2024年9月26日《哈佛商业评论》中文版携手Amazon Web Services香港团队，举办未来管理沙龙系列（香港站）：“现实世界的AI生产力”。AI不仅是技术革新的代名词，更是思维模式的引领者。如何抓住“AI+”的浪潮，加速人工智能技术与行业的深度融合，已成为企业与行业的当务之急。为了更好地理解这一变革，此次沙龙邀请商业领袖、企业高层管理者深度分享、互动探讨生成式AI背后的管理趋势与创新实践。以下是本次沙龙主题内容摘要。
当前全球商业环境的剧烈变革带来了挑战与机遇。无论是美元进入降息周期、地缘冲突、供应链重构，还是新兴市场的崛起，企业都必须紧跟时代变化，进行深度思考与战略调整。《哈佛商业评论》梳理了过去几年的内容，总结了未来管理的11大趋势，重点关注创新、战略、组织、营销和领导力。首先，人机协同是未来创新的核心趋势之一。《哈佛商业评论》指出，机器不再是人类的竞争对手，而是协作伙伴。企业通过机器人技术和自动化流程，不仅可以提升生产灵活性，还能优化管理流程。其次，数字化转型已成为企业发展的必然。成功的数字化转型不仅依赖于资金投入，更关键的是策略和模式的创新。企业需要通过调整组织结构和转变战略思维来实现有效的数字化转型。相比单纯的资金投入，组织的变革和与外部合作伙伴的协作在转型过程中更具决定性。在战略层面，生态战略取代了传统的竞争战略。过去，企业专注于市场竞争和份额争夺，而如今，企业更倾向于构建合作生态，形成共生协同的网络。通过合作与创新，企业不仅提升了竞争力，还能在全球商业环境中更好地适应变化。产业政策的变化也是企业制定战略时必须关注的重点。疫情后，全球产业政策发生了显著调整，政府对经济的干预力度增加，政策对企业发展产生了深远影响。无论是美国的制造业回归计划，还是中国的产业升级，企业都需要紧跟政策变化，制定适应新经济环境的战略。与战略紧密相关的另一个趋势是ESG（环境、社会和治理）。企业越来越重视将社会责任、环境保护和治理纳入核心战略。企业的ESG报告已成为标准化要求，企业必须不仅追求经济效益，还需关注社会影响力和可持续发展。弹性供应链也是未来企业应对全球不确定性的关键策略。随着贸易摩擦和地缘政治风险上升，供应链的可靠性和灵活性变得比成本和效率更重要。企业需要为供应链建立备份，以提升其抗风险能力和长期竞争力。在营销方面，企业通过数字化和智能化应用，能够更加精准地了解客户需求。大数据分析与技术创新的结合，为客户提供更好的体验，同时增强了企业的市场竞争力。智能化工具不仅提高了企业效率，还为其营销策略带来了新的方向。组织管理也正在经历深刻变革。随着科技进步，企业需要重新定义员工的能力，适应未来的数字化和智能化需求。未来的人才战略将不再依赖传统劳动力市场的模式，而是通过技术进步和结构调整，满足企业发展的新需求。此外，项目主导型组织逐渐取代传统的职能部门管理模式。项目经济的兴起促使企业从科层制向矩阵式管理转变，强调跨部门的协同合作，以提升项目执行效率。中国企业如海尔通过“人单合一”的创新组织模式，为这一趋势提供了有益的借鉴。最后，企业在强调技术创新的同时，不能忽视人文价值。在技术主导的时代，管理者不仅需要提升技术能力，还需尊重员工的自主性和创造性。软技能，如沟通、谈判和员工激励，已成为高管必备的能力。
徐岩
香港科大商学院教授
商业战略与创新研究中心副主任
人工智能（AI）在推动企业创新方面表现突出，主要体现在运营模式的自动化与智能化、产品与服务的转型、以及供应链的数字化升级三个方面。AI在企业运营中实现了高度自动化和智能化。台积电的“黑暗工厂”是一个典型例子，该工厂通过AI技术，实现了生产和管理的全流程自动化操作，无需人工干预。AI不仅提高了运营效率，还通过机器学习不断优化生产流程，推动了企业智能化的发展。这种智能化运营模式大幅提升了生产力，同时为企业带来了创新优势。AI促使企业从传统产品销售转向智能化服务提供。劳斯莱斯通过物联网技术对航空发动机进行智能监控，推出了按小时计费的租赁模式。通过将物理产品与智能服务结合，为客户提供更加灵活、便捷的使用体验。这种模式降低了客户的前期购买成本，同时为企业创造了持续的收入流，标志着从产品销售向服务创新的转型。AI还推动了供应链管理的数字化。通过数字孪生技术，供应链的各个环节得以虚拟化操作，大幅提升了物流和供应链效率。这种技术缩短了产品从生产到交付的时间，并优化了供应链中的各个环节，不仅提高了供应链响应速度，还提升了产品的质量管理，推动了供应链的智能化运营。然而，随着AI技术的广泛应用，伦理问题也日益凸显。例如，在自动驾驶领域，如何处理紧急情况下的道德抉择成为亟待解决的难题。“电车难题”反映了AI在伦理决策中的复杂性：当自动驾驶车辆面临危及人类生命的选择时，AI的决策逻辑引发了广泛的讨论和担忧。比亚迪提出了一种解决方案，通过车辆的紧急转向减少冲击力，但AI的伦理困境远未得到彻底解决。AI的普及还带来了社会层面的挑战，尤其是就业问题。随着AI技术逐渐取代部分岗位，例如快递员和司机，社会对AI技术的担忧逐渐加剧。场机制无法独立解决这些社会问题，政府可能需要介入，探讨如“全民基本收入”（UBI）等政策保障，以应对因科技进步带来的失业问题。这类政策旨在为被技术取代的劳动者提供基础生活保障，减轻社会动荡的风险。尽管AI带来了伦理挑战，但它也提供了提升社会道德水平的机会。例如通过VR技术模拟道德选择的案例：用户可以通过虚拟现实体验不同的伦理情境，从而激发更强的利他精神。这种正向引导的应用展示了AI在提升社会伦理水准方面的潜力。
李媛AWS产品团队香港区总监人工智能（AI）在各行各业的应用正快速发展，特别是生成式AI的应用速度超出了以往技术的常规周期。越来越多的企业在实践中验证了AI的价值，尤其在提升员工效率、改善客户体验以及探索新业务方面，AI展现出了巨大的潜力。以下总结了构建生成式AI应用的三个重要环节：场景选择、模型与工具选择、以及工程化实施。1. 场景选择
选择合适的应用场景是成功实施AI的第一步，也是最重要的一步。场景的选择需要从两个维度考虑：业务价值和可行性。业务价值指的是AI应用对企业的实际效益，比如提升内部效率、改善客户体验或支持新的业务模式（如AI原生应用）。此外，AI技术在某些领域可能已经被验证有效，特别是在传统的机器学习领域，如翻译、语音识别和个性化推荐等。可行性则不仅仅包括技术实现的可能性，还涉及合规、安全和成本等因素。随着AI技术的快速发展，许多企业已经在智能运营、智能开发和市场推广等领域大规模应用AI。例如，生成式AI可以帮助企业在不同平台上生成个性化的宣传文案，或者通过分析社交媒体反馈进行舆情监测，这些都是目前比较常见且高效的AI应用场景。为了帮助企业更好地选择合适的应用场景，AWS平台提供了大量的案例和工具，供企业参考和探索。这些场景已经在全球范围内的多个行业得到了验证，并且可以为其他企业提供实践上的启发。2. 模型与工具选择
在确定应用场景后，接下来的关键是选择合适的AI模型和工具。生成式AI模型在不同场景下的表现各异，因此需要根据具体需求选择合适的模型。此外，AI模型的交互方式也多种多样，最简单的方式是通过提示词与大模型交互，但如果需要结合企业内部的知识库或进行微调，技术复杂性则会大大增加。
在构建生成式AI应用时，企业可以选择不同层次的解决方案。例如，对于某些特定应用程序，企业可以使用预构建的AI应用程序，而对于需要更多定制化的项目，则可以通过调用不同的大模型，甚至是自行开发和训练模型。针对不同企业和开发者的需求，AWS平台提供了从开箱即用的生成式AI应用程序，到业界最领先的数十个大模型（如Anthropic的Claude，Meta最新发布的Llama 3.2等），到专门为生成式AI涉及的加速芯片等。
此外，差异化的价值往往来自于企业数据与模型的深度交互。数据是企业的核心资产，能够为AI带来独特的竞争优势。AWS全面而完善的数据服务支持整个端到端的数据流, 从存储、查询和分析数据，到智能BI、机器学习，支持企业在生成式AI时代挖掘和释放自身的数据价值。
3. 工程化实施
虽然生成式AI的某些应用看似可以通过简单的API调用实现，但在企业内部的落地往往更加复杂。企业需要考虑AI应用的用户界面开发（UI）、工具链、与现有业务系统的集成，以及应用上线后对业务流程的影响。这些工程化的挑战需要专业的支持和精细的设计。
AWS提供了多层次的支持，包括解决方案架构师团队、产品技术专家、生成式AI实验室、联合创新实验室以及专业服务团队，帮助企业完成生成式AI的工程化落地。此外，AWS还与众多合作伙伴紧密合作，帮助客户解决AI应用工程化的“最后三公里”问题，确保AI技术能够顺利集成到企业的业务流程中。
HBRC：企业应该如何评估应用AI的有效性，应关注哪些指标？AWS产品团队香港区总监李媛：虽然AI应用场景千变万化，但可以从三大类来评估其有效性：一是对内提高员工效率，二是对外提升客户体验，三是开发新产品或新的收入渠道。不同的场景下，评估指标也会有所不同。增加了GenAI能力后，产品订阅转化、付费能力，或者客户满意度的提升。而对于内部提效工具，虽然难以量化，但可以通过减少工作时间和提高员工的创新时间来评估。例如，以前制作报表可能需要几天时间，现在使用AI工具可以在几小时内完成，员工有更多时间进行创新。企业评估AI应用有效性时常常感到困惑，主要是因为在选择具体应用场景（use case）时缺乏明确的方向。很多企业是从技术出发，即已经有了某种AI技术，然后寻找应用场景。这种方式有时会导致企业难以评估最终的效果。建议的方法是以终为始，先确定最终的业务目标，再回过头来选择合适的技术和应用场景。HBRC ：Meta如何在技术创新背后平衡用户体验和商业价值的转化？Meta营销科学部大中华区负责人王斌：在广告业务方面，Meta在用户体验和商业价值之间寻求平衡，主要体现在以下几个方面：首先，广告系统优化。品牌和商家能够利用AI技术，-生成高质量的广告创意，大幅提高了广告的制作效率。其次，个性化推荐。我们利用AI技术，根据用户的-兴趣和行为，提供更加个性化的推荐内容，使广告内容更加符合用户的实际需求， 实现精准触达与高效转化。第三，互动体验。我们已经在Facebook和Instagram中集成了AI互动功能，用户可以通过与AI聊天、生成图片等方式，获得更加丰富的互动体验。HBRC：涂鸦智能如何将ESG融入到自己的业务战略和产品研发中的？涂鸦智能中国区ESG业务负责人庄政裕：传统的生活生产方式，需要付出更多投入，如改变行为习惯、限制消费欲望等，才能实现绿色环保，需要新的技术力量来改变这一情况。涂鸦希望通过智慧转型，用智能系统替代人的主观操作，更普世且高效地推进ESG落地。
在香港，我们有两个具体的案例。首先，我们与香港中电合作，实施了一个夏日计划。香港的室内温度舒适度很大程度上依赖于电力供需平衡，而香港一直存在供需不平衡的问题。通过我们的硬件和连接能力，我们帮助实现了供需平衡的感知和判断。今年，我们将这一计划推向新的高度，与北美的一家能源策略AI算法公司合作，将AI能力引入策略判断，来实现更好的一个动态硬件的供需平衡。
此外，在澳大利亚和新加坡也有类似的节能项目。能大幅从居民端到建筑园区等工商业用电场景，为建筑和社区实现节能降碳，绿色可持续发展。
HBRC：南方东英在哪些方面落地了大模型AI实践?南方东英科技架构及创新部门负责人李睿智：从大模型问世以来，我们成立了专门团队研究其应用，已在客户服务、市场营销和合规方面取得初步成果。在客户服务方面，我们开发了AI工具，统一处理客户邮件，筛选紧急请求并自动回复数据查询，大大提升了效率。在市场营销方面，生成式模型帮助我们快速生成推广文案，结合公司产品表现，自动生成宣传语，提高了营销效果。在合规方面，我们开发了工具帮助识别合同和材料中的潜在风险点，提高了合规工作的效率。未来，我们将继续深化这些应用，推动产品的迭代和行业的变革。
