倚天屠龙记之魔教教主

俄罗斯失掉的机会_我的网站

A |     琢磨事的群里，有人甩了这么一张截图：                              这简直太有意思了，正好接着这个说说AI应用的事。    

N | 这个项目很快就会陷入泥潭。

o |                    市场部掌握着广告投放数据，但他们的数据结构是为了衡量曝光和点击；销售部掌握着交易数据，但只关心SKU和销售额；仓储物流部掌握着库存和配送数据，其核心KPI是周转率。                   每个部门都像一个“数据烟囱”，为了自身的KPI和利益而生产和守护着自己的“一亩三分地”。                   AI系统需要的是一个能将用户浏览、点击、购买、复购、甚至退货数据完整打通的用户画像，但这在部门墙林立的组织结构中几乎是不可能完成的任务。                   最终，AI项目要么因为吃进去的是割裂、矛盾的“垃圾数据”而产出无用结果，要么就因漫长而昂贵的数据治理而不了了之。与其说是AI需要数据治理，不如说是陈旧的组织模式在持续不断地“污染”着数据源头。                   2. 所有流程问题都来自系统整体性的缺失                    将AI工具“嵌入”现有流程，是另一个典型的失败路径。

p |                    比如： 一家工厂引入了一套先进的AI排产和库存管理系统，该系统基于实时销售预测、原材料价格波动和设备健康状况，给出了一个理论上最优的生产和采购计划。                   然后，就发现这个计划在现实中却寸步难行。                   生产主管凭借自己二十年的“老师傅经验”，认为AI的排产计划过于激进，无视了产线磨合的“默契”；采购部门则因为AI建议的“小批量、多批次”采购模式会破坏与长期供应商的“关系”和折扣而表示反对；质检部门则抱怨排产变动过于频繁导致品控标准难以统一。

q |                    AI哪有力量搞定各路神仙！妥妥的现实版庙小妖风大，但不是人的问题，对人开战更会有灾难性后果。                   在这里，AI作为一个追求“全局最优”的整体性大脑，与一个由无数“局部最优”构成的碎片化流程发生了激烈冲突。

r |                    AI的建议触动了既有的权力结构、工作习惯和人情网络。                   最终结果往往是，这套昂贵的AI系统被员工们以各种理由架空、忽略，变成了一个仅供参观的“形象工程”。                   所以过去做大屏反倒是有市场，形象工程的市场也是市场！                    驾驭不了流程，根源在于缺乏一个能够俯瞰全局、统合所有流程的“整体性”组织视角。                   3. 最终表现：不划算，没有用                    投入产出比（ROI）的困扰，是上述所有问题的最终体现。                   在碎片化的组织认知下，管理者习惯于用“孤立”和“线性”的思维去评估AI的价值。他们会问：“这个AI客服能帮我节省多少人力成本？”“那个推荐算法能提升多少点击率？”这种评估方式，完全忽视了AI作为“系统性工程”的真正价值，即其带来的乘数效应。                   一个真正有效的AI系统，其价值是系统性的，但回报却可能体现在其他部门的报表上，这在部门间利益独立的组织里是无法单维度被衡量和激励的。                   按结果交付是对的，但按结果交付就需要挑战各种整体性问题。

s |                    隔壁吴老二要是中风了，整体性不协调，这么跑步啊。

t |                    唯一也必须的突破口：以“组织革命”为核心的整体性重构                    既然问题的根源在于组织，那么唯一的突破口也必然始于组织。                   我们必须放弃“AI赋能业务”的幻想，转向AI需要先重构组织的现实。                   （讲明白这个事非常痛苦和有挑战的）                    这一点上，特斯拉设想的“Unboxed”生产模式提供了一个极具启发性的范例。                   传统汽车制造业沿用福特发明的流水线模式长达百年，汽车在一个线性移动的传送带上被逐步组装。这是一个典型的、被流程固化的工业时代组织模式。                   而“Unboxed”模式则将其彻底颠覆：汽车不再被视为一个整体进行线性组装，而是被拆解成数个独立的模块（如前车身、后车身、电池包等），由高度自治的团队在不同区域进行并行、同步的组装，最后像拼乐高一样“合体”。                   您目前设备暂不支持播放                    这套方案的野心绝不仅仅是提升生产效率，它本质上是一场深刻的组织革命。                   为了实现这种并行生产，特斯拉必须从产品设计之初就将组织协同、供应链、机器人自动化等所有要素作为一个“整体”来考虑。                   传统的、按工序划分的线性部门被打破，取而代之的是围绕“模块”组织的、跨职能的、高度整合的团队。                   这种组织形态，天然就是为最大化机器人和AI的效率而生的。它消除了传统流水线的物理和组织瓶颈，让数据可以在各个模块间无缝流动，为AI进行全局调度和优化提供了完美的“温床”。                   结果还未知，但至少说明：Tesla认识到为了迎接AI和自动化带来的终极生产力，必须先重构生产组织本身。

u |                    （参见：《AI是中小企业最后的机会》）                    非典型的突破口                    如果说前面说的非共识是典型的，每当新技术来的时候都有，那么面对需要采取的措施则绝对是非典型的，和过去很不一样，比如：                    1. 从“整体性认知”出发，建立新的组织哲学。领导者必须率先完成从“管理者”到“系统架构师”的角色转变。他所要设计的，不再是一个分工明确的职能机器，而是一个能够自我学习、自我进化的“智能有机体”。                   我们没有这么剧烈地干过这活，组织的事千年一系，变化真的不大，此前最大的也就是流水线。                   2. 从职能孤岛到任务导向的“积木式”组织。学习现代软件企业的组织模式，如Spotify的“部落（Tribe）”和“小队（Squad）”模型。每个小队都拥有一个端到端的业务模块（如音乐推荐、用户播放列表），团队成员包括了产品、开发、测试、数据分析等所有必要角色。这种组织方式，天然保证了“谁生产数据，谁使用数据，谁对数据质量负责”，从根本上解决了数据割裂问题。

v |                    这就是数据和智能角度的阿米巴。                   3. 当组织就位，数据与流程自然“归顺”。当一个以“整体性”为核心的新式组织建立起来之后，我们才能真正“驾驭”数据和流程。此时，数据不再是需要费力去“治理”的对象，而是新组织形态下业务流程自然而然产生的“高质量血液”。流程也不再是需要AI去费力“适应”的障碍，而是被重新设计用来最大化数据采集效率和AI决策效率的“血管网络”。                   先有健康的“身体”（新组织），才会有流畅的“血液循环”（数据与流程），这是一个不可逆的因果关系。                   典型的非共识需要非典型的突破口                    当前社会对AI的巨大“非共识”，本质上是一场关于“范式”的冲突：                    究竟是应该让代表未来的生产力去削足适履，适应我们陈旧的组织模式；还是我们应该鼓起勇气，砸碎旧的组织枷锁，去创造一个能配得上未来生产力的新容器？                    答案是唯一的。                   为什么是唯一的，因为你不干他也干，那就终究会回到这里。                   依赖于修修补补、期望AI能奇迹般地在旧土壤里开出新花，是一种危险的“工具幻觉”。这只会让我们在无尽的试点和挣扎中耗尽资源和信心，最终得出“AI不过如此”的错误结论。                   真正的、非典型的突破口，掌握在那些敢于向自身开刀的变革者手中。                   他们明白，AI竞赛的终局，比拼的不是谁的算法更先进，而是谁的组织更具“整体性”和“智能原生性”。这不是一场技术革命，而是一场深刻的管理革命和认知革命。                   当我们不再将目光局限于AI本身，而是转向审视和重构我们自己时——就像特斯拉重新思考汽车制造的每一个环节那样——那扇通往智能时代的大门，才会真正为我们敞开。                   这场变革的阵痛是剧烈的，也很让人烦躁，但穿过阵痛，我们将迎来一个以全新的组织形态驾驭强大AI，从而实现价值指数级增长的真正黎明，而“无人公司”正是这场组织革命的终极形态。                   （参见：《AI和互联网的旷世冲突》）                    本文来自微信公众号：琢磨事，作者：李智勇。

Current article:http://www.ninyakenhongnian.sbs/1edp/o69r.html

Published on:08:18:55