学习别人的成功经验是成本最少,见效最快的。企业数智化转型也是如此。
学习最佳实践,我们往往会将目光放在一些超大体量的企业身上,因为他们已经取得了成功,企业希望将这个成功进行复制。但俗话说,十个最佳实践,九个学不会。这是因为“最佳”往往基于特定的背景,很多企业只学到了“形”而没有“神”。
现在我们发现,创新不问出身。很多行业领先企业,在特定行业或细分领域、细分场景,正在产生大量的创新。这些解决某一具体问题的创新,经过提炼总结可以成为知识和资产,复制到其他要解决同类问题的企业中,这种实践我们可以称其为新一代的实践“领先实践”。
举个例子:在养殖业,生猪养殖通过数智化手段,已经可以实现智能饲喂。传统养殖下,一头猪一天吃多少饲料,吃什么饲料纯靠养殖人员的经验,而且不同体重、不同体质的猪每天吃的饲料总量也不会做细致区分,这种方法养殖可能会带来饲料浪费,或生猪体质不佳,还有人工成本高等问题。通过结合大数据、人工智能等技术,可以实现自动化、精确化饲喂管理。根据猪只的需求和生长阶段,精确供给合适的饲料量和营养成分,提高饲料利用率和猪只生长效率。这并不是所有企业可以学习的实践,但是它解决了企业的一个具体问题,就是改变了传统生猪饲喂的模式,实现智能饲喂。并且这个实践是可以持续迭代的,当饲料发生改变时,投喂的量也可以随着改变。这种创新可以为它的企业降本增效,还可以为其它同行企业带来学习的样本。
从以上案例可以看出,领先实践是走在前面的,更加具备创新性、独特性,这种领先无处不在,不限于行业、领域、企业规模。相比广泛推广的最佳实践,领先实践针对细微场景的创新实践则更具学习的价值和意义。
现在“领先实践”已经可以称得上是企业数智化的领航员,引领着数智化不断前进。一方面在时间维度,根据企业不同发展阶段的不同发展需求,领先实践可以不断迭代升级;一方面在空间维度,帮助企业解决具体场景的具体问题,领先实践可以更细颗粒度的服务最终客户。
我们再举一个例子:在服装行业,以销定采可以让采购原料实现零库存。在传统模式下,服装的销售很难预测爆款,如果所有产品都规模化生产,结果是要么长期库存,要么被降价处理。以销定采不仅可以让企业能够对自身的全流程进行精细化管理,更重要的是,它能够轻松实现数据的追溯和分析,为企业高层提供有力的决策支持。一家大型头部服装企业通过数智化的创新,4个月就实现了以销定采,MRP计算效率实现60秒以内完成、以销定采完整流程时间缩短了20%、实现按合同号进行0余料管控、报表效率提升2倍。
这个是用友联合客户产生的“领先实践”。在用友看来,领先实践是一个理念,涵盖的内容非常丰富,主要包括四个方面。第一,领先实践是基于对千行百业进行洞察所产生;第二,领先实践一定是能够实现,能够快速落地;第三,领先实践是不断迭代不断进化的;第四,领先实践可以通过沉淀形成资产。
用友之所以能够推动领先实践,一是基于几百万高客户价值的数智化实战经验积累。另外用友沉淀了很多领先的数智化技术、敏捷动态的系统架构、高价值的企业应用服务。再结合用友的前沿洞察研究,聚焦企业在业务创新、经营管理方面关注的问题,加以提炼、总结,就形成了十大核心领域、近百个细分行业的领先实践,实现客户高价值交付服务,让客户尽享数智化价值。
用友推动领先实践是有体系且有组织的,他们成立了领先实践创新部与15个领域部门一起协作,推进10大领域的领先实践方案;根据23个行业划分,推进行业领先实践方案;从客户层面推进领先实践方案;与生态伙伴一同沉淀领先实践方案。
我们发现,当前很多企业数智化需求已经由解决单一场景问题,升级为解决具体的业务和管理痛点,这就要求数智化服务提供商为企业提供的是主题化、融合化的产品与服务。一个主题下包含多个作业场景。主题也是分层的,比如业财融合主题下面,会包含精准排产、智能定价等二级主题,再往下还可以包含日成本、作业成本、日绩效等更具体的三级主题。要解决企业某个主题问题,需要不同的应用、平台融合实现。那么这些主题化、融合化的应用创新就可以提炼成一个个领先实践。
除了面向不同主题的创新应用,企业也在关注不同热点下的管理与业务问题。比如国产化、全球化、数据治理、降本增效等热点话题。在这些热点下,企业要解决不同维度问题,解决这些问题的数智化创新应用同样可以提炼成不同行业或领域的领先实践。
领先实践不是某一家企业的具体成果,也不是用友一家数智化服务提供商的专属。为了让更多企业了解“领先实践“,成就”领先实践“,至顶科技联合用友推出《企业数智化领先实践》专刊,将从企业普遍关注的数智化问题出发,分享领先实践的创新方法论、学习不同行业的领先实践样本。
本期我们将围绕“数智化引擎下的中企出海”分享中企出海的领先实践,如何借数智化之力让中企出海的步伐迈的更稳,迈的更远。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。