23年数字化转型总结

问题思考：

1、面对科技日新月异的发展，应怎样推进数字化转型，才能让企业在数字时代更好发展？

2、当下爆火的大模型引发了新一轮技术革命，如何拥抱大模型技术？在数字化转型大势之下，如何走出符合自己的特色转型之路？

理解数字化转型特性

在数字化转型的道路上从，最初的电子化到信息化、再到数字化，如今正迈向智能化阶段。数字化转型，是一个科技与数据能力提升的过程，同时也是一个组织和文化变革的过程。 总之，数字化转型是一场由技术驱动的经营管理和组织文化变革。

数字化转型特点，归纳为三点：

• 从一开始就将数字化转型视为一场由数字技术驱动的经营管理变革；
• 将数字化转型作为企业战略的核心组成部分，一把手挂帅，顶层规划，统筹推进；
• 有清晰的策略和方法论为指引，有相应的科技规划和数据战略作为支撑。

正是这些特点，才使得数字化转型得以扎实、快速推进，不断取得新的成效。

谈及数字化转型，技术非常重要，数据作为新的生产要素也十分重要，重点强调的是，数字化转型不是单纯的技术项目，也不同以往主要利用技术解决内部流程效率提升的问题，而是要利用数字技术和数据要素推进业务和商业模式的创新和转型，通过适应客户要求和环境变化实现企业长期可持续发展。只有准确认识和把握数字化转型的实质，才能以终为始，明确转型的正确目标，制定相应的转型策略和实施路径。

数字化转型，必须战略先行

1、以新的五年发展规划为指引，企业数字化转型工作全面启动

将数字化转型视为企业的一次全面而深刻的经营管理变革，在组织体系方面，成立了由全体领导组成的数字化工作领导小组，负责企业数字化重大事项的决策部署，发展规划部承担领导日常执行职责，负责数字化转型日常工作的组织推动和跟踪检视。数据部负责牵头企业数据治理和数据资产管理，利用分析工具、算法和模型最大化发挥数据价值；生态规划部立足于全行战略性、跨业务领域、跨职能团队场景产品和业务模式孵化。

人才队伍建设方面，加大外部引进与强化内部培养并重。在持续引进高素质数字化人才的同时，面向公司管理层和员工开展了数字化领导能力、数字化专业能力和数字化通识能力的分层培训，为数字化转型奠定智力和技能基础。

科技规划和数据战略提供数字化转型提供支撑

建设智能商业，指的是利用数字技术全面改造、升级企业业务价值链活动，重塑客户旅程提升客户体验和流程效率，可以总结为，以数字化、智能化提升企业经营管理质效。

建设智能商业，指的是探索场景业务新模式，通过进入或联合共建生态。 制定数字化营销、数字化风控、数字化运营、数字化决策等企业级数字化解决方案，规划中台化应用架构、模型化数据架构、云原生技术架构、立体化数字安全架构以及绿色数据中心布局，明确业技融合、敏捷高效的科技治理方向。

数据战略以“用数据洞察，用数据决策，用数据管理，成为数据驱动的智能化企业”为愿景，遵循“数据可见可访问、数据可用可理解、数据易连接可共享、数据可赋能可增值、数据安全可信”五大原则，进一步明确数据能力提升和赋能经营发展的重要领域和任务。

科技规划和数据战略依据全行战略制定，服务于战略执行和目标达成，由技术人员和业务人员充分讨论共同编制而成，对具体工作开展具有很强的指导性。从近一年的工作实践来看，从之前以补强短板、支持重点项目为主，转变为目标引领、全面协调推进的新阶段。科技能力和数据能力的持续提升，对推动数字化转型工作发挥了重要支撑和促进作用。

数字化转型的顶层设计、策略和方法论之外，还涉及到管理和文化变革。既然数字化转型是企业经营管理的一次变革，成功的数字化转型就离不开组织架构、体制机制和文化的变革。

为推动数字化转型，建立并推广敏捷项目管理机制。数字化工作组对全行重大数字化转型项目进行立项决策和定期检视，由业务、风险和科技部门选派骨干组建敏捷项目组进行集中攻坚和快速迭代，同时为项目组提供集中办公场所、专项科技和财务资源、专属考核政策进行支持保障。为全面支持业务敏捷，业务条线推出敏捷与精益双模研发体系，支持业务开发运营一体化流程。

众所周知，文化是数字化转型最重要的影响因素。数字化转型过程中，数字基因不断根植进全体员工的思想和行为之中。数字化转型的成功关键之一在于提升全体员工的数字素养，让使用数字技术改进工作效率、提升客户体验成为每个人的自觉行动。

举个办公系统的例子。办公系统支撑着企业日常运营，全员使用，从某种程度上可以说，企业办公系统反映了一个企业的文化。反过来讲，办公系统又能影响、塑造企业文化，或者说支撑、塑造一种反映企业价值观的行为模式。

数字化转型，技术和业务的关系

经常听到“科技引领”的提法，应该是指积极拥抱科技，视科技为第一生产力，而不是狭隘的科技部引领，或者CIO引领。拥抱科技就是要有数字化思维，用技术的手段优化内部流程，提升客户体验，让经营决策更加科学有效。科技和业务应该是携手并肩的融合关系，需要两类人不同的视角和互补的能力把事情做起来。推动两者的融合有很多方式，比如，科技部门向业务部门派驻需求分析师、数据分析人员，将科技人员的部分考核权交给业务部门。

大模型对数字化转型会带来影响

从对未来的影响看，大模型被认为是堪比移动电话、互联网的发明。不同于过去人工智能技术领域曾多次出现过的现象，如Alpha Go在一段时间引发广泛关注后很快从公众视野消失，大模型具有广泛的应用领域，可以处理复杂任务，在一些领域已经具有实用性，同时通过引入更丰富的训练数据和模型架构改进，大模型处在快速提升的过程中。 大模型在人工智能领域的突破，为企业数字化转型注入了新动能。

大模型的理解能力和内容生成能力，以及由此产生的交互能力，可以让企业数字化转型向更高水平的智能化阶段迈进。以算力和生成式大模型为底座，MaaS 模型即服务正成为一种新的应用构建范式。某种程度上，绝大多数应用都将重新构造，影响巨大。

当前大模型更适合于落地哪些场景？能解决哪些痛点？

在某些应用场景上，比如智能客服，与数字人结合，可以多轮、高拟人的问答；智能投研领域，可利用其强大的分析和提炼能力、生成能力；程序开发领域，可以辅助编码、测试、补全；在营销领域，助力精准营销，包括个性化内容生成；在运营领域，可以辅助人工互动、摘要与建议生成；在风控领域，可实现风险识别与法务合规智能化；在知识管理方面，可实现自动化知识抽取、知识更新与维护，提供更好的知识问答体验。

更需要注意的是，在运用大模型、生成式人工智能的过程中，也不能忽视小模型或者判别式的人工智能的应用。对于不同的问题，大模型和小模型各有其优势和适用性，未来更多情况下会将二者结合起来使用。

对于精准性、可控性、安全性要求方面，使用大模型时可能带来哪些风险？如何防范？

今年10月全国信息安全标准化委员会发布了《生成式人工智能服务安全基本要求》的征求意见稿，在附录中列出了语料及生成内容的31种主要安全风险，共分为五类，包括商业违法违规、侵犯他人合法权益、无法满足特定服务类型等。这表明，生成式AI可能带来的安全和风险问题已经引起国家的高度关注。

针对大模型的事实幻觉、响应一致性、准确性等问题，行业有一些普遍采取的应对措施：首先是应用场景选择上，先内后外，内部先作为不同岗位的员工助手使用。技术上的措施，主要是优化数据集，保证数据质量、数量和类别；参数调整及提示词工程，专家反馈，包括数据标注，对结果评估和校准等。此外，还可以通过大语言模型与向量数据库、知识图谱配合使用，提升响应的准确性。

以上措施针对的是大模型技术本身的弱点，对于意识形态、价值观、种族偏见、恶意投毒等风险，要通过增加模型的内生安全和使用安全综合解决。对预训练阶段语料选择，有监督微调，对输入和输出进行安全过滤，需要一整套的安全规范和评测体系。

对于大模型的应用，从技术选择路径上，企业会选择哪个方向？

规划和策略上，按场景先内后外，开源先行，开源与闭源结合。先用开源搭起一个完整的框架，比如数据准备、数据调优等，模型本身是可插拔的。大模型的迭代速度太快了，一般不急于把大模型固定下来，先把整体能力建立起来，把应用场景找到。

站在企业角度，怎么看待开源？

开源的逻辑很明确，厂商开源的目的主要是快速拓展生态；闭源更多的是“捅天花板”，推动大模型能力继续向上发展。开源，通过控制使用场景，采取前面谈到的安全措施，总体风险可控；另外，也有开源商用版，可以提供支持和服务。部分场景应该还是会采用闭源产品，主要是看能力和性价比。