Your guide to Rewired — Rewired指南

"商业领袖将在其职业生涯的剩余时间里，用技术持续改造他们的公司。"——这是第一版《Rewired》的开篇语，而事实验证了这一判断。自第一版以来，生成式AI已突破公众认知，Agentic AI更是从概念走向现实，迫使企业应对新一轮变革浪潮。

什么是Tech & AI转型

三大演进时代

六大Rewired企业能力

1. 业务主导的转型路线图（Roadmap）—— 从战略到领域优先级
2. 人才（Talent）—— 从IT外包到内部技术能力建设
3. 运营模式（Operating Model）—— 敏捷团队和分布式创新
4. 技术（Technology）—— 平台、API、工程实践
5. 数据（Data）—— 数据产品、架构和治理
6. 采纳与扩展（Adoption & Scaling）—— 让解决方案真正创造价值

关键原则：不能只做其中一些，必须全部做到才能超越竞争对手。这六大能力之间的依赖性太强——你无法期望顶尖技术人才在没有合适运营模式的情况下有效工作，也无法期望优秀的AI模型在业务不采纳的情况下创造价值。

Your transformation manifesto — 转型宣言

12条转型宣言是第二版新增的核心框架，总结了成功转型的基本原则：

Inspired, aligned, and ready to go: Working with your top team

激励、对齐并准备好出发：与最高团队协作

核心观点

成功的Tech & AI转型始于最高领导团队的激励与对齐。CEO和最高团队需要共同理解技术的战略潜力，建立转型的紧迫感和共同愿景，并做出坚定的资源承诺。

技术型领导者的学习旅程

• 艺术可能性研讨会（Art-of-the-possible workshops）：通过沉浸式体验让高管团队理解AI能做什么
• 实地考察（Go-and-see visits）：参观数字化领先企业，学习他们的实践
• MIT高管教育：系统性的技术素养建设

四种领导特质（Rewired Leader Traits）

关键实践

• CEO必须将Tech & AI转型列为前三大优先事项之一
• 最高团队需要共同制定愿景，并对资源投入做出明确承诺
• 建立定期的转型进展评审机制（季度业务评审QBR）
• 愿景需要足够大胆——不仅仅是"做些AI项目"，而是重新想象业务

The economics of Tech & AI transformations

Tech & AI转型的经济学

核心观点

转型必须基于严谨的经济分析。成功的转型者不是"先做再说"，而是从一开始就建立清晰的商业案例，确保每项投资都有明确的价值预期。

经济学基准

避免经济陷阱

• 虚假精确（False precision）：不要过度精确化不确定的收益预测
• 零成本思维：不要假设现有资源可以"免费"承担转型工作
• 领域聚焦：不要试图同时转型所有领域

财务超越的表现

成功转型者在转型后的财务表现显著超越同行——收入增长更快、利润率更高、市场估值更高。这种超越不是线性的，而是随着能力积累产生复利效应。

Focus on business domains, not use cases

聚焦业务领域，而非用例

核心观点

大多数公司从"用例"（use case）开始AI之旅，但领先者从"领域"（domain）开始。用例思维导致孤立的、碎片化的解决方案；领域思维则驱动端到端的业务转型。

领域（Domain）的定义

领域优先级评估

• 价值潜力：该领域的转型能带来多少经济价值
• 就绪程度：数据和技术的就绪程度
• 领导力：是否有强有力的领域领导者
• 突破性机会：是否存在创造新业务的突破性机会

新业务建设

领域转型还可以衍生出全新的业务机会。当你在某个领域构建了独特的数据和技术能力时，这些能力本身可能成为新的收入来源。

Have business leaders lead the reimagination of their domain

让业务领导者主导其领域的重新想象

核心观点

领域的重新想象不能委托给IT部门，必须由业务领导者主导。他们最了解客户痛点、运营痛点和价值创造机会。

领域到价值交付（DVD）方法

领域重新想象的五步法

1. 从客户痛点出发：深入理解客户旅程中的摩擦点
2. 理解当前状态：绘制当前端到端流程，识别浪费和瓶颈
3. 想象未来状态：不受现有约束地重新设计流程
4. 评估就绪程度：评估数据、技术和组织就绪程度
5. 制定路线图：将重新想象转化为可执行的分阶段路线图

关键实践

• 阶段门控（Stage-gating）来降低风险：每个阶段通过评审才能进入下一阶段
• 实施需要明确的资金机制和领导力支持
• 为零成本思维设置障碍——转型需要真正的资源投入

Reimagining workflows with agentic AI

用Agentic AI重新想象工作流

核心观点

Agentic AI代表了工作流自动化的下一个飞跃。与传统AI不同，AI代理可以自主决策、协调多步骤任务，并与其他代理协作完成复杂工作流。

Agentic AI的四级自动化

E.ON Next案例

Agentic AI工作流的选择标准

• 任务的重复性和可预测性
• 错误的影响程度和可逆性
• 数据可用性和质量
• 人机协作的自然程度

六条经验教训

1. 从工作流而非技术出发设计
2. 为代理设定清晰的角色和边界
3. 建立"人在回路"的监督机制
4. 投资于评估（"eval"）能力来持续测试代理性能
5. 设计好编排代理（orchestrator）来协调任务代理
6. 从第一天起就考虑可扩展性

You're only as good as the capabilities you build

你的表现取决于你构建的能力

核心观点

转型成功不取决于任何单一技术或项目，而取决于你构建的六种企业能力的成熟度。这些能力需要在多年中持续投资和建设。

六大能力成熟度标记

Build vs. Buy 决策

三类企业系统需要不同的策略：

• 差异化系统（Differentiating systems）：提供竞争优势的系统——内部构建
• 高速度系统（High-velocity systems）：需要快速迭代但非独特差异——主要内部构建
• 效用系统（Utility systems）：标准化的支持性系统——主要外部采购（SaaS）

五类合作伙伴

构建能力时，需要与不同类型的伙伴合作：云服务提供商、技术咨询、数据伙伴、AI模型提供商、实施伙伴。关键是保持核心能力内部化。

The ultimate corporate team sport

终极企业团队运动

核心观点

Tech & AI转型是终极的企业团队运动——没有任何一个高管可以单独推动。C-Suite的每个成员都有独特且不可替代的角色。

C-Suite各角色职责

反思要点

• 你的最高团队是否真正对齐了对转型的理解？
• 每个C-Suite成员是否清楚自己在转型中的角色？
• 是否有足够的"技术型领导者"来驱动领域转型？

Building the tech muscle of your business leaders

构建业务领导者的技术肌肉

核心观点

最稀缺的资源不是技术人才，而是具备技术能力的业务领导者。这些"Adam"和"Jane"们能够端到端地用技术驱动业务领域转型。

技术型领导者的四种能力

1. 以客户为中心构建变革性愿景：理解客户痛点，用AI重新想象而非简单自动化
2. 制定技术驱动的转型路线图：与领域专家协作，将愿景转化为有清晰KPI的用例路线图
3. 监督技术交付：具备足够的技术深度来指导开发、排除障碍和有效挑战团队
4. 主导端到端变革管理：不将采纳和扩展的责任委托他人，亲自拥有整个价值实现过程

构建技术肌肉的六种方法

1. 把学习当作使命：成为"无畏的学习者"，持续学习新技术
2. 亲身体验：亲自使用AI工具，而非仅听汇报
3. 与技术人才并肩工作：与工程团队直接协作，理解技术约束
4. 参加技术社区：参与黑客松、技术峰会等
5. 建立同行网络：与其他正在转型的业务领导者交流
6. 持续反思和迭代：定期回顾学习成果，调整方向

The big IT talent 'surgery'

大型IT人才"手术"

核心观点

大多数CIO对自己组织的技术能力没有清晰的把握。转型IT人才不是微调，而是需要"手术"级别的深度变革。

"30-70转移"（30-70 Shifts）

三类系统的人才策略

• 差异化系统：核心内部团队，拒绝外包
• 高速度系统：混合模式，核心内部+部分外部
• 效用系统：可通过SaaS解决方案减少内部人才需求

Creating an environment where tech talent thrives

创造技术人才茁壮成长的环境

核心观点

吸引顶尖技术人才只是第一步。留住他们需要一个能够激发创造力、提供成长空间、并尊重工程文化的环境。

关键要素

• 招聘：使用非传统渠道（黑客松、开源社区），设置高招聘标准
• 识别卓越技术专家：技术能力评估应基于实际编码能力而非简历
• 双轨职业路径：为不想做管理的技术专家提供技术专家轨道
• 非货币认可：建立技术荣誉体系，认可技术贡献
• 地理位置策略：在全球能力中心（GCC）建立技术枢纽

全球能力中心（GCCs）

越来越多的企业在成本更低的地区建立技术中心，但目的不是"廉价人才"，而是获取全球技术人才。关键是在这些中心建立世界级的工程文化。

Rethinking your talent model for an agentic world

为Agentic世界重新思考人才模型

核心观点

Agentic AI正在从根本上改变工作方式，企业需要重新设计人才模型来适应人机协作的新范式。

Agentic世界的工作场景

Agentic世界的人才模型变化

• 角色重组：传统岗位将被打散并围绕人机协作重新设计
• 技能转变：从"执行任务"转向"指导AI、验证输出、做出判断"
• Agent教练（Agent Coaches）：需要能够训练和监督AI代理的新角色
• 人在回路（Human-in-the-loop）：设计人类在关键决策点的介入机制
• HR的变革：HR需要重新设计岗位描述、绩效评估和培训体系

两类人才模式

在Agentic世界中，企业需要两类核心人才：能够构建和管理AI代理的技术专家，以及能够与AI代理有效协作的业务专家。两者都需要新的技能组合。

Go team! The ground floor of your operating model

出发团队！运营模式的基础

核心观点

运营模式的基础是敏捷团队。这些跨职能团队是转型的最小执行单元，拥有端到端的责任和自主权。

软件开发生命周期

团队需要遵循现代化的软件开发生命周期，从需求管理到部署和监控，每个环节都有明确的角色和实践。

敏捷团队架构

• 跨职能组合：产品负责人、工程师、数据科学家、设计师、变更管理专家
• "一披萨团队"（One-pizza teams）：团队规模不超过两块披萨能喂饱的人数（6-10人）
• 端到端责任：从解决方案发现到生产部署和维护
• 迭代交付：2周冲刺周期，持续集成和部署

The revolutionary idea: Embedding engineering talent in the business

革命性理念：将工程人才嵌入业务

核心观点

将工程人才从集中的IT部门嵌入业务团队是运营模式的革命性变革。这打破了传统的"业务提需求-IT做交付"的交接模式。

传统层级模型 vs. 分布式运营模型

运营模型选择

• 数字工厂（Digital Factory）：集中式的数字化能力中心
• 领域与平台模型（Domain & Platform, D&P）：领域团队+共享平台团队
• 全企业模型（Enterprise-wide）：全面嵌入式的运营模式

选择取决于转型成熟度、业务复杂度和组织文化。大多数成功的转型者最终走向D&P或全企业模型。

The blueprint for a faster enterprise

更快企业的蓝图

核心观点

成功的运营模式需要一个清晰的蓝图来指导设计。这个蓝图不是组织架构图，而是一套指导原则和设计选择。

运营模式蓝图5要素

商业案例构建

每个运营模式变革都需要明确的商业案例——包括变革成本、预期效率和速度提升，以及对员工体验的影响。

Making the transition in a controlled way

以可控的方式进行过渡

核心观点

从传统运营模式向分布式模型过渡是一个高风险的变革。需要精心设计的过渡计划来确保业务连续性。

过渡关键要素

• 过渡领导：指定专门的过渡负责人
• 序列：合理安排过渡的先后顺序——先平台还是先领域
• 流程：建立清晰的过渡流程和里程碑
• 风险管理：识别和缓解过渡过程中的关键风险
• 沟通：确保透明的沟通，减少不确定性带来的焦虑

Building a new business? There's an operating model for that.

建新业务？有对应的运营模式。

核心观点

当领域转型衍生出全新业务时，需要一个专门的运营模式来支持新业务的特殊需求。

新业务运营模式的三大特征

1. 前置学习（Frontload learning）：在启动前快速学习新市场的规则
2. 治理与实践：制定适合新业务的治理框架和运营规则
3. 将新业务引入母公司：成功后将新业务的能力融入母公司

The platforms that power the enterprise

驱动企业的平台

核心观点

企业平台是技术架构的基础层，为所有解决方案团队提供共享的基础设施和服务。平台思维是分布式创新的技术前提。

平台类型

• 客户面业务平台：支持客户互动和业务运营的核心系统
• 内部赋能平台：为团队提供共享工具和服务
• 基础设施与安全平台：底层基础设施、安全和管理

Make your tech flexible and scalable—hello APIs!

让技术灵活可扩展——API来了！

核心观点

API是实现技术灵活性和可扩展性的关键。它们让系统能够以模块化的方式组合和扩展，支持分布式创新。

API策略关键要素

• 采用（Adoption）：推动API的使用和复用
• 构建（Building）：设计清晰的API架构
• 企业架构师（Enterprise Architects）角色：指导API设计标准
• 模型上下文协议（Model Context Protocol, MCP）：支持AI模型的API交互
• 平台API：为所有团队提供统一的接入点

Engineering practices for speed and quality

速度与质量的工程实践

核心观点

速度和质量不是对立的。通过现代化的工程实践，可以同时实现两者。关键是将工程卓越作为核心组织能力。

关键工程实践

• CI/CD管道：持续集成和持续部署
• 基础设施即代码（IaC）：用代码管理基础设施
• DORA指标：部署频率、变更前置时间、变更失败率、恢复时间
• DevSecOps：将安全嵌入开发流程
• 实验与特性管理：A/B测试和渐进式发布
• 可观测性（Observability）：全面监控系统健康
• 开发者体验（DevEx）：优化开发者的工作体验

The AI revolution in software development

软件开发的AI革命

核心观点

AI正在从根本上改变软件开发的方式。AI代理可以在夜间自动开发代码，开发者从"写代码的人"变成"指导AI写代码并审查结果的人"。

AI对软件开发的影响

• AI原生开发模型：从设计到部署全流程AI辅助
• Agent就绪任务（Agent-ready tasks）：将工作分解为AI可执行的粒度
• 上下文工程（Context engineering）：为AI提供正确的工作上下文
• AI Mesh：管理多个AI代理协作的框架

An AI platform to accelerate model development

加速模型开发的AI平台

核心观点

AI平台是企业加速AI模型开发、部署和管理的关键基础设施。它提供从数据准备到模型监控的全流程工具和服务。

AI平台核心能力

• 模型开发和管理（Model development & management）
• 成本控制（Cost control）
• 知识图谱（Knowledge graphs）
• 可观测性（Observability）
• 令牌管理（Token management）
• 非结构化数据处理

The art of developing agentic AI solutions

开发Agentic AI解决方案的艺术

核心观点

开发Agentic AI解决方案需要一门新的工程学科——Agentic工程。这不仅仅是构建AI模型，而是设计能够自主执行复杂工作流的代理系统。

Agentic工程的关键要素

• 代理解剖学（Anatomy of agents）：理解代理的构成——编排器、任务执行器、合规检查器
• 构建与购买权衡（Buy vs. build trade-offs）：决定哪些代理自建、哪些购买
• 约束性代理（Constrained agents）：为代理设定明确的行为边界
• 测试方法：包括实时影子模式（live shadow mode）、LLM-as-judge等
• 多代理平台（Multiple agentic platforms）：管理多个代理协作的框架
• AI Mesh：代理间的协调和通信层

关键原则

A more surgical approach to modernizing core systems

更精准的核心系统现代化方法

核心观点

CEO常问："我们需要先更换ERP才能认真做AI吗？"答案是：不需要全盘替换，但需要精准的现代化。在"先现代化再创新"和"先创新不管遗留"之间的极端选择都是错误的。

何时需要现代化核心系统

• 系统无法提供AI所需的实时或细粒度数据
• 业务逻辑被硬编码到工作流中，难以变更
• 系统无法通过API或事件驱动架构集成
• 系统增加了客户或用户面向体验的延迟或脆弱性

精准现代化路线图

1. 诊断痛点：定位遗留系统阻碍业务的位置
2. 与业务目标对齐：将每项现代化举措与具体业务目标关联
3. 设计混合架构策略：使用"绞杀者"（strangler fig）方法逐步替换
4. 构建统一可访问的数据层：通常需要在应用之前现代化数据架构
5. 让基础服务易于访问：将核心业务功能重新设计为可插拔的服务

用GenAI现代化遗留系统

GenAI可以帮助理解旧系统的功能、加速代码迁移、自动生成文档和测试用例，大幅降低现代化的人力和时间成本。

Start with the value, then get the data

先确定价值，再获取数据

核心观点

"我们的数据一团糟，得先整理数据才能做AI"——这是最常见的错误认知。成功始于明确哪些业务问题值得解决，然后才是获取解决这些问题所需的数据。

数据识别与优先级排序

从业务领域→解决方案→用例→数据域→数据元素的层次分解，精确识别每个用例需要的数据。数据路线图需要与解决方案路线图紧密耦合。

关键定义

• 数据元素（Data Element）：具有唯一含义的基本信息单元（如客户名称、地址）
• 数据域（Data Domain）：相关数据的概念性分组（如客户、支付、索赔）
• 数据产品（Data Product）：高质量的、即用型的数据集，供组织内人员轻松访问和使用

数据质量评估的九个维度

完整性、准确性、一致性、时效性、唯一性、有效性、精确性、可追溯性、可用性——通过定义质量规则和目标来评估数据。

No data architecture, no AI advantage

没有数据架构，就没有AI优势

核心观点

数据架构是一组相互连接的能力，决定企业能否大规模地找到、信任并向分析和AI系统提供数据。

现代数据架构的八大核心能力

支持规模的七大数据架构原则

1. 将数据摄入视为产品——数据一次性导入，全员可用
2. 共享含义，而非仅共享数据——统一定义和标准
3. 分析和AI使用统一数据基础——一套数据，多处使用
4. 将信任默认嵌入平台——安全、访问控制和隐私自动化
5. 通过稳定接口暴露能力——清晰的API和模型访问点
6. 让行为可见可衡量——持续跟踪数据质量、模型性能
7. 提供受控的AI代理运行方式——通过共享执行层协调代理

GenAI就绪架构的五个新能力

• 向量存储和嵌入（Vector stores & embeddings）
• 代理编排和检索服务（Agentic orchestration & retrieval）
• AI网关和护栏（AI gateway & guardrails）
• 自动化数据质量、安全和血缘
• GenAI应用中的持久反馈循环

Data products: The reusable building blocks for scaling

数据产品：规模化的可复用构建块

核心观点

数据产品是AI规模化的实际机制。在遗留数据架构中，每个用例团队都要自行处理数据（wrangling），估计高达70%的模型开发时间花在这上面——这不可扩展。

数据产品的解剖

• 数据转换：ETL/ELT管道、数据质量规则、特征工程
• 数据产品内容：清洗、验证、丰富的数据
• 元数据：数据字典、新鲜度指标、血缘、质量指标
• 消费接口：API、SQL端点、文件导出、特征存储
• 权限：访问控制、策略执行、隐私约束

常见数据产品类型

• Customer 360：跨系统的统一客户视图
• Asset 360：物理资产的统一视图
• Sales：标准化的销售绩效数据
• Product Master：产品属性和层级的唯一真相源
• Finance & P&L：策划的财务数据
• Marketing Attribution：营销活动与业务成果的关联
• Inventory & Supply Chain：库存水平和预测

数据产品驱动数字孪生

数据产品团队构建

有效的数据产品团队由数据产品负责人（DPO）领导，DPO像业务负责人而非项目经理一样运作——直接对数据产品产生的价值负责。团队平衡业务专长和技术专长。

Organize to get the most from your data

组织好以从数据中获得最大价值

核心观点

成功的数据赋能更多是组织挑战而非技术挑战。关键问题包括：谁应该拥有数据？是否需要数据组织？如何与业务和IT关联？

数据治理的五大要素

• 血缘（Lineage）：知道数据从哪来、如何变化
• 所有权（Ownership）：定义谁对质量和使用负责
• 质量（Quality）：满足完整性、时效性、一致性和准确性
• 访问与隐私（Access & Privacy）：限制、记录和自动化执行
• 证据（Evidence）：确保合规可追踪和可审计

数据治理五阶段发展

1. 阐明治理为何重要：量化低质量数据的成本和合规风险
2. 选择正确的数据运营模型：联邦模型在多数情况下最佳
3. 将治理嵌入工作流：自动化控制，"合规即代码"
4. 推动治理实践采纳：激励正确的数据管理行为
5. 基于学习和环境变化持续改进：从定期清理转向自我改进

Protecting data in an LLM world

在LLM世界中保护数据

核心观点

过去几十年企业构建的数据防御——身份控制、加密、防火墙——几乎都不是为AI系统读取、组合和生成信息的世界设计的。LLM和自主代理的部署从根本上改变了数据风险的本质。

LLM世界的新数据风险

• AI系统可能无意中将敏感信息泄露到提示和响应中
• 模型可能"记住"训练数据中的敏感信息
• 代理的工具集成扩大了攻击面
• 非确定性输出增加了不可预测的风险

保护策略

1. 设定公司的"红线"：明确哪些数据永远不能共享，哪些用途需要重新授权
2. 将权利和同意编入政策：将规则转化为操作层面的安全保障
3. 以证据建立信心：不是消除所有数据暴露，而是让暴露可见、可解释、可实时纠正

Your next strategic duty: Create a proprietary data advantage

你的下一个战略责任：创造专有数据优势

核心观点

大多数公司仍将数据视为从现有系统中收集的东西。领先的公司则有意创造竞争对手永远不会拥有的新数据流。专有数据不再是运营的副产品，而是值得真正投资的战略资产。

识别专有数据最大价值的四步法

1. 从最重要的决策开始：聚焦驱动业务经济的少数决策（定价、路由、风险评分）
2. 量化不确定性造成的损失：识别缺乏可见性造成浪费的"价值池"
3. 识别只有你能测量或知道的：寻找只有你能仪表化的独特交互、资产或流程
4. 在扩展前快速验证信号：运行最小可行数据实验确认信号存在

自动化数据采集

最有价值的数据集是由良好仪表化的流程自动产生的。仪表化替代人工采集——一旦流程被仪表化，可用数据就持续产出。

数据作为显式管理的资产类别

前瞻性公司开始建立显式的数据投资计划——评估数据资产的质量、独特性和业务价值，并将资本分配给最能改善定价、客户体验或运营效率的数据集。

Make adoption stick

让采纳持久

核心观点

开发一个好的技术方案是相对容易的部分。让人们日常使用它，并在客户群、市场或工厂中扩展——这才是真正的挑战所在，也是价值所在。

"为拉力而设计"（Designing for Pull）

让用户想要使用解决方案，而不是强加给他们。四种方法：

1. 让终端用户在开发中成为"副驾驶"：建立信任，特别是GenAI的高信任门槛
2. 让解决方案易于使用：像对待客户一样对待内部用户
3. 让解决方案对用户有价值：为用户提供切实好处
4. "打包"培训：将相关解决方案整合为单一变革干预项目

影响模型四要素

1. 领导层参与和角色示范
2. 基于角色的培训和技能建设
3. 引人入胜的变革故事和沟通
4. 测量和绩效指标

适应业务模型

部署解决方案不是在食谱中加一种食材，而是给房子加建——需要同时改变地基、墙壁和管道系统。需要理解解决方案的相互依赖性，并调整上下游的业务模型。

GenAI的两类采纳模式

• 水平应用：跨组织的通用工具（搜索、摘要、写作）——需要持续的实验和习惯培养
• 垂直应用：端到端工作流或同一领域内互补应用集群——需要针对性培训和实操

Design solutions for scale and reuse

为规模和复用设计解决方案

核心观点

规模化是大多数转型跌倒的地方，而规模化也是价值最大部分所在。成功扩展的核心概念是快速、经济地在不同环境中复制解决方案的采纳。

规模化序列的三种选择

资产化（Assetization）策略

将解决方案打包为可复用的模块/资产，使其易于适配不同单元的本地差异：

• 定制层：特定单元/流程的功能（约20%）
• 核心层：用例无关的通用组件（约30%）
• 平台层：共享的基础设施和服务（约50%）

Ensuring impact by tracking what matters

通过追踪关键指标确保影响力

核心观点

大量公司不清楚转型进展如何——39%的公司报告不知道其努力的EBIT影响，另有22%报告没有获得价值。

KPI vs. OKR

• KPI（关键绩效指标）：追踪特定活动或结果的绩效表现
• OKR（目标与关键结果）：目标设定框架——定性目标+可衡量的关键结果

三类绩效指标

1. 价值创造指标：业务和运营KPI，可转化为财务或客户收益
2. 团队健康指标：资源配置、绩效指标（如DORA）、成熟度评估
3. 变革管理指标：领导层动员、能力建设进展、员工参与度

价值驱动树（Value Driver Tree）

一种工具，用于识别数字和AI解决方案预期在哪些地方改善核心运营KPI，以及如何将它们与团队的OKR关联。

五阶段门控（Five-Gate Process）

成熟度评估

最好的公司通过多年成熟度评估来衡量六大能力建设进展，将AI落后者与AI领导者进行对比（如制药公司从第1年的34分提升到第5年的54分，AI领导者为66分）。

Plan for midstream adjustments

计划中途调整

核心观点

转型路线图是活文档，需要定期审查和更新。第一年热情高涨很少是问题；到了第二年往往就成了问题。小问题会变成大问题，不可避免的挫折消耗能量。

三类常见中途挑战及对策

Risk, trust, and the right to deploy AI

风险、信任和部署AI的权利

核心观点

当技术系统失败时，它们中断运营。当AI系统失败时，它们挑战信任——与客户、监管者、员工、合作伙伴和整个社会的信任。领导者面临的问题不再是"我们能否扩展AI？"而是"我们是否赢得了这个权利？"

GenAI的新风险类型

• 隐私违规、偏见和歧视、IP侵权
• 透明度和信任问题、不准确输出（幻觉）
• 安全威胁、不当/恶意使用
• ESG影响、第三方风险

数字信任四项行动

1. 分诊风险：从系统可靠性、用户体验、政策合规性、业务价值四个维度评估
2. 审查政策：涵盖数据隐私、技术基础设施、AI/ML/GenAI系统的全生命周期政策
3. 运营化风险政策：
   • 为可解释性而设计（SHAP, LIME等工具）
   • 建立治理委员会
   • 分配专门的数字信任人才
   • 自动化风险控制（"策略即代码"）
4. 提升意识和模式识别：每个人都是数字信任的责任人

So, what about culture?

那么，文化呢？

核心观点

新文化是日复一日地建设六大rewired能力的副产品。你不能直接"改变文化"——你建设能力，文化随之转变。

文化转变的方向

创建技术驱动创新文化的五种实践

1. 先投资领导团队：培训前300名领导者，约30%可能需要更换为更适合rewired能力的领导者
2. 创建灯塔项目：小规模但重要的举措来展示可能性，"我们能行！"
3. 建设可扩展的广泛学习项目：企业"学院"驱动的分层培训
4. 重新培训关键业务角色：3-9个月的行业特定角色重塑
5. 在更广泛的员工中建设AI素养：不是"如何使用工具"，而是"这些技术让我能做什么以前做不到的事"

LATAM Airlines: Creating an 'airline in your pocket'

LATAM航空：创造"口袋中的航空公司"

转型历程

2012年LAN和TAM合并后，CEO Enrique Cueto有了一个直觉：LATAM的未来必须是数字化的。从愿景出发，LATAM走上了持续至今的多年转型旅程。

关键成就

• 重新发明客户互动方式——"口袋中的航空公司"
• 用AI大幅改善机队维护
• 重新设计客户奖励计划
• 产生数亿美元的新收入和生产力提升

Agentic AI的探索

LATAM快速将AI代理整合到产品开发生命周期中。早期努力使用代理转录客户讨论、综合为需求、提出原型方案并构建HTML。过去需要6-8周的过程现在只需1小时。

成功的基础

1. 强大的技术平台：自动化管道、标准化代码库、完善的数据产品和文档
2. 产品导向的运营模式：跨职能团队融入代理，快速迭代开发和改进产品

Toyota: From kaizen improvements to big leaps in value

丰田：从改善到价值大跃进

转型起点

2020年COVID期间，供应链副总裁Kevin Austin发现供需预测严重不匹配。"如果Amazon能追踪一本$10的书，为什么丰田不能追踪一辆$40,000的车？"

从改善到大胆愿景

丰田的kaizen文化传统上带来3-5%的持续改善。但这次的目标是系统性的业务变革，价值数亿美元——将供应链从匹配供需的功能转型为公司级编排和价值优化引擎。

两大核心AI产品

• 需求预测模型：分析约5,000种车辆配置，使用200个前瞻性预测因子和8年市场数据，将客户需求预测精确到本地经销商市场的车辆规格级别，准确率85%。第一年带来$2亿利润提升。
• 数字孪生：消化真实需求和供应，优化和模拟生产计划至车辆、产线、周级别，可向前看3年。15分钟内运行10亿决策变量优化250万辆车的生产计划（过去需30人30天）。产生$8亿利润。

编排层

编排层是秘密武器——提供企业和性能可见性的单一可靠来源，让经销商、供应商和领导者都能使用系统的互联能力。核心规划流程现在约80%是"无人触碰"的。

信任与采纳

将受人尊敬的销售和制造SME嵌入解决方案开发团队。新规划师在旧系统中15个月才能有效工作，在新系统中只需1-2个月。

技能提升

"丰田专注于提升人员，从'AI系统支持决策'到'指导AI做决策'。"——Kevin Austin

Freeport-McMoRan: Harnessing Tech & AI for mining innovation

Freeport-McMoRan：用Tech & AI驱动采矿创新

"Leach to the Last Drop"计划

在Americas' Concentrator计划成功的基础上，Freeport启动了"Leach to the Last Drop"——从浸出工艺中提取最后一滴铜。

HELENA数字孪生

构建了HELENA（HEap LEach aNAlytics）——浸出工艺的AI驱动数字孪生，能够：

• 预测给定矿石类型、堆设计和浸出处理的铜回收量
• 优化浸出"配方"（天数、酸量、流速、热量和空气应用）
• 生成3D模型显示铜在堆中的位置
• 运行"回溯分析"理解预测偏差的根本原因

"热煤"（Hot Coals）人才策略

将Americas' Concentrator团队中有经验和动力的领导者"移植"到新环境中来"点燃"进展。约10%（30-50人）的核心团队转移到浸出项目。

成果

• 在同等时间内实现了比Americas' Concentrator多50%的价值
• 预计能再翻一番，领导者将目标提升到年增8亿磅铜
• 发现39亿磅"不可回收"铜实际上可以经济地提取
• 获得多项专利

创业文化的建设

Freeport在已有的工程文化基础上，培育了更具创业精神的工作方式——小团队、快节奏、测试与学习环境，不受规范约束地追求新价值。

DBS Bank: A multinational bank goes all in on AI

DBS银行：跨国银行全力投入AI

第一阶：数字化到核心（2014年起）

• 聚焦标志性客户旅程（开户、ATM等待时间）
• 围绕28个平台组织人员，每个平台由业务和IT领导者联合领导
• 将70%技术人才内部化（从20%提升）
• 2021年90%技术服务内包，99%应用云原生
• 60%+客户使用数字工具，数字客户收入是传统的2倍+

T型数据转型方法

ADA数据平台

建立ADA（Advancing DBS through AI，也致敬Ada Lovelace）中央数据平台——最终包含7PB数据和45,000个数据集。优先开发Customer 360等数据产品（最终约16,000个数据属性）。

ALAN AI平台

建立ALAN AI平台加速模型开发——从数据准备到模型监控的全流程工具和服务。

Managing through Journeys (MtJs)

DBS围绕客户旅程组织AI模型组合，确保端到端的客户体验改善。

关键成果