[转帖] 【人文】为什么多数企业的数字化转型都失败了？[5P]

AI故事专家集  

2022-02-06 08:43  

以下内容来自《从犀牛到独角兽》

纵观近年来的企业排行榜位居前五的几乎无一例外都是数字化公司。

数字技术已经颠覆了我们的世界，以互联网为铠甲的独角兽企业在市场中独占鳌头，而曾经传统企业的代表——“犀牛”企业 （指传统企业巨头）却表现平平。

“犀牛”企业并非没有注意到势如破竹的互联网浪潮，但根据麦肯锡的数据显示只有20%左右的的传统企业转型成功。“犀牛”企业的高管即便想出了万全之策，也无法保证最终能转型成功。



从市场变化的反应曲线图中不难发现，在最初的“阻碍”和“愤怒”阶段上，“犀牛”企业的心态往往是“数字化转型不就是要使用数字系统么？”或者“我们几十年前就采用数字技术了。”

正是基于这样的心理， “犀牛”企业看起如火如荼地进行了数字化转型却直接掉进了数字化转型陷阱，因为数字化转型的根本并不是数字技术。

大多数传统企业对数字化转型还处于“反应”阶段，但其实单纯地提升技术和产品并不足以应对数字化转型带来的挑战。

在实现数字化转型的路途上，传统企业长期以来的积累和稳固的结构变成了障碍，对于他们来讲，数字化是一个全新的世界，传统企业要实现数字化转型， 实现从犀牛到独角兽的华丽变身，将面临着7个十分致命的陷阱。

陷阱一：“追随者策略”

谷歌不是第一家搜索引擎公司，脸书和推特也不是第一家社交媒体网站。

在商业战场中，绝大多数的成功企业都不是所谓的“先行者”。在先行者试错之后，那些更聪明、更有耐心的企业，可以从中总结出一份避雷指南，避免不必要的资源浪费，这就是所谓的“追随者原则”。

但这条“黄金法则”并不适用于数字化转型。

大部分转型失败的“犀牛”企业都会先观察市场，然后对于新技术进行小范围的试点，再进行推广，这就直接导致他们掉进转型陷阱。

首先，企业数字化转型的根本问题并不是解决技术问题，而且企业内部整体的信念结构。只关注技术，又受限于资金的“犀牛”企业们，在进行实验性的转型过程中发现，这种所谓的“实验”并不会得到有效的反馈，不仅浪费了时间和资金，也消磨了数字化转型的信心。

其次，回顾近年来企业数字化转型的成功案例，我们不难发现， 没有哪家企业是通过复制其他企业经验而转型成功，因为作为一个商业整体，每一家企业都是独一无二的，选择其他企业的案例无疑是浪费时间和金钱。

数字化转型成功的企业并不会进行小步骤、试点、监测投资回报等流程，而是对自己看好的机会投入100%的努力和足够的资源。

陷阱二：试图分散数字化风险

在不确定时代，没有一个行业或者企业可以一帆风顺的发展，分散风险的确是企业经营中不得不考虑的策略，但是在数字化转型中如果过分的重视分散风险，往往代表着缺乏自信和决心。

如果企业内部对数字化转型一直采取着相对不自信的态度，那么即便重金引进数字技术产品，也不会有明显的成效。

但这恰恰是诸多传统企业进行数字化转型时首先考虑的战略。

“犀牛”企业想要转型，首先要弄清楚数字化项目与数字化行业的区别，对于企业来讲运行许多小项目，看似规避了风险，实则掉进了数字化转型的陷阱当中。

数字化转型的独特之处在于，成功的转型并不是从小积累起来的，而且是通过内部坚定且有魄力的转型愿景而得来的。

陷阱三：协同效应

每一个成功的企业都离不开事半功倍的经营方法，作为传统企业中的领军部分“犀牛”企业在发展的过程中势必通过成功部署“协同效应”达到了“1 1＞2”的成功。

但在企业数字化转型中协同也是无数企业纷纷落入的陷阱。

通常情况下，寻求协同效应是企业内部组建数字化团队的第一步，并被纳入KPI，此时新项目也必须承担相应的企业成本。

但这对于新成立的数字化业务十分不利，因为协同的业务成本通常需要考虑外部控制，每一个新的创意也需要考虑市场性。当面对符合公司成本要求的产品，往往得不到客户的认可时，“犀牛”企业中的数字化部门，往往在市场上表现平庸，且主要依赖母公司的品牌实力。

尤其是 沉迷“数字渠道” “实体店”的协同效应是导致许多“犀牛”企业数字化转型失败的根本原因，看似为客户提供了更加丰富的产品又付出了诸多的努力，但由于运营效率等问题，实际上是拱手把自己的客户送给了快速增长的竞争对手。

陷阱四：忽视企业固有组织结构

新一代的企业领导者往往都十分重视数字化领域，并立志以最短的时间为企业实现全面数字化转型，许多企业甚至把数字化转型作为扭亏为盈的核心任务。

意识到数字化的重要性并在关键领域积极开展数字化转型是成功转型的第一步，但是 在不重构企业组织的背景下，就盲目创造数字化时代产品，是诸多企业都误入的歧途。

这背后深层次的原因是“犀牛”企业内部的权利游戏。

与独角兽企业不同，传统企业的所有员工都生存在严格的等级制度当中，错误就是错误，并且一旦出现错误一定会有人为错误受到惩罚。

但 充满变革性的数字化项目，往往需要大胆试错。但对于“犀牛”企业来讲，为犯过错误的团队或者个人提供更多预算和权利简直不可能。

因此，即便有敏锐的市场反馈，对数字化充分的重视，但忽视传统企业的固有结构，最后面对的结果很有可能是：败相初现，企业内部开始将项目失败和转型失败的焦虑归咎于数字化团队，导致项目因失败被召回，该团队成为替罪羊。

即便公司内部依旧有坚定的数字化转型决心，大家也会都因为看到先行者的失败下场而选择远离数字化项目。

陷阱五：盲目崇拜咨询公司

在“犀牛”企业的文化背景中，任何重大项目都需要指派专业顾问，请专业咨询公司也成了传统企业的首选。

咨询公司的研究人员通过研究和分析把复杂的现象归纳得清晰且可行，这种看似完美又专业的商业模式却又是企业数字化转型的一大陷阱。

数字化转型的过程不是通过学习和分析就能解决的问题，而是需要通过改变自身思维方式从而改变行为的过程，这就与咨询公司从根本上产生了分歧。

数字化转型和新经济之间有着密不可分的逻辑，而这种逻辑挑战着整个商业思维。

“犀牛”企业的领导层真正应该意识到的是： 未来是不能通过分析预期的，数字化转型也并不存在令人安心的过渡。但咨询公司提供的恰恰就是通过逻辑和计算的分析和数字化转型的过渡方案。

在现实商业世界中，很少有人会单纯依据逻辑来行动，而亟待转型的“犀牛”们需要的也不是智力上的优越和逻辑上的严谨，而是行动的意志力。

陷阱六：通过收购实现转型

传统企业在面对新经济的迅速发展，决定通过收购独角兽企业实现颠覆性转型，使得本来的“犀牛”一跃成为“独角兽”。

但其实，传统企业在收购独角兽企业后，大部分的业务依旧会按照传统的方式运行，这样这笔大价钱的收购不仅没有对于企业带来显著改善，反而使得被收购的独角兽企业变得很难与同行竞争。

在数字化转型的道路上，固有的收购路线是“犀牛”企业们都面临的陷阱。

对于传统企业来讲把数字化占率的成败押在并购交易上是十分冒险的。

通常独角兽企业的价值是被高估的，他们的估值是远远大于短期内所产生的回报的。因此传统企业对独角兽企业的收购的重点不应是交易本身，而是交易之后的益处，但通过观察来看，被收购的独角兽企业并不会推动“犀牛”企业走向新经济时代。

对于独角兽企业来说“犀牛”企业是完全相反的商业世界，但当一家实力雄厚且曾经辉煌的“犀牛”企业收购独角兽企业后势必会把本有的内部纪律灌输其中。

但独角兽企业的特点就是自由和无畏边界，因此此时的内部纪律很大程度上减弱了独角兽的实力和竞争力，不仅没有能力推动“犀牛”企业前进，反而把自己脱下了水。

不仅如此， 每一个企业都应是一个独立的商业个体，只改变其中一个或几个部分很容易带来整个系统的崩溃，因此“犀牛”和独角兽的合体是没有意义的。

陷阱七：虚假成功

许多“犀牛”企业在迈出数字化转型第一步之后就放慢了发展的脚步，在新经济的背景下，客户会要求企业产出越来越多的价值，这对于实现数字化转型的传统企业无疑又加剧了一份挑战加之外部投资者的关注都会在企业迈出数字化转型第一步后进行干扰。

其实传统企业在转型的过程中大可不必在意这些干扰，因为数字化转型一旦成功，自身和客户都会首先得知。

“犀牛”企业作为传统企业中的龙头，在成功的道路上深谙不断反思，维持稳定的道理，但是这恰恰是数字化转型中需要适度摒弃的。

数字化的转型并不是目的而是不断创新的变革之路，因为任何寻求稳定的心态都会影响转型的成果。

了解数字化转型的这七个陷阱我们不难发现， 诸多传统企业转型失败的根源依旧是意识与内在。

数字化转型是全新的道路与方向，绝不仅仅是通过技术进步就可以解决的，在数字经济世界里，“犀牛”们需要被彻底重塑，才有可能实现向独角兽的跨越，重新成为商业领袖。

声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。



太真实了！工业界AI项目落地血泪教训总结  

AI故事专家集

2022-02-06 08:43  

前言

AI虐我千百遍，我待AI如初恋。什么才是好AI？答：能落地的AI才是好AI。AI项目从无到有，最终落地开花，无非不是挖坑、踩坑、填坑的过程。本文从笔者的一些经历、经验、血泪教训展开，说一下AI项目研发过程中的感想。

被虐的案例



•案例1：经过N次版本迭代与优化，最终定稿。支持切换型号、云端训练、人工调参等貌似高大上的功能。最后，才发现客户的要求是准确率100%。
•案例2：样机各种灯光闪来闪去，各种运动机构群魔乱舞。什么犄角旮旯都覆盖到，什么划痕、残缺、脏污都面面俱到。但是，一个产品的检测竟然要30s。到过一次生产现场才发现：人工目检只需要2s。
•案例3：光学、算法、界面都ok了。在热火朝天、干劲十足的准备推广成千上百套变现的时候，客户说：抱歉，只要一套。
•案例4：同上，最终客户说你们这个产品真的很先进，容我再考虑一下。当然是杳无音信。算是被耍呢？还是算是白嫖呢？
•
•案例6：我去生产现场培训客户标注。他们非常配合，找来的也是目检老手。我示范了几个后，让他试试。他就是不肯，搞到最后才知道：额，他不会用电脑！
•案例7：我们的算法好牛掰，我们模型好先进。AI 传统方法一起来搞，完美。不过你需要调整这20个超参。人呢？别走啊！
•案例8：已经上线运行了，最后发现某一种型号的某一种缺陷打光不佳，图像上很难判断。最终只能推倒重来。
•案例9：没有意识到数据的重要性，每次都是几张图片在测试，结果是很完美，最匆匆拍板上线。最终大批量测试的时候，发现不work了。
•案例10：算法ok，部署效率也ok，标注-训练-部署的闭环生态也ok。然后客户问：每次更换型号，能不能不训练？

为啥这么难？

工业AI，尤其是缺陷检测这块，都是硬骨头。虽然场景非常简单，虽然数据都是源源不断，虽然算法都是非常纯粹。但是其需求太分散了，不是不能做，而是值不值得去做。因为你要面临以下问题：
•说不清道不明、模棱两可的标准。
•某些难以量化的标准。
•频繁变更的需求，难以做到只靠调后处理参数就能快速响应。
•频繁更换型号的场景，留给你训练的时间不多。甚至无法提供良好的训练环境。
•立体的产品，各种吃光照，吃视角的缺陷，极其微弱的缺陷。
•难以保证的样本一致性问题，这是你过拟合的根源。
•准确率能不能到100%，真的有人可以拍板保证吗？
•有没有人工做的更快？
•有没有人工费用更便宜？
•需要配合繁复的硬件设备，尤其是运动设备。如何才能保证整套设备的稳定性？
•同上，难以保证的硬件可复现性。甚至一机一模型你都要谢天谢地，更不要说通用。
•后期维护成本问题，由于涉及的环节太多，需要“全才”才能搞定。
•......

一般流程

AI要敏捷开发，更要方法论，更更要稳定的开发流程。



这里要提的是，工业场景的AI不过是整套系统中的一个小小组件，你一定不会靠单纯的AI去make money。即便如此，AI从无到有，依然经过以下几个环节：

需求阶段

包括场景分析、问题定义、可行性分析。很多任务都是从该阶段直接进入end。这个是好事，一定不要盲目自信和盲目乐观。所谓一叶障目不见泰山，只看到算法容易实现就忽略以上的问题，最后只能惨淡收场。最怕投入太多沉没成本之后，想收场却不甘心。

什么是需求，什么是真正需求，什么是隐藏着等待发掘的真正需求。很多时候，和客户一起聊需求的时候，他们给不出明确的需求。最简单直接的办法就是，深入参观他们的生产现场。和工人融到一起，学会他们的判断标准。为他们发掘需求，尤其是下面几点必须提前明确清楚：
•什么是绝对不能容忍的错误，一旦出现就是质量事故。我们要知道算法的下限在哪里。
•涉不涉及更换型号，能否提供符合模型训练的场景要求，比如至少得有GPU吧，或者可以上网进行云端训练。
•对时间上的要求，很多替换人工工位都要要求比人更快。我们要知道系统的物理极限，例如运动设备。
•对于算法难以界定的灰色地带，接不接受人工二次复检。对于不work的个例，我们要有backup。

其他都比较直白，对于第二点说明一下。大家想必都知道，我们做算法复现的时候，训练部分比推理部分要困难好几个等级。同理，上线部署的时候，如果涉及用户自己训练，那么难度就上来了。要把标注、数据处理、训练参数、测试评估等整个闭环生态都打包在一起，还要实现全自动化。一旦某一个环节出问题，那么足够你手忙脚乱。甚至会遇到诸如用户电脑不能上网&没有GPU的情况，没有错，即便是你提训练必须条件，他也不一定会给你配到。

以上这几点，一定要仔细论证，全局论证，反复论证。论证不是内卷，不是效率不高，不是执行力不高。没有详细论证而匆匆上马的项目，一般后期有无数个坑在等着你。

打光阶段



包括光学设计、成像分析，当然还包括不是那么AI的结构设计等。俗话说：七分靠打光，三分靠调参。打光非常重要，因为后续算法只能为图片负责。一般我会用“明显”和“明确”来进行可行性分析，“明确”来自需求，而“明显”就是来自光学。最直观的判断就是，人肉眼能否通过图片进行精准判断。如果存在模棱两可的部分，那么它也将成为算法模棱两可的地方。

数据阶段

数据标注就会涉及标准的定义，很多时候很难拿到清晰的标准。或者说无法量化为清晰的标准。往往会存在灰色地带，这就要提前有一个清晰的认识。对于灰色地带的处理，或者说客户的容忍，要提前想好策略。这里比较困难的是，灰色地带可能很难量化出来，我们只是知道这个样本是灰色地带，到底有多灰，have no idea。

另外，比较重要的是尽快建立稳定的、有代表性的数据集合，尤其是测试集，这点非常重要。这是你数据的baseline，可以帮助非常敏捷进行后续的benchmark实验。如果你不知道你对什么样的最终结果负责，那么你将永无止境的做下去。

算法设计阶段

包括任务定义、任务拆分、模型选择。尤其是任务拆分，你不肯定把所有的大象都装到一个冰箱里面，你也不可能把所有的鸡蛋放到一个篮子里面。

杜绝唯模型论 & SOTA 论。我们需要的是在特定场景下解决特定的问题。这里涉及学院派思维转变，学院派的高手为imageNet和COCO等数据集负责，而我为我自己的场景和数据集负责。SOTA看中的是模型的上限，而实际的场景，看中的是模型的下限。

杜绝唯AI论。不管传统方法还是AI方法，能work的就是好算法。如果传统方法没有明显的缺陷，那么请选择传统方案。或者你可以这么认为，当前看似高大上的AI并不是真正的AI，或许30年后一天，你会说：先用传统方法YOLO V28 来试一下吧！

训练评估阶段



包括模型调参、模型训练、指标评估。所谓的“炼丹”。前几步做好了，一般不会有太大问题，如果有，请向前追溯。还是那句话，建立好baseline，逐步提升。这里要说一句，“提前优化是万恶之源“。在保证精度的时候，再去考虑速度，再去做优化。当然你靠58个模型联合起来获取的精度不在该讨论范围。

部署阶段

这个阶段坑比较多，基本上都是技术方面。也是所谓的“脏活”。包括模型优化、跨平台前向推理、模型加密。终于到部署阶段了，也看到了落地的曙光。关于深度学习人工智能落地，已经有有很多的解决方案，不论是电脑端、手机端还是嵌入式端，将已经训练好的神经网络权重在各个平台跑起来，应用起来才是最实在的。不过依然存在这么多工作需要做：
•跨平台：可跑目标硬件上，包括各类cpu/gpu/npu/fpga等等。
•高效能：速度快、占用内存少等。
•精度没有丢失：经过一通量化、剪枝、蒸馏、图优化等操作后，终于满足时间要求了，却
•然发现部署测试精度掉了一半，WTF。
•加密需求：你一定不希望自己辛辛苦苦搞出来的成果被别人白嫖吧！
•闭环生态：当然你不能一劳永逸，怎么在应用中收集样本，更新系统。你需要作成实用、好用的闭环工具链。

运维阶段

包括运行监控、模型更新等。你以为可以松一口气了，然而并没有。能不能经受海量产能和时间的考验，请瑟瑟发抖地注视着吧！运维的核心就是保证业务安全稳定运行。上面提到，AI泛化能力还是比较欠缺的，所以很可能会在实际运行的过程中遇到不work的情况。当然最最直接的办法就是持续不断扩充数据。当然要保证你的模型有足够的capacity，如果没有，那么就是算法设计环节没有做好。收集数据利用上面部署阶段所说的闭环生态工具链来持续完成这个事情。

至此，你的AI项目已经落地。

声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。