至顶网CIO与应用频道 07月03日 编译:1958年时公司的平均寿命是61年。而今天,情况大不一样了。在时下快速技术创新的大气候下,公司的平均寿命缩短到不到18年 。麦肯锡公司(McKinsey & Co.)董事总经理Dominic Barton将这种变化归功于数字化转型的威力。他在上述第二个链接的文章里提出“科技导致了所有人的基本业务变化”,他还在文章里指城市化、大数据和计算能力的显著改善是促成因素。
全球的企业为了保持竞争力都在开始对各业务部门进行数字化,达到改变运营方式的目的,但许多数字化转型计划都容易犯四个常见的错误:
1、不知道从何着手
笔者的公司最近委托了一个对一千多名高层管理人员和一千多名业务分析师的研究。我们发现企业对转型工作缺乏明确的理解,45%的高层管理人员认为,在制定数字化转型策略时,自己不清楚从何着手。
2、没有设定衡量成功的明确目标
也许更令人担忧的是,在实施转型策略时缺乏明确的结果和和投资回报目标。我们的问卷调查发现,44%的高管认为他们的业务转型计划是在浪费时间。而即便如此,在过去的12个月里,34%的组织却在这些策略上花费了超过50万美元。这些组织基本上是将自己置于潜在的高成本而且回报有限的位置,结果是项目在启动前可能就被搁置了。
3、跃向未来的一步前却不了解当下
各组织为了制定适当的数字化转型战略需要首先了解改变的内容,只有这样才能优化自己的计划。企业需要为业务成果设定目标,而不是简单地优先考虑技术成果。高层管理人员在深入研究转型计划前首先应了解业务驱动因素和内部流程。而事实上,在参加我们问卷调查的高管里,82%没有审查自己组织的内部流程,如若他们审查了组织内部流程,最终会有助于他们制定目标及理解适当的关键绩效指标(KPI)。这可能源于他们不知道如何才能获得更好的流程可见性的事实,因为65%的这些高管表示,如果他们对内部流程有更好的理解,他们就会对自己的策略有更大的信心。
4 、在理解策略前急于制定具体战术
虽然企业领导者认识到了解企业流程对于转型策略至关重要,但许多组织仍然是先一头扎入具体战术里。例如,在我们问卷调查的高层管理人员里,只有不到三分之一(33%)的人有计划在能够提高流程可见度的技术上投资,而这其实是实现数字化转型的关键一步。Couchbase的调查甚至还发现52%的组织认为如果一拥而上,数字化转型项目必将失败。
还有,在我们问卷调查的高层管理人员里,73%的人表示,他们希望增加对自动化、人工智能和机器学习的投资,但却没有真正地了解这些技术的优势和成果。事实上,Databricks的一项研究发现,90%的公司做人工智能(AI)项目是为了改善他们的业务及在竞争对手的吵闹音里有所作为。各种组织从任何数字化转型策略的开始到结束都需要认识内部流程究竟会如何影响自己的业务,进而确定哪种技术是最有效的。
做好企业数字化转型走向成功
数字化转型策略最终必将成为企业运营的重要组成部分,任何组织承受不起落在后面的后果。但转型策略需要对公司内部流程有深刻的了解和洞察。抢步进入转型的企业未能理解究竟需要什么技术才能应对具体的痛点。只有了解基础业务流程后才能彰显那些主要的低效率点。然后,才可以明智地在正确的解决方案上投资,提高生产力和效率,进而增加客户服务。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。