一 概述

大多数系统并非完全失效，而是勉强能用。作为一名资深的 Salesforce 用户，你首先会做的就是下载 Excel 版本，然后直接在 Excel 中操作。两个人对 Power BI 数据的处理方式不同，得出的结论也截然不同。然后，机器学习系统会做出预测：需求将会上升，某个设备存在风险，某个订单很可能会失败。而这个预测并非完全错误。

但等到有人真正着手处理时，一切早已无关紧要。运维团队依然按部就班，在 ServiceNow 中提交工单，处理三天前就出现的问题。每个人都在努力工作，每个人都在处理一些事情，但他们处理的事情却总是不一样，也总是在不恰当的时机采取行动。

这就是交响乐团。分析团队演奏的是古典乐，人工智能/机器学习团队即兴演奏的是爵士乐，而运营团队还在调试乐器。如果真有指挥的话，他肯定被埋在未读的仪表盘和未点击的PDF文件下面。我们今天所谓的“洞察”其实只有半衰期，在大多数公司里，我们都把它浪费掉了。你收到一个信号，分析它，然后画出一张漂亮的图表。或许你还会把它展示出来。

但如果在企业工作流程中涵盖数据、运营和决策这三个环节的狭窄时间窗口内没有采取行动，那么它就会像昨天的报纸一样过时。数据很好，仪表盘也很清晰，但却没有任何后续行动。

这并非工具故障的问题，而是人为信任和系统时序的问题。人们总是按照自己想要的方式看待数据，只阅读那些符合自己认知的信息。一个人的洞见可能只是另一个人的背景噪音。因此，反馈机制失效，预测结果停滞不前，而运营却仿佛什么都没发生过一样继续进行。各个平台之间互不沟通。更糟糕的是，它们甚至没有意识到彼此身处不同的系统。

二 数据的三体世界

现代企业都生活在三个平行世界中：三个世界以截然不同的方式收集、计算和处理数据。它们本身并没有错，只是节奏不一致。如果没有统一的节奏，系统就会运转不畅。

为了便于理解，以下是我们设想的三个系统协同工作的方式。

1.分析系统

首先是分析领域：报告、仪表盘、商业智能工具。这里的数据是历史性的、可视化的，而且越来越注重形式美化。你登录 Snowflake 或 BigQuery，添加一个 Looker 图表，然后自信满满地走进会议室。它告诉你上个季度发生了什么，上周销售额下滑的原因，以及哪个品类表现不佳。它清晰明了、直观易懂，而且通常也很准确，但它本身并不具备干预能力。无论图表多么精美，它都不会自动生成采购订单、升级延误或帮助系统恢复正常运行。

分析领域很少会转化为能够执行特定操作的系统。在大多数公司，分析仍然是一种输出功能：数据从平台导出到 PowerPoint，再到收件箱。

2.决策或预测系统

这个世界试图展望未来。想想那些深藏在供应链软件中的机器学习模型、预测引擎或库存优化逻辑。这些系统不仅仅是提供报告——它们试图预测未来。例如，电商品类经理知道哪些书名正在热销，以及它们何时会售罄。他们的工作是预测未来：哪些商品会畅销，哪些会滞销，以及为了满足下个月的需求，哪些商品需要立即采购。但即便如此，预测系统也存在局限性。预测系统可能知道某个SKU即将售罄，但它们无法下单或标记物流信息。

它们发出信号，却依赖其他人接收和采取行动。因为它们可以预测货物运输会失败，却无法阻止失败。它们知道火车脱轨了，却不踩刹车。

3.运营系统

运营是企业命脉所在。它涵盖了企业资源计划 (ERP)、订单管理系统、仓库仪表盘和工单队列等各个方面。它并不关心模型预测的结果，也不关心哪个仪表盘亮了起来。它只关心货物是否已送达、设备是否发生故障、工单是否已关闭。它深度融入到每一个响应、解决问题和流程规划的瞬间。例如，在生产或供应链中，温度检测、交付服务水平协议 (SLA) 和合规性标志都与运营息息相关。

但它往往对已产生的洞察、已做出的预测，或上游已发出的信号毫不知情。它依据流程标准而非商业智能行事。它要么盲目运行，要么遵循过时的指令。

这三个世界共同构成了企业的完整数据栈。但如果没有桥梁或通用层进行转换和协作，每个世界都会变成孤岛。仪表盘知道，模型猜测，运维团队临时应对，而业务却各自为政，步调不一致。

举例来说：同一条供应链，三个互不相连的系统

假设有一家公司管理多个品牌的供应链，比如医药、电子产品、汽车零部件。每个品类都有自己的负责人。每个负责人又与不同的供应商合作：仓库、货运、包装等等。这是一个错综复杂的相互依存关系网。

现在想象一下这种情况：一辆货车晚点了。库存扫描显示货物不匹配。20个订单可能无法送达。下午2点，配送经理接到一个电话：“我们是重新安排路线?还是继续等待?或者拆分发货?”

她打开分析仪表盘。仪表盘显示，昨天东部仓库的服务水平协议 (SLA) 执行率低于 3.2%。但这一信息并没有很好地整合到经理跟踪的运营系统数据中，甚至根本没有整合。

她查看了预测工具。模型显示：这家供应商周二经常漏收货。它不会自动更改路线，不会屏蔽有问题的批次，也不会自行采取任何行动。

经理不需要昨天的洞察，也不需要上个月的趋势分析。她需要的是立即采取行动。

谁在整合这些信息并将其转化为决策?没有人。

• 运营过载，等待触发条件。

• 分析方法仍然停留在总结过去。

• 预测系统在进行引导——但并未执行。

每个系统都掌握着一些信息，但它们的设计初衷并非为了在紧急情况下协同运作。因此，这位经理最终会做出所有经理都会做的事：凭直觉做出决定，然后祈祷事情不会像滚雪球一样越滚越大。

这就是问题所在。预测和仪表盘都是被动的。预测结果也是被动的。而当最关键的时刻，当需要人来做决定的时候，这些系统都无法发挥作用。

这三个领域必须协调运作。平台必须将情境、预测和行动整合到一个循环中。否则，你管理的实时供应链就如同使用滞后的工具，各方沟通脱节。而良机总是稍纵即逝。

大家仍然都在使用Excel。

在某个工厂车间里，价值数百万美元的供应链竟然是用电子表格来管理的。不是现代的网格应用，也不是花哨的仪表盘，只是Excel。而且不是“把Excel当作过渡工具”，而是把Excel当作整个系统。

以家电制造为例。一台成品可能包含 200 个零部件，每个零部件都来自不同的供应商：假设有些来自中国，有些来自韩国，还有一些来自德国。每个供应商都有自己的产能限制、交货周期和定价模式。生产经理呢?他们得在一个 Excel 工作簿里处理所有这些信息。跟踪零部件库存，交叉核对供应商的限制，试图回答唯一重要的问题：我能按时完成下一批产品的生产吗?

你肯定想不到，像这样的大型制造公司竟然Excel用它来处理运营中最关键的部分。甚至有些时候，关键决策会因为Excel表格的行数限制而受到影响。所以，现在这世道真是乱成一团。

但人们仍然使用 Excel，因为它能提供大多数企业系统所不具备的东西：控制权。它灵活、本地化，无需提交工单或参加培训。最重要的是，它反映的是他们对流程的理解，而不是某个供应商提供的模板版本。

Excel 不是一种工具，而是一种情感。在 Excel 中，流程管理者会感觉自己掌控一切，直到他们失去控制为止。

三 人工智能准备度测试

问十家公司“人工智能就绪”意味着什么，你会得到十个不同的答案。对一些公司来说，它意味着拥有能够提供预测性洞察的仪表盘;对另一些公司来说，它意味着拥有能够像产品经理一样沟通、像工程师一样执行任务的自然语言代理。每个人对人工智能的定义都不尽相同。而这正是问题所在。

你的人工智能就是你的信仰。

每个人都认为自己正在这样做，但很少有人会去思考如何才能做好。我们将其分解为三个层次：不可妥协的、竞争性的和令人向往的。

1.基本要求：快速、干净、可靠的数据

这并非可有可无。如果你无法快速、便捷地获取可信数据，就已经落后了。到了2025年，如果一个团队无法实时获取可靠数据，而需要奔波于三个人和五个文件之间，那我们还在谈论什么人工智能?

这是大多数组织仍然没有落实到位的部分。访问速度慢会破坏信任、延误行动，并扼杀相关性。你可以做出各种预测，但如果你的销售经理24小时后才打开表格，那就错过了良机。

2.最新技术：统一数据平台

在这里，分析、预测和运营这三个领域汇聚于同一层面，行动由此展开。

你构建的不仅仅是数据管道，而是数据产品。你可以称它为网格、架构或平台，它是上下文、逻辑和行动交汇之处。正是这一层将高效运作的公司与被动应对的公司区分开来。

如果没有统一的管理层，你仍然需要把仪表盘复制到 Slack 里，然后让运维经理“有空的时候看一下”。如果最终还是由人来做桥梁，而不是由人来做出具有重大影响的决策，那么系统就无法真正发挥作用。

3.理想：智能体系统

这就是系统发挥作用的地方。它们不仅提供建议或发出警报，而是真正采取行动。这些系统不仅告知人类信息，还能代表人类执行操作。模型不会仅仅指出“东部地区将无法完成交付目标”，而是会重新规划路线、调整优先级或向相关人员发出警报。这一切都是实时完成的。

并非所有事情都需要自动化。但如果所有事情都需要人工干预，那就无法实现规模化，会造成人力瓶颈。想想红绿灯系统、智能体流程、自然语言界面和自主行动。

• 如果你不投资快速、可靠的访问方式，就不要谈论服务。

• 如果你的数据平台不能统一技术栈，就不要谈论自治。

• 人工智能就绪度不是一句口号，而是一项简单的系统测试。要么你当场通过，要么你没通过。

四 为什么要成为主动者

大多数公司都希望人工智能在董事会上听起来光鲜亮丽，却很少有人真正思考如何才能在运营中取得实质性进展。而真正促使我们追求智能系统的原因是：它并非追求复杂精密，而是避免因等待他人行动而造成经济损失。

我们以一家大型零售连锁店为例。想想看，它有6000到7000台POS机。在这个行业，收银机的正常运行时间可不是什么无关紧要的指标。如果一台POS机出现故障，顾客就会离开。如果20个城市共有200台POS机出现故障，造成的经济损失将是实实在在的。而通常情况下会发生什么呢?

门店员工联系了IT部门。经理提交了故障单。区域运营部门介入。每一步都拖延了问题解决。每一步都增加了成本。甚至连未接来电都要收费。

所以问题来了：为什么一定要由人来打电话呢?这就是智能体系统改变局面的地方。

POS终端实时生成遥测数据：打印机状态、网络延迟、电源浪涌、错误率等等。所有这些数据都会被传输到一个统一的数据平台。一个基于历史故障数据训练的模型会标记出哪些终端可能在未来两小时内发生故障。

但仅仅预测并不能改变游戏规则，关键在于接下来会发生什么。

该平台会按位置映射所有存在风险的设备。假设有 200 台设备被标记出来。现场检修费用为 100 美元。但其中 80 台可以通过重启、固件补丁或清除缓存等方式远程修复。因此，该系统：

• 筛选出无需人工干预即可恢复的设备，

• 通过远程接口立即执行这些操作，

• 而且无需开具任何工单即可完成整个流程。

• 店长甚至都不知道出了问题。这才是关键。

当您将分析(遥测)、预测(故障评分)和运营(远程修复)整合到一个数据应用程序中时，您就不再谈论“人工智能用例”，而是开始降低每次事件的成本。

你追求主动性并非为了显得聪明或迎合潮流，而是为了让你的系统在员工行动之前就发挥作用。这是一种投资，而且无疑是一项高回报的策略。

主角登场：行动层

大家都在构建能够生成报告的系统，但很少有人构建能够做出响应的系统。

大多数企业都运行着三个互不相连的引擎：分析引擎负责告诉你发生了什么，机器学习引擎试图预测未来可能发生的情况，而运营引擎则负责应对每时每刻都在上演的现实。但当你问“究竟是谁根据这些洞察采取了行动?”时，通常要么得不到答案，要么得到的答案含糊不清，缺乏透明度。

这就是行动层旨在解决的问题。

这不仅仅是分析、机器学习和运维的融合，而是这些系统汇聚到一个统一的执行平台上，旨在执行操作而非仅仅生成报告。当你的数据平台不再是静默的存档库，而是开始驱动业务运转时，这一切便会发生。

神经系统类比

如果一定要用比喻，并且要使其贴切，那么企业神经系统可以概括为：

• 传感器→ 您的分析：信号、事件、遥测。

• 反射→ 机器学习系统：标记需要关注事项的模型。

• 肌肉→ 操作系统：执行 API、杠杆、接口。

但大脑才是做决定、做出反应和按下按钮的器官。这就是行动层。

没有它，其他一切都只是噪音。你掌握了所有信息，却无法采取行动;你做出了预测，却没有相应的反应。这就是各自为政、孤立运行系统的代价。

行动层 = 具有代理能力的数据应用程序操作系统

必须明确一点，这些应用并非只是界面更漂亮的仪表盘。它们是具有自主性的应用，构建于统一的数据平台之上，采用容器化设计，支持插件，并直接嵌入到日常工作流程中。

他们不仅指出问题，还解决问题。例如：

• 通过遥测技术检测POS机故障→远程推送固件补丁

• 根据预测信号标记低库存→触发自动补货流程

• 发现供应链中的服务水平协议 (SLA) 违规行为 →自动升级至相应的处理层级

它们并非存在于独立的系统中，而是出现在操作发生的地方：就在操作员的工具内部，在需要做出决策的那一刻。

归根结底，我们的业务并非依靠洞察来运转，而是基于这些洞察采取的行动来运转。其他一切都只是纸上谈兵。

你可以拥有上百个绝妙的想法或见解，但只有当你选择行动时，世界才会改变。愿景固然重要，但真正被历史铭记的却是行动。

五 行动才是新的洞见

数据看板并不能带来收入，决策才能。

不是停留在幻灯片上的决策，而是能够影响现实世界并推动实际行动的决策。

亚马逊并非因为拥有最智能的机器学习系统而获得报酬。亚马逊心知肚明。但亚马逊也并非因为推荐产品效果好而获得报酬。只有当用户实际购买时，亚马逊才能获得收益。系统知道你正在浏览一支昂贵的钢笔，所以它会向你推荐一本高档笔记本，然后是一个皮包。这并非随机推荐，而是用户意图识别的结果。但所有这些预测，在你点击“立即购买”之前，都毫无价值。

数据系统的作用是让企业行动更智能。这意味着在执行阶段就能提供正确的洞察，并立即形成闭环。否则，一切都只是潜力。而潜力是无法从季度财务数据中体现出来的。