RPA: Terlalu Diekspor atau Hanya Penyelesaian Sementara? Apakah Mesin Pengambil Keputusan adalah Masa Depan?

Apakah RPA terlalu diekspor, solusi yang dapat diskalakan atau penyelesaian sementara? Apakah mesin pengambil keputusan adalah masa depan?

Anda sering mendengarnya. RPA terlalu diekspor. Ini seperti plester. Sekarang Information Age telah berbicara dengan seorang ahli konsultasi bisnis yang berpendapat bahwa mesin pengambil keputusan, bukan RPA, adalah masa depan. Apakah dia benar?

Untuk Albert Rees, yang memimpin konsultasi bisnis untuk Amerika Utara, di EPAM, RPA lebih seperti plester.

Rees melihat dua masalah dengan RPA.

• Biaya implementasi jauh lebih tinggi dari yang diantisipasi.
• Biaya pemeliharaan. “Anda memindahkan data antara sistem yang ada dan jika sistem tersebut tidak pernah berubah, semua baik-baik saja di dunia. Tapi itu tidak sebenarnya kasusnya. Jadi seiring sistem berkembang, hal-hal di backend juga harus berubah.

Rees berkata: “Anda harus sampai ke tingkat detail yang cukup rendah untuk benar-benar memahami di mana otomatisasi akan bekerja dan apa yang akan dilakukan dan bagaimana itu akan berinteraksi dengan sistem.” Sampai ke tingkat detail yang rendah ini juga menimbulkan biaya.

Ia menambahkan: “Kami melihat orang menyalin dan menempel dari spreadsheet, Anda pergi ke call center, Anda melihat skenario tiga layar tempat mereka memindahkan data dari layar A ke layar B ke layar C dan itu hanyalah tiga sistem internal yang mereka gerakkan informasi di sekitar dan salah satunya mungkin Excel. Jika ada sesuatu yang berubah pada salah satunya dan tiba-tiba Anda harus kembali dan mengimplementasikan pembaruan. Sebagian besar organisasi tidak dapat melakukannya sendiri jadi mereka kembali menghabiskan uang lagi.”

Mesin Pengambil Keputusan

Sebaliknya, dia melihat mesin pengambil keputusan sebagai kunci. Tapi apa itu? Dia berkata: “Saya memikirkan Mesin Pengambil Keputusan sebagai alat yang digunakan untuk mengotomatisasi sebagian pengambilan keputusan manusia yang dapat didefinisikan oleh serangkaian aturan. Mereka bekerja dengan menerapkan aturan bisnis yang telah ditentukan (sering disebut ‘pohon keputusan’) ke dalam kumpulan data. Mesin Pengambil Keputusan biasanya bukan pengganti RPA, namun mereka dapat meningkatkan RPA ketika suatu proses memerlukan keputusan dibuat saat mengevaluasi aturan kompleks yang diterapkan pada kumpulan data kompleks.”

Debat

Jadi, apakah itu benar?

Baru-baru ini, Information Age berbicara dengan Bruno Ferreira Managing Director UK & Ireland di UiPath, tidak mengherankan, dia memiliki perspektif yang berbeda.

Argumen ekses, menurutnya, tidak masuk akal. “Tingkat perpanjangan kami lebih dari 90%.”

Dia juga merujuk pada pertumbuhan UiPath: $10 juta pada 2016, $200 juta pada 2018, yang menunjukkan bahwa angka keras menunjukkan nafsu yang hebat untuk RPA.

Dan namun, dia menyarankan hanya sejumlah kecil organisasi yang menggunakan RPA, yang menunjukkan potensi pertumbuhan yang besar.

Sarah Burnett, executive vice president dan analis terkemuka di Everest Group mengatakan bahwa “kami sebenarnya telah melakukan studi yang menunjukkan perusahaan mencapai sekitar 30% penghematan biaya.”

Plester RPA?

Kemudian ada masalah RPA seperti plester. Ini kembali pada sistem warisan. “Itu ditulis dalam COBOL, itu berada di mainframe, dan itu adalah satu kasus penggunaan di mana kami tidak dapat melakukan apa pun dengan sistem warisan itu lagi katanya Rees. Kemudian dia berpendapat bahwa banyak sistem tidak terintegrasi dengan baik — “kami mendapatkan banyak versi kebenaran, dan itu berarti banyak pekerjaan manual mundur, mengetik data, misalnya, yang sudah ada di sistem lain.” Dia menyarankan sejumlah perusahaan menggunakan RPA untuk membantu dengan ini, tetapi bahwa “dalam banyak hal, RPA adalah plester untuk hal-hal yang bisa ada, kemampuan yang bisa ada dalam ERP dan solusi jenis terbaik lainnya saat ini.”

“Pertanyaan di pikiranku, katanya “adalah berapa lama RPA benar-benar bertahan sebagai solusi yang layak di pasar. Dan itu saya tidak tahu. Saya spekulasi di antara tiga dan lima tahun, karena apa yang kami lihat sebenarnya adalah pelanggan bergerak menuju otomasi cerdas dan solusi cloud, yang sebenarnya adalah evolusi berikutnya dari RPA. ”

Di sini lagi, ada mereka yang sangat tidak setuju. Misalnya, UiPath terkenal menyatakan tujuannya untuk mencapai satu robot untuk setiap meja, sebuah tujuan yang tampaknya memiliki perencanaan jangka panjang implisit padanya.

Bruno Ferreira mencantumkan sebagai contoh, target UiPath bahwa ada satu robot per ilmuwan. “Bayangkan itu,” katanya, “setiap hari seorang ilmuwan pergi ke laboratorium, tetapi harus menghabiskan satu hari sehari dalam persiapan,” dengan RPA dia berkata “perkiraan menunjukkan penghematan sembilan jam sebulan, yang akan luar biasa.”

Data Sensitif

Rees juga memiliki kekhawatiran dengan robot tanpa pengawasan, yang dapat mengotomatisasi proses dari ujung ke ujung. Sebagian dari masalah terletak pada regulasi dan bahaya bahwa robot tanpa pengawasan bisa mengulangi kesalahan, yang operator, terpisah dari operasi sehari-hari, tidak sadar akannya.

“Semua orang ingin menjadi fleksibel,” katanya dan “fleksibel adalah hebat dari sudut pandang pengembangan ketika Anda dapat berani membuat kesalahan dan belajar dari kesalahan dan memperbaiki. Tapi Anda tidak dapat melakukannya dengan data sensitif.

Jadi, ketika Anda memiliki robot yang memindahkan data dari sistem A ke sistem B yang berada di belakang firewall, tanpa pengawasan bekerja hebat. Jika ada yang salah, tebak apa? Kami menambahkan sprint lain, memperbaikinya, dan kami kembali tanpa pengawasan lagi. Biasanya itu ditangkap sebelum pernah sampai ke tangan siapa pun, tempat itu akan membuat masalah.”

Dia melihat masalah, namun, dengan data sensitif. Misalnya, jika Anda mendapatkan “rekaman bank untuk rekening checking orang lain.” “Dalam situasi ini tanpa pengawasan menjadi jauh, jauh lebih berisiko.”

Sarah Burnett, sebaliknya, melihat akurasi pencapaian data sebagai salah satu kekuatan RPA.

Seperti yang dikatakan, to err is to be human, RPA dapat menghilangkan kesalahan.

“Jika seseorang memasukkan sejumlah data, mereka bisa dengan mudah secara tidak sengaja menukar beberapa angka. Memperbaiki kesalahan itu, semakin jauh dalam proses itu berjalan, semakin mahal itu menjadi. Anda bisa memiliki orang-orang, yang waktu mereka sangat mahal, mengejar kesalahan ini dan mencoba memperbaikinya, jauh dalam jalur proses. Robot jika dikembangkan dengan benar dan dipelihara serta berjalan lancar, tidak akan membuat kesalahan tersebut. Kami mendengar dari organisasi yang mengatakan mereka terus menguji aplikasi robot mereka dan mereka tidak pernah menemukan kesalahan setelah mengujinya, itu 100% akurat …selalu.”