毕马威数字化战略咨询合伙人柳晓光：数字化转型是各行业围绕数据和AI发展的关键

9月27日，由全球数字贸易博览会组委会办公室主办，杭州市商务局，杭州高新区（滨江）管委会、政府，《财经》杂志，《财经智库》承办的“第三届全球数字贸易博览会数字技术贸易产业对接会”在杭州举行。毕马威数字化战略咨询合伙人柳晓光在大会上表示，企业开展智能化的升级有两个重大的抓手：一是企业架构；二是能力闭环。

柳晓光分享了关于行业数字化转型和智能化升级的见解。他指出，数字化转型是各行各业围绕数据和AI发展的关键。报告主要分为应用和治理两部分，强调了AI技术在金融、工业制造、能源、电信、互联网和消费品等行业的应用，并探讨了如何将传统企业转型为智能化企业。

柳晓光提到，毕马威在过去三五年以来围绕着从小模型到大模型的时代，在和非常多不同行业、不同客户进行咨询项目合作的过程中，总结了对现在以生成式AI技术为代表的前沿新兴技术阶段性发展特征。这些特征分公共的技术侧、行业的场景侧，包括治理和认知侧三个个部分。

他预测，从2027-2030年，整个生成式AI进一步演进到了第二阶段的时候，图模的融合、大小模型融合会变得更加无感，不再区分是大模型生成式AI能力，还是传统AI和大数据分析。

此外，他还展望了2030年前后通用人工智能，包括一些SuperAPP，超级入口、超级平台的实现。毕马威强调，智能化技术的应用应与业务场景紧密结合，并且把这些前中后台业务场景最终融合之后形成商业模式的创新，通过产品创新和服务创新，将企业的商业模式、组织形态和管理水平提升。

柳晓光还讨论了传统企业在数字化转型中面临的挑战，如信息化建设的利旧创新，以及如何利用现有技术投资。他指出，企业开展智能化的升级有两个重大的抓手：一是企业架构；二是能力闭环。

企业架构要求企业从业务流程的标准化开始，进而实现应用数据技术架构的标准化设计。通过企业架构工具的应用，可以确保在AI时代，不同业务部门和团队不会各自为政，避免重复投资和建设。

随着数智化时代的到来，企业需要逐步提升能力，弥补短板。为了实现这一目标，企业应当建立一个闭环的能力评价模型，以此为基准，在转型过程中不断评估进展，判断与预期目标的距离，并实现螺旋式上升。这样能力评价的闭环，是非常重要的转型和升级的工具。

报告在特定的重点行业围绕着智能化技术落地整体的方法论体系，提出了“四个一”的方法论体系，包括能力评价和诊断、业务价值回归、企业架构串联和生产关系配套。

柳晓光还介绍了“I-ABOOST”6个能力领域的评价模型，这是一个针对不同行业的智能化能力成熟度评估模型，帮助企业诊断智能化建设的差距，并以此为依据进行有优先级的智能化投资。

最后，柳晓光强调了企业架构和治理的重要性，以及如何通过智能化中台和混合云架构来实现行业智能化转型。他还提到了AI应用的评价体系，确保投资的回报率。

以下为部分发言实录：

柳晓光：各位好，感谢组织方的邀请，今天下午借鉴这次数字贸易洽谈会论坛的机会，就毕马威从行业智库，从咨询公司角度，过去积累了多年的，围绕重点行业数字化转型，包括智能化升级的一些心得进行总结和发布。今天也契合整个论坛的主题，叫做《前沿数字技术的行业应用与治理》。前沿数字技术还是各行各业围绕着数据和AI的内涵发展，这个报告重点是两部分：应用、治理。

从一些重点的行业对AI应用角度来讲，这并不陌生。我们说新质生产力，围绕着数据和智能，过去在金融行业、工业制造、能源公共事业、电信、互联网、消费品等诸多重点行业应用，都已经看到很多了。关键是针对这些传统行业一些新入局的企业，一些在传统行业做数字化转型，围绕着智能化升级，究竟这家企业是不是适合，应该如何切入，切入之后应该有怎样相对可靠的标准范式可以先行去做一些参考，能够拉齐或者拉高整个行业在数字化应用先行者和后入者之间的距离，这个会是我们去做这个报告的主要目的，这也是呼应了全行业新质生产力，包括新质生产关系，我们需要用生产关系去匹配生产力发展的需要。

首先，毕马威在过去三五年以来围绕着从小模型到大模型的时代，在和非常多不同行业、不同客户进行咨询项目合作的过程中，我们也总结了对现在以生成式AI技术为代表的前沿新兴技术，它的阶段性发展特征。而且这些特征都会分公共的技术侧、行业的场景侧，包括治理和认知侧，这3个部分。

我们看到现在讲的所谓图模融合，小模型和大模型的融合。小模型解决行业专业问题，它更可靠、更可预测。大模型解决流程串联问题，解决人机交互问题，解决文字处理问题，这些其实是现在一些普遍的认知，并且通用的模型和行业垂类需要去专业数据语料训练的成果之间关系也是非常清晰的。我们预计再往后看三五年，从2027-2030年，整个生成式AI进一步演进到了第二阶段的时候，图模的融合、大小模型融合会变得更加无感。大家在说AI的时候，在说智能化技术和某一个行业、某一个具体业务和管理场景结合的时候，就不会再去分是传统的AI大模型，不会再去分所谓人工智能还是大数据分析，这些已经在未来会有一个逐步融合，和业务更好结合的预期。

如果再往前看，2030年前后，我们也抱着比较期待的心态去看所谓的通用人工智能，包括一些SuperAPP，超级入口、超级平台的实现，和现在大家真正围绕着移动互联网已经耳熟能详的SuperAPP平台级的体现，能够有一定的赶超，所以这是我们针对整个行业大局总体的判断。

更重要的一点是，我们现在讲的并不是一个行业通用的智能化技术应用，而是针对特定行业，从数字化转型，从自身新质生产力促进业务增长，促进管理提效的角度应该如何去做。这里一个非常重要的前提条件，是跟业务一线的场景和需求融合。从产品创新到服务创新，从内部的运营，这些不同领域角度来看，智能化的技术如何和业务场景真正结合，并且把这些前中后台业务场景最终融合之后形成商业模式的创新。从单纯实体的货物服务，变成形态型的企业，运用智能化的技术真正将企业的商业模式、组织形态和管理水平加以提升，这个会是我们认为跟行业需求结合仍然是一切的根本和前提。

其实在非常多传统企业做数智化转型的过程中，大家一个普遍的难点和困惑，是我过去也做了至少5-10年的信息化建设。过往的信息化建设所构建的这些数字化底座，这些既有的系统，这些过去的技术站，未来是否就必须要推倒重来了，有没有利旧创新的基础。过去能力的投入、基础设施的投入、数据产品的投入，在未来是否可以进一步去利用。我们认为数据智能的应用在传统行业其实并不是一个完全推倒重来的过程，还是有相当大利旧创新的可能性。我们看到传统企业在做架构的基础，数据的基础转变，做底层的平台算力、算力算法的技术准备，甚至包括业务的流程、内部的治理，业务和技术的敏捷整合，这些都是为AI技术在数字化的转型，洞察认知，思考分析，科学决策，精准执行，甚至是未来自适应进化，在这些方面都是打好基础的，它上下还是有清晰应对的过程。所以，信息化补短板，数字化的能力建设，尤其是数据的积累，数据资产的积累，包括像刚才说的通过密算，通过隐私计算的方式去做联动跨域的分析和整合，仍然是未来智能化时代非常重要的一些前提。这些投入，这些补短板的工作并不会被浪费。

我们具体去看，从本次报告研究的角度来看，重点行业的企业去开展智能化的升级，其实我们认为还是有两个重大的抓手：1.企业架构；2.能力闭环。

从企业架构的角度来讲，我们还是需要去践行从业务流程的标准化到应用数据技术架构的标准化设计，运用企业架构的工具确保数字技术未来在AI时代不是不同业务部门、不同团队各自提，大家分散建设，最后会发现重复投资、重复建设。仍然需要有一定的统筹，现在在业界不缺乏技术创新，也不缺乏技术创新和业务场景的结合。但真正以一个企业为单位来看，缺乏横向的统筹，缺乏部门间的拉通，缺乏团队间的共享，这些其实是一个企业架构问题，也是我们将数字化技术、数字化投资真正能够展现在集团级、企业级的业务战略价值上的前提。

另外，从初步刚刚进入数智化的时代到逐步能力补短板提升，它未来应该是一个闭环。针对能力在不同的时间点有一个良好的模型去做评价，并且在未来转型过程中时刻以此模型为基准，去判断已经行进到哪一步了，离预期目标还有多远，不断进行螺旋式上升，这样能力评价的闭环我们认为也是非常重要的转型和升级的工具。

以此，我们简单总结，我们在特定的重点行业围绕着智能化技术落地整体的方法论体系，我们把它总结为“四个一”。1.首先要以能力的评价和诊断为切入点，我们后续也会提出一个总结之后发布的“I-ABOOST”，这样智能化能力成熟度的评估模型，它会根据不同行业会有不同的子模型，跟行业特色、行业业务需求更加契合，这是第一。我们还是需要先望闻问切，先诊断，找寻差距，才能以问题为导向，往前去推进智能化建设。而不是完全行业里在说什么，别人在说什么，我们直接照搬。2.整体上来讲各个企业的智能化实践如何回归业务价值的初心，如何和具体业务场景可量化，可指标化的业务价值结合，我们认为这是不同行业、不同企业领导者们，公司管理者们能够下决心审批预算去做相应智能化升级项目的前提。3.需要企业架构将这些努力串联起来，而不是零散的。4.以及除了架构、除了生产力之外也需要生产关系的配套，也就是业务在智能化时代需要做的组织、人才、机制，甚至是考核KPI上的刷新。没有这些软性的、公司治理的、流程机制和人才文化创新，其实智能化生根发芽的土壤仍然是不全面的。

时间关系，我们简单做一些展开。比如我们刚才提到的“I-ABOOST”，6个能力领域的评价模型，针对一个特定的行业。比如我们在第一个版本里有通用版，有金融行业版、政务行业版、制造行业版、能源行业版，以及TMT版，这些分行业的版本基于通用版本在一个特定企业，围绕智能化应用的成熟度，智能化应用的准备是否做充分了。从战略的成熟度、业务的成熟度、运营的成熟度，整个组织机构的成熟度，技术以及生态伙伴的成熟度，从这6个方面会有各自不同的能力子项，去判断一个行业、一个企业，与同业、与其他异业相对标，在智能化上目前的水平如何，目标的状态差距如何，应该怎样有优先级的进行后续的智能化投资。

另外，刚才讲的能力评价模型是切入点。主线就是业务的场景库，我们看到这边也结合刚才说的不同行业版本，开发了不同的行业，目前已经有同业领先实践，不是实验室的产品，已经有商业化落地了，已经给一些行业头部企业带来一些实实在在看得见摸得着的业务成果。在金融行业针对前台转型的赋能，针对中台运营的赋能。在工业界针对设计研发、生产销售和供应链的赋能。在政务领域，针对政府体系内以及公共社会服务的赋能。在TMT领域，上中下游的赋能。泛交通行业，不同领域的一些赋能，等等。这些特定的场景层，其实我们也形成了一个场景库，针对不同行业核心场景，数据和AI赋能之后改变了原有业务和管理模式，带来新的增长点，带来效率的本质提升核心场景是哪些，延伸场景是哪些，次级场景是哪些。这些其实针对一个特定的行业和特定的企业来说，就是他山之石可以攻玉，我们作为一个行业的咨询公司和智库过去多年的总结，这次在报告中加以发布，给行业去做些参考。  

除了点状的创新、业务的场景之外，当然如何通过企业架构（enterprisearchitecture）作为抓手，确保这些努力不会太零散，不会因为公司内、企业内的部门墙，数据孤岛，系统的烟囱，导致未来无法真正落地。这里我们也结合行业的业务视角，结合过去合作非常多企业客户的理解，针对他们的一线如何去赋能。以及技术能力演进的节奏和成本，我们综合形成了这幅图右边所展现的，一个面向未来特定行业在“云智融合”，以云、以基础设施数据底座为底层，更加体现智能化与业务的结合，这样的参考架构。

（图示）可以看到上层的战略引领，未来智能化战略会在“十五五”“十六五”期间变成和业务战略一样的高度，未来各家企业的高质量发展业务战略中，智能化会是一个绕不开的话题。在此基础之下，前台的个性化应用、中台的共享和复用能力，尤其是智能中台。现在讲的数据中台、AI中台，可能放在一起，可能分开，未来这两个概念会淡化，未来以智能中台方式融合了AI的共享复用能力，同时以数据的资产作为它的燃料。AI是引擎，数据的资产是燃料。而且这里也要突出企业的知识中台的概念，我们可总结分类的，体现企业差异化的行业和特色的语料是训练这个引擎更加精准非常重要的一个投喂。知识中台，包括RIG知识库的外挂，是我们从通用基础模型向行业模型演进必不可少的能力。

笼统的来讲，AI的中台、知识的中台和数据的中台，未来融合成一个真正的智能化中台。再加上混合云之上，特定行业还是有私有云的需要，但混合云，公司，包括专有云的融合作为数据底座，这样的参考架构我们认为未来作为非常多行业智能化转型的起点，还是具备其参考意义的。

当然，除了架构之外，还需要有治理。架构如果是生产力，治理是生产关系。我们围绕着智能化的场景，需要有负责任的AI应用，需要有适应的组织架构、人才和企业文化。当然，也需要有针对AI应用的评价体系。我们的AI应用在特定场景上，这个场景对于整个公司来说它的重要性如何评价，AI带来的，如果控制变量有AI和没AI，小模型时代以及大模型时代，控制变量之后带来的价值分别如何量化，形成AI的效用评估。这样效用评估就确保我们投入的每一分钱可以用ROI方式去分析未来是否带来了可观、合理的回报，以此方式形成一个闭环。无论是在智能化的投资项目前期论证上，还是在我们已经将项目执行到一半，甚至整个完成之后能够做一个后评价上，前论证、后评价，都可以用这样AI与业务场景结合的数智化效能分析模型去进行判断，符合我们在整个公司内部进行管理提升，需要讲究ROI，讲究投资回报大的行业趋势。

这是我今天简单的分享，后续也欢迎大家关注整个大会或者毕马威的公众号，我们对于整个报告的发布。

谢谢！