转型是大势所趋，但该如何展开?转型“水很深”，没有正确的认知和方法，第一步就会走错。

真正找到正确路径的企业凤毛麟角，通用的经验是什么?

“要去占领下一代的高地，那么就要先知道那件事的本质是什么，以终为始，去想象未来的企业到底是什么样子，重新审视数字化的进程。”

转型之际，迈向“下一代”企业

1 科学发展的四个范式

人类科学的发展可以分成四个关键阶段：实验科学 --理论科学--计算科学--数据科学，这也被称为“四个范式”，由1998年图灵奖获得者、美国资讯工程学家Jim Gray(詹姆斯·尼古拉·格雷)在《科学发展的四个范式》一文中提出。

第一范式，实验科学 。我们日常当中运用最多的一种科学。人类通过重复实验记录自然，如钻木取火、摩擦起电等一些偶然或人为的实验，发现成功的案例，之后便采用同样的方式来指导下一步行动。

第二范式，理论科学。人类开始于现象经验中总结理论，抽象出本质规律，如牛顿三大定律。它的好处是泛化能力特别强，但是有些复杂现象的规律就无法抽象得出，比如天气预报，很难做一个简单的公式来描绘整个自然界的变化。

第三范式，计算科学。计算机出现，通过密集计算的方式，对未来进行推演，进行实践指导，如预测天气。

第四范式，数据科学。计算机从海量的数据中抽象出规律，从而指导我们的现实行动，该阶段跟之前有两点不同：首先，它的前提是要具备非常密集的数据。其次，计算机是用学习的方式，而不是通过专家的经验或者模拟计算的方式来形成最后的规律。

当一个产业进入了科学时代，发展速度急剧加快，质变随之发生。抓住了变化和规律，企业就会实现转型，进入到“下一个时代”。

2.有限理性VS极限理性：AI的本质是什么?

“人们在决定过程中寻找的并非是‘最大’或‘最优’的标准，而只是‘满意’的标准。”

——Herbert Simon，1975年图灵奖、1978年诺贝尔经济学奖得主。

我们经常说管理是一门艺术，因为“人”是一个复杂的变动因素，我们要去寻求一个大家都能满意，可以推行下去的决策，这是一个人为思考的过程。也是有限理性的过程。

AI和人脑究竟有什么样的区别?AI能够从海量的数据和海量的计算当中总结出海量的科学规律，其本质是一种极限理性，是把每一个细粒度的区间都用数据进行计算和分析的技术。相比之下，人脑很难在每一个精确的地方去形成判断，不是没有能力，而是没有精力。

3，AI的极限理性如何影响业务?

1)AI的高维技术，让决策的层级更下沉，趋向极限理性

机器学习模型当中有一个衡量标准叫维度，维度越高，意味着模型越准确，对事件/对象的刻画就越精准。常见的千人千面的内容/商品推荐，得益于高维技术可总结海量规则，为每个会员精准匹配独特服务。

举个例子，零售连锁集团做决策，用人和用AI会有何不同?

由人来做规则的制定者，通常是总部做决策，决定优惠的预算、预测不同区域的销量，这很容易产生一个矛盾：使得下面的门店失去能动性。门店受到思考范围的局限无法自主做出判断，而总部决策层又没有足够的时间和精力，参与到每一家门店的经营和优化。

这时，如果让AI从各级门店里面数据中找规律，可以辅助企业管理者做决策，根据每个门店的情况做最优决策。AI能够帮助实现决策的层级更下沉，使整体朝着极限理性的方向发展。

2)AI的实时技术，让决策依据和触达更及时

在整个管理体系中，信息的上传下达是要有周期的，如果每一个决策的点都有AI在辅助，可以做到毫秒级别，这是人做决策难以企及的，这个过程当中就存在巨大的收益。

我们处于一个瞬息万变的市场环境中，用户需求和社会发展日新月异，当一个个体进入一家门店或者打开一个APP，每一个瞬间都是不一样的，他做出的每件事情都在随他的心智发生变化。所以当我们用AI加上互联网的实时技术，让决策的依据和触达可以做到更及时。

3)AI的闭环技术，让决策进化永续不断

AI可能一开始决策的并不好，但因为它是一个闭环，能够做到永续不断地进化。曾击败围棋世界冠军的AlphaGo，一开始的能力也没有那么强，随着它后来生成棋谱以及做了越来越多的对弈练习之后，它的能力开始越来越强。

反观人类社会管理组织的进化速度，往往要以年来计。但是运用AI的闭环技术，我们可以自动发生迭代，以天级别、甚至分钟级别，持续不间断地进化。

机器决策的体系其实能够更好地发挥人的价值。人擅长感性的、判断的、非常复杂的决策，而机器擅长排程、协调、组织等类型的工作。因为它不知疲倦，并且非常中立，所以企业转型，是从以人为中心的体系走向人机协同的AI决策体系。

AI赋能,什么是“下一代”企业?

1，下一代企业的特点

上一代企业：用很少的人设计的产品、内容策略，服务一类人。

下一代企业：用机器生成的海量(亿-千亿)规则，服务所有人。

举个例子，一个网站如何做到服务好每个人?最好的方式是给每个人配一个编辑，谁能做到这一点?我们不可能有多少读者，就请多少编辑，于是用机器来帮忙，也就是用机器生成的海量规则服务到所有的人，这就是下一代企业。

今日头条早期的成功，很大程度上在于它重构了资讯分发的逻辑，让资讯和人的匹配方式发生了质变。它是怎么做到的?

当别人还在研究一个APP上可以分为多少频道，要用什么内容来吸引用户的时候，今日头条已经研发出一个强大的留存中台，用上千亿条规则形成了覆盖每一个人的“专属编辑”服务，让每个人都能看到自己想看的东西，千人千面，形成更好的用户体验。这就形成了今日头条在市场上的竞争优势，不仅仅是获得了一些降本增效的收益提升，更重要的是实现质的变化。

2，转型的本质：突破企业瓶颈点 从量变到质变

成为下一代企业的根本原因是什么?是形成经营的质变。

1)在消费互联网领域，无论是内容分发，还是实际的商品分发，或者服务分发，利用AI解除了分发的瓶颈，让分发的边际成本降低，用户因为得到了专属服务，数量增加。当达到临界点，也就是分发的边际成本接近于0的时候，用户量急剧地上升，这就是企业进入到下一代的过程。

2)在产业互联网领域，人是非常关键的一大因素。数字化的平台可以为人赋能，我们利用AI的辅助，降低从业者的方差，实现服务网络的无限扩张，同样经历从量变到质变的过程。

数字化平台如何为人赋能?

“人”治的金字塔式系统：协作产生效率，而协作就需要“武林盟主”(管理者)起到调停作用，随着管理者金字塔结构变高，整个管理的效率就会降低，从业门槛也被抬高。

AI决策驱动的网状管理系统：分工协作由平台来优化，激励也由平台计算得出，比如通过APP、激励、积分等各种技术手段和平台工具，它可以让每一个从业者相对容易地到达一个比较高的水平。另一个方面，用系统做好利益分配，只要把自己的事情做到极致，就能获得自己的一份收益。这就是平台赋能的力量。

所以无论是消费互联网，还是产业互联网，它利用AI决策去转型，核心点是突破企业的瓶颈点，让每个人、每件事都被不同规则覆盖，极致地发挥机器智能，把“人治”的金字塔系统，变成机器驱动的网状管理系统，从而让企业不受人力的经验和成本所限制，从量变到质变。

转型思路,AI如何支持企业经营中的三种决策?

AI支持企业经营中的三种决策：执行性决策、业务性决策、战略性决策。

1.执行性决策：单点场景的降本增效

这是每天一线从业人员在做的事情，根据实际的情况决定如何服务客户，比如应该给客户推荐什么类型的产品，面对客户的时候应该说什么话，这都是执行性的决策，对应到单点场景。

AI用于执行性决策，可以帮助关键场景做出更精准、更科学的决策，能做到场景的效率提升和成本降低。比如说我们用摄像头和健康码来帮助保安去决定是否放行，可以让识别率更好、更安全。

有一点需要注意：产品价格预测、金融反欺诈、个性化菜单推荐等各种各样场景的执行性决策，只能让我们对AI如何发挥作用形成一个基本的感受，并不能给企业本身带来什么真正的变化。所以企业数字化至少要做到业务性的决策，也就是业务再造的过程。

2.业务性决策：业务再造和创新

业务性决策针对的是整个价值链条，比如供应链，目的就是降本增效。沿着一系列的流程和一系列的点，通过AI决策在每个环节不停优化，让整个供应链的效率变得更高，提升企业核心指标，实现业务的再造与创新。

何谓业务的再造与创新?一些零售企业，用机器决策参与整个供应链过程之后，可以做到库存降低到原先的50%以下，意味着每年可能因此获得千万级的利润增长，在业务上获得的优势可以让企业做更多事。

业务再造，也是一个1+N的过程。

1是什么呢?1是业务中对KPI最重要的那个拆解子项。比如对于以采购为主的企业，最重要的事情是降低采购的成本，如果我们能对一宗采购的成本进行准确的预估，这在业务当中是非常重要的。

找出企业转型的1，使用AI，在这件事情上精益求精，达到极致的业务效果，这样的投入产出是合理的。

那么N是什么?它是业务链条上其他各种各样的环节(如非核心业务)。在这么多环节使用AI，肯定都能够产生很好的效果，但每一个都不具有关键作用。所以对于N的业务性改造，最重要的是要看你花同样的钱，能改造多少个业务，是要降低用AI去优化每一个部分的门槛，快速地完成整个端到端的变化。

数据和AI可以渗透到各个角落去驱动业务的创新，如果暂时找不到变革之道，但还是要先尝试的话，至少要着重关注整个业务创新的效率如何，而不是盯在一个点上。

3.战略性决策：全面转型重塑，实现经营质变

战略性决策，通常来讲是企业的CEO等高级管理者要去做的。对企业经营者来讲，时刻要思考的问题是什么呢?就是在战略层面，企业下一步怎么去做，才能更好地生存和发展。

企业战略规划中，AI可以为核心要素。在AI助力下，重塑经营和管理模式，突破人力所限的增长瓶颈，产生经营质变。

转型在于做出选择。

在消费互联网行业，互联网对客户的流量竞争是不分领域的，它们都在争夺手机上的注意力时间;从产业互联网的角度上来讲，对优质从业者的流量争夺也是不分行业的。在这种竞争的情况下，战略转型的关键选择在于，是正确地运用AI决策的力量去重塑企业经营与管理，还是继续从前的金字塔形式。

把AI当成一种高维武器。

所以当我们讲到AI，不能把它简单当成一个降本增效的工具或手段，或者把它停留在一个高科技的概念里边，而是一定要用它作为一种高维武器去寻求质变，去赢得竞争，甚至是这个过程当中去发现更多的细分赛道，创造更多的价值。

转型路径,如何通过智能化转型，成为“下一代”企业?

1，转型中的两个误区

1)“演进式”陷阱：数字化进程四个步骤，要一步一步来?

我们通常会把整个数字化进程分成四个步骤：自动化——信息化——数字化——智能化。很多人认为，这四个步骤要按先后，一步一步来。

但这会陷入“演进式”陷阱，导致策略总是会大改大修，甚至重新架构。

正确的做法是，坚持“以终为始”的规则：以终为始，就是以智能化为目标，重新审视数字化的进程，这是很多企业在面临智能化转型要做的第一件事情。

要去占领下一代的高地，就要先知道我们要做的那件事的本质是什么，去想象未来的智能化企业到底是什么样子，沿着那个本质来判断我们转型的过程是不是沿着那个方向去走的，在大目标下进行实时的调整和修正。

2)智能化转型是一个项目吗?

我们要拥抱企业的智能化转型，成为下一代企业，但这并不代表从A到B这件事情就叫转型，而是首先从认知上跃迁到这个领域里，从零开始像一个小朋友一样一点一点长上去，最后长成巨人。但至此并没有结束，而是依然需要继续优化。把智能化转型当成一个项目是常见的误区;它应该是基于企业未来的战略选择，需要持续经营的实践，非常依赖 “对的方法”和“对的人”。

2、智能化转型的“三驾马车”

成功实现智能化转型的企业，需要借助“三驾马车”：新方法、新组织和新工具。

新和旧是相比较而言的，旧指的是不能有效地利用数据及机器的闭环学习的技术手段(没有用到AI决策)，反之则是新的体系。

1)新方法：顶层设计打破增长瓶颈，量变到质变

新的方法，首先就是顶层设计出发，打破增长的瓶颈，实现量变到质变。每个企业的瓶颈都不同，但是核心就在于找到这个瓶颈，让AI决策辅助企业去打破这个瓶颈，让机器的智能可以极致发挥作用。当你有了这个手段之后，要思考的是怎么和自己的业务相结合，而不是仅对着一个技术的指标去提升。

第二，转型一定是顶层设计出发，企业CEO要成为智能化转型的引领者。老板想不清楚，下面的人是更不可能想得清楚的。当行业过去的龙头要进入新的产业的时候，谁能够率先地利用更符合未来的管理体系和管理思路，谁就在未来的竞争当中更能够占据优势。

2)新组织

现在大家都面临着管理上的问题。新的组织，简单来说，需要三方力量的协调：企业CEO、业务团队、科技团队。

其中，CEO起到了引领者角色。因为变革始终需要领袖，而这个变革的领袖只能由CEO来担任。

新角色CAIO

企业AI智能化转型的第二个关键角色，就是CAIO(首席人工智能官)。CAIO体系下产生了新的业务技术组织：

首先由CEO来决定什么叫质变，然后CAIO、业务负责人和CTO形成三元组，这就是一个企业的智能化转型的作战指挥部。

对细分业务来讲，每个企业其实都有不同的北极星指标，所有的指标都有一个特点，它可能不是100%准确的，但一定要是100%可量化的，这是一个非常关键的点。因此我们对于新的组织，应该关注它的迭代过程。

AI的特性之一，就是它可以永续迭代。未来的创新应该是Top-down(自上而下的)的——根据质变的目标，定下北极星指标，拆解成若干个要素，这些确定之后再去执行，继而不断优化。

新的组织与传统组织的区别

所以传统的技术组织和新的技术组织，一个本质的区别，对于传统的技术组织来讲，技术的最高负责人很难做到对业务目标的拆解，他不百分百了解某个业务是怎么做成的。于是，就先规划再实施，借助一些外部的力量或者内部力量，但难点就在于在今天不断变化的情况下，规划很难做到尽善尽美。

另一个问题，传统技术组织研究最大的重点就是这个设计对不对，总是要经历一轮、二轮、三轮等重重论证，但企业内外同时也在一直发展变化。

新的技术组织是什么样的呢?首先，它把整个企业的治理也变成一个机器学习模型。制定具体业务，其实就类似于设置一些参数，而后续迭代的过程，其实也是模型本身迭代优化的过程。所以整个企业的治理也变成了一个自我迭代的模型。

第二，它的核心就是在实施当中不断地进行优化，其中最核心的点就是不断优化目标，所以CEO在顶层设计里面对质变的定义特别重要。

第三，研究的重点是组织迭代的效率够不够高，而非设计的绝对正确。关键是要看进化的速度是不是够快，只要进化的速度比别人快，到最后就能够取得胜利。

3)新工具：数据、算力、人才形成合力，AutoML降低门槛

企业智能化转型实施中存在三个瓶颈——数据、算力、人才，在新系统下，让三者形成合力，再通过AutoML技术(Automated Machine Learning 自动机器学习)来降低门槛。

数据。数据治理过程中，通常关键的问题就是：某环节数据缺失，或者整个过程没有形成一个闭环，一个闭环的过程应该包括行为数据、反馈数据、模型训练和模型应用。行为数据和反馈数据，属于业务的事情，比如在个性化资讯推荐中，不但需要知道哪些新闻推送了哪些用户，还要知道用户的反馈，比如是否点击;模型训练和模型应用，则是技术团队的事情。

数据治理是要有灵魂的，是要跟业务密切相关的。新的架构需要以业务为核心，形成完整的数据闭环，实现持续治理。

算力。算力是最容易被忽视的，它最核心的特点就是贵。当你真正把人的决策让AI辅助之后，会有海量计算，如果系统架构或者选型设计不好的话，在算力上花的钱可能比招聘一个人还要贵。

所以，需要注意两个点：一、目标对不对，不要出现花了大量的钱，最后没得到应有的结果。二、就算力本身来讲，架构其实是特别重要的。从算法的认知定义算力系统架构，最后形成软硬结合的软硬一体化结构。

人才。转型过程中处处需要人，比如，算法科学家、CIO、CAIO等各种各样的人才，同时人才也要有业务know-how。

AI介入企业智能化转型这件事情，其实不在于某个算法怎么做，那只是整个漫长过程当中的一小点。优质的AI人才需要懂算法、懂数据工程，还要懂业务。培养一个优质的AI人才，贵且慢。新工具可以解决的问题是：把算法的部分交给AutoML(一种让AI设计AI的算法，可解决算法科学家稀缺的问题);把数据工程的部分交给企业级的AI操作系统，这样原有的业务人员就也能开发AI应用了，人才的瓶颈就解决了。