilir, masalah yang dibincangkan dengan lebih mendalam dalam augmentasi berbanding automasi.

Setelah kekangan sebenar dikenal pasti, soalannya menjadi konkrit: bukan di mana kita boleh menambah AI, tetapi apa yang diperlukan kesesakan ini, dan adakah AI mengubahnya.

Reka Bentuk Semula di Sekeliling Pengesahan, Bukan Pengeluaran

Kesilapan reka bentuk semula yang paling lazim ialah memperlakukan AI sebagai peningkatan pengeluaran sedangkan kesan sebenarnya pada kebanyakan kerja pengetahuan ialah peralihan tempat pengesahan perlu berlaku.

Apa yang Berubah Apabila AI Menggubal dan Manusia Mengesahkan

Dalam proses pra-AI, kebanyakan masa seseorang pada sesuatu tugas ialah masa pengeluaran. Semakan wujud tetapi lebih ringan, kerana orang yang menulisnya sudah menangkap kebanyakan kesilapan sendiri.

Apabila AI menghasilkan versi pertama, nisbah itu terbalik. Masa pengeluaran runtuh, tetapi masa pengesahan tidak mengecil untuk menyamainya, kerana menyemak ketepatan output orang lain ialah tugas kognitif yang berbeza daripada menghasilkannya. Proses yang direka bentuk semula memperlakukan pengesahan sebagai langkah teras baharu: diberi kakitangan untuknya, diberi masa untuknya, diukur padanya, dan bukan sekadar pandangan sekilas pada sesuatu yang "sudah dilakukan AI."

Ini juga perubahan peranan, bukan sekadar perubahan urutan. Orang yang dahulu menghabiskan hari menghasilkan kini menghabiskannya menyemak dan memutuskan apa yang perlu dieskalasikan, kemahiran yang berbeza dan sering lebih senior. Daripada pelaksana kepada orkestrator membincangkan apa yang dituntut oleh peralihan itu, dan topologi pasukan untuk pasukan manusia-ditambah-ejen membincangkan apa yang dilakukannya kepada bentuk pasukan tempat peranan yang direka bentuk semula itu berada.

Membina Gelung Pengesahan yang Tidak Menjadi Kesesakan Baharu

Mengurus ejen AI sebagai sebahagian daripada pasukan membincangkan gelung yang sama ini dengan butiran operasi yang lebih lanjut, menetapkan skop pemilikan, menetapkan paras kualiti, dan mereka bentuk serah terima dengan sengaja, bagi sesiapa yang menjalankannya sebagai tugas berterusan dan bukan projek reka bentuk semula sekali sahaja.

• Apakah kadar ralat yang boleh diterima untuk output ini, dan siapa yang memutuskannya? Balasan rutin dan klausa kontrak tidak membawa risiko yang sama; memperlakukannya sama membazir masa pada satu dan kurang menyemak yang lain.
• Siapa boleh meluluskan tanpa mengeskalasi, dan untuk apa? Jika setiap output dibantu AI masih memerlukan kelulusan senior yang sama seperti dahulu, hanya satu langkah ditambah, bukan reka bentuk semula. Reka bentuk human-in-the-loop bermaksud memutuskan, dengan sengaja, keputusan mana yang sebenarnya memerlukan gelung itu.
• Adakah alat itu bertambah baik daripada apa yang ditangkap oleh pengesahan? Alat yang tidak mengekalkan konteks senyap-senyap dielakkan dalam beberapa bulan, menurut penyelidikan MIT NANDA tentang kegagalan projek perintis. Langkah pengesahan yang tidak pernah menyuap balik ke dalam alat ialah cukai kekal, dan ia juga tempat kesilapan kecil bertambah menjadi hutang teknikal AI.

Bila Perlu Membuang Langkah Sepenuhnya, Bukan Mengautomasikannya

Kadangkala jawapan yang betul ialah langkah itu tidak patut wujud langsung, untuk sesiapa, manusia atau AI.

Ujian Penyingkiran

Sebelum mengautomasikan sesuatu langkah, tanya mengapa ia wujud. Banyak langkah dalam proses matang hidup lebih lama daripada sebabnya: kawalan untuk corak penipuan yang berhenti bertahun-tahun lalu, lapisan kelulusan yang ditambah selepas satu insiden yang tidak berulang. Mengautomasikan langkah sebegitu hanya menjadikannya lebih murah untuk terus berjalan selama-lamanya, dan langkah tidak perlu yang murah untuk dijalankan lebih sukar dipotong, kerana tiada siapa perasan kosnya.

Untuk setiap langkah, tanya kegagalan khusus apa yang dicegahnya dan berapa kerap kegagalan itu benar-benar berlaku dalam tahun lepas. "Kami tidak pasti" atau "ia tidak berlaku selama bertahun-tahun" menjadikannya calon penyingkiran, bukan automasi. Kegagalan sebenar yang terkini wajar mendapat reka bentuk semula dahulu, kemudian peningkatan AI di atasnya. Ini juga cara paling pantas untuk mengelak perangkap dalam pekerjaan yang diubah AI dan bukan digantikan: sesuatu peranan jarang lenyap kerana satu tugas diautomasikan, tetapi bentuknya berubah setelah langkah tidak perlu di sekelilingnya dipotong untuk selama-lamanya.

Tampalan berbanding Reka Bentuk Semula, Bersebelahan

Setiap lajur reka bentuk semula berkongsi satu corak: perubahannya bukan AI melakukan tugas itu lebih pantas. Ia ialah proses di sekeliling tugas itu distrukturkan semula supaya kelajuan benar-benar sampai ke garisan penamat dan bukan berhenti pada langkah tidak berubah yang seterusnya.

Kaedah Reka Bentuk Semula Langkah demi Langkah yang Boleh Dijalankan Pemimpin

1. Pilih satu aliran kerja, bukan seluruh jabatan. Permulaan, penghujung, pemilik yang jelas, dan volum yang cukup supaya perubahan boleh diukur dalam satu suku tahun. Mereka bentuk semula segalanya sekali gus ialah cara kerja ini menjadi pembentangan slaid yang tiada siapa laksanakan.
2. Petakan setiap langkah dan serah terima, kemudian catat masa seminggu sebenar. Catat masa kalendar sebenar pada setiap langkah, termasuk menunggu dan kelulusan, sebagai garis asas yang menjadi ukuran setiap dakwaan penambahbaikan kemudian.
3. Cari kekangan sebenar. Di mana kerja menimbun, langkah mana yang paling menghalang masa kitaran, di mana kerja semula tercipta. Tahan diri daripada bermula dengan langkah yang paling mudah ditampal AI; ia kerap bukan kekangannya.
4. Jalankan ujian penyingkiran pada setiap langkah dahulu. Namakan kegagalan khusus yang dicegah setiap langkah dan betapa baru ia berlaku, dan potong apa yang tidak lagi layak berada di situ.
5. Reka bentuk semula peranan di sekeliling pengesahan dan eskalasi. Tentukan kadar ralat yang boleh diterima bagi setiap jenis output, siapa boleh meluluskan tanpa mengeskalasi, dan bagaimana pembetulan disuap balik ke dalam alat.
6. Tugaskan pemilik metrik perniagaan yang dinamakan sebelum projek perintis. Masa kitaran, kos seunit, atau kadar ralat berbanding garis asas, bukan kiraan penggunaan. Projek perintis tanpa pemilik cenderung hanyut menjadi pelancaran tanpa keputusan.
7. Ukur metrik aliran kerja setiap minggu, dan biarkan reka bentuk semula berkembang. Versi pertama jarang yang muktamad; angka mingguan membawa anda ke versi seterusnya.

Menjalankan ini pada satu aliran kerja mengajar pasukan lebih banyak tentang di mana AI sebenarnya membuahkan hasil berbanding sedozen projek perintis yang terputus-putus.

Menjadikan Reka Bentuk Semula Tugas Seseorang yang Sebenar

Kerja reka bentuk semula memerlukan pemilik yang berwibawa untuk mengubah cara proses berjalan, bukan sekadar mengesyorkan, soalan reka bentuk organisasi sama seperti soalan teknikal. Ia berkait dengan bagaimana reka bentuk organisasi beralih apabila AI mengambil lebih banyak kerja pengeluaran, dan dengan pilihan yang dibuat sesetengah syarikat untuk mengekalkan bahagian aliran kerja sebagai bersifat manusia dari segi budaya, bukan hanya operasi.

Tanpa pemilikan itu, proses yang separuh direka bentuk semula bertimbun seperti hutang yang tidak dibayar: langkah pengesahan yang tiada pemilik, laluan eskalasi yang tiada siapa takrifkan, output yang tiada siapa semak terhadap kadar ralat sebenar. Bersama-sama ia muncul kemudian sebagai hutang budaya AI, menelan kos jauh lebih tinggi untuk dileraikan daripada kos mereka bentuknya dengan betul pada kali pertama. Disiplin yang sama terpakai sama ada kerja itu berada pada satu ejen AI atau beberapa yang berkoordinasi bersama.

Kilang yang membina semula di sekeliling pemacu unit pada 1920-an tidak menunggu motor yang lebih baik. Mereka sudah ada motor itu selama empat puluh tahun. Apa yang berubah ialah seseorang mereka bentuk semula lantai kilang di sekeliling apa yang dimungkinkan elektrik, bukan apa yang diperlukan stim. Alat di hadapan kebanyakan syarikat sekarang sudah sekurang-kurangnya sekeupayaan itu. Lantainya masih era stim. Itulah bahagian yang wajar dibaiki dahulu.