真正拉开企业数字化差距的，到底是什么？

一

过去几年，每陪一家制造企业、一家医院、一家科研院所走完一轮数字化项目，我都会反复问自己同一个问题：为什么预算相近、团队相近、甚至选了同一家供应商、用了同一套软件的企业，几年之后数字化创造的价值会差出几倍、几十倍？

为什么同样上了 MES 系统，有的工厂能把整体良率从 92% 拉到 97%、排产等待时间砍掉一半；而有的工厂最后只剩下“把纸面报表搬到了屏幕上”，一线工人还是靠纸质流转卡干活？为什么同样做了档案数字化，有的单位把十年压箱底的合同、图纸、实验记录变成了可检索的知识资产，新课题一立项就能从历史资料里捞出一套可复用的基线方案；而有的单位最后只是“纸变成了 PDF”，找东西还是靠翻目录、靠打电话问老人？

很多人把答案归结为“选型选错了”、“预算不够”、“员工执行力差”，甚至归结为一把手的“运气”——刚好遇到了一个配合的生产厂长、刚好遇到了一个懂业务的 IT 经理。但我越来越认为，这个解释和把马斯克、任正非的成就归因于“比别人更聪明”一样，过于简单，也过于省事。

最近重读德鲁克《卓有成效的管理者》里那句被引用了近 60 年的话——“效率是‘以正确的方式做事’，效能是‘做正确的事’”——忽然意识到，他讨论的虽然是管理者如何让自己的工作产生成果，却恰好戳中了当下大多数企业数字化转型的核心盲点。尤其是在 AI 工具全面渗透、几乎所有软件都在“加个 AI 功能就敢加价 50%”的今天，这段话的价值比 60 年前更值得重新理解。

二

真正决定一家企业数字化高度的，从来不是技术选型的能力，而是定义问题的层级。

德鲁克这句话的背后，其实是一个极其朴素却极其反人性的道理：方向略高一寸，结果就会拉开十倍。

今天大多数企业的数字化项目，上上下下 90% 的时间，消耗在了“经营和执行层面的事务性问题”上：MES 界面好不好看、云服务器一年能不能再砍 10 万预算、摄像头选海康还是大华、数据大屏的颜色能不能调成领导喜欢的深蓝、IT 运维人员周末要不要值班响应——这些事情当然重要，不处理就会出乱子，但它们几乎不会决定这家企业未来 5 年、10 年在行业里的数字化位置。

真正高段位的制造企业老板或信息总监，思考的问题完全不同。同样是做 AI 视觉质检，一般的企业想的是“找一家能识别表面缺陷的供应商，替代两个站在流水线前看了 10 年的老质检”——这是“省人”的事，做完了也就省了两个人的工资，天花板一眼可见。往上一层的企业，想的是“把每次缺陷拍照、识别结果、对应的工序编号、班组、来料批次全部存下来，半年之后反推：到底是哪台注塑机温度漂移大、哪一家供应商的来料粒子稳定性差、哪一个班次的新人操作需要补训”——这是“问题向上游传导”的事，做完了，良率每涨一个点都是几百万的毛利，价值瞬间就从“省人”跃迁到了“降本”。而再往上一层的企业，问题继续升级：“能不能把视觉检测出来的缺陷数据，和 MES 的排产数据、能源管理系统的设备用电数据做联动？让高缺陷率的批次尽量避开尖峰电价时段生产，让缺陷率和单位能耗同时降到最低”——这是“产业级协同”的事，做完了，它要优化的就不是某个岗位或某条线，而是这家工厂整个生产系统的单位产出效率。

企业数字化之间最大的差距，往往不是技术能力的差距，而是在写第一行代码之前、在花第一笔预算之前，定义出来的那个“要解决的问题”本身，到底在第几层。

三

真正的数字化机会，从来不会奖励临时救火的人。

为什么同样一家供应商，同样一套 AI 视觉算法，在 A 客户手里半年就跑出了 ROI，在 B 客户手里两年还在做“测试样本标定”？为什么同样是能耗双控的政策出台，有的企业一周就能拿出“哪 18 台设备待机跑冒滴漏最严重、分别对应哪个车间哪个班组”的数据清单，而有的企业还在找人抄电表、做台账？

很多人认为这是因为“他们赶上了好时机”、“运气好，刚好政策来了他们预算也到了”。但德鲁克式的回答会是另一个版本：真正卓有成效的管理者，脑子里始终装着 5 到 10 个“长期悬而未决的重要问题”，当新的技术、新的政策、新的供应商出现时，他们几乎能在一秒钟内判断：这是不是我等了好几年、终于可以用来解决那个老问题的钥匙？

机会属于他们，不是因为机会偏爱他们，而是因为他们一直在等机会。

我见过一家做精密结构件的工厂，老板早在 2019 年就把两件事记在了自己的小本子上：第一，“注塑机夜班 8 小时的电费，是不是有一半是空烧出来的”；第二，“质量部每个月写的返工报告，是不是都能反推回某个具体的工艺参数设置”。那时候没有大模型、没有便宜的边缘计算盒子、没有分时电价的商业储能方案，他只是把问题一直装在脑子里。等到 2022 年 AI 视觉检测成本降到原来的三分之一、2023 年工商业储能开始爆发、2024 年能耗双控政策落到地方，他几乎是每个浪潮里最先动手、最少开会、最快验收的那一批客户。新东西一出来，他不是去想“这个玩意到底靠谱不靠谱”，而是直接对位到自己四年前的老问题——机会从来不是突然出现的，它只是终于等到了那个“手里一直攥着问题清单”的人。

今天很多企业仍然在讨论“工业 AI 是不是泡沫”、“大模型是不是噱头”，而真正卓有成效的团队，已经开始把 AI 对位到自己脑子里那些装了 3 年、5 年的老问题：中医康护里“出院后患者训练完成率只有 40%”、科研院所里“80 年代的硫酸纸底图再过 10 年就翻不开了”、审计部门里“几箱盖章扫描件找一个文号要翻一下午”——这些问题在 2018 年不是不重要，只是那时候没有便宜的 APP 推送、没有足够准的 OCR、没有足够便宜的长期存储；而今天，只要你脑子里的问题还在，技术几乎总能给出一个能落地的解法。

四

AI 时代最稀缺的能力，是把一句业务诉求，翻译成一个“能被数据和算法验证的真问题”。

人工智能正在以前所未有的速度缩小企业之间的“技术差距”。过去，一家工厂可以靠“我有一个会写 SQL 的数据分析师”、一家医院可以靠“我有一个能把 HIS 系统接口调通的 IT 工程师”建立一两年的领先；未来，这些能力会越来越容易被 AI 辅助甚至直接替代——AI 能直接从语音指令里写出 SQL、能直接生成接口调用的代码、能直接把一堆 Excel 变成漂亮的可视化报表。

这意味着，未来数字化真正的稀缺资源，不再是“知道怎么实现的人”，而是“知道应该实现什么的人”。

AI 可以帮你算良率，却无法替代厂长判断：“这家工厂当下最致命的短板，到底是良率低，还是订单准交率低？”——这两个问题对应的优化方向完全相反，前者可能要放慢节拍、多做一道复检，后者可能要接受一定比例的返工换取先把货交出去。AI 可以把 10 年的盖章扫描合同全部 OCR 识别好放进搜索框，却无法判断：“这份 2005 年的基建合同，密级应该归内部公开还是仅限部门可见？搜索命中了之后，普通员工能不能直接下载，还是必须走借阅审批？”——这些是合规和治理的判断，不是算法能自动给出的答案。AI 能帮中医康护 APP 算出每个患者的平均训练完成率，却无法代替医生定义：“这位中风后遗症的老人，真正要盯的是踝背屈角度，还是每天训练时长？‘完成了’的定义到底是拍了个视频，还是视频里动作角度连续 3 次达到了 30 度？”——如果这个“真问题”没有被定义清楚，再多数据跑出来的结论也只是一团漂亮的噪声。

谁能把“我们要降本”翻译成“要把注塑机 50 度以上的待机时间占比从 18% 压到 8%”，谁能把“我们要服务好患者”翻译成“出院后 30 天内未完成训练 3 次以上的老人自动进入护士每周回访名单”，谁能把“我们档案要管好”翻译成“密级为内部的扫描件下载必须记录申请人 IP 与设备指纹并保留 3 年日志”——谁才是 AI 时代真正不可替代的人。

这也是为什么我一直认为，所谓的“数字化标杆企业”，并不仅仅是买了更多服务器、上了更多系统、做了更炫数据大屏的企业；而是那些始终能把技术、预算、人员，持续对焦到自己所在行业最核心的几个产业问题上的企业。

总结：一家企业的数字化高度，最终取决于它长期站在哪些问题旁边

60 年前，德鲁克讨论的是管理者如何让自己的工作有成果；40 年前，汉明讨论的是科学家如何做出伟大的研究；而今天的 AI 时代，这两段话同样适用于每一家正在花钱、花人、花时间做数字化的企业——未来 AI 会不断降低技术实现的门槛，也会不断缩小普通技术能力之间的差距。

但真正决定一家企业数字化能走到哪里的，依然不会是“你买了谁家的系统、你有多少个算法工程师”，而是你长期把时间、预算和最高决策的注意力，投入到了哪一层的问题上：

普通人每天解决的是“这个报表怎么导出、这个接口怎么调不通”；
优秀的管理者和 IT 负责人，每天解决的是“今年这条产线的良率目标怎么分解到每个班组、每个工序”；
而真正能在行业里拉开十倍、几十倍差距的企业，始终站在未来五年、十年仍然会死命卡着行业脖子的那几个问题旁边——它们可能是“单位产品能耗能不能再降 20%”、可能是“高技能工人退休之后经验怎么留下来”、可能是“患者回家之后康复执行度怎么从 40% 拉到 85%”、也可能是“几十年的历史档案怎么从死资产变成新项目能复用的活知识”。

所以真正值得我们多花一天、多开一次会去想清楚的，也许从来不是“我今年要上哪个系统、选哪家供应商”，而是——

“未来 5 年到 10 年，我所在的这个行业、我这家企业，真正值得我长期站在旁边的那几个最重要的问题，到底是什么？”

因为数字化最终拉开的距离，从来不是代码的距离，不是预算的距离，不是算法的距离，而是定义问题层级的距离。