Hyperautomation heeft de laatste jaren een enorme opmars gemaakt. Hyper-automation is geen techniek op zich, maar eerder een methodologie waarvan de aanhangers voorstander zijn van het zo snel mogelijk end-to-end automatiseren van complete bedrijfsprocessen. Hiervoor worden technieken zoals Robotic Process Automation, Document Understanding en aanverwante technieken gebruikt. De afgelopen jaren kozen veel organisaties ervoor om een groot gedeelte van hun processen te automatiseren.
Microsoft’s introductie van Microsoft Copilot heeft ervoor gezorgd dat Large Language Models voor veel medewerkers binnen handbereik zijn. Met Copilot 365 heb je voor $30,- per maand toegang tot een AI assistent die bijvoorbeeld binnen een mum van tijd een PowerPoint presentatie maakt op basis van een Word Document, of een e-mail opstelt.
Waar we met hyper-automation inzetten op een centraal model (een robot verwerkt bijvoorbeeld alle facturen voor een afdeling), werkt Microsoft Copilot dan weer decentraal. Iedere medewerker runt Copilot immers op zijn eigen computer.
Nu dreigt de snelle opkomst van Large Language Models (LLM’s), waaronder Chat-GPT en Microsoft Copilot, roet in het eten te gooien. LLM’s geven medewerkers immers superkrachten. Gaan medewerkers geautomatiseerde bedrijfsprocessen niet massaal terugclaimen de komende jaren?
Spoiler: ja. En ook weer niet.
Large Language Models inzetten binnen een organisatie
Om die vraag te kunnen beantwoorden moeten we eerst kijken naar de verschillende manieren om LLM’s in te zetten binnen een organisatie.
- Een medewerker gebruikt een LLM om productiever te worden. Denk hierbij aan het gebruiken van Chat-GPT of Microsoft Copilot binnen je eigen werk. Het is aannemelijk dat veel mensen die nu nog Chat-GPT gebruiken, in de toekomst gebruik gaan maken van Copilot 365. Copilot 365 zit inmiddels direct ingebakken in Office 365, die productiviteitssuite van Microsoft, en heeft zo direct toegang tot de data van Excel, PowerPoint, Teams, etc. Het woord productiviteitssuite zegt het al; hier worden LLM’s ingezet om de productiviteit van individuele medewerkers te verhogen. Een aanpak die haaks staat, en in feite concurreert met hyper-automation.
- Een LLM wordt aangeroepen binnen een geautomatiseerd proces. Natuurlijk kunnen LLM’s en hyperautomation elkaar ook versterken. Hyper-automation staat immers voor de automatisering van complete bedrijfsprocessen door de combinatie van meerdere technieken. Dit betekent dat LLM’s de automatisering van processen mogelijk maken die voorheen nog niet geautomatiseerd konden worden. Denk aan het extraheren van een factuurnummer of klantnummer uit een ongestructureerde tekst. Of het opstellen van een reactie aan een klant.
- Een LLM wordt gebruikt om robots te bouwen. Microsoft, UiPath en Robocorp hebben allen tools geïntroduceerd die ontwikkelaars in staat stellen om sneller bots te bouwen. Microsoft introduceerde Copilot voor Power Automate, UiPath introduceerde Aotopilot en Robocorp introduceerde ReMark.
Hier moeten we opmerken dat methode 1 en 2 met elkaar concurreren. Wanneer een proces wordt geautomatiseerd, maakt dit een medewerker (hoewel productiever met Copilot) immers overbodig.
Paul Daugherty’s Human + Machine model
In 2018 publiceerde Paul Daugherty het boek Human + Machine: Reimagine work in the age of AI. Daarin beschrijft hij een model waarin hij taken differentieert waar mensen goed in zijn (linkerkant) en taken waar machines uitblinken (rechterkant). Zo zijn leiderschap, creatie, empathisch denkvermogen en beoordelen taken waarin mensen traditioneel uitblinken. Transacties verwerken, itereren, voorspellen en modificeren zijn taken die beter bij machines passen. Niemand wordt er immers blij van om voor 1000 klanten het BTW-nummer aan te passen. Dit is een taak die perfect bij een RPA bot zou passen.
De twee gebieden in het midden (humans complement machines en AI gives humans superpowers) zijn de gebieden waar mensen en machines juist heel goed samen kunnen werken. En wat misschien opvalt is dat de rechterkant van het midden (AI gives humans superpowers), precies het gebied is waar Copilot en Chat-GPT actief zijn. In het geval van amplification geeft AI medewerkers inzichten op basis van data. Bij amplification moet je denken aan een computerprogramma dat medewerkers ondersteunt met taken die ze normaal gesproken niet kunnen behappen (denk aan het gebruik van Power Automate Copilot om een complex proces te automatiseren). Bij interaction kun je bijvoorbeeld denken aan een chatbot. Chatbots kunnen klanten niet altijd van A tot Z ondersteunen, maar ze kunnen medewerkers wel bijvoorbeeld ondersteunen door al de gegevens van de klant te vragen en op te zoeken in het systeem (makkelijke taken kunnen ze natuurlijk wel end-to-end uitvoeren). Zo kan de kostbare klantenservice medewerker zich focussen op het oplossen van een probleem.
Wist je dat UiPath – een van de bekendste hyper-automation platformen – ook inzet op Human + Machine samenwerking? Met Clipboard AI (uitgeroepen tot een van de beste uitvindingen van 2023 door Time Magazine) stelt het medewerkers in staat AI te gebruiken om data over te typen – in situaties waar een robot de hulp van een medewerker nodig heeft. Dit is bijvoorbeeld het geval wanneer data die moet worden ingevoerd niet altijd in hetzelfde formaat wordt aangeleverd. In dit geval werken de medewerker en de robot samen om de data goed in te voeren, en leren beiden van elkaar.
Wanneer hyper-automation en wanneer Human + Machine samenwerking?
Wanneer taken relatief weinig waarde voor de klant toevoegen (zoals bijvoorbeeld het opstellen van een telecomcontract – dat onder transact zou kunnen vallen) – wil je deze liefst end-to-end automatiseren. Hierbij ga je op zoek naar de technieken die je daar mee kunnen helpen (zoals RPA en Document Understanding).
Taken waar klanten wel waarde aan kunnen ontlenen, daar wil je die waarde ook kunnen leveren. En omdat LLM’s medewerkers productiever maken stelt deze techniek medewerkers in staat om waarde efficiënter te leveren, of waarde te leveren die eerst nog niet mogelijk was.
Veel organisaties hebben een andere verkoop-organisatie voor verschillende typen klanten. Zo worden kleinere klanten vaak meer transactioneel bedient en wordt er voor grotere klanten meer maatwerk geleverd. Door middel van innovaties zoals Copilot zouden we voor kleinere organisaties bijvoorbeeld maatwerk salesproposals kunnen maken, afgestemd op de transactiegeschiedenis van de laatste vijf jaar. Dit type procesinnovatie zou onmogelijk zijn zonder gebruik van Artificiële Intelligentie.
Als laatste wil ik nog opmerken dat ik eerder sprak over concurrentie tussen hyper-automation en medewerkers uitgerust met LLM’s. Maar hyper-automation houdt ook in dat processen op taakniveau geanalyseerd worden. Een RPA bot die voor nieuwe sales-gesprekken de juiste data klaarzet, waarna een maatwerk voorstel wordt gemaakt door een medewerker die werkt met Copilot past net zo goed binnen de definitie van hyper-automation. En is waarschijnlijk best of both worlds.
Conclusie
Het speelveld van hyper-automation (complete processen automatiseren) tegenover persoonlijke productiviteit is al zo oud als de weg naar Rome. ERP systemen (centraal) en Excel bestanden (decentraal) hebben immers ook altijd naast elkaar geleefd. De snelle opkomst van LLM’s stelt medewerkers in staat om meer waarde toe te voegen voor hun klanten – in bedrijfsprocessen waar waarde wordt toegevoegd. Deze medewerkers krijgen superkrachten door samen te werken met een LLM, en kunnen maatwerk leveren waar dit eerst niet mogelijk was.
Hyper-automation is een paradigma dat geschikter is voor complete bedrijfsprocessen die weinig waarde toevoegen voor de klant. Maar ook hyper-automation kan ervoor zorgen dat de klanttevredenheid wordt verhoogd. Als ik bij mijn telecomprovider een factuur opvraag kan deze door middel van hyper-automation snel worden opgezocht en verstuurd. De klant gaat er min of meer vanuit dat dit proces snel en efficient is, en is teleurgesteld als dit niet het geval is.
MKB-bedrijven zullen LLM’s (met Microsoft 365 Copilot voorop) snel omarmen. Zeker notarissen en advocatenkantoren zullen wellicht beter gebaat zijn met een LLM dan met een RPA bot, vanwege de lagere investeringen (voor hyper-automation is schaal nodig) en omdat maatwerk toch vaak nodig is.
Je moet ingelogd zijn om een reactie te plaatsen.