毛基业教授发表主旨演讲

       尊敬的各位老师、各位同学、各位来宾，大家下午好！

非常荣幸今天下午有25分钟的时间给大家分享一下我对数字经济的一些浅见，题目是《人工智能在企业管理中的应用与挑战》。

刚才守英教授介绍了我的背景。作为一名管理学者，我与数字经济相关的研究方向主要是产业数字化，特别是传统企业的数字化转型，因此可以从管理学视角为经济学研究提供微观基础。我希望能给在座的经济学家、经济学的学者提供一点点微观视角、微观洞察。大家从宏观视角讲数字经济到底怎么发展，趋势、前沿、动态等，我是从管理学家的角度看看微观基础是怎样的。

首先分享一个观点。6月26日阿里巴巴最新致股东信中提出，“我们将AI视为业务增长的核心驱动力，也是面向未来发展的最大变量之一。未来十年，AI将重塑每一个行业，带来前所未有的颠覆性变革。阿里巴巴正在全力投入AI基础设施和技术先进性建设，提升在全球科技领域的竞争力，并将其转化为业务增长的持续动能”。这个判断我认为是准确的。

今天我将通过两个案例，展示中国优秀企业在AI应用方面的创新实践，同时也说明他们需要克服的巨大困难和挑战。先说结论：虽然各行各业的头部企业在AI应用方面已经取得显著成效，但绝大多数企业在三年内难以从AI获得两位数回报。我个人的这个看法没有那么乐观。虽然一方面给大家看到了阿里这样的数字原生企业如此乐观，但多数企业没有数字化认知和领导力。因此，指望多数企业两三年内能达到显著的AI应用效果是不太现实的。

        首先，我分享两个案例给大家看一下我们国家的优秀企业有多么地拥抱创新，全面地拥抱AI，他们是“All in AI，AI in all”。

第一个案例是传统产业的数字化转型。永升服务是物业服务行业的上市公司，这是一个典型的人力密集型传统行业，面临着员工老化、素质参差不齐、毛利率偏低等挑战。众所周知，很多小区的物业费可能10年、20年都未曾调整，而物价和劳动力成本却在持续上涨。这个行业面临着“服务质量-个性化-规模化”的不可能三角困境，而人工智能技术正在帮助其实现突破。

以晨会管理为例，这是该行业重要的管理环节。每天20分钟的晨会，就像制造业的班前会一样，是提升服务质量的关键。但长期以来，永升在全国的上千个楼盘项目的晨会质量一直是个管理黑箱：项目经理是否参会？规定的议程是否执行？会议效果如何？这些都难以监控。过去采用人工录音抽查的方式，不仅效率低下，也难以实现全面覆盖。

如今，借助大语言模型，企业可以对这些晨会录音进行智能化分析。他们使用钉钉平台，就顺势和阿里合作探索AI应用。上传录音后，AI系统能够自动评估各项规定动作的执行情况，包括小区物业收缴的情况、最佳实践分享、晨读学习等内容，这些规定动作大语言模型都可以打分（图1）。

图1.  AI晨会测评

前期的打分结果比较粗糙，他们一直在迭代。但前期的AI大语言模型的评分和反馈，已经足以改变每个楼盘物业的晨会行为。原来不开的要认真开，原来项目经理不在而让班组长代劳主持的，现在也杜绝了。公司要求晨会尽量在室外开，让业主看到专业化的物业管理，但具体执行效果，无从考察。现在AI评分可以识别出晨会是否在室外开。项目经理看到测评结果后，会采取行动进行一些博弈，但晨会的透明可视化的确提升了。晾晒结果之后对行为就产生影响了，发生了肉眼可见的行为改变。

这个AI应用其实触及数字化转型的本质，就是将管理过程从黑箱变为透明可视；如果在制造业工厂就是数字孪生。接下来永升服务的AI应用全面展开、四面开花（图2）。首先，大语言模型能做的是合同的自动检验；物业是重合同行业，每份合同的金额大小写是否一致、必填项有没有。各种业主的投诉发到群里后，AI自动识别，并且马上派工单。如果大语言模型识别出一个投诉涉及几类业务的，自动分拆成多个工单执行。还有机器视觉应用，识别风险点、电梯巡检等，拍张照传上来给人工智能去做判断就可以。更有意思是机器学习的小模型，在服务业大语言模型用起来有不少困难，企业需要被赋能，前面的晨会AI就是与阿里合作做的。但机器学习他们自己就可以做，例如一个楼盘项目的财务绩效，对应一堆指标，是自变量背后哪些因子决定的。用机器学习小模型，把最重要的五个关键因子找出来，管理上就聚焦这五个因子。此外，一个项目应该安排多少员工，离职预测、绩效预测等，用小模型做出来，都是机器学习。机器学习的小模型就是一个向量外Y（含多个指标）还有一个自变量矩阵X，把它们之间的对应关系找出来。物业方面有海量数据，只要是高质量、标准化的数据就可以拿来给机器学习，做出来包括预测了人力的岗位的安排，这些都可以用机器学习来做。

图2. 永升服务（物业）的其他AI应用

        大模型出来以后，其实冲击最大的就是文宣，给业主的海报、员工培训、沟通话术这些东西，全部用生成式人工智能替代一遍。所以你看这样的一个物业公司全方位的，AI in all，从大语言模型到机器识别、机器视觉、自然语言处理、机器学习一直到AIGC，全面拥抱AI。

        那么问题来了：什么样的企业能够实现这样的数字化转型？显然不是所有企业都能做到的。以这家物业公司为例，作为行业头部企业，它具备几个关键条件。它是2018年香港上市公司，本身就是管理相对规范，有一定的规模；19年成立了科技公司，像央国企一样成立数科集团、数科公司。关键是里面还得有一个关键的人，从IT咨询公司请的CTO李川总，他一到位就发现了数据为什么很难流通。先不要说在宏观上做数据要素流通，看一个企业微观的内部，多数企业都搞不定，数据烟囱林立都是孤岛，根本没有形成资产，因此没有办法用数据支撑业务。因此，第一件事是先做数据清洗和数据指标化，统一数据入湖，基础工作有了大模型出来了以后才能做应用。另外是企业一把手的领导力。这样2023年人工智能一爆发，CEO和CTO一拍即合；一把手跟CTO把这件事做成了。永升他们做得非常棒，这都是必要条件，一般企业不具备的，像这样所有条件都具备在千行百业是难上难。

      其实，领导有这个认知不是光停留在口头上，永升做了新愿景，目标是传统物业公司变成新的科技物业公司，有新愿景、新文化、新目标；提出“业务平台化、服务智能化、客户在线化、科技市场化、数据资产化”，还有数据要标准化和拉通，在内部变成资产。有这样的理念，有这样的变革力度，目前只有凤毛麟角的公司能做到。

        我分享的第二个案例，是家央企，招商局集团下的二级公司中集集团下属的青岛冷藏箱（青冷）基地，也做了非常棒的人工智能应用。这里重点介绍一下他们的人工智能的应用，还是机器学习小模型。他们是做冷藏集装箱的，有一道工序是做绝热层、要发泡。这是一个典型的配方的工艺，质量的影响因素很多，包括很多的原材料，不同的供应商的不同批次，露天生产环境中的不同的气候条件。但像烤面包、做中药一样有很多配方、每样加多少是凭经验的，原材料批次又不一样，影响最后的良品率。产品有较高的不良率，这是很严重的问题，怎么办？

这是个典型的机器学习的问题，核心就找到了一系列的质量参数，导致分层、漏泡等质量问题。自变量这端是影响因子，做诊断和预测的前提是你有足够多的好的数据。刚开始他们也不知道到底哪些数据最关键，于是先做加法，安装各种传感器广泛采集数据。当然，他们其实能做这些东西都是之前就有好的数据基础，早已完成数字化的基础工作，打通了从工业互联网（设备互联），到MES和ERP的拉通。各种传感器采集了好几百项数据，然后分析它们与资料参数的对应的关系。最终清楚了，其实是40多种关键参数影响了产品的良率，之后就能够做预测或诊断。如果突然一批不良率非常高，倒推出来是哪几个因素造成的；或者是把给定参数后，预测这批产品的良率是多少。这个项目持续了三年，而且还有集团IT部的支持，主要瓶颈是数据。最终，他们获得了两位数的绩效提升（图3）。

图3. AI （机器学习）赋能的产品质量提升

        工厂的终极透明可视化就是工业元宇宙，数字孪生把生产线的一举一动都映射到数字空间去。下面这个例子是集装箱做完了最后要喷漆。喷多了会滴下来浪费，喷少了又有覆盖不到的地方，薄厚不一致也不达标，受各种条件的影响。在这样的场景下做优化，还是取决于之前有没有数据，要有高质量的数据，包括漆的质量、拉箱机器手臂的速度，随着喷嘴的磨损程度等跟最后喷的质量的关系，要把这些数据全弄齐，做一个精准的喷涂效果模型，把数字孪生做出来。做出来了就可以根据漆的不同的成份、批次、原料、供应商这些因素建立对应关系。之后，如果线下的喷漆效果和线上的模拟的喷漆效果一一对应，就可以进行优化。可以在线上去模拟线下效果，当喷嘴磨损到什么程度的时候，机器手臂的速度要如何调整。这就是数字孪生的意义，在线上去模拟、优化、指导线下操作。

      这需要大量基础数据，只有才能今天能做这件事情。首先企业本身就是一个管理非常规范化的企业，10多年前，就装上了ERP和制造执行系统（MES）。其实传统产业的转型数字经济就是透明可视的，先是顶层的ERP，再往下做MES，再往下上工业互联网，把这三件套打通了之后，工厂才变得透明可视，跟上个案例中的晨会一样。之后，我们再说怎么样去优化、找断点、堵点。我刚才讲的AI应用，机器学习，数字孪生都是建立在整个之前的ERP、MES和IoT数据基础上的。

以上报告的是我选的两个AI应用标杆企业，特别有启发。它们分别属于两个业态截然不同的制造业和服务业，但背后的数字经济的逻辑是一样的，做数字化，都是把一线做得透明可视。这两个案例虽然来自完全不同的行业，但揭示了数字化转型的共同规律：一把手必须具有数字化领导力。我跟我的MBA学员讲一个企业能不能活过数字经济，还能活几年，很简单的一个指标看看领导一把手爱不爱学习。一把手学到中集青冷领导这种程度，可以拍胸脯说我是“公司内数字化第一人，公司没有人比我更懂数字化”，我觉得这样的企业才能做出这样的创新性应用。

我们一方面看到中国企业在人工智能方面的应用极为创新，另一方面挑战巨大，因为我们没有几个公司有这样的领导。除了有认知、路径也得正确，数字化转型本质像人的转型和组织转型。中集青岛从基层的班组长的培训开始，年轻化、数字化“洗脑”开始，然后组织变革，个人学习还不够，全方位的学习，组织转型。人转了、组织转了才真正地进入数字经济时代。

        以上我分享的两个AI企业应用最佳实践是两个我认为比较精彩的故事。但是我们也看到了，它们需要很多必要条件全具备才能收割数字化人工智能才能带来的成效。所以我一直讲数智化是“三分技术、七分组织”，就像ERP时代我们讲ERP实施是“三分技术、七分管理”一样，数字技术是AI充其量三分，主要是看我们的组织变革，这是非常难的一件事。

        接下来，我由小见大，基于两个成功案例，简单讨论一下人工智能应用的主要挑战。

        难在哪里？根据华为的数字化转型方法论，这不是一个单点的技术采纳，派几个员工学一下人工智能。背后对应的组织转型，是5个转，“转组织、转文化、转方法、转模式、转意识”，华为早就做到了，其他的企业有多少能做到？这是一个大大的问号，我觉得80%的企业目前是做不到的。

我们一方面看到它的潜质既像阿里这样乐观拥抱AI的企业，另一方面我们看到了巨大的挑战，很多个必要条件都需要具备（图4），包括一把手和整个组织的数字化认知，一把手的数字化领导力；能不能领导变革，有没有像刚才永升和中集青岛一样有数字化战略，然后再说人才准备等。很显然从这两个成功AI应用案例企业的角度来看，最大的瓶颈是高质量的数据，比算法和算力更难获取。如果数据没有标准化和拉通，就没有变成数据资产或要素。如果在一个微观的企业里数据都没有成为要素，谈何在跨产业做数据要素流动，那更是天方夜谭。因此，当前最大的挑战就是数据孤岛，烟囱林立。

图4. 数智化转型的主要挑战

      我给大家分享的两个成功案例这样的企业在各自行业大概也就1%、2%，属于凤毛麟角。因此，我们不能太乐观地期待人工智能真的一夜之间能给广大企业带来两位数的绩效改进。多数企业其实都是面临着要么观望，要么单点应用人工智能而已。根据我的研究和观察，我认为在未来三年内，80%以上的企业难以通过人工智能实现显著的两位数收益增长。

      以下是我的结论：一方面人工智能的潜力巨大，我们看到顶端的最创新的企业做得非常棒；另一方面，我的观察是，绝大多数企业三年内不太可能收获显著的AI收益。这是我们中国基本的特色，梯度非常大，从极少数世界一流企业到多数完全不入流的企业，这是一个AI应用的巨大的挑战。

       更令人担忧的是，预计70%-80%的企业可能无法适应这轮数字经济变革，在未来十年内面临生存危机。这个判断确实显得较为悲观，但反映出当前大多数企业普遍缺乏数字化转型所需的关键能力——包括必要的持续学习能力和组织变革能力。金融行业是个例外，呈现出完全不同的发展态势，其数字化的侧重点已经全面升级为人工智能应用。例如，证券行业的投研、投顾等核心业务也都在快速采纳AI，实现智能化转型。金融行业之所以能够领先，主要得益于其先天优势：高质量的数据积累和优秀的专业人才储备。但总体而言，我们应该保持谨慎乐观的态度。虽然少数头部企业取得了显著的AI应用效果，但对大多数企业来说，期待人工智能短期内带来显著效益可能并不现实。

        谢谢！