现在人工智能是许多企业关注的焦点，组织是否是时候开始逐步淘汰流程自动化技术了？几十年来，企业一直使用基于规则的流程自动化技术来自动执行手动任务并协助决策。随着我们的业务环境变得越来越复杂和数据过多，问题变成了，“什么时候使用流程自动化比人工智能等更先进的技术更智能？”事实上，流程自动化仍然有很多用例，但我们需要了解它在人工智能时代的局限性。
传统自动化技术的兴起支持业务决策。
几十年前，企业转向计算机和流程自动化来应对与人类决策和管理工作相关的挑战。因此，企业实现了重复性任务的自动化，提高了性能速度和准确性。此外，这种转变显着提高了运营效率，使员工能够专注于战略性、创造性和复杂的问题解决任务。即使在人工智能时代，流程自动化仍然至关重要，依靠简单的业务规则来处理数据交易、触发警报和简化作。示例包括自动文件传输、电子邮件自动化、事件日志监控和批处理。
流程自动化技术如何帮助决策过程？
尽管流程自动化软件在人工智能时代显得已经过时，但它确实有效。此外，随着人工智能和数据科学技术的不断进步，自动化软件仍将是未来许多年支持业务决策的有用工具。此外，为了更好地理解流程自动化的持续价值，让我们看看Gartner的决策自动化和复杂性领域的概念框架（Cynefin框架）。具体来说，这些概念有助于根据问题的复杂程度确定最好使用哪种类型的自动化。有关详细信息，请参阅以下两节，了解流程自动化技术如何在不同复杂程度内提供不同级别的决策支持。
1.三个级别的自动化技术支持业务决策。
根据Gartner的说法，在支持决策方面，自动化分为三个级别。要了解详细信息，请参阅下文，了解每个自动化级别的描述以及流程自动化如何帮助解决问题。
l 决策自动化。这种类型的自动化通常用于自动化简单的业务流程。因此，流程自动化非常适合为简单任务提供决策自动化。然而，企业现在可以越来越多地利用人工智能和数据科学来完成更复杂的自主任务。此外，这种级别的自动化使用规范性分析或预测性分析做出决策。最后，这种自动化的优势包括速度、可扩展性和决策的一致性。
l 决策增强。通过决策增强，系统使用规范性或预测性分析向人类推荐一个决策或多个决策备选方案。此外，决策增强的好处在于与人类知识和数据存储库的协同作用。此外，由于业务问题变得越来越复杂和数据密集型，人工智能和数据分析软件现在更适合快速分析大量数据并处理复杂性。因此，除了非常简单的任务外，流程自动化只能提供基本的决策增强。
l 决策支持。在这里，人类员工在描述性、诊断性或预测性分析的支持下做出决定。因此，决策支持的主要好处在于数据驱动的见解与人类知识、专业知识和常识（包括“直觉”和情感）的结合应用。在这种情况程自动化对于定期批量输出以补充决策支持可能很有价值。然而，人工智能和数据分析工具更有可能做得更好，并为决策提供实时支持。
2.自动化技术在复杂环境中支持决策的能力如何——Cynefin框架。
为了更好地选择正确的自动化来支持决策，确定自动化将在其中工作的任务或环境的复杂性非常重要。因此，这就是Cynefin框架可以提供帮助的地方。具体来说，该框架定义了从简单到混乱的复杂程度。令人惊讶的是，所有级别的自动化（流程自动化、数据分析、人工智能）都可以在这些不同级别的复杂性中工作。然而，对于不同程度的复杂性，不同类型的自动化往往效果更好或更差。具体而言，请参阅下面的说明，了解自动化和人工决策环境中的每个复杂性级别。
a.简单。
这些情况是稳定的、可预测的，并且按照明确的因果关系运行。示例包括工资单处理或呼叫中心路由。在许多情况程自动化在这些情况下效果最好、最有效。
b.内在复杂。
这些情况需要专业知识或分析来识别因果关系，通常使用已知问题解决实践的专业知识。例子包括保险欺诈、资产管理和营销活动。此外，这种复杂程度可能更适合数据科学和人工智能。
c.外在复杂。
这些情况涉及多种关系和相互依赖关系。此外，决策过程需要使用系统或整体方法进行有效分析。具体来说，决策过程可以使用模拟来了解决策如何影响广泛的元素。例如，分析师将使用模拟来模拟供应链中断等“假设”场景。因此，在复杂的情况下，人类肯定处于领先地位，但决策者可以使用人工智能和数据分析来增强或支持该过程。相比之下，企业可以而且确实使用流程自动化，但这是有限的。在大多数情况下，企业将使用流程自动化作为定期批处理的一部分。
d.混乱。
这些情况具有未知的原因和影响，具有不明确或动态的相互依赖关系。因此，微小的变化可能会产生看似不成比例的影响。此外，决策非常困难，需要实验和边做边学。例子包括股市崩盘、战场和自然灾害。在这种情况下，人类绝对处于领先地位，并且可能会得到全方位决策支持自动化的支持。
6个传统过程自动化技术在决策支持方面的局限性。
总而言之，即使在人工智能时代，流程自动化仍然是支持决策的可行工具。然而，它确实有其局限性。请参阅下文，了解流程自动化的6个关键限制。
1.基于规则的系统的局限性。
基于规则的系统依赖于一组预定义的规则来做出决策。然而，这些系统有一个局限性，即它们无法从新数据中学习或适应不断变化的环境。
2.需要人工干预以适应不断变化的环境。
传统的过程自动化系统旨在特定环境中工作并具有特定的数据输入。因此，它们无法适应环境的变化或新的数据输入。因此，这些系统需要人工干预来处理错误和异常。
3.无法支持复杂的决策情况。
传统的过程自动化系统在支持复杂决策情况的能力方面受到限制。特别是，它们被设计为遵循预定义的规则，无法处理没有明确规则或多个规则相互冲突的情况。
4.无法处理模糊性和不确定性。
传统的过程自动化系统无法处理模糊性和不确定性。不可否认，它们需要明确的输入数据和规则才能做出决策。此外，当面对模棱两可或不确定的数据时，这些系统就会显得无法满足要求。
5.与人类协作的能力有限。
传统的过程自动化系统与人类协作的能力有限。也就是说，过程自动化技术最好用于批处理，并且以有意义的方式与人类交互的能力有限。此外，该技术在做出决策时考虑人类输入或反馈的能力有限。
6.不适合大型数据集。
此外，传统的过程自动化系统不适合与“大数据”很好地配合使用。这是因为它们旨在处理特定的数据输入。因此，由于当今生成的数据量不断增加，一个全新的科学领域，即数据科学，现在已经建立起来。也就是说，企业现在越来越多地利用数据科学，而不是无法实时处理海量数据集的传统自动化。
有关AI对业务决策的影响系列的更多信息，请参阅
更多关于数据分析和决策的参考资料。
有关数据驱动决策的更多信息，请参阅《数据驱动决策：分步指南》。
此外，本文是AI对业务决策的影响系列的一部分。请参阅以下文章：
《人类解决问题的过程–第1部分》
《过程自动化（本文）–第2部分》
《数据驱动的决策-第3部分》
《人工智能对业务决策的影响–机会–第4部分》
《人工智能对业务决策的影响–局限性–第5部分》
