来源：适道

图片来源：由无界 AI? 生成

对中国企业而言，数智化的必要性和紧迫性是不争的事实。

但是，每当谈及“数智化转型”，就如同“小马过河”。大部分企业像急于过河的“小马”，虽然没有“老牛”的身家（体量大、资金足的大型企业）；但也强过“松鼠”（抗风险能力差的小企业）。在原本的故事里，“小马”可以自主决定“是否过河”。然而，在现实世界中，第四次产业革命浪潮席卷全球，众多企业如今已被推到了数智化的河边。

事关生存，河不得不过。

因此，企业“摸清数智化河里的石头”就显得尤为重要。这需要 “成功过河者”的经验。

《哈佛商业评论》的一篇文章《是什么让一家公司在使用AI方面取得成功？》（What Makes a Company Successful at Using AI?）就给出了“成功过河指南”。

文章通过麦肯锡和麻省理工学院制造和运营机器智能计划（MIMO）的一项研究，即跟踪100家企业（涉及汽车、矿业等多种行业）在数字化、数据分析和机器智能（MI）技术等方面的目标、行动以及结果的表现，得出：领先的数智化企业在治理、部署、合作伙伴、人员和数据可用性等5方面存在一定共性。

文章有两位作者，一位是Vijay D’Silva，麦肯锡公司的高级合伙人；另一位Bruce Lawler是麻省理工学院MIMO的董事总经理。作者指出，本文研究成果可供所有数智化转型企业参考。

第一个结论：想在数智化竞争中傲立群雄，企业要打出环环协作的整体方案，不要想着一招制敌。

通过对9大类别的21个性能指标的评估，作者将100家数智化转型企业分为了领导者、规划师、执行人以及新兴公司。

最优秀的是“领导者”，约占样本的15%。他们在21个关键绩效指标中的20个指标中都取得了非常显著的改善，在所有9个绩效类指标中位列前25%。这类企业能够把钱花在刀刃上，是数智化的最大获益者。

第二类被称为“规划师”，约占样本的25%。这类企业很擅长处理人际关系，也具备扎实的数据执行知识。不过，很多企业目前没有得到转型的回报收益。一些企业甚至挣扎在2018年麦肯锡提出的?“试点陷阱”中。

跳出来看，“试点陷阱”也是不少中国企业数智化转型的痛点。

企业的规模化转型是一个长期性的、系统化能力积累的过程。那么，在推进转型时，企业会选择一些小规模的试点来验证新的变革措施。然而，这些试点案例往往难以复制和扩展，从而导致整个转型计划难以实现规模化的外溢效应。

数智化，包括数字化转型多以失败告终，究其原因，在于缺乏整体方案。例如，企业过于关注部署所选的用例，而不是实现转型的整体方法。根据麦肯锡一项全球调查，成功的数字化转型并不是“另一个IT项目”，而是获得高层领导（如董事会主席，CxO、执行委员会）支持的“以业务为主导，兼顾ROI回报的转型”。

而这个结论与本文有异曲同工之处。

第三，执行人，约占样本的33%。这类企业以结果为导向，善于利用不断增长的专业知识库，与合作伙伴合作，并能够抓住机会，制定和实施具体解决方案。虽然他们的基础设施建设比上述两类企业少，但也能够取得显著成果。

不过，“执行人”的痛点依然在于部分和整体的矛盾，这类企业很难将各方努力整合到公司业绩，形成合力。

最后一类是“新兴公司”，约占样本的25%。这些企业的成熟度最低，收益也最小；许多正在刚刚起步。很多“新兴公司”发现，自己很难找到需要投资的地方。只有少数具备策略、技能或基础设施的企业，方可实现进一步发展数智化。

比起表现平平的企业，“领导者”只花费一半时间，就能达到其他企业两倍以上的效果。为何他们如此优秀？

文章总结了顶级玩家在五个关键环节的做法。

文章指出，对于“领导者”来说，机器智能（MI）是一项战略优先。许多公司为此还建立了专门的卓越中心（CoE）。

这就不得不提，虽然很多企业都有数智化转型的意识，他们也采购了无代码、低代码、RPA等自动化工具用于数智化转型，但囿于复杂的组织结构和团队间的数据孤岛，企业内部无法实现高效合作，从而导致数智化工程难以推进，企业资源被大量浪费。

文章中提到的卓越中心（CoE）可以将技术、人才、设施等资源集中起来，监督企业做正确的事情，来加速企业达成转型目的。目前很多引入RPA的企业已经建立了CoE。例如，东风日产CoE主管柴一翠曾在介绍，企业CoE在定位、推广策略、推广体制、驱动及治理、培训、信息交流和认真与激励七个方面发挥了重要作用。除此之外，包括普华永道、德勤等多家咨询公司也设立了不同业务方向的CoE。其中，安永和IBM曾宣布成立一个集中式虚拟中心形式的CoE，帮助金融机构利用混合云解决方案加速数字化转型。

此外，作者指出，“领导者”们更倾向于用一个明确的流程来评估和实施数智化创新，而且他们也能认识到，在这个快速发展的领域，变化是不可避免的。因此，大多数“领导者”都会不断地评估和提升他们的流程，而“执行人”和“规划师”往往会陷入困境，这限制了他们成功扩展用例的能力。

“领导者”们会尽可能广泛使用机器智能（MI）。

研究中的每一个“领导者”，都在预测、维护优化、物流和运输等环节运用了机器智能（MI）。而比起其他三类企业，“领导者”也更倾向于采取更加先进的方法。

例如，生物制药公司Amgen正着力开发一个经过验证的，使用AI的视觉检查系统，这将提高70%的粒子检测率，并减少60%的误报。

作者在文章开头举了一个美国最大电力生产商Vistra的例子。为了让工厂高效运行，工人们要持续监控和调整数百个不同的指标，即便是最熟练的操作员也无法保证准确无误。后来，工厂安装了一个AI驱动工具（热率优化器），最终工厂效率提高了1%，听起来可能不多，但却是实打实节省了数百万美元，也降低了碳排放。

企业间的合作关系通常发生在学术界、初创企业、现有技术供应商以及外部顾问。然而，“领导者”们则更倾向于和更广泛、更密集的伙伴建立联系，旨在最大限度地提高自身发展速度和学习效率。

例如，两家消费品公司高露洁-棕榄、百事/弗里托-雷在，与系统供应商Augury合作，并在各自的生产线上部署了人工智能驱动的机器健康诊断系统，而这个决定曾帮助上述两家企业避免了长达8天的停机。

半导体公司AnalogDevices与麻省理工合作开发了一种新型的机器智能（MI）质量控制系统。该系统能够识别哪些生产过程和工具可能存在故障。这意味着，公司的工程师只需审查之前过程数据的5%即可，极大地节省了人力。

由此可见，尽管“领导者”的能力很强，但他们似乎比其他企业更懂得如何从外部合作伙伴身上汲取能量。

“领导者”不会吝啬，他们会让尽可能多的员工掌握数智化技能，而不是将专业知识留给少数数据专家。

研究发现，超过一半的“领导者”会对一线员工进行机器智能（MI）基础培训，而这个数字在其他公司只有4%。

例如，麦当劳餐厅使用机器智能（MI）预测顾客反应和实时客流量，来改进一系列运营任务。

企业卓越中心（CoE）的数据专家负责测试和开发新方法，然后将这些开发成果打包成便于使用的工具，提供给现场员工。在系统帮助下，现场员工明白了数据的重要性，锻炼了识别问题的能力，从而也能回馈企业。

文章指出，所有的“领导者”允许一线员工访问数据，而其他企业只有62%允许。另外，“领导者”们会从客户和供应商那里获取数据。作为回馈，89%的“领导者”也会向客户和供应商分享他们自己的数据。

总之，这种数据民主化与其他企业形成了鲜明对比，在“领导者”中，信息就是力量，并且被有力地保护着。

综上所述，文章指出：当治理、部署、合作伙伴关系、人员和数据这5个方面环环相扣，彼此兼顾时，企业的数智化转型也会变得有效。不过，一般情况下，企业也会组织一个卓越中心（CoE）去协调上述的5个方面。

万事开头难。作者认为，决心转型的企业，首先要对自身当下的数智化水平进行一个诚实全面的评估。此时，企业可以开始形成一个“过渡计划”。即使这个计划很粗略，但它也能够逐个展开转型时可能遇到的障碍，例如熟练的人才、投资能力和关键的基础设施；如何让从遗留系统向云端迁移数据等等。另外，作者认为，企业转型的步子不要迈得太小。毕竟大多数“领导者”虽然一开始也只是使用数据和简单的工具，但随着熟练度提高，他们也转向拥抱更为先进的技术。

数智化对所有产业都是一场重构。目前，国内很多大型企业不仅顺利完成了转型，还将转型经验和技术延伸至各行各业，不断丰富数智化与产业结合的应用场景。

这是否意味转型不利的企业会被时代淘汰？

作者认为答案不容乐观。文章中“领导者”在数智化方面的开支已经增加了30%到60%，预计将增加10%到15%的预算，而其他企业则几乎止步不前。这意味着双方的鸿沟未来很可能会扩大。

不过，机器智能（MI）最近取得了重大进展，全面转型的机会刚刚开始显现。激流勇进者方能领略江河源头的奇观胜景。虽然企业的起点不同，发展道路也有所不同。但至少，“数智化河里的石头”在哪里，我们有“领导者”正在指明道路。