1. Pendahuluan

Otomatisasi proses robotik membuat sebuah janji yang sederhana dan, untuk sementara waktu, menepatinya. Di tempat seseorang memindahkan data antarsistem yang tidak dapat saling berbicara, masuk ke sebuah portal, menyalin angka ke dalam spreadsheet, memasukkannya ke sebuah ERP, sebuah bot RPA dapat diajari melakukan hal yang sama, mengeklik tombol yang sama dalam urutan yang sama, lebih cepat dan tanpa lelah. Daya tariknya adalah ia tidak memerlukan perubahan pada sistem yang mendasarinya: bot menjalankan layar-layar yang ada persis seperti seseorang melakukannya, sehingga sebuah departemen dapat mengotomatiskan suatu proses dalam hitungan minggu tanpa menunggu TI membangun sebuah antarmuka. Atas dasar itu RPA menjadi salah satu teknologi perusahaan yang paling cepat diadopsi dalam dekade terakhir.

Masalahnya ada pada kata robotik. Sebuah bot RPA tidak memahami tugas itu; ia mengulang sebuah rekaman. Ia tahu bahwa total faktur ada di kotak ketiga pada tab kedua, bukan apa itu total faktur, sehingga ketika portal didesain ulang dan kotak itu berpindah, bot tidak beradaptasi, ia gagal, dan jika ia gagal secara diam-diam ia terus memposting angka yang salah sampai ada yang menyadarinya. Setiap proses yang dijalankan sebuah organisasi berada dalam sebuah lingkungan yang menyimpang: perangkat lunak diperbarui, formulir didesain ulang, pemasok mengirim tata letak baru, sebuah regulasi menambahkan sebuah bidang, sebuah kasus tepi tiba yang tak pernah dilihat rekaman itu. Terhadap sebuah lingkungan yang menyimpang, seperangkat aturan yang beku adalah aset yang menyusut. Nama industri untuk konsekuensinya adalah pemeliharaan bot, dan itu adalah skandal diam-diam di bidang ini: sebagian besar upaya dalam sebuah program RPA yang matang tidak masuk ke pengotomatisan pekerjaan baru melainkan ke perbaikan otomatisasi yang telah dirusak oleh dunia, sehingga biaya operasional naik seiring waktu dan dasar bisnisnya tergerus dari dalam.

Makalah ini adalah tentang apa yang menggantikan RPA, dan mengapa penggantinya adalah sesuatu yang berbeda jenisnya alih-alih sekadar bot yang lebih cepat. Sebuah agen AI yang cakap, sebuah model yang dapat membaca layar atau dokumen, menalar tentang tujuannya, memanggil perkakas dan memeriksa pekerjaannya sendiri, dapat melakukan tugas klerikal yang dilakukan RPA, tetapi itu bukan klaim yang menarik, karena melakukan hal yang sama-sama rapuh dengan mesin yang lebih mahal bukanlah suatu kemajuan. Klaim yang menarik adalah bahwa sebuah agen dapat melakukan apa yang secara struktural tak bisa dilakukan sebuah bot: ia dapat memperbaiki otomatisasi dari pelaksanaannya sendiri. Setiap kali ia menangani sebuah kasus ia menghasilkan bukti, apa yang dilakukannya, apakah hasilnya diterima, di mana ia ragu atau dikoreksi, dan bukti itu dapat diumpanbalikkan untuk merevisi perilaku otomatisasi di lain waktu. Otomatisasi berhenti menjadi sebuah rekaman yang dibuat sekali dan melapuk sesudahnya dan menjadi sebuah lingkar yang menjadi lebih baik semakin sering ia dijalankan. Kami menyebut ini otomatisasi rekursif, dan itu adalah landasan pertama dari dua landasan makalah ini.

Landasan kedua adalah yang membuat landasan pertama aman, dan tanpanya rekursi itu adalah sebuah liabilitas alih-alih sebuah aset. Sebuah lingkar yang mengubah perilakunya sendiri dari keluarannya sendiri adalah, dalam istilah kontrol, sebuah sistem umpan balik, dan sistem umpan balik dapat konvergen atau dapat lepas kendali. Sebuah agen yang dibiarkan menyetel dirinya sendiri terhadap sinyal yang berisik akan mengejar derau itu, mengoptimalkan ukuran yang diberikan kepadanya alih-alih hasil yang seharusnya dilayaninya, dan mundur dengan cara yang tak dipilih siapa pun. Disiplin yang mengubah sebuah lingkar yang memperbaiki diri dari sebuah bahaya menjadi sebuah mesin perbaikan yang andal bukanlah hal baru; industri telah memilikinya sejak tahun 1920-an dan memformalisasinya selama tiga puluh tahun terakhir sebagai Six Sigma, yang inti operasionalnya adalah siklus DMAIC: Define tujuan dan toleransinya, Measure apa yang sebenarnya terjadi, Analyse sumber galat dan variasi, Improve dengan sebuah perubahan yang disengaja, dan Control agar perolehan itu dipertahankan dan tidak hilang. Dibaca sebagai metodologi proyek, DMAIC itu lazim. Dibaca sebagai struktur kontrol sebuah otomatisasi yang memperbaiki diri, dijalankan secara terus-menerus alih-alih sekali, ia tepat menjadi gubernur yang dibutuhkan lingkar rekursif, dan pasangan ini adalah pokok bahasan makalah ini.

Kontribusinya adalah sebuah argumen dan sebuah model kecil, bukan tolok ukur. Bagian 2 menempatkan klaim ini terhadap rekam jejak RPA, otomatisasi cerdas, perbaikan berkelanjutan dan agen AI. Bagian 3 memaparkan mengapa sebuah bot beraturan tetap melapuk, dengan sebuah model simpangan dan pemeliharaan. Bagian 4 menggambarkan lingkar rekursif yang dimungkinkan oleh sebuah agen. Bagian 5 adalah jantung makalah ini: DMAIC sebagai struktur kontrol yang membuat lingkar itu konvergen, dengan fase Control sebagai gerigi searah non-regresi. Bagian 6 menurunkan syarat penggantian, sebuah bilangan tunggal yang menyatakan kapan agen menyalip bot. Bagian 7 menelusuri sebuah kasus utang usaha yang dikonstruksi; Bagian 8 sampai 11 menarik konsekuensi tentang bagaimana sebuah fungsi otomatisasi dijalankan, menjawab keberatan, menyatakan batasan dan menyimpulkan. Pertanyaan yang menyeluruh adalah: begitu otomatisasi dapat belajar dari pelaksanaannya sendiri, apa yang menjaganya agar belajar hal yang benar, dan kapan hal itu membuat bot yang direkam menjadi usang?

2. Latar belakang

2.1 RPA dan batas atasnya

RPA dicirikan dalam literatur sistem informasi sebagai otomatisasi “ringan”: perangkat lunak yang mengoperasikan lapisan presentasi dari sistem yang ada alih-alih data atau logikanya, sehingga ia dipasang oleh unit bisnis, di luar proyek TI tradisional, terhadap back end yang tidak berubah (van der Aalst, Bichler & Heinzl, 2018; Hofmann, Samp & Urbach, 2020). Bukti kasus awal benar-benar positif soal biaya dan kecepatan (Lacity & Willcocks, 2016; Willcocks, Lacity & Craig, 2015). Literatur yang sama, seiring bidang ini matang, menamai batas atasnya. Syed dkk. (2020), meninjau keadaan riset dan praktik RPA, mengidentifikasi ketergantungan pada masukan yang stabil dan terstruktur serta kerapuhan bot terhadap perubahan antarmuka dan proses sebagai tema yang berulang dan belum terselesaikan, dan menempatkan pemeliharaan serta tata kelola di antara tantangan utama bidang ini; Wewerka dan Reichert (2023), memetakan bidang ini secara sistematis, mengatalogkan penanganan pengecualian yang terbatas dan upaya pemeliharaan di antara masalah-masalahnya yang persisten. Batas atas itu bukan cacat suatu produk tertentu; ia melekat pada pengotomatisan melalui peniruan permukaan. Sebuah bot menyandikan bagaimana seseorang yang kompeten kebetulan mengeklik, bukan apa yang dituntut tugas itu, dan jurang antara keduanya adalah persis ruang yang dimiliki lingkungan untuk merusaknya.

2.2 Dari RPA menuju otomatisasi cerdas dan agentik

Para praktisi menanggapinya dengan menempelkan kecerdasan pada bot: pengenalan karakter optik untuk membaca dokumen, sebuah pengklasifikasi untuk memilahnya, sebuah model untuk menangani masukan tak terstruktur yang tak bisa ditangani RPA. Otomatisasi cerdas atau hiperotomatisasi ini memperluas rentang masukan yang dapat diterima sebuah alur, tetapi ia membiarkan struktur kontrol tak berubah, sebuah orkestrasi tetap dengan komponen yang lebih cerdas dipasang pada posisi yang tetap, dan karenanya ia mewarisi kerapuhan yang sama satu lapis di atas. Pergeseran yang lebih baru berbeda jenisnya. Sebuah agen AI tidak menempati posisi tetap dalam sebuah alur yang digambar tangan; ia diberi sebuah tujuan dan seperangkat perkakas lalu memutuskan langkah-langkahnya, yang memungkinkannya menyerap variasi yang akan merusak sebuah orkestrasi tetap, dan, karena ia menalar tugas itu alih-alih memutar ulang sebuah rekaman, ia dapat diminta untuk menjelaskan, memeriksa dan merevisi apa yang dilakukannya. Literatur agen dalam pembelajaran mesin memberikan mekanismenya, menyelang-nyelingkan penalaran dengan penggunaan perkakas (Yao dkk., 2023), merefleksikan upaya yang gagal untuk berbuat lebih baik pada upaya berikutnya (Shinn dkk., 2023), dan survei yang lebih luas tentang agen otonom (Wang dkk., 2024). Minat kami bukan mekanisme secara abstrak melainkan sebuah konsekuensi bagi operasi: pelaksanaan sebuah agen menghasilkan bukti yang dapat diperiksa, dan bukti adalah apa yang dibutuhkan sebuah lingkar untuk memperbaiki diri.

2.3 Perbaikan berkelanjutan lebih tua daripada mesin

Gagasan bahwa suatu proses harus diukur dan diperbaiki dari keluarannya sendiri bukanlah gagasan AI; ia adalah fondasi manajemen mutu abad kedua puluh, dan makalah ini bersandar padanya secara sengaja. Shewhart (1931) membedakan variasi yang melekat pada proses yang stabil, sebab umum, dari variasi yang dapat ditetapkan, sebab khusus, yang menandai bahwa sesuatu telah berubah, dan memberikan bagan kendali sebagai instrumen yang membedakan keduanya, sehingga orang bereaksi terhadap pergeseran nyata dan bukan terhadap derau, persis ragam kegagalan sebuah lingkar pembelajaran yang tak dikendalikan; perlakuan statistik modern adalah Montgomery (2024). Deming (1986) membangun sistem manajemen di sekitarnya dan mempopulerkan siklus Plan–Do–Study–Act dari perbaikan iteratif. Six Sigma (Harry & Schroeder, 2000; Pyzdek & Keller, 2023) mengemas praktik itu menjadi DMAIC dan mengikatnya pada laju cacat yang terkuantifikasi; perlakuan akademis memberinya sebuah teori (Linderman dkk., 2003) dan sebuah catatan jujur tentang ketegangannya dengan inovasi (Benner & Tushman, 2003). Satu untai sangat dekat dengan makalah ini: operasi evolusioner Box (1957), yang menjalankan suatu proses produksi sebagai eksperimen yang lambat dan berkelanjutan, menyentil pengaturannya dan mempertahankan apa yang secara terukur memperbaiki hasil, adalah perbaikan diri rekursif di bawah kendali statistik, puluhan tahun sebelum istilah itu ada, dan ia adalah leluhur yang tepat bagi apa yang kini dilakukan sebuah agen pada kecepatan perangkat lunak.

2.4 Umpan balik, keragaman dan batas sebuah aturan yang tetap

Sibernetika memasok alasan mengapa sebuah bot yang tetap pasti kalah terhadap dunia yang berubah. Hukum keragaman yang diperlukan dari Ashby (1956) menyatakan bahwa sebuah pengatur dapat menyerap gangguan hanya sebanding dengan keragaman yang dapat dihasilkannya sendiri: hanya keragaman yang dapat memusnahkan keragaman. Sebuah bot RPA, secara konstruksi, nyaris tak punya keragaman, satu respons per jalur yang direkam, sehingga ia hanya dapat mengatur sebuah lingkungan yang tak pernah meninggalkan jalur-jalur itu, dan lingkungan nyata mana pun pada akhirnya meninggalkannya. Sebuah agen yang dikendalikan oleh sebuah lingkar pembelajaran memproduksi keragaman sesuai permintaan, menghasilkan sebuah respons terhadap sebuah kasus yang tidak secara eksplisit dibangun untuknya, itulah sebabnya ia dapat melacak sasaran yang bergerak yang tak bisa dilacak sebuah aturan tetap. Wiener (1948) memberikan catatan pendiri tentang kontrol melalui umpan balik, dan tradisi pembelajaran mesin tentang belajar dari sebuah sinyal ganjaran (Sutton & Barto, 2018) serta tentang organisasi yang belajar dengan mengoreksi galat (Argyris & Schön, 1978) adalah prinsip yang sama pada skala lain. Kontribusi di sini adalah menyatukan dua khazanah pengetahuan lama ini pada sebuah objek baru: agen memasok keragaman, dan DMAIC memasok kontrol yang menjaga keragaman tetap terarah ke tujuan.

3. Mengapa sebuah bot beraturan tetap melapuk

Keberatan terhadap RPA bukanlah bahwa ia gagal pada hari pertama; melainkan bahwa ia dibangun untuk optimal pada hari pertama dan merosot setiap hari sesudahnya. Tetapkan suatu proses dan pasang sebuah bot yang menangani sebagian kasusnya dengan benar. Lingkungan itu kemudian menyimpang, pada suatu laju, menjauh dari keadaan terhadap mana bot itu direkam: formulir berubah, sistem ditingkatkan, varian masukan baru tiba, kebijakan menambahkan sebuah langkah. Setiap tambahan simpangan mengubah sebagian kasus yang dulu ditangani bot menjadi kasus yang kini salah ditanganinya, sehingga laju galat bot naik kira-kira sebanding dengan simpangan yang terakumulasi. Di antara intervensi,

di mana $\varepsilon_0$ adalah laju galat saat pemasangan, $t$ adalah waktu, dan $\delta$ adalah laju simpangan, kecepatan dunia meninggalkan rekaman itu. Satu-satunya hal yang menurunkan $\varepsilon^{\mathrm{rpa}}$ adalah seseorang: seorang insinyur menyadari kerusakan, merekam ulang jalurnya, dan menyetel ulang laju galat menuju $\varepsilon_0$, dengan suatu biaya, dan sampai simpangan berikutnya. Bot karena itu menelusuri sebuah gigi gergaji, menaik seiring simpangan dan menurun di setiap perbaikan manual, dan tak pernah memperbaiki rancangan aslinya, karena tak ada apa pun di dalamnya yang belajar. Galat rata-rata seumur hidupnya ditentukan oleh seberapa cepat dunia bergerak ($\delta$) dan seberapa sering organisasi mampu mengirim seseorang untuk memperbaikinya.

Dua ciri gambaran ini penting. Pertama, pemeliharaan itu reaktif dan tak terbatas: seiring sebuah estate bot bertumbuh, simpangan yang mereka akumulasikan secara kolektif bertumbuh bersamanya, sehingga upaya pemeliharaan naik seiring jumlah otomatisasi alih-alih seiring pekerjaan baru yang diotomatiskan, yang merupakan mekanisme yang membuat biaya operasional sebuah program RPA menyalip penghematannya. Kedua, kegagalannya sering kali diam-diam: sebuah bot yang memposting sebuah nilai dari bidang yang keliru tidak melempar sebuah galat, ia menghasilkan sebuah hasil yang masuk akal tetapi keliru, dan biayanya hanya dibatasi oleh berapa lama ia tak tersadari. Sebuah aturan tetap dalam dunia yang bergerak bukan sekadar terbatas; ia adalah sebuah liabilitas yang besarannya tidak dikendalikan organisasi.

4. Otomatisasi rekursif: lingkar yang tak bisa ditutup sebuah bot

Sebuah agen mengubah gambaran ini karena pelaksanaannya adalah sumber informasi yang dapat diarahkan kembali ke otomatisasi itu sendiri. Ketika sebuah agen memproses sebuah kasus ia meninggalkan sebuah jejak: masukan yang dilihatnya, langkah-langkah yang dipilihnya, panggilan perkakas yang dilakukannya, keluaran yang dihasilkannya, dan, yang krusial, sinyal hilir tentang apakah keluaran itu diterima, dikoreksi atau dibatalkan. Jejak itu adalah bukti tentang di mana otomatisasi kuat dan di mana ia lemah, dan karena perilaku agen dinyatakan dalam hal-hal yang dapat disunting, instruksinya, contoh-contoh yang diberikan kepadanya, perkakas dan pemeriksaan yang harus digunakannya, perutean kasus-kasus sulit, bukti itu dapat diumpanbalikkan sebagai sebuah revisi. Otomatisasi memperbaiki diri dari pelaksanaannya sendiri. Di mana persamaan (1) hanya memiliki sebuah tangan eksternal untuk menurunkan galat, lingkar rekursif menurunkannya dari dalam, setiap siklus:

Di sini $\varepsilon_k$ adalah laju galat setelah $k$ siklus, $g \in (0,1)$ adalah perolehan perbaikan, fraksi galat yang dapat diperbaiki yang dihilangkan sebuah siklus, dan $\varepsilon_\ast$ adalah lantai yang tak dapat direduksi, sisa yang tak bisa dilepaskan proses karena ia mencerminkan ambiguitas sejati, informasi yang hilang atau pertimbangan yang tak dapat direduksi, kesulitan esensial alih-alih kesulitan insidental dari tugas itu. Mengiterasikan persamaan (2) memberikan bentuk tertutup

sebuah penurunan geometris dari galat awal menuju lantai. Ini adalah bentuk yang selalu dibidik tradisi mutu dan bentuk yang tak pernah bisa ditelusuri sebuah bot, karena sebuah bot tak memiliki $g$: perolehan perbaikannya nol, dan persamaan (2) runtuh menjadi sebuah konstanta yang hanya disela oleh penyetelan ulang manual. Perbedaan antara RPA dan otomatisasi agentik, dalam model ini, adalah perbedaan antara $g = 0$ dan $g > 0$: antara sebuah otomatisasi yang hanya dapat diperbaiki dari luar dan sebuah otomatisasi yang memperbaiki dirinya dari dalam.

Tiga syarat membuat $g$ positif dan menjaganya tetap demikian, dan ketiganya adalah hal-hal yang dipasok pelaksanaan agen yang tak dipasok pelaksanaan sebuah bot. Harus ada sebuah sinyal: sebuah hasil yang terukur untuk setiap kasus, agar lebih baik dan lebih buruk dapat dibedakan. Harus ada bukti yang dapat diatribusikan: jejak yang cukup kaya untuk menemukan mengapa sebuah kasus berjalan keliru, bukan sekadar bahwa ia keliru. Dan harus ada sebuah permukaan yang dapat disunting: tuas, prompt, contoh, perkakas, perutean, yang benar-benar dapat digerakkan sebuah revisi. Sebuah agen menghasilkan ketiganya sebagai hasil sampingan dari bekerja; sebuah bot yang direkam tidak menghasilkan satu pun darinya, yang merupakan alasan lebih dalam mengapa ia tak bisa belajar. Namun $g$ yang positif belum tentu $g$ yang aman. Sebuah lingkar yang merevisi dirinya terhadap sebuah sinyal dapat semudah itu menaikkan galat sebagaimana menurunkannya, jika sinyalnya berisik, atribusinya keliru, atau perubahannya sebuah regresi. Membuat $g$ positif secara andal, siklus demi siklus, adalah tugas struktur kontrol, dan itulah DMAIC.

5. DMAIC sebagai struktur kontrol

Klaim sentral makalah ini adalah bahwa disiplin yang mengubah sebuah lingkar yang memperbaiki diri dari sebuah bahaya menjadi sebuah mesin yang andal sudah ada, tergarap sepenuhnya, dalam siklus DMAIC Six Sigma, asalkan ia dibaca bukan sebagai proyek perbaikan sekali jalan melainkan sebagai struktur kontrol yang berdiri tetap dari otomatisasi, dijalankan secara terus-menerus. Setiap fase memasok sesuatu yang dibutuhkan lingkar rekursif Bagian 4 untuk menjaga perolehannya tetap positif dan arahnya tetap benar; Gambar 1 menggambar siklus itu dan Tabel 3 memetakan setiap fase ke perannya.

Define. Lingkar itu membutuhkan sebuah tujuan yang bukan proksi yang akan tergoda dikejarnya. Define menyatakan hasil yang dilayani otomatisasi, toleransi yang terhitung sebagai keberhasilan, dan sebuah perkiraan jujur tentang lantai $\varepsilon_\ast$ yang di bawahnya upaya lebih lanjut adalah sia-sia, agar lingkar itu mengoptimalkan hasil bisnis dan bukan sebuah pengganti yang nyaman untuknya. Sebagian besar kegagalan umpan balik yang lepas kendali adalah kegagalan Define: lingkar itu memperbaiki persis apa yang diperintahkan kepadanya, yang merupakan hal yang keliru.

Measure. Tidak ada perolehan perbaikan tanpa sebuah sinyal, dan Measure adalah fase yang memproduksinya, menginstrumentasi setiap kasus agar hasil, koreksi dan titik-titik keraguan terekam, bukan dicuplik dari anekdot. Ini adalah bentuk modern dari wawasan Shewhart bahwa Anda tak dapat memperbaiki apa yang tak Anda ukur, dan di sinilah pula penambangan proses (van der Aalst, 2016) memperoleh tempatnya, merekonstruksi apa yang sebenarnya dilakukan proses dari log peristiwanya sendiri alih-alih dari bagaimana ia dibayangkan berjalan.

Analyse. Galat khas sebuah lingkar pembelajaran adalah bereaksi terhadap derau seolah-olah itu sinyal, menyetel ulang dirinya terhadap sebaran normal dari sebuah proses yang stabil dan berdegup kacau. Analyse adalah penjaga: ia memisahkan variasi sebab umum, yang harus dibiarkan, dari variasi sebab khusus, yang harus ditindak, dan ia mengatribusikan galat yang dapat ditindak ke sebuah sebab yang cukup spesifik untuk diperbaiki. Ini adalah pembedaan Shewhart (1931) yang melakukan persis pekerjaan untuk mana ia diciptakan, kini melindungi sebuah otomatisasi dari mengejar ekornya sendiri.

Improve. Baru sekaranglah sebuah perubahan dibuat: sebuah revisi terhadap instruksi agen, contoh-contohnya, perkakasnya, pemeriksaannya, atau perutean yang mengirim sekelas kasus sulit kepada seorang manusia atau sebuah jalur khusus. Improve adalah langkah mutasi dari lingkar itu, tempat perolehan $g$ benar-benar direalisasikan, dan ia secara sengaja berada di hilir pengukuran dan analisis agar perubahan itu menjawab sebuah sebab yang terdiagnosis alih-alih sebuah firasat.

Control. Control adalah fase yang membuat keseluruhannya aman, dan di sinilah otomatisasi rekursif paling tajam berbeda baik dari sebuah bot maupun dari sebuah sistem pembelajaran yang tak dikendalikan. Sebuah perubahan yang diusulkan tidak diadopsi karena tampak lebih baik; ia diadopsi hanya jika ia terukur, terhadap kasus-kasus yang dicadangkan, tidak memperburuk hasil, dan jika tidak ia ditolak dan versi sebelumnya dipertahankan. Secara formal, dengan menulis $\widehat{\varepsilon}(m)$ untuk galat terukur dari sebuah revisi kandidat $m$,

di mana $\gamma \ge 0$ adalah sebuah margin kepercayaan yang menjaga gerbang agar tidak terkelabui oleh derau. Gerbang itu memiliki efek yang presisi pada lingkar: ia membuat urutan galat monoton dalam ekspektasi,

sehingga perbaikan berakumulasi dan tak pernah dikembalikan. Inilah yang mengubah rekursi mentah dari persamaan (2) dari sebuah jalan acak yang mungkin menyimpang ke mana saja menjadi sebuah gerigi searah yang hanya mengencang, dan ia adalah disiplin yang disumbangkan Kontrol Proses Statistik ke manufaktur satu abad lalu, kini diterapkan pada sebuah otomatisasi yang menulis ulang dirinya sendiri. Control juga mengerjakan separuh lain tugasnya yang tak glamor: ia membakukan dan mempertahankan perolehan, menyematkan versi yang telah diperbaiki pada tempatnya dengan pagar pengamannya agar siklus berikutnya mulai dari lantai yang baru dan bukan yang lama.

Pasangan itulah pokoknya. Rekursi tanpa DMAIC adalah sebuah lingkar yang dapat memperbaiki atau merusak dengan kemudahan yang sama; DMAIC tanpa rekursi adalah proyek perbaikan berkala yang selalu dijalankan tim mutu dengan tangan, dibatasi oleh seberapa sering orang dapat berkumpul. Sebuah agen yang menjalankan DMAIC sebagai struktur kontrolnya sendiri yang berdiri tetap memperoleh keduanya: kecepatan dan jangkauan perbaikan perangkat lunak serta jaminan konvergensi dari kontrol statistik.

6. Syarat penggantian

Kini kita dapat menyatakan secara presisi kapan agen menyalip bot. Kedua otomatisasi menghadapi dunia yang menyimpang yang sama, pada laju simpangan $\delta$ yang sama. Bot tak memiliki perolehan internal sehingga, menurut persamaan (1), galatnya menanjak seiring simpangan sampai seseorang menyetelnya ulang. Agen menjalankan lingkar DMAIC-nya dengan waktu siklus $\tau$, waktu untuk mengukur, menganalisis, mengusulkan dan menggerbangi satu revisi, dan perolehan per siklus $g$, sementara simpangan $\delta$ yang sama mendorong galatnya ke atas. Sepanjang waktu kontinu kedua gaya itu bergabung:

sebuah suku pembelajaran yang menarik galat ke bawah menuju lantai dan sebuah suku simpangan yang mendorongnya ke atas. Keadaan mantapnya, di mana lingkar itu persis mengimbangi dunia, adalah

sehingga otomatisasi itu bertahan pada jarak yang terbatas di atas lantai, ditetapkan oleh rasio seberapa cepat dunia menyimpang terhadap seberapa cepat lingkar itu belajar. Bot, dengan $g \to 0$, tak memiliki keadaan mantap yang terhingga sama sekali: galatnya hanya dibatasi oleh jadwal pemeliharaan. Definisikan bilangan penggantian tak berdimensi

rasio galat yang dihilangkan sebuah siklus terhadap galat yang ditambahkan simpangan sepanjang siklus yang sama. Ketika $\Sigma > 1$ lingkar itu menghilangkan galat lebih cepat daripada laju lingkungan menyuntikkannya dan otomatisasi konvergen ke sebuah pita sempit di atas lantai; ketika $\Sigma \gg 1$ ia duduk pada dasarnya di lantai. Agen menggantikan bot persis ketika ia dapat menjalankan sebuah lingkar yang dikendalikan dengan $\Sigma > 1$, yang merupakan pernyataan tentang tiga besaran yang dapat dikendalikan: naikkan perolehan $g$ dengan pengukuran dan atribusi yang lebih baik, perpendek siklus $\tau$ dengan pengotomatisan lingkar itu sendiri, dan agen mengalahkan bot tetap mana pun dalam lingkungan apa pun yang simpangannya $\delta$ terhingga. Gambar 2 mempertentangkan kedua lintasan itu. Pembacaan praktisnya adalah bahwa penggantian bukanlah pertanyaan apakah agen lebih cerdas daripada bot pada hari pertama, sering kali tidak, melainkan apakah lingkarnya berputar, di bawah kendali, lebih cepat daripada putaran dunia; dan begitu ia berputar demikian, gigi gergaji bot dan penurunan agen menyimpang untuk selamanya.

7. Sebuah kasus yang dikonstruksi: utang usaha

Kasus ini dikonstruksi, bukan diamati: angka-angkanya bersifat ilustratif dan konsisten secara internal, dan ia dimaksudkan untuk menunjukkan besaran-besaran model mengambil nilai yang masuk akal, bukan untuk melaporkan sebuah hasil. Perhatikan fungsi utang usaha sebuah grup berukuran menengah yang menerima faktur pemasok dalam banyak format di beberapa portal dan harus mencocokkan masing-masing dengan sebuah pesanan pembelian dan sebuah penerimaan barang, mengodenya, dan mempostingnya untuk pembayaran. Ia adalah sasaran RPA pokok, bervolume tinggi, dapat dideskripsikan dengan aturan, membosankan, dan kekecewaan RPA pokok, karena formatnya menyimpang terus-menerus dan setiap pemasok adalah sebuah pengecualian yang siap terjadi.

Estate RPA grup itu menangani tata letak pemasok yang paling bersih dan merutekan selebihnya ke orang-orang. Saat pemasangan ia memposting sekitar 55 persen faktur secara langsung, tetapi selama delapan belas bulan tiga pembaruan portal dan gelombang pemasok baru mendorong laju pemrosesan langsung turun dan laju galat diam-diam naik, sehingga sebuah tim tetap menghabiskan sebagian besar pekannya merekam ulang bot yang rusak dan memburu kesalahan posting, Tabel 1 memberikan kolom sebelum. Mengganti bot yang direkam dengan sebuah agen yang membaca setiap faktur sebagaimana adanya, mencocokkannya melalui penalaran alih-alih melalui koordinat tetap, dan merutekan pengecualian yang sejati ke seseorang, dan membungkus agen itu dalam sebuah lingkar DMAIC yang berdiri tetap, laju pemrosesan langsung adalah hal yang dilacak Measure, koreksi tiap pekan adalah bukti yang digarap Analyse, prompt, contoh dan pemeriksaan pencocokan agen adalah apa yang direvisi Improve, dan sebuah sampel yang dicadangkan adalah gerbang yang diterapkan Control, mengubah baik level maupun arahnya. Agen mulai hanya sedikit lebih baik daripada bot tetapi, karena lingkarnya berputar lebih cepat daripada simpangan portal ($\Sigma > 1$), laju pengecualiannya turun siklus demi siklus menuju lantai yang ditetapkan oleh faktur-faktur yang sungguh membutuhkan pertimbangan manusia, sementara beban pemeliharaan terbalik: alih-alih insinyur memperbaiki rekaman, pekerjaannya menjadi meninjau perubahan yang diusulkan lingkar di gerbang Control. Tabel 1 menelusuri besaran-besaran model melalui kasus ini.

8. Apa yang berubah bagi model operasi

Mengganti sebuah agen untuk sebuah bot bukanlah pertukaran mesin setara di bawah kap yang sama; ia mengubah apa yang dilakukan fungsi otomatisasi dan apa yang harus dikuasainya. Tabel 2 menyandingkan keduanya. Perubahan terbesar adalah ke mana upaya manusia mengalir. Di bawah RPA pekerjaan manusia yang berulang adalah perbaikan: menemukan dan merekam ulang bot yang telah dirusak dunia, sebuah tugas reaktif yang berskala dengan ukuran estate dan tak menghasilkan apa pun yang baru. Di bawah sebuah agen yang dikendalikan DMAIC pekerjaan manusia yang berulang adalah gerbang Control: meninjau revisi yang diusulkan lingkar dan memutuskan apa yang akan diberlakukan, sebuah tugas yang berskala dengan laju perbaikan alih-alih ukuran estate dan yang menghasilkan sebuah otomatisasi yang lebih baik setiap kali ia dikerjakan. Keterampilannya berubah sejalan dengan itu, dari menskripsikan robot terhadap layar menjadi mendefinisikan hasil, menginstrumentasi proses dan menilai bukti, yang berarti dari rekayasa otomatisasi menuju disiplin manajemen mutu, kini dijalankan pada kecepatan perangkat lunak.

Ada perubahan kedua, dalam tata kelola. Sebuah sistem yang menulis ulang perilakunya sendiri lebih kuat daripada sebuah rekaman dan menuntut lebih banyak akuntabilitas, bukan lebih sedikit, dan DMAIC memasok jejak audit sebagai hasil sampingan: setiap perubahan yang diberlakukan menjawab sebuah sebab yang terukur, melewati sebuah gerbang yang terekam, dan dapat diatribusikan serta dibatalkan, sehingga sebuah otomatisasi yang memperbaiki diri, jika dijalankan dengan benar, lebih dapat diperiksa daripada bot buram yang digantikannya, bukan kurang. Fase Control sama banyaknya sebuah instrumen kepatuhan dengan instrumen mutu. Ini paling penting di tempat otomatisasi menyentuh pekerjaan yang teregulasi, dan ia adalah disiplin yang sama, perubahan terukur di balik sebuah gerbang, yang telah kami argumentasikan di tempat lain dalam riset kami tentang TI yang teregulasi.

9. Keberatan dan jawaban

Sebuah agen jauh lebih mahal per kasus daripada sebuah bot. Per kasus, hari ini, sering kali ya, dan untuk sebuah tugas yang sempit, stabil, bervolume tinggi yang lingkungannya sungguh tidak menyimpang, sebuah bot yang direkam mungkin tetap menjadi pilihan ekonomis, dan tak ada di sini yang mengatakan sebaliknya. Argumen itu menggigit di tempat lingkungan menyimpang, yang merupakan kebanyakan tempat, karena di sana biaya sejati bot bukanlah harga per kasusnya melainkan ekor pemeliharaannya dan galat diam-diamnya, dan lingkar agen membayar biaya satuannya yang lebih tinggi dengan menghilangkan keduanya. Perbandingan yang harus dibuat adalah biaya seumur hidup terhadap sebuah lingkungan yang menyimpang, bukan biaya satuan pada hari pertama.

Ini hanyalah RPA dengan sebuah model ditempelkan, yang sudah dijual para vendor. Ia justru sebaliknya. Menempelkan sebuah model ke dalam sebuah orkestrasi tetap, otomatisasi cerdas sebagaimana umum dijual, mempertahankan struktur kontrol yang rapuh dan membuat komponennya lebih cerdas, sehingga ia menaikkan batas atas sedikit dan mewarisi pelapukan. Klaim di sini adalah tentang struktur kontrol itu sendiri: mengganti orkestrasi tetap dengan sebuah lingkar yang dikendalikan yang menulis ulang otomatisasi dari keluarannya sendiri. Mesin adalah separuh yang lebih kecil dari perubahan itu; lingkar adalah yang lebih besar.

Sebuah sistem yang memperbaiki diri yang mengubah perilakunya sendiri adalah sebuah risiko yang tak dapat Anda kelola. Ia adalah sebuah risiko, dan tanpa dikendalikan ia adalah risiko yang serius, yang merupakan seluruh alasan landasan kedua makalah ini adalah sebuah disiplin kontrol dan bukan sebuah model. Sebuah agen yang menyetel ulang dirinya terhadap sebuah sinyal yang berisik tanpa fase Analyse dan tanpa gerbang Control memang akan menyimpang dan mundur. Jawabannya bukan melarang lingkar itu melainkan mengendalikannya dengan metode yang telah dipakai manufaktur untuk mengendalikan proses yang menyetel diri selama satu abad: ukur, pisahkan sinyal dari derau, ubah terhadap sebuah sebab yang terdiagnosis, dan berlakukan hanya apa yang dibuktikan sebuah gerbang tidak memperburuk keadaan. Sebuah lingkar yang dikendalikan lebih dapat dipertanggungjawabkan daripada sebuah bot, bukan kurang.

Model Anda terlalu sederhana; galat nyata tidak turun secara geometris. Model itu adalah penyederhanaan yang disengaja dan konstantanya tak terukur; tujuannya adalah membuat strukturnya terbaca, bahwa sebuah bot memiliki $g = 0$ dan sebuah agen yang dikendalikan memiliki $g > 0$, dan bahwa penggantian bergantung pada apakah lingkar mengalahkan simpangan. Bentuk geometris adalah perilaku generik dari sebuah pengendali proporsional terhadap sebuah lantai, bukan sebuah hukum empiris yang presisi, dan Bagian 10 mengatakan demikian. Bilangan penggantian $\Sigma$ dimaksudkan sebagai sebuah cara berpikir, bukan sebuah angka untuk dikutip sampai tiga desimal.

10. Keterbatasan

Ini adalah sebuah argumen yang ditujukan kepada praktisi dengan sebuah model yang sengaja sederhana, dan batasannya harus jelas. Model Bagian 3 sampai 6 bersifat ilustratif: simpangan linear persamaan (1), perolehan konstan persamaan (2) dan lantai tunggal $\varepsilon_\ast$ adalah penyederhanaan yang dipilih demi keterbacaan, dan simpangan nyata itu bergumpal, perolehan nyata menyusut seiring lantai mendekat, dan lantai itu sendiri bergerak seiring tugas berubah; bilangan penggantian $\Sigma$ adalah sebuah lensa, bukan sebuah besaran yang terukur, dan kami belum menaksirnya terhadap data lapangan. Argumen ini dicakupkan pada proses yang menyimpang dan yang membawa sebuah sinyal hasil yang dapat digunakan; sebuah tugas yang sungguh stasioner dan bervolume tinggi mungkin masih memihak sebuah bot yang direkam, dan sebuah proses tanpa hasil yang terukur membuat lingkar kelaparan akan sinyal yang menjadi sandaran seluruh mekanisme. Klaimnya adalah tentang sebuah struktur kontrol, bukan sebuah produk, dan teknologi agen yang spesifik masih dini dan bergerak cepat; seorang pembaca harus mempertahankan struktur itu, sebuah lingkar rekursif yang dikendalikan mengalahkan sebuah aturan beku dalam dunia yang bergerak, dan memeriksa ulang komponennya seiring mereka berubah. Akhirnya, perolehan hanya sejujur fase Measure dan Control: sebuah organisasi yang menginstrumentasi dengan buruk, atau membiarkan gerbang melapuk menjadi sebuah cap stempel karet, akan memperoleh risiko rekursi tanpa konvergensinya, yang merupakan alasan untuk menanggapi disiplin itu dengan serius, bukan sebuah cacat gagasan itu.

11. Kesimpulan

Otomatisasi proses robotik melakukan sesuatu yang berguna dengan merekam bagaimana seseorang menjalankan sebuah sistem dan memutarnya ulang, tetapi ia mengotomatiskan permukaan sebuah tugas dan membekukannya, dan sebuah aturan beku dalam dunia yang bergerak melapuk: galatnya menanjak seiring simpangan, tagihan pemeliharaannya naik seiring estate-nya, dan kegagalan terburuknya diam-diam. Agen AI menggantikannya bukan dengan memutar ulang aturan yang sama dengan mesin yang lebih mahal melainkan dengan menutup sebuah lingkar yang tak bisa ditutup sebuah rekaman, memperbaiki otomatisasi dari pelaksanaannya sendiri, siklus demi siklus. Rekursi itu adalah landasan pertama dan, sendirian, sama banyaknya bahaya dengan manfaat. Landasan kedua adalah yang membuatnya andal: siklus DMAIC, dibaca bukan sebagai proyek sekali jalan melainkan sebagai struktur kontrol yang berdiri tetap dari otomatisasi, Define tujuan dan lantai, Measure setiap kasus, Analyse sinyal dari derau, Improve terhadap sebuah sebab yang terdiagnosis, dan Control dengan sebuah gerbang yang hanya memberlakukan apa yang secara terukur tidak memperburuk keadaan, agar perbaikan menjadi sebuah gerigi searah dan bukan sebuah taruhan. Dalam model makalah ini perbedaannya adalah perbedaan antara perolehan perbaikan nol dan perolehan yang dipertahankan positif secara andal, dan agen menyalip bot persis ketika lingkarnya yang dikendalikan menghilangkan galat lebih cepat daripada laju dunia menyuntikkannya. Rekayasa yang menyusul lebih sedikit tentang model yang membaca faktur daripada tentang lingkar yang dibangun di sekelilingnya, dan disiplin yang dibutuhkan lingkar itu adalah disiplin yang telah dimiliki industri selama satu abad dan kini dapat dijalankan pada kecepatan perangkat lunak. Otomatiskan tugasnya, ukur apa yang terjadi, perbaiki terhadap apa yang Anda ukur, dan jangan biarkan apa pun mengubah otomatisasi yang belum dibuktikan sebuah gerbang lebih baik. Sebuah bot adalah sebuah foto dari suatu proses; sebuah agen yang dikendalikan adalah proses itu yang sedang belajar. Itulah penggantian, dan itulah keseluruhannya.

Lampiran A. Menjalankan DMAIC sebagai lingkar kontrol sebuah otomatisasi

Praktik-praktik di bawah ini adalah yang menjaga sebuah otomatisasi rekursif tetap konvergen alih-alih menyimpang. Tak satu pun baru bagi AI; masing-masing adalah tradisi mutu yang diterapkan pada sebuah otomatisasi yang menulis ulang dirinya sendiri.

References

Argyris, C., & Schön, D. A. (1978). Organizational learning: A theory of action perspective. Addison-Wesley. ISBN 978-0-201-00174-3.

Ashby, W. R. (1956). An introduction to cybernetics. Chapman & Hall. http://pcp.vub.ac.be/books/IntroCyb.pdf

Benner, M. J., & Tushman, M. L. (2003). Exploitation, exploration, and process management: The productivity dilemma revisited. Academy of Management Review, 28(2), 238–256. https://doi.org/10.2307/30040711

Box, G. E. P. (1957). Evolutionary operation: A method for increasing industrial productivity. Journal of the Royal Statistical Society: Series C (Applied Statistics), 6(2), 81–101. https://doi.org/10.2307/2985505

Deming, W. E. (1986). Out of the crisis. MIT Center for Advanced Engineering Study. ISBN 978-0-911379-01-0.

Harry, M. J., & Schroeder, R. (2000). Six Sigma: The breakthrough management strategy revolutionizing the world’s top corporations. Currency/Doubleday. ISBN 978-0-385-49437-3.

Hofmann, P., Samp, C., & Urbach, N. (2020). Robotic process automation. Electronic Markets, 30(1), 99–106. https://doi.org/10.1007/s12525-019-00365-8

Lacity, M., & Willcocks, L. P. (2016). Robotic process automation at Telefónica O2. MIS Quarterly Executive, 15(1), 21–35. https://aisel.aisnet.org/misqe/vol15/iss1/4/

Linderman, K., Schroeder, R. G., Zaheer, S., & Choo, A. S. (2003). Six Sigma: A goal-theoretic perspective. Journal of Operations Management, 21(2), 193–203. https://doi.org/10.1016/S0272-6963(02)00087-6

Montgomery, D. C. (2024). Introduction to statistical quality control (8th ed.). Wiley. ISBN 978-1-119-72309-7.

Pyzdek, T., & Keller, P. A. (2023). The Six Sigma handbook (6th ed.). McGraw-Hill. ISBN 978-1-26-514399-2.

Shewhart, W. A. (1931). Economic control of quality of manufactured product. D. Van Nostrand. ISBN 978-0-87389-076-2 (ASQ reprint).

Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K., & Yao, S. (2023). Reflexion: Language agents with verbal reinforcement learning. In Advances in Neural Information Processing Systems 36 (NeurIPS 2023). https://arxiv.org/abs/2303.11366

Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (2nd ed.). MIT Press. ISBN 978-0-262-03924-6.

Syed, R., Suriadi, S., Adams, M., Bandara, W., Leemans, S. J. J., Ouyang, C., ter Hofstede, A. H. M., van de Weerd, I., Wynn, M. T., & Reijers, H. A. (2020). Robotic process automation: Contemporary themes and challenges. Computers in Industry, 115, 103162. https://doi.org/10.1016/j.compind.2019.103162

van der Aalst, W. M. P. (2016). Process mining: Data science in action (2nd ed.). Springer. https://doi.org/10.1007/978-3-662-49851-4

van der Aalst, W. M. P., Bichler, M., & Heinzl, A. (2018). Robotic process automation. Business & Information Systems Engineering, 60(4), 269–272. https://doi.org/10.1007/s12599-018-0542-4

Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J.-R. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18(6), 186345. https://doi.org/10.1007/s11704-024-40231-1

Wewerka, J., & Reichert, M. (2023). Robotic process automation: A systematic mapping study and classification framework. Enterprise Information Systems, 17(2), 1986862. https://doi.org/10.1080/17517575.2021.1986862

Wiener, N. (1948). Cybernetics: Or control and communication in the animal and the machine. MIT Press. ISBN 978-0-262-73009-9.

Willcocks, L. P., Lacity, M., & Craig, A. (2015). The IT function and robotic process automation (The Outsourcing Unit Working Research Paper Series). London School of Economics and Political Science, LSE Research Online item 64519. http://eprints.lse.ac.uk/64519/

Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. In International Conference on Learning Representations (ICLR 2023). https://arxiv.org/abs/2210.03629