本期分享专家将从以下四部分带来今天的分享：第一个是数字化的挑战和新机遇；第二个是在 AI 时代下，如何把业务重新做梳理和落地；第三个分享内部落地场景，包括个人过去工作的案例和企业内正在做的 AI 的场景；最后一个关于商业 AI 的战略和指导建议。

分享嘉宾｜薛笃   理士集团 IT 总监

内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。

01

数字化挑战与新机遇

首先基于个人经验谈一下我对数字化的理解，之前我是做乙方的，后来从乙方的身份转到甲方，所以从我的过往经历中，甲方、乙方对于数字化确实是有很大的差异。

以前乙方公司可能是聚焦在具体的问题上面，或者项目上面，可能问题处理完，或者项目目标完成后，就跟甲方脱钩了，而且后续的工作并没有那么紧密。但是来到甲方之后我会发现制造业的企业中，业务人员对于 IT、对于数字化、甚至对于 AI 的理解是非常浅显的，我们作为甲方其实面临很多的困难，不只是落地 AI 的场景，还有面对常规的数字化项目的落地，也都是重重的困难。

所以需要理解业务的困境和视角，举了几个例子。

从目标上看，业务更希望提升客户的满意度，提升工作效率。

从视角上看，业务希望贴近市场的需求，如果数字化没有带来新的增长点，业务就会质疑数字化或者 AI 的手段。

从认知上讲，业务对于数字化具体实现的技术是不太关心的，只要提供需要的功能就可以，功能背后实现的逻辑不是特别去关心。

最后是重心角度，也就是业务的角度，他们可能希望是短平快的项目。我们也在倡导 IT 做迭代的项目交互能力，但实际整个迭代的效果是很难快速讲清楚的。可能在做了大量的工作之后，在一个长期的时间里，才能看到整体项目的收益和数字化的收益。

这些都是我们 IT 在应对业务问题时，或者与业务部门沟通时比较冲突的地方。总的来说，业务希望 IT 的工具和手段简单有效，而 IT 希望工具和手段能够稳定长效、长时间的去工作，这个就是我们应对数字化的挑战，也是 AI 要去面对的挑战。

AI 在落地过程中，需要寻找新的场景，企业将会借助 AI 能力尝试数字化的转型，包括智能化、效率化的提升，也包括从数据中挖掘一些价值，帮助管理层做分析、洞察、决策。这两块是当前比较常见到的，那 AI 现在比较新颖的应用还有基于智能客服的新型交互方式，以及创新模式和业务模式变革时，挖掘的新形式。

最近企业内部有尝试上图黄色标记的三个场景。

第一个是用户交互的新体验。过去我们内部的用户都是跟系统打交道，比较形式化且具有一定的门槛，尤其是像 SAP、 ERP 的系统使用，它对于人员的输入要求是比较高的，而 AI 可以为我们提供一种新的交互方式，更加的便捷，更加的智能化，更加的人性化。

第二个是关于知识的沉淀与平等化。在过往企业的发展与经营的过程中，会有很多数据的产出，但是这些数据没有形成数据的价值，企业没有利用数据去促进企业的业务增长，这就是沉淀的价值。关于平等化，其实在企业内部还有一个比较苦恼的问题，是关于人员的培训，从管理层的角度，人工培训不能面面俱到，但是需要一定资源的投入。而通过 AI 的方式，包括知识图谱的方式，会让知识变得更加的轻量化，更加的快捷化。也许通过封装 APP 之后，在培训方面会得到一个巨大的提升。

第三个是自我迭代。知识沉淀时也有迭代过程，比如企业引入新的高管、新的业务打法，是会留下数据和知识的，这些数据最后也会反馈在知识模型里，同时又会促进整个的业务提升，而且这种提升是可以平等化的释放给每位员工。

这是我觉得可能需要重点关注的新机遇。接下来再结合具体的例子，来解释为什么说这三点非常重要。

我们是做电商行业的，也有很多海外业务，销售人员中有些资历比较高的，会有些经验知识，也有一部分是新销售，在面对产研后端研发的新产品时，销售人员不可能了解每一款新产品的动向，更多是根据客户的需求，向后端要一些简单的产品规格书的信息。

通常销售的做法是：先去问产品关联的售前，如果售前不知道产品的变化，就要去问后端的产品工程师，如果产品工程师也不知道新的变化，他可能又要去问研发工程师，才能得到想要的产品系列、产品规格的信息反馈，最终实现一次沟通的闭环。整个过程中是有壁垒、有信息差的，不能确保每一次传递的信息都是非常准确的，但凡其中一个环节出现了偏差，那整个传递的效率会大大的降低，传递的准确性也会降低。

如果有一种方式，能够把这些变更的信息，或者说历史的产品信息灌到模型中，那我们可以通过对话的方式很快的解决前端销售人员的痛点。这里面体现了上述的 AI 新机遇的三个点，第一个是新的交互方式，以前可能是 E-mail、打电话跟售前、后端人员沟通，现在可以用聊天对话的方式。第二个是信息的平等化，将整个知识信息全部拉通，沉淀到模型里面，每个环节里的人获取信息都是平等的。第三个是信息的迭代，信息始终是不停训练、不停沉淀的，从效率上讲，原来可能要 30 ~ 60 分钟才能拿到一个相对准确的回答，现在可能只要几秒钟，当然这个取决于我们做交互的速度和模型运转的速度，只是一个初步的估算，所以这个效益是巨大的。

02

AI 重塑业务的关键要素

究竟我们应该怎么思考 AI 的落地场景？怎么选取核心的杠杆？

核心是场景收益。因为 AI 的投入是有成本的，如果投入的成本支撑不了收益，那场景做的意义就不大，所以要选取好的场景。

场景要符合公司的愿景和战略，同时叠加具体的业务痛点，然后要去计算整个投入成本。

回归场景本身，要去实施最核心的是数据，也就是当前的数据能否支撑我们去做这个场景，以及对业务的理解够不够透彻，接下来再去考虑实施的方法，以及匹配合适的模型和算法。这就是我们在重塑业务场景的一些关键要素，基本上考虑到这几个要素，在场景选择上会更加直接有效，也能从甲方内部更有可能获得管理层的支持和支撑，逻辑和价值讲清楚才能去更好的推进场景落地。

03

AI 场景思考和落地

下面讲一些具体落地的方式方法，也包括组织架构和具体案例。

上图是我基于 IT 内部总结出的场景创新与孵化的 " EASY 模式 "。

在找完场景之后，我们具体怎么落地、怎么把人员拉齐、怎么把思路拉齐，最重要的就是考虑参与方，一个是我们 IT 或者技术部门，也要找一些外部的力量也就是顾问公司，和研发部门或业务部门，一起共同合作。合作之后可能采取 workshop 的形式，要把 AI 的概念和它能做的事情跟业务部门讲清楚，实现 0 到 1 的突破，将 AI 的最佳实践，包括机器人的交互方式，拓展到新的业务场景，变成可复用的智能应用包，或者可复用的智能解决方案，来推广到其他新的业务领域当中。这是我们企业内部一个 0 到 1，再 1 到 n 的过程，相当于星星之火可以燎原，以及在整个组织建设和内部孵化过程中是非常重要的一个概念。

为什么叫 " EASY 模式 " 呢？第一个 "E-Explore"是部门之间协作挖掘场景，各个部门要直接去拉通，充分地表达自己。

第二个 "A-Analyze" 是做数据分析，定位具体要解决哪些问题、数据是否充分、是否能够支撑我们去解决这个问题、它的效果是否能呈现出来。

第三个 "S-Simulate" 是真实模拟复现场景，这个也是符合我们去做一些大模型验证的时候，用一些历史数据做了新的应用，那模型能否运用到新的数据上面、它的效果如何，这都需要我们做一个场景再现来验证。因为在 workshop 里面引入的是部分觉悟较高、层次较高的业务人员和 IT 人员，但当场景要投放到普通员工或者一线基层时，它会出现各种各样的使用问题，包括用户体验的问题，所以我们要提前做好大量的拟人工作场景。

第四个 "Y-Yield"就是落地与价值阐述，讲清楚收益和价值是什么。

这大概是我们现在内部倡导的一个 " EASY 模式 "，给大家一个参考。

接下来分享一个案例，是我在 SAP 做的一个发动机的大模型研究，当时只选取了 " 质量售后 " 这个场景，选择这个场景的原因是因为我们并不是非常明确的知道有哪些场景可以做，所以就回到最根本的数据层面，看我们有哪些数据，而当时我们有零件的销售和维保的数据，所以就选择了质量售后场景。

一个发动机有很多零件，这些零件销售到市场上面后，会有售后的数据反馈到质量部门，通过数据分析，在维保场景中可以设计一个合理的三包时间，保证企业利益的同时，维护用户的售后感受，这就是通过数据分析做了一个增值的服务。另外在后市场场景中，可以利用大模型进行零件销售备货的预测。设计端也可以通过零件返回的客诉信息，借助大模型的语义分析训练，找到零件上是不是有一些设计上的问题，比如说某款零件用户反馈经常发现断裂的情况，是否是当初设计产生了问题，是否是使用的材料问题，以及从产研视角了解 BOM 里的材料材质是否设置有问题，可以做一些反向的推导，来促进产研零件协同制造的质量保证。

如果你在不确定具体场景的情况下，可以先选一个大的业务领域，再去看这个业务领域的数据有哪些，再去推导一些比较好的场景，这是我自身的一些数字化落地思考和可能性建议。

接下来是第二个案例。

目前我们在内部尝试做 Pocket APP，希望拉通整个销售到产研的全链路数据，能够让销售随时随地了解后端的信息和服务，所以统一建了问答平台，里面有私有部署的大模型，也有公开大模型，主要取决于我们希望模型提供的一些能力和服务。

同时我们通过用户数据去分析、产品产量的情况、订单履约的情况、交期的情况、销售的分析，给到销售最直接的 TOP 10 产品或在售的产品。另外也会自动化做一些串联，比如当我想要了解生产计划或者后端供应链的情况，我可以触发对应的自动化流程，把这些数据抓取过来，再反馈给我们的销售用户。

整体的业务价值包含掌握产品信息，识别销售的风险，以及实时的发送所关注的数据，做智能的提醒。虽然这个产品主要是销售使用，但是我们更多的是希望能够服务好客户，以创造客户的价值为中心。

具体的流程演示大概分两块，一个是智能分析，一个是智能决策。

在智能分析部分，当用户通过提问产品问题，对于刚入职的销售可能不太了解产品，就可以通过问答 ChatBot 了解产品的信息。

在智能决策部分，当用户想了解具体某个订单履约情况的时候，担心交期能不能按时交货，如果出现履约异常的情况，可以借助 AI 做到自动的提醒，分析订单的风险，发送到给销售人员或相关业务人员，这就是我们基于 AI 和流程自动化做的有机结合，在流程中进行一些设定。

04

未来展望和 AI 战略规划

作为一家企业不论规模大小，我觉得至少从企业的数字化角度，需要有基本的 ERP 系统，这里面其实已经具备了很多数据，包括生产、财务相关数据，将这些数据利用起来是非常重要的，尤其是如果内部没有很多的力量去实现 AI 的能力，那相信对应的产品供应商，也是有能力去做 AI 应用支撑的。

再展望一下 AI 战略规划，其实从没有 AI 战略到 AI 战略的落地，围绕的核心还是以数据为核心，包括数据的调研、数据清洗、系统规划、流程梳理，以及对企业内部而言，还有一个重要的环节，就是内部人员的培养，做好 AI 人才培养。

接下来要做的是选取一个场景，刚才分享了我们选取了比较接近销售，拉通销售和后端产研通道的场景，去做定位和 ROI 导向的流程自动化设计，以及 ChatGPT 的交互方式，也可以应用在很多的业务领域。

再接着就是构建一个开放的平台，把好的实践最后总结到我们的平台上，再跟一些其他业务领域的系统做集成，包括渠道、物流等，变成一个更开放的平台，就可以去探索更多新的场景，甚至说在服务客户方面也可以选取一些创造新价值的场景。

最后总结一下，我认为 AI 的战略是未来每家企业都要去经历的一个话题，它是为未来企业增强竞争力和市场地位的一个不可或缺的助力，甚至是一个弯道超车的机会。

以上我个人的想法和经验分享，希望大家能够对 AI 有一些新的认知和思考，感谢大家。

⩓