至顶网CIO与应用频道 05月12日 编译:数字化转型正在席卷着各行各业,根据麦肯锡2018年的数据显示,有超过80%的受访者表示,他们的企业组织在过去五年中已经进行了数字化转型。
不过,最近一些相关消息显示,数字化转型领域可能遇到了一些麻烦。根据经验,那些冒险进行大规模长期技术改造的企业,经常会发现他们很难让这个重大项目得到很好的平衡,而刚刚开始转型的企业又可能被时间和资源拖延,特别是因为数字化转型并不能保证带来任何快速回报。
因此,作为对数字化转型这种具有“革命性”方法的替代方案,数字优化更像是一种“进化”的路径。数字化优化在规模上较为适度,业务流程的变化也是渐进式的,因此看起来不那么可怕、不是重预算的模式。但对于那些希望通过数字化产品创造全新收入来源的企业来说,却又不那么有吸引力。
可以理解的是,对于中小型企业而言,面对数字转型还是优化这个两难选择的压力,可能要比那些能够承担得起项目失败的大型企业更加紧迫。
我认为,在这两者之间做出选择,应该建立在对转型和优化能够实现什么目标这一根本区别的理解基础上。
我从实践中看到的,当转型成为企业面对重大技术颠覆时能否继续存活于市场中的一个关键点,企业就会去推动转型。
“转型”意味着对产品和服务交付方式进行彻底变革。转型通常涉及在业务运营的基础上创建或改进整个数字平台,而这一宏达的目标往往是为了在以技术为核心的创新业务模式基础上,创造新的价值或者竞争优势。
另一方面,数字优化要更温和一些:与数字化转型相比,数字优化看起来更像是做调整,而不是重塑。企业通过调整特定领域来进行优化,例如优化生产力、协作或者增强当前的数字基础设施。在这个过程中,技术是对企业组织现存系统、流程和人力资源进行优化的赋能因素。
而且在你投身于全方位的转型之前,优化项目也可以作为一种试水项目。通常,优化项目可以作为企业在项目治理、内部流程和基础设施方面是否已经做好准备的一个指标,如果优化只是暴露出了某些不足,那么转型就可能导致企业的发展倒退。
为中小企业指明正确道路
我建议面临这种两难选择的中小企业应该谨慎评估自身情况,仔细阅读这份清单,了解哪种方案更适合他们:
了解转型动力是什么
有时候企业组织可能只是纯粹因为害怕错过而进行转型。当各种炒作甚嚣尘上的时候,数字化转型似乎已经成为每个积极进取的企业的一个新要求,但实际上数字化转型可能并不适合与所有人。你应该把虚荣心放在一边,清醒地分析分析你有哪些转型动力(例如成本和时间线优化、工作场所自动化、新市场开发等),为数字化或者优化找到一个合理的理由。
观察市场竞争格局
你的选择还取决于当前的市场格局。如果竞争对手正在全力以赴进行大规模数字化转型的话,那么优化可能就不是正确的策略。如果你没能抓住这一发展势头,那么与大胆转型的企业相比,你通过做优化提供给客户的能力和价值差距将是非常巨大的。
设定正确的业务目标
例如,除了“步入云端”这个动机——可能看起来是个数字化转型的合理理由——之外,你应该还有其他的动机,这就是提高效率。深入分析这个目标你会发现,你需要的是一个新的基于Web的协作门户,而且不需要为此部署数百台服务器就能实现。
检查数据健康状况
如果你的公司发展有一段时间了,那可能已经产生了大量数据。在转型和优化之间做出选择,这还得取决于你的数据健康状况、基础设施、治理措施,以及你需要清除资源的数量。
最后的想法
是否开始实施或者继续实施数字化项目,这不是问题,对于几乎所有企业而言,我相信答案是非常直截了当的。你需要考虑的是在数字化转型与优化之间做出更谨慎的选择。
无论数字化转型多么诱人,对于许多中小企业来说,这仍然还是一个流行词语。实现巨大的变革性飞跃并非适合所有人,相比之下,数字优化是一个更容易实现的方式。对于那些自认为不是数字化原生的企业来说,后一种选择相对更安全一些,也是对企业是否为更具变革性的数字化转型项目做好准备的一次考验。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。