轉型是大勢所趨，但該如何展開?轉型“水很深”，沒有正確的認知和方法，第一步就會走錯。

真正找到正確路徑的企業鳳毛麟角，通用的經驗是什么?

“要去占領下一代的高地，那么就要先知道那件事的本質是什么，以終為始，去想象未來的企業到底是什么樣子，重新審視數字化的進程。”

轉型之際，邁向“下一代”企業

1 科學發展的四個范式

人類科學的發展可以分成四個關鍵階段：實驗科學 --理論科學--計算科學--數據科學，這也被稱為“四個范式”，由1998年圖靈獎獲得者、美國資訊工程學家Jim Gray(詹姆斯·尼古拉·格雷)在《科學發展的四個范式》一文中提出。

第一范式，實驗科學 。我們日常當中運用最多的一種科學。人類通過重復實驗記錄自然，如鉆木取火、摩擦起電等一些偶然或人為的實驗，發現成功的案例，之后便采用同樣的方式來指導下一步行動。

第二范式，理論科學。人類開始于現象經驗中總結理論，抽象出本質規律，如牛頓三大定律。它的好處是泛化能力特別強，但是有些復雜現象的規律就無法抽象得出，比如天氣預報，很難做一個簡單的公式來描繪整個自然界的變化。

第三范式，計算科學。計算機出現，通過密集計算的方式，對未來進行推演，進行實踐指導，如預測天氣。

第四范式，數據科學。計算機從海量的數據中抽象出規律，從而指導我們的現實行動，該階段跟之前有兩點不同：首先，它的前提是要具備非常密集的數據。其次，計算機是用學習的方式，而不是通過專家的經驗或者模擬計算的方式來形成最后的規律。

當一個產業進入了科學時代，發展速度急劇加快，質變隨之發生。抓住了變化和規律，企業就會實現轉型，進入到“下一個時代”。

2.有限理性VS極限理性：AI的本質是什么?

“人們在決定過程中尋找的并非是‘最大’或‘最優’的標準，而只是‘滿意’的標準。”

——Herbert Simon，1975年圖靈獎、1978年諾貝爾經濟學獎得主。

我們經常說管理是一門藝術，因為“人”是一個復雜的變動因素，我們要去尋求一個大家都能滿意，可以推行下去的決策，這是一個人為思考的過程。也是有限理性的過程。

AI和人腦究竟有什么樣的區別?AI能夠從海量的數據和海量的計算當中總結出海量的科學規律，其本質是一種極限理性，是把每一個細粒度的區間都用數據進行計算和分析的技術。相比之下，人腦很難在每一個精確的地方去形成判斷，不是沒有能力，而是沒有精力。

3，AI的極限理性如何影響業務?

1)AI的高維技術，讓決策的層級更下沉，趨向極限理性

機器學習模型當中有一個衡量標準叫維度，維度越高，意味著模型越準確，對事件/對象的刻畫就越精準。常見的千人千面的內容/商品推薦，得益于高維技術可總結海量規則，為每個會員精準匹配獨特服務。

舉個例子，零售連鎖集團做決策，用人和用AI會有何不同?

由人來做規則的制定者，通常是總部做決策，決定優惠的預算、預測不同區域的銷量，這很容易產生一個矛盾：使得下面的門店失去能動性。門店受到思考范圍的局限無法自主做出判斷，而總部決策層又沒有足夠的時間和精力，參與到每一家門店的經營和優化。

這時，如果讓AI從各級門店里面數據中找規律，可以輔助企業管理者做決策，根據每個門店的情況做最優決策。AI能夠幫助實現決策的層級更下沉，使整體朝著極限理性的方向發展。

2)AI的實時技術，讓決策依據和觸達更及時

在整個管理體系中，信息的上傳下達是要有周期的，如果每一個決策的點都有AI在輔助，可以做到毫秒級別，這是人做決策難以企及的，這個過程當中就存在巨大的收益。

我們處于一個瞬息萬變的市場環境中，用戶需求和社會發展日新月異，當一個個體進入一家門店或者打開一個APP，每一個瞬間都是不一樣的，他做出的每件事情都在隨他的心智發生變化。所以當我們用AI加上互聯網的實時技術，讓決策的依據和觸達可以做到更及時。

3)AI的閉環技術，讓決策進化永續不斷

AI可能一開始決策的并不好，但因為它是一個閉環，能夠做到永續不斷地進化。曾擊敗圍棋世界冠軍的AlphaGo，一開始的能力也沒有那么強，隨著它后來生成棋譜以及做了越來越多的對弈練習之后，它的能力開始越來越強。

反觀人類社會管理組織的進化速度，往往要以年來計。但是運用AI的閉環技術，我們可以自動發生迭代，以天級別、甚至分鐘級別，持續不間斷地進化。

機器決策的體系其實能夠更好地發揮人的價值。人擅長感性的、判斷的、非常復雜的決策，而機器擅長排程、協調、組織等類型的工作。因為它不知疲倦，并且非常中立，所以企業轉型，是從以人為中心的體系走向人機協同的AI決策體系。

AI賦能,什么是“下一代”企業?

1，下一代企業的特點

上一代企業：用很少的人設計的產品、內容策略，服務一類人。

下一代企業：用機器生成的海量(億-千億)規則，服務所有人。

舉個例子，一個網站如何做到服務好每個人?最好的方式是給每個人配一個編輯，誰能做到這一點?我們不可能有多少讀者，就請多少編輯，于是用機器來幫忙，也就是用機器生成的海量規則服務到所有的人，這就是下一代企業。

今日頭條早期的成功，很大程度上在于它重構了資訊分發的邏輯，讓資訊和人的匹配方式發生了質變。它是怎么做到的?

當別人還在研究一個APP上可以分為多少頻道，要用什么內容來吸引用戶的時候，今日頭條已經研發出一個強大的留存中臺，用上千億條規則形成了覆蓋每一個人的“專屬編輯”服務，讓每個人都能看到自己想看的東西，千人千面，形成更好的用戶體驗。這就形成了今日頭條在市場上的競爭優勢，不僅僅是獲得了一些降本增效的收益提升，更重要的是實現質的變化。

2，轉型的本質：突破企業瓶頸點 從量變到質變

成為下一代企業的根本原因是什么?是形成經營的質變。

1)在消費互聯網領域，無論是內容分發，還是實際的商品分發，或者服務分發，利用AI解除了分發的瓶頸，讓分發的邊際成本降低，用戶因為得到了專屬服務，數量增加。當達到臨界點，也就是分發的邊際成本接近于0的時候，用戶量急劇地上升，這就是企業進入到下一代的過程。

2)在產業互聯網領域，人是非常關鍵的一大因素。數字化的平臺可以為人賦能，我們利用AI的輔助，降低從業者的方差，實現服務網絡的無限擴張，同樣經歷從量變到質變的過程。

數字化平臺如何為人賦能?

“人”治的金字塔式系統：協作產生效率，而協作就需要“武林盟主”(管理者)起到調停作用，隨著管理者金字塔結構變高，整個管理的效率就會降低，從業門檻也被抬高。

AI決策驅動的網狀管理系統：分工協作由平臺來優化，激勵也由平臺計算得出，比如通過APP、激勵、積分等各種技術手段和平臺工具，它可以讓每一個從業者相對容易地到達一個比較高的水平。另一個方面，用系統做好利益分配，只要把自己的事情做到極致，就能獲得自己的一份收益。這就是平臺賦能的力量。

所以無論是消費互聯網，還是產業互聯網，它利用AI決策去轉型，核心點是突破企業的瓶頸點，讓每個人、每件事都被不同規則覆蓋，極致地發揮機器智能，把“人治”的金字塔系統，變成機器驅動的網狀管理系統，從而讓企業不受人力的經驗和成本所限制，從量變到質變。

轉型思路,AI如何支持企業經營中的三種決策?

AI支持企業經營中的三種決策：執行性決策、業務性決策、戰略性決策。

1.執行性決策：單點場景的降本增效

這是每天一線從業人員在做的事情，根據實際的情況決定如何服務客戶，比如應該給客戶推薦什么類型的產品，面對客戶的時候應該說什么話，這都是執行性的決策，對應到單點場景。

AI用于執行性決策，可以幫助關鍵場景做出更精準、更科學的決策，能做到場景的效率提升和成本降低。比如說我們用攝像頭和健康碼來幫助保安去決定是否放行，可以讓識別率更好、更安全。

有一點需要注意：產品價格預測、金融反欺詐、個性化菜單推薦等各種各樣場景的執行性決策，只能讓我們對AI如何發揮作用形成一個基本的感受，并不能給企業本身帶來什么真正的變化。所以企業數字化至少要做到業務性的決策，也就是業務再造的過程。

2.業務性決策：業務再造和創新

業務性決策針對的是整個價值鏈條，比如供應鏈，目的就是降本增效。沿著一系列的流程和一系列的點，通過AI決策在每個環節不停優化，讓整個供應鏈的效率變得更高，提升企業核心指標，實現業務的再造與創新。

何謂業務的再造與創新?一些零售企業，用機器決策參與整個供應鏈過程之后，可以做到庫存降低到原先的50%以下，意味著每年可能因此獲得千萬級的利潤增長，在業務上獲得的優勢可以讓企業做更多事。

業務再造，也是一個1+N的過程。

1是什么呢?1是業務中對KPI最重要的那個拆解子項。比如對于以采購為主的企業，最重要的事情是降低采購的成本，如果我們能對一宗采購的成本進行準確的預估，這在業務當中是非常重要的。

找出企業轉型的1，使用AI，在這件事情上精益求精，達到極致的業務效果，這樣的投入產出是合理的。

那么N是什么?它是業務鏈條上其他各種各樣的環節(如非核心業務)。在這么多環節使用AI，肯定都能夠產生很好的效果，但每一個都不具有關鍵作用。所以對于N的業務性改造，最重要的是要看你花同樣的錢，能改造多少個業務，是要降低用AI去優化每一個部分的門檻，快速地完成整個端到端的變化。

數據和AI可以滲透到各個角落去驅動業務的創新，如果暫時找不到變革之道，但還是要先嘗試的話，至少要著重關注整個業務創新的效率如何，而不是盯在一個點上。

3.戰略性決策：全面轉型重塑，實現經營質變

戰略性決策，通常來講是企業的CEO等高級管理者要去做的。對企業經營者來講，時刻要思考的問題是什么呢?就是在戰略層面，企業下一步怎么去做，才能更好地生存和發展。

企業戰略規劃中，AI可以為核心要素。在AI助力下，重塑經營和管理模式，突破人力所限的增長瓶頸，產生經營質變。

轉型在于做出選擇。

在消費互聯網行業，互聯網對客戶的流量競爭是不分領域的，它們都在爭奪手機上的注意力時間;從產業互聯網的角度上來講，對優質從業者的流量爭奪也是不分行業的。在這種競爭的情況下，戰略轉型的關鍵選擇在于，是正確地運用AI決策的力量去重塑企業經營與管理，還是繼續從前的金字塔形式。

把AI當成一種高維武器。

所以當我們講到AI，不能把它簡單當成一個降本增效的工具或手段，或者把它停留在一個高科技的概念里邊，而是一定要用它作為一種高維武器去尋求質變，去贏得競爭，甚至是這個過程當中去發現更多的細分賽道，創造更多的價值。

轉型路徑,如何通過智能化轉型，成為“下一代”企業?

1，轉型中的兩個誤區

1)“演進式”陷阱：數字化進程四個步驟，要一步一步來?

我們通常會把整個數字化進程分成四個步驟：自動化——信息化——數字化——智能化。很多人認為，這四個步驟要按先后，一步一步來。

但這會陷入“演進式”陷阱，導致策略總是會大改大修，甚至重新架構。

正確的做法是，堅持“以終為始”的規則：以終為始，就是以智能化為目標，重新審視數字化的進程，這是很多企業在面臨智能化轉型要做的第一件事情。

要去占領下一代的高地，就要先知道我們要做的那件事的本質是什么，去想象未來的智能化企業到底是什么樣子，沿著那個本質來判斷我們轉型的過程是不是沿著那個方向去走的，在大目標下進行實時的調整和修正。

2)智能化轉型是一個項目嗎?

我們要擁抱企業的智能化轉型，成為下一代企業，但這并不代表從A到B這件事情就叫轉型，而是首先從認知上躍遷到這個領域里，從零開始像一個小朋友一樣一點一點長上去，最后長成巨人。但至此并沒有結束，而是依然需要繼續優化。把智能化轉型當成一個項目是常見的誤區;它應該是基于企業未來的戰略選擇，需要持續經營的實踐，非常依賴 “對的方法”和“對的人”。

2、智能化轉型的“三駕馬車”

成功實現智能化轉型的企業，需要借助“三駕馬車”：新方法、新組織和新工具。

新和舊是相比較而言的，舊指的是不能有效地利用數據及機器的閉環學習的技術手段(沒有用到AI決策)，反之則是新的體系。

1)新方法：頂層設計打破增長瓶頸，量變到質變

新的方法，首先就是頂層設計出發，打破增長的瓶頸，實現量變到質變。每個企業的瓶頸都不同，但是核心就在于找到這個瓶頸，讓AI決策輔助企業去打破這個瓶頸，讓機器的智能可以極致發揮作用。當你有了這個手段之后，要思考的是怎么和自己的業務相結合，而不是僅對著一個技術的指標去提升。

第二，轉型一定是頂層設計出發，企業CEO要成為智能化轉型的引領者。老板想不清楚，下面的人是更不可能想得清楚的。當行業過去的龍頭要進入新的產業的時候，誰能夠率先地利用更符合未來的管理體系和管理思路，誰就在未來的競爭當中更能夠占據優勢。

2)新組織

現在大家都面臨著管理上的問題。新的組織，簡單來說，需要三方力量的協調：企業CEO、業務團隊、科技團隊。

其中，CEO起到了引領者角色。因為變革始終需要領袖，而這個變革的領袖只能由CEO來擔任。

新角色CAIO

企業AI智能化轉型的第二個關鍵角色，就是CAIO(首席人工智能官)。CAIO體系下產生了新的業務技術組織：

首先由CEO來決定什么叫質變，然后CAIO、業務負責人和CTO形成三元組，這就是一個企業的智能化轉型的作戰指揮部。

對細分業務來講，每個企業其實都有不同的北極星指標，所有的指標都有一個特點，它可能不是100%準確的，但一定要是100%可量化的，這是一個非常關鍵的點。因此我們對于新的組織，應該關注它的迭代過程。

AI的特性之一，就是它可以永續迭代。未來的創新應該是Top-down(自上而下的)的——根據質變的目標，定下北極星指標，拆解成若干個要素，這些確定之后再去執行，繼而不斷優化。

新的組織與傳統組織的區別

所以傳統的技術組織和新的技術組織，一個本質的區別，對于傳統的技術組織來講，技術的最高負責人很難做到對業務目標的拆解，他不百分百了解某個業務是怎么做成的。于是，就先規劃再實施，借助一些外部的力量或者內部力量，但難點就在于在今天不斷變化的情況下，規劃很難做到盡善盡美。

另一個問題，傳統技術組織研究最大的重點就是這個設計對不對，總是要經歷一輪、二輪、三輪等重重論證，但企業內外同時也在一直發展變化。

新的技術組織是什么樣的呢?首先，它把整個企業的治理也變成一個機器學習模型。制定具體業務，其實就類似于設置一些參數，而后續迭代的過程，其實也是模型本身迭代優化的過程。所以整個企業的治理也變成了一個自我迭代的模型。

第二，它的核心就是在實施當中不斷地進行優化，其中最核心的點就是不斷優化目標，所以CEO在頂層設計里面對質變的定義特別重要。

第三，研究的重點是組織迭代的效率夠不夠高，而非設計的絕對正確。關鍵是要看進化的速度是不是夠快，只要進化的速度比別人快，到最后就能夠取得勝利。

3)新工具：數據、算力、人才形成合力，AutoML降低門檻

企業智能化轉型實施中存在三個瓶頸——數據、算力、人才，在新系統下，讓三者形成合力，再通過AutoML技術(Automated Machine Learning 自動機器學習)來降低門檻。

數據。數據治理過程中，通常關鍵的問題就是：某環節數據缺失，或者整個過程沒有形成一個閉環，一個閉環的過程應該包括行為數據、反饋數據、模型訓練和模型應用。行為數據和反饋數據，屬于業務的事情，比如在個性化資訊推薦中，不但需要知道哪些新聞推送了哪些用戶，還要知道用戶的反饋，比如是否點擊;模型訓練和模型應用，則是技術團隊的事情。

數據治理是要有靈魂的，是要跟業務密切相關的。新的架構需要以業務為核心，形成完整的數據閉環，實現持續治理。

算力。算力是最容易被忽視的，它最核心的特點就是貴。當你真正把人的決策讓AI輔助之后，會有海量計算，如果系統架構或者選型設計不好的話，在算力上花的錢可能比招聘一個人還要貴。

所以，需要注意兩個點：一、目標對不對，不要出現花了大量的錢，最后沒得到應有的結果。二、就算力本身來講，架構其實是特別重要的。從算法的認知定義算力系統架構，最后形成軟硬結合的軟硬一體化結構。

人才。轉型過程中處處需要人，比如，算法科學家、CIO、CAIO等各種各樣的人才，同時人才也要有業務know-how。

AI介入企業智能化轉型這件事情，其實不在于某個算法怎么做，那只是整個漫長過程當中的一小點。優質的AI人才需要懂算法、懂數據工程，還要懂業務。培養一個優質的AI人才，貴且慢。新工具可以解決的問題是：把算法的部分交給AutoML(一種讓AI設計AI的算法，可解決算法科學家稀缺的問題);把數據工程的部分交給企業級的AI操作系統，這樣原有的業務人員就也能開發AI應用了，人才的瓶頸就解決了。