智能驱动企业数字化转型｜甲子引力
ChatGPT告诉所有人，人工智能是存在的。
2023年11月30日-12月1日，「甲子光年」举办的「致追风赶月的你」2023甲子引力年终盛典在北京顺利召开。在本次盛典的企业数字化专场上，嘉宾们以“智能驱动企业数字化转型”为题展开了一场圆桌对话。
致趣百川联合创始人&CEO何润作为主持人，中之杰智能创始人&总裁苏玉学、恩核数据创始人&CEO郑保卫、泛微北方区副总经理蒋童、明道云创始人&CEO任向晖、蜜度智能营销事业部总经理&微热点研究院副院长马春雷作为会谈嘉宾，为我们带来了一场精彩的对话。
在这场对话中，各位来自企业数字化一线的主要负责人对AIGC浪潮带来的各种新刺激和新问题给出了来自产业一线的最新回答。对于智能在企业数字化转型中的作用、公司业务和AI的结合点、所面对的客户特征，参与对话的几位企业负责人均给出了详细、富有启发性的回答。
以下是本场圆桌的交流实录，「甲子光年」整理删改：
何润：大家好！我是致趣百川的何润，我们是一家聚焦于B2B赛道，为ToB企业提供一站式营销云软件及解决方案的公司。感谢甲子光年的邀请，很荣幸能作为主持人跟各位专家一同来进行今天的圆桌环节。我们圆桌的主题叫做《智能驱动企业数字化转型》。首先，按流程走一下，各位嘉宾分别介绍一下自己和自己的企业。
苏玉学：刚才已经跟大家做了汇报，再汇报一遍吧！我是来自浙江中之杰智能的苏玉学，我们公司是一家以自有数智化工厂解决方案和工业互联网平台为核心，帮助制造业实现数智化转型，引领数智化建设的综合服务商，也给自己提了一个伟大的使命，就是“让离散制造不再离散”，我们的愿景是成为“离散制造业精益数智化转型的落地专家”。
郑保卫：大家好！我是来自恩核数据的郑保卫，感谢甲子光年的邀请，也感谢何总的主持。我们主要是做数据治理和数据资产管理。数据治理工作是数据产业和企业数字化转型的基础，我们长期在这个领域耕耘很多年，也希望通过我们的努力压缩数据治理的周期，提高数据治理的效率，让数据能更好地不管在数字化转型，还是在数据资产管理、数据流通或数据交易防线上起到更好的效果。
蒋童：大家好！我是来自泛微网络的蒋童。泛微公司成立于2001年，专注于协同管理软件领域，致力于为客户提供统一的数字化运营平台。泛微是国家规划布局内重点软件企业，OA行业上交所主板上市公司，2020年获得腾讯战略投资，是企业微信战略合作伙伴。目前泛微在全国一共有200多个分支机构，为7万多家政府机关、中大型企事业单位提供数字化服务。
任向晖：大家下午好！我是明道云的任向晖。明道云，我们现在称之为超级应用平台，大概有几个能力构成。
第一，用零代码来构建企业应用。
第二，实现应用和数据的集成。
第三，超自动化引擎。
第四，多云部署能力。
第五，开放插件架构。
第六，开发和实施生态。
第七，安全和信创。
把这些合起来，我们相信它是一个非常理想的企业数字化工具。
马春雷：大家好！我是马春雷，来自蜜度。蜜度是一家以人工智能技术为核心的语言智能科技企业，专注于多模态、多语言的智能科技。蜜度服务广告主、企业、媒体、政务机构等，通过AI技术与智能应用，来赋能千行百业实现数字化、智能化转型升级。
1.如何看待智能在企业数字化转型中的作用？
何润：感谢五位老师的介绍。我们的主题叫《智能驱动企业数字化转型》，随着今年AIGC和大模型的爆火，越来越多的企业在加速深化自身数字化转型与业务布局，与此同时，也看到了AIGC在ToB各领域中有了不同程度的应用与落地。各位嘉宾也都是各赛道中企业数字化领域的“老炮”。想问问大家怎么看待智能在企业数字化转型中的作用？
致趣百川联合创始人&CEO何润
苏玉学：我刚刚在演讲的时候提到，制造大模型从概念到应用在社会与经济生活的各个领域已经如火如荼，但在制造业，尤其在离散制造业，我认为它是一个刚刚开始的阶段。但AI技术，尤其是制造大模型，在离散制造业车间一旦能够很好应用，对制造企业的节能降耗，提质增效，提升企业的核心竞争力也是有一定重要支撑作用的。
郑保卫：可能大家会觉得智能应用跟业务贴的比较近，但我们在数字治理和数字资产管理（更偏数据底层部分）对AI，包括人工智能的应用也是很多的。
大家想到数据治理，会觉得工作量很大、周期很长、效率很低，严重影响了数字化转型或数据赋能业务。如果能够很好地把AI或人工智能应用到数据治理，对数据治理效率的提升是非常有帮助的。比如智能让数据标准化，智能对数据质量提升的应用场景还是非常多的。
数据资产管理，现在数据要素发展非常快，比如数据资源入表。现在到处都在说数据资源入表给企业带来很多资产负债上的收益，资源入表也不是一件简单的事情，企业资产的盘点、分类、管理，运营，评估，估值，以及交易，都需要一系列长期的管理工作。如果能够很好地把人工智能技术应用进去，对资产入表效率的提高和难度降低都会有非常大帮助。
蒋童：泛微认为智能化是组织数字化转型的核心竞争力。
现在大多数组织都在拥抱数字化，重要的核心因素或环节就是智能化。举个案例，以前的信息化，就是将线下的一些流程线上化、标准化、制度化，类似人工驾驶。而现在的智能化、数字化可以比作无人驾驶、自动驾驶，通过智能的摄像来实时捕捉道路环境信息，然后回传，通过大数据模型的加工给出指令，来控制驾驶行为。
智能化在数字化办公领域也有广泛的应用，比如通过AIGC技术可以实时获取组织内部以及外部的信息，把所有数据放到一个平台上，然后对这些数据分析利用，从而挖掘这些数据背后的价值。
任向晖：这个问题我觉得可能要分两个层次来回答。
第一层，站在通用应用角度，观察到的行业比较多，应用场景也很多元。
第二层就是更现实的，站在当下这个时点上，我们会发现智能带来的影响不均衡。有的行业可能影响已经非常迫切了，像制造业可能还有距离。每个人看待这个问题，如果站在具体的视角上，可能会觉得有影响或没有影响，但我的观点是随着时间的推移，影响都会一步步加深。
马春雷：对于蜜度来讲，在人工智能和AIGC的发展浪潮中，我们做了一个比较重大的突破。现在公司主要专注三大核心应用（智能检索、智能校对、智能生成），把智能生成业务形成了一个独立的事业部，打造基于蜜巢与文修大模型的内容创作平台，提供AI写作、知识问答、AI绘图等。
从这两年公司的业务来看，我们的很多客户是愿意去拥抱和接受AIGC的，他们很多是在广告行业、营销行业。我们正在做的一些项目里，经常会用到用户洞察、数据应用，再到智能生成、人群的触达以及后续的效果评估，已经形成了全链路的场景。
2.公司业务与AI的结合如何？
何润：感谢各位老师的回答。在旁边听完会觉得很有意思，虽然大家的行业背景不同，对AIGC的感知也有一定差异，但从当前大家各自企业的实践和几位的见解中可以看出，各位对于新技术在一定程度上还是愿意秉持着拥抱的态度去面对。
接下来想再深挖一下，可以看到，大家其实都处于不同的领域，从智能制造，到数据治理，再到OA、低代码、智能营销等，那不同领域对于智能化的需求和应用深度及节奏也都是有所差异的。从现在的发展看，智能化是大势所趋，比如对于AIGC的应用，可以看到今年比如在内容生产、营销等领域有较多的落地与实践，单从致趣来看，我们所集成的一些生态伙伴，比如保利威、倍市得、易企秀等也都在各自的产品业务中融合了AI，这也在一定程度上推动了致趣在AI应用方向的节奏。
针对这一点，想进一步了解下各位所在的公司在这上面的布局是怎样的，从落地角度，各位老师能不能展开介绍一下各自业务和AI的结合。
中之杰智能创始人&总裁苏玉学
苏玉学：借用今天上午几位行业大咖的观点，尤其是360创始人周总讲的话来说“进入了AI时代，一路前行，谁也不能独善其身”，只是有深有浅有快有慢的区分而已。
中之杰智能深耕离散制造业长达16年之久，见证了中国制造业的电算化、信息化、两化融合到数字化和智能化。
中之杰核心产品德沃克智造采用了“一转双改双模”的创新技术，尤其里面的要素建模和工位建模还是有AI或制造大模型的一些元素在里面的。
中之杰智能的产品在从制造执行系统向制造运营系统的升级迭代过程中，是离不开AI技术驱动的。换句话说，我们的产品战略将会以“细分行业机理+AI制造模型”来驱动。
至于目前我们服务的客户里制造大模型技术的应用也比较初级，具体体现在以下两个方面：一是智能物流，结合AGV搬运机器人和一些智能化设备，通过AI技术的运用，能够对物料进行智能搬运、存储和分拣，大大提高仓储效率。通过对生产设备管理和厂内物流的智能调度，能够对机器设备进行故障预测和运维方案优化，而且能确保生产物料到位的及时性，这对车间现场管理者能够更好来分析优化生产计划，发现异常问题是有巨大帮助的。
第二，在生产现场的实时数据采集过程中，我们发现通过机器深度学习和其他一些相应智能检测技术应用，能够很好地对生产线上的半成品，包括生产出来的产品质量进行正反向追溯，对于控制预测产品缺陷，提高产品质量都起到了很大作用。
总之，AI技术和制造模型的结合是我们这类工业软件系统集成解决方案提供商未来努力的方向。
恩核数据创始人&CEO郑保卫
郑保卫：我们一直在做数据，在做数据治理，数据资产，包括数据的使用设计方面我们做了十几年了，这部分可能很多专家一听起来感觉比较难理解，这部分领域很专业，对人的要求很高，像我们工程师没有两三年学习很难成为一个相对来说能够干活的工程师，所以这个领域对人的要求比较高，我们主要任务是通过AI的方式降低对人能力的依赖，提高这部分的工作效率，让客户能够快速把它用起来。
这几年大家对数据治理的认可度越来越高，尤其在金融行业，数据治理现在是必须要做的一件事。在金融机构里，数据治理就直接进入到监管评级里去，每家金融机构都必须去做，这里面有大量工作，如果不去充分利用AI方式或人工智能方式，很难做，效率会很低，而且很依赖于人的能力。
我们在这方面这几年也一直在尝试很多工作，比如数据治理首先就是要数据标准化，特别依赖于语言理解，语言又依赖于每个人对数据标准的理解，必须通过大量的语料库训练完之后，把它变成一个标准库，对存量的系统或新增的系统，或带标准化的东西进行先自动化标准，标准完之后再人工去确认，在这个过程中降低人工的依赖。
数据质量也是很难的，也有大量的可以通过AI方式去提升它的空间，我们也做了很多尝试，效率提升空间还是非常明显的。
数据资产管理，财政部发文数据资产入表以后，到明年会有很多企业去做数据资源入表。首先就是企业数据资源要盘点清楚，进行分类，这些都是大量工作，非常依赖于人，包括人的能力，如果没有很好的AI作为支撑，非常难，就会导致入表的周期变得很长，入之前先把资产盘点好，分类好，才能入表；如果盘点、分类好需要一年时间，入表可能是一年以后，严重影响进程。
所以，这里面就大量需要AI介入，快速提高效率，比如我用2个月、3个月就可以把大量资产盘点好、分类好之后，分门别类，跟会计结合在一起，然后进行入表，这对数据要素的进程推进帮助非常大。
治理和资产管理都属于事后，更重要的是在数据前期的设计环节，设计环节也更依赖于人的能力，现在也在尝试用AI的方式做数据设计，把大量设计组件、模块让AI学习完以后，它自己去设计出一个草稿，人工改造一下，比如做训练，可能有70%是准确的，剩下30%靠人工去介入，以前全部要靠人工介入，像一个数据设计师可能没有5年到10年基本不会做这件事，AI介入之后，可能两三年时间就可以干大概5、6年；甚至7、8年人的成果出来，这对AI都是非常高的使用。
如果能够很好的把AI和数据治理、数据资产管理很好的结合在一起，对国内数据要素市场的发展以及数字化转型都会有巨大的帮助，当然我们也要不断去尝试，难度还是非常大的，也要不断的去尝试。
泛微北方区副总经理蒋童
蒋童：泛微在智能化方面布局比较早，2017年，泛微推出智能语音办公助手，客户打开OA系统，不需要输入文字，只需要对着手机说一句话，就可以驱动系统来发起流程，比如，自动发起请假流程、报销流程，自动预定会议室等等，智能办公助手会自动识别语音语义，生成相关的表单流程。
近期，泛微也在与ChatGPT技术融合，应用于数字化办公领域，比如AI自动生成会议纪要，生成数据分析，甚至生成表单流程。所以智能化已经是泛微数字化办公平台的一个重要环节。
整体来看，泛微数字化办公平台与智能化技术融合有四个演进历程：
一是办公系统与语音语义识别相融合，使办公变得更加简单。
二是办公系统与文本识别技术相融合，使文本处理更加高效。
三是办公系统与RPA流程机器人相融合，可以很自然的实时获取各个渠道有价值的信息。
四是办公系统与大模型相融合，通过海量的深度学习，可以让系统具备自然语言解析能力，为企业创造各种智能化场景。
AI技术在泛微数字化办公平台中不是单一的功能出现，泛微已经把AIGC的技术融入到各个数字化办公场景中，比如OA中常见的流程审批，通过智能审批助手，为领导的审批提供数据支撑，通过设定规则，系统会自动进行智能化审批，智能书写意见，并且通过表单填写内容，系统也会自动预测该流程之后流转的情况，可以提前进行催办。
对于央国企或党政机关，OA的核心就是公文，在公文场景中，泛微也提供了比如公文自动排版、自动文本校对，敏感词检查，以及通过智能化方式来实现一体化协同。
在整个业务场景中，比如合同管理，通过智能文本对比、智能文本抽取、智能文本验真等方式，使合同审核变得更加高效。
最后，在合规风控方面，组织可以在后台预设各种风险埋点，一旦达到风险阈值，系统会第一时间识别，推送给相关人员进行预警。
所以，智能化的各种组件已经融入泛微数字化办公平台当中。
明道云创始人&CEO任向晖
任向晖：时间关系，聚焦AIGC，我想分几个阶段和层次。
第一，今年年初我觉得第一步做的是非常顺利的，就是我们自己把它当做一个工具来使用，几乎在所有的事情上都有应用点，比较有价值的应用点，一个是研发的coding，的确能够提高很多效率和质量，当然不是所有的，主要是前端开发和运维自动化两个环节替代效应更强烈一些。它客观上给我们带来了一个好处，比如这一两年的客户增长，包括大型客户的私有部署支持，我们的运维团队的确没有加，客户增长了很多倍，但我们的运维团队靠这个提高了效率，解决了这些问题。
第二，在年中开始陆续加入到产品当中的，我们有一个难处，我们是一个抽象产品，不提供任何具体的业务功能，既不是CRM，也不是营销，甚至不知道客户会用它做什么，我们只能加上一些抽象AI能力。
以目前来讲，我们做成熟软件品，有一个产品上线标准，如果你说实验上能够带来一点价值，不一定能上线，因为上线以后，可能会有客户支持问题。再者，加了这件功能，能不能给客户带来价值，能不能多收钱，能不能成为一个增购产品，大部分情况下目前是不能的。
所以，我们在这个环节里还比较保守，但有两个我们觉得还是有价值的，第一是弥补了做低代码、零代码产品的短板，比如明道云有99%的功能都是零代码的，就是你不用去编写代码，甚至表达式、函数都不用写，但就有那么1%是要写自定义函数的，甚至我们还有一个能力代码块，比如你遇到一个很复杂的排程问题，这时候靠零代码去配置，配到自己都记不得了，很复杂，但如果你会用phython，会用脚本语言，可以很快的把它写出来，但前提是你会，如果你不会，现在真有人是“闭眼搓代码”，就是他根本就不会，只是提了一个指令，AI生成以后，他也不知道对不对，反正就往那一放去做测试。
目前来讲，如果它的提示词相对比较规整，比如严格定义输入输出，大概率是很准确的，从这个层面又补了我们产品一个很大的短板。之前低代码能力但不会写代码的人只能望而却步了，现在把这个能力直接融合在产品里，实际上是在产品界面里完成了代码编写指令，生成式代码直接就待在那了，甚至不用粘贴复制，这个效率还是很高的。
我们在做数字化建设时有一个很大的难题——建模，很多系统做不好，就是不会建模。比如我要做一个农产品的进销存，基于这个行业的特点到底应该怎么去设计结构呢，这个know-how很多人干10年、20年才能积累出来，就像您刚才讲的人才限制。
我们做了一个实验，后来也上线这个功能了，今天你去建一个明道云的工作表，在输入表名称时，已经在给你一个选项了，你愿不愿意让我给你推荐一下，比如这个字段应该怎么去设计。在一般领域，都能够提供一个比缺乏经验的人更好的推荐，但如果是专家可能还是比不上，这两个环节现在可以产品化了，但大家都知道，真正有价值的事情还没搞定，而且我们每次想去搞的时候突然又觉得不该现在搞，因为那边在变化，基础技术部分、大语言模型部分发生了一些改变，导致你这样做不对，几乎这一年来一直在观望，准备快去做，觉得不行，就停下来再看，一直这样。
比如我们管理的客户业务流程和业务数据，当然客户是希望智能化进一步提升，我所要解决的问题来自于我的数据，并且是结构化数据，10年的CRM数据，所有客户都在，所有的订单都在，所有的订单明细都在，你凭什么不能回答我真正意义上的顾客洞察呢，好像是这样，但说的容易，要产品化难度还是非常高的。
你问我布局问题，我觉得最焦点的问题就在这儿，就是我们做企业数字化转型的产品和服务的公司，什么时候去做产品化，用什么技术手段，可能对用户会有很大的影响，我不是很乐观，估计一年之内没戏，两年到三年可能会有机会。
蜜度智能营销事业部总经理&微热点研究院副院长马春雷
马春雷：刚才听了几位老师的发言，我也感同身受，因为在人工智能、大语言模型的发展背景中，不同领域、不同业务场景下的应用模型的需求很难统一。
最近我们在为千行百业构建自有的行业属性模型。比如我们和文旅局合作，为博物馆提供服务，在蜜度自有的大语言模型基础上，对博物馆的文稿、文献、甚至文物的属性信息进行专项训练，通过几个月的时间训练出带有行业属性的模型落地到终端。博物馆就可以在自己的终端里直接去用这个模型，就像ChatGPT一样，例如游客问“镇店之宝可以让我先看一下吗？”这个模型就会进行智能回复，回答镇店之宝是什么，它的历史渊源是什么样的，为什么称之为镇店之宝？
在这个过程中，我们发现之前可能存在误区：认为模型拿过来就能用，当前市场对于大模型的需求其实不小，但应用下来会发现模型不了解我，我需要去配合它，辅助它，甚至需要去调整一些参数，甚至有些需要工程师开展的工作却交给了普通的创意人员、使用人员，这时候就产生了断层。
未来发展我自己认为可能会分成两个方向。一方面是有算力资源大厂，会在头部占领大量市场。另一方面，中腰部和底部的中小企业，或一些需要本地化部署模型的需求方和企业，他们会构建适用于自身的大模型。这种模型会更符合企业本身的行业和场景，从应用角度看具有很大的价值和意义。
科技赋能千行百业是我们的发展愿景，蜜度基于自主研发的蜜巢和文修两大语言模型，为服务千行百业数字化、智能化转型升级找到突破口。可能也像任总说的，我们也许也需要从磨合中找到自己真正需要的方向，毕竟只有知道我们“要什么”，才能更好的去“拥抱它”。
举一个例子。中国广告协会打造了一个AIGC创作平台，面向品牌主提供广告营销、营销创意、广告公关等服务，而蜜度则用自身的数据算法、数据能力对接服务这个平台，基于蜜度每天超过5亿的更新数据，帮助品牌主进行用户洞察，去了解品牌消费者在哪？在做什么？他们喜欢什么？follow什么？在社交媒体上他们如何去表达自己？又是如何和品牌产生关联和互动的？通过洞察的结果，还能进一步帮助品牌实现自身的营销创意，可以去辅助生成不同社交媒体平台的文案视频、图片等。
在这里边机器做了两件事，一是，AIGC实现了辅助创作，二是将洞察的结果做了进一步分拣，进行人群的挖掘。这个以前可能叫程序化购买，现在叫智能化购买。
在智能化购买的过程中，机器又分别做了两件事，机器会把成交回来的DMP人群资源和创作人群创意素材进行结合，自动进行投放，投放完成后再重新进行评估。实现一个曝光，就重新做一个洞察，洞察完成以后会报告。这样一来，如果A素材好，就会继续投放下去，如果效果不达标则会停掉，往复到草稿池里，你可以做二次修改，持续让这个体系转起来，这就是智能营销现在一个比较有意思的玩法。这个体系一直转下去，它会把你的成本、曝光，甚至效果都控制在有效范围内，帮助你不断的加强营销结果和创意。
这也是我们现在看到的一个需求非常明显的场景。我们在拥抱AIGC，拥抱AI人工智能的时候，要想清楚我们怎样应用到一个场景上去实现落地。
3.客户对运用AI驱动数字化转型的态度如何？
何润：我发现我的挑战很大，因为每个老师的分享都可以展开变成一个演讲，我实在不忍心打断他们，我先跟大家多申请5分钟时间。刚才几位老师就公司的布局、就AI与自身业务如何结合，有了一个比较详细的阐述。
接下来，我想问的是站在客户的视角，因为企业数字化转型主语还是客户，大家在跟各自客户打交道的时候，客户他们对AI来驱动数字化转型的态度是怎样的，是相对积极的，还是有担忧的？
苏玉学：我想对于AI驱动企业数字化转型，企业的态度应该有以下几个因素影响它的决策。比如企业类型、企业文化、企业创始人的视野以及认知、企业管理基础、企业对新事物的接受程度等。
我们通过跟企业的接触，归类出了以下三种类型。
第一种，积极拥抱。这类企业管理基础较好，创始人对新事物的认知是比较到位的，认可AI技术的运用能够让企业在产品的研发创新、客户应用体验提升、管理效率提升等方面都有很大的成效，所以会积极尝试去应用。
第二种，谨慎使用。这类企业是受诸多因素影响，不愿意一次性大面积采用AI的技术研发成果。考虑到数据安全及成本投入等要素，这时候他们会从点上开始尝试，尝试之后如果有一定成效，它会点到线，线到面的去推动。
第三种，由于企业管理流程相对比较粗放，管理层年龄相对偏大问题再加上企业基础薄弱，资金投放有困难等等，会导致其对新一代的AI解决方案持排斥态度。
郑保卫：从客户角度来看，不同行业特征不一样，它对AI使用的诉求和希望也不太一样。
我们接触的主要客户是金融机构，尤其银行，是主流的，像银行对AI一直很积极拥抱，因为银行做数字化转型已经做了很多年了，在全国各个行业里都是遥遥领先，很早就在AI上和数字化转型做了很多应用和场景，这些年用下来也有好的，也有不好的。
好的部分，最后还是跟业务的价值很好的结合在一起，通过AI要不提高效率，要不扩大营销，做产品创新。
不好的部分，最后纯粹做了技术研究或创新，没有产生实际的价值，这种持续性就不太好，包括现在大模型出来以后很多银行第一时间尝试和大模型厂商合作。当然肯定不会用开源，都是把开源的拿过来在银行内部进行训练，也是希望找这些场景，但是目前来看大模型在金融机构里还没有特别好的场景来证明这个对他们有很大的价值，大家只是觉得这个很有意思而且会很好，但是到底金融机构哪些场景下会提高效率或者什么都很难。因为大家知道像Open AI有巨大的语料库，很容易运作起来，但是对一个toB的企业来说拿进去进行训练周期很长，再就是训练的语料也没准备好，对于企业里数据我们知道质量并不是很高，而且也一直在做。但是没有很好的语料基础之上去做AI大模型不会那么快有效果，所以这个牵制性很强。
还有一类是除了金融机构之外也有非金融机构比如像军工或者其他客户，尤其军工行业可能对这个没有太多的感觉，还是比较偏基础，我把基础打好一步步来，很少说现在要去尝试尤其是大模型的部分，反正我还没看到，大模型到底在他们里面有多大应用，但是AI这部分肯定有应用，尤其和硬件结合包括数据结合还是有的。
但是我们还有其他行业，我感觉行业差别还是蛮大的，不同行业特征决定了他对AI支撑数字化转型认知不一样。没有共性的认知或者共性结论可能都要观望，行业差别比较大。
何润：确实客户对于AI这块的态度，刚才苏总和郑总这边说的针对于不同类型，不同行业，不同业态的客户都不一样。但是在办公领域，我们接触的客户大多数还是拥抱数字化、拥抱智能化。希望通过新技术推动数字产业化以及产业数字化。希望通过AIGC技术驱动自身组织的转型，使工作化繁为简，使系统更加地简单。但是也有部分客户相对比较保守，他们还是在观望。我期待等AI更成熟的时候可以结合自身场景实现落地与应用。
但是随着AI不断发展成熟，越来越多的客户对于企业这种AI数字化转型的重要作用都会持开放态度。
蒋童：用户态度问题，基本上每个新技术人群比例都差不多，技术极客占2-3%，新闻型用户占5-6%，剩下就是早期主流，晚期主流和到现在还没有用OA的。市场永远是这样，AI也是毫无例外。
至于现状，现在这个时间点，我认为还处于非常早期。什么叫拥抱？如果有兴趣听一个新闻去试用一个产品，这不叫拥抱。拥抱是需要做采购决策，从这个角度来讲，还是非常少，可能2%也不会有。
任向晖：对于这个观点，我有一个比较感同身受的一个自我感受。我觉得自从ChatGPT出来以后，它最大的贡献是告诉了所有人人工智能是存在的。
因为我们是做数据的，我们是做企业数字数据服务的。以前基于算法，基于规则出来的结果是回溯的。但现在基于chatGPT，甚至基于AIGC以后他是无法回溯的。我看不到为什么你告诉我这个观点是OK的，是第一的。
以前是不信的，因为我们做的也比较早。以前是不信我没有看到原始数据，你凭什么告诉我。现在chatGPT出来以后他们信了，这我觉得是对行业推动最大的一个价值。提升了人工智能的认知度，甚至是置信度。
那么对于客户来讲，客户的需求来说，从我这边接触的客户可能有几类。像政务类的，他们对于可能更多的是在知识图谱层面，一些公共服务层面，这是有一些需求的。
剩下的是在营销以及品牌层面。品牌层面，我有一个简单的小的感受。以前和一些广告公司在沟通的时候，他们要帮助品牌去构建一些数据分析，甚至写一些舆情报告。以前一个人大概用半天的时间，甚至一天到两天的时间才能写一个我近期热点事件的一个回顾，甚至数据分析。通过上我们的蜜桃模型去算。基本上一篇舆情报告五分钟内就能解决，而且你可以看着他的写。就和chatGPT一样图、文、观点就都出来了，这个对他们的震撼度就很大了。但不过，这种情况的出现，可能对于客户的成本的增加，他们是不愿意付出更多成本的。
还是刚才那个问题，人工智能给我带来的是我看不见摸不着的结果。如果这个结果对我真的有用，他需要去验证还是一个过程的。这个是一个态度，这个态度可能真的是需要一年后甚至半年后有一些真正应用起来尝到了效果的这种客户才能会去驱动。
我知道一家做传媒的公司它在AIGC上all in了，它把所有的资源所有的成本全都放在那里边。现在他接他面对的企业客户就会收回来所有AIGC的创作，所有的内容都他自己做。他引领，他和他老板聊的时候，他说我只赌这一局。如果AIGC成，这是一个潮流，如果我赌一局那我就是头部的，我就可以成功。这个需要勇气，甚至金钱，这两个都OK了我们可以在小范围尝试过程中抱有的希望还是挺大的。
4.如何看待客户企业对数据安全和稳定性的担忧？
何润：刚才听到五位老师都用到一个词“但是”。所以从跨越鸿沟说新技术，从先行者到早期采用再到早期大众这样的一个演进的过程里面。
我个人还有个问题特别感兴趣，现在国内外的大模型to C都很火了。从to C到to B，伴随新技术而来的除了机遇，也必然是有一定的风险与挑战，对于企业来说，肯定有一定担忧与顾虑。大模型的训练数据在C端大家会有一种体验，就是一本正经的“胡说八道”，这种情况会令企业担心稳定性或者数据安全吗？
苏玉学：对于我服务的群体制造业，对它的数据，尤其是关键的工艺路线、关键的工序以及它产品的BOM还有采购数据、客户数据，我觉得都很关注。
尤其现在制造业，除了阿斯麦的光刻机壁垒比较高，重大的芯片制造，集成电路产业技术比较高，其他的模仿性都比较强，企业对这个数据还是比较敏感的。
这是我个人对我服务的群体离散制造业来分析。因为对数据比较敏感，毫无疑问，对于在AI技术的采用，尤其是云上AI技术的采用，还有相当的担忧。
郑保卫：我一直在做数据治理、数据资产，这个我感受很深。
现在大家开始关注语料库，发现它很重要，但是它的底层就是数据治理、数据分类、数据标签化。不管是分类、治理还是标签化，这是非常复杂的事情，我们稍微简单延展一下。
数据是什么？就是用自然语言或者格式化语言描述客观世界的活动或者存在。因为不同的人、不同的习惯描述的东西就是不一样的。比如我们今天大家讲话，我的语言习惯跟其他老师的语言关系就不太一样。
尤其我们中文这么复杂的情况下，你怎么能保证同名不同义，同义不同名，还有包含什么非常复杂的语言的东西能够表达出想要的东西，这就是语料的问题。
当然这个，我反倒觉得在构建高质量的语料库如果能很好地用起来AI，反倒会更好。先不要想将来会有多大的用处。因为应用方面，chatGPT已经证明没有问题。
但是我们反倒在语料库构建上，用的Open AI或者先进技术把它训练好之后对我们语料库建设如果能够提高它的效率或者提高速度对我们来说更好。
这个不管是toB企业还是toC都是一样的。对于toB企业，虽然toB企业一直做数据治理，尤其金融机构有强监管要求做数据质量，但它的质量问题一直存在。要想真正把它拿出来大量学习变成语料库去用，也需要时间和具体的应用，不是短时间内、一年两年就能有很好效果的。
另外是数据安全问题，尽管我们国家在大力推广数据要素市场建设和流通，这个是平衡问题。数据要素流通、数据要交易，国内有80多家数据交易所，包括政府推行数据资产运营，这个和数据安全之间的平衡问题怎么解决，虽然国家也出台了个人信息安全保护法包括数据安全法等等这些，但到底哪些是必须按照法律来，哪些可以找到平衡点，这个也是未来要解决的问题。
从这到模型也是一样的问题，模型里有些东西肯定会带进去，你如果从头开始给企业训练这个周期会更长。哪些可以带进去，进去后你用了是不是合规、违法或者不违法等等。包括将来这些东西万一要出来，我们作为科技公司，不可能为每个企业都去训练一遍，肯定还和客户谈哪些可以带出来哪些不可以带出来。那到底怎么检查模型里的数据的安全与否也是个问题。
蒋童：数据安全，包括AI，安全肯定是企业核心关注的。数字化的办公系统，对于权限访问，谁可以访问，谁可以查看，谁可以编辑，都是需要通过不同的前后台权限管控的方式进行区分。政府、军工、金融行业，包括中小型企业是非常关注数据安全、系统安全以及权限安全。所以，面对AIGC大模型，企业也是从安全的角度考虑，包括在做国产化，开源的技术是否可用，国外的技术是否可用，都是企业在考核的一个依据，或者都在期待这方面AI的技术更加成熟，从安全方面才可以拥抱。
任向晖：这个问题我这么看，首先我觉得绝大多数应用领域，我们现在还没有资格讨论客户担忧问题。因为你给客户的正面价值还没有那么厉害，还没有强到10倍100倍客户很愿意买单。
现在客户愿意买单的能力，比如我刚才也举了很正面的例子，的确是可是你别忘了那个一个月只要一百块钱两百块钱就能买到。我们做toB不可能一个企业客户今天交换的是一百块的价值，可能交换一百万的价值才成立。这个角度上讲我觉得今天找不到一个用例。
第二，即便你有资格谈，担心的客户在商业上永远也不是你每个阶段该担心的。就算有那些问题，最主要买单的客户永远是那些自己能说服自己的。比如说数据权限问题。我可以保证第一个版本的企业数据，就是企业结构化数据连接大模型的访问这个过程。第一波客户肯定放弃了权限，因为太复杂了。你不可能说等到这个东西已经完美解决了才用。只有像我们这种公司才会用，我们想无所谓，大家都知道又怎么样。
早期用户就这么个特点，当你做产品时要兼顾所有人，尤其是考虑那些对安全担心最重的那波人是做不出产品来。因为你一定是在平衡和牺牲当中做出了第一版本产品。慢慢地，终于有些低成本方法把安全问题解决好了，那些保守的客户觉得还行，可以了，这是一个自然的过程，我主要分这两个方面来看客户态度问题。
马春雷：我比较认同刚才各位老师讲的，我想企业应该先自问，为什么要拥抱人工智能。如果企业思考清楚这个问题，自己的决心以及态度就会很明确，并且在现有基础之上，无论是数据安全的问题，还是目标的问题就迎刃而解了。
举个例子，像刚才苏总讲到在工业层次，很难那么快速的有一个很好的结果出来，这个和“想要什么”是息息相关的。
我觉得我最大的担忧是很多企业不知道为什么要拥抱人工智能，为什么要拥抱AI？只有当它的应用场景和结果真的有触动作用，甚至有结果，我们做人工智能，做AI的技术创新才更有动力。
何润：特别好！今天时间有限，感谢各位老师在有限的时间里给到了大家一个深度思考与交流的圆桌环节。最后，特别希望各位老师用一句话总结一下今天的交流，面对这次的AI浪潮，大家公司是怎么应对的？
苏玉学：AI驱动制造业精益数智化转型，让离散制造不再离散。
郑保卫：AI可以很好的支撑数据治理和数据资产管理，使得数据治理和数据资产管理变得更容易。
蒋童：泛微致力于将AIGC的技术融入到数字化办公场景中，并且伴随着客户的需求以及技术发展而不断演变，为我们的组织装上一个千里眼、顺风耳，为组织配备一个7×24小时的智能办公助手，使我们的办公变得更加简单、智能、高效。
任向晖：你们都太庄重了，明道云决定让子弹再飞半年再说。
马春雷：在品牌资产建设、品牌用户发展过程中，希望我们携手前行，以共创拥抱AI。
何润：再次感谢各位老师的深度分享。其实对于AIGC和大模型，包括未来还将会不断涌现的新技术，都会像我们今天的圆桌主题 《智能驱动企业数字化转型》所传达的一样，将驱动着我们在不同维度去进行变革与改变。借用营销人们常说的一句话，营销唯一的不变就是一直在变。那对于新技术和所带来的变化，我个人的想法是，不必唱衰，不必过度期待，以理智的态度去遵循时代发展的必然规律即可。
感谢大家的时间，今天的圆桌环节先到这里，谢谢各位老师，谢谢大家！
END.