专家访谈｜吉姆舍尔·切利泽：“将混乱自动化，只会得到成本更高、速度更快的自动化混乱”

我们继续刊发对吉姆舍尔·切利泽的大型访谈。吉姆舍尔·切利泽是工业人工智能领域专家、欧亚国家财商合作协会工业委员会成员。在访谈第一部分中，他解释了为什么追逐前沿模型并不是我们的道路，真正的竞争优势存在于车间之中，存在于数据、工程能力以及接触真实对象的机会之中。在第二部分中，切利泽讲述了人工智能助手时代工程师角色如何变化，以及为什么企业可能在赢得三年生产力的同时输掉一代人的专业能力。

第三部分也是篇幅最大的一部分，聚焦阻碍工业企业从单点试点转向系统性引入人工智能的主要障碍。为什么大多数数字化项目会失败，责任在谁，以及企业应该如何处理数据、人员和安全问题。

答复全文刊发，未经删减。

吉姆舍尔·切利泽，切利泽与伙伴有限公司总经理，水平钻井中心有限公司数字发展业务伙伴，欧亚国家财商合作协会工业委员会成员。他是技术哲学领域多篇文章的作者，著有五本关于数字化转型的书籍，并开发了两个人工智能产品。拥有与俄罗斯天然气工业石油公司、卢克石油公司、俄罗斯能源部、俄罗斯天然气工业钻井公司，以及俄罗斯、哈萨克斯坦和中国其他工业企业合作的实践经验。

您说，应该从流程开始，而不是从技术开始，而且“很多企业并不适合开展数字化”。是什么阻碍工业企业从单点人工智能解决方案转向嵌入生产环节的系统？

我先澄清一下这个表述。听起来很尖锐，但背后并没有傲慢，意思其实很简单：如果把混乱本身自动化，最终得到的只会是自动化的混乱，而且成本更高、速度更快。如果流程没有被描述、没有被衡量、没有被标准化，人工智能不会自动“建立秩序”，而只会把混乱固定在代码中，并赋予这种混乱一种数字化的合法性。这比普通混乱更糟，因为从那以后，就很少有人再去质疑它。

比失败更昂贵的，只有一种失败：一次耗资一亿卢布的人工智能失败尝试，会让公司董事会在未来五年内关闭这个议题。

根据不同估算，70%至84%的数字技术实施项目要么失败，要么存在严重问题，包括延期、超预算、只在一两个流程中产生效果，以及导致人员流失上升。我分析这些原因多年后得出结论：几乎所有问题都可以归结为少数几类典型原因，而这些原因没有一个是纯技术性的。

这里需要说明一下统计口径。根据麦肯锡和麻省理工学院更广泛的评估，最高可达95%的人工智能投资没有产生预期效果，约四分之三的试点项目没有进入工业化运行阶段；70%至84%指的是明确失败或问题严重的项目比例。不同评估统计的对象不同，但结论一致：真正到达结果的只是少数，而且几乎总是由于非技术原因。

根本原因：没有战略，也就没有项目组合

绝大多数企业没有高质量的数字化战略，而只有在这样的战略之上，才谈得上引入人工智能。有的是关于技术的演示文稿，有的是一份倡议清单，但没有战略。

战略不是一份文件，而是一套结构，它必须包含四件事。

第一，分析企业本身。企业的优先事项是什么，系统约束在哪里，真正制约资金流动的瓶颈在哪里。问题不是“我们在哪里可以应用人工智能”，而是“我们哪里存在着问题，这个问题值多少钱”。没有这一点，任何倡议清单都只是各部门愿望的集合，而且往往按照部门负责人表达能力的强弱排序。

第二，建立具有相互依赖关系管理的项目组合。这里烧掉的钱最多，但几乎没人谈。

数字化项目之间存在强依赖。工程技术师助手无法运行，前提是设计文档尚未整理规范；预测性维护无法运行，前提是没有正常的设备目录；端到端分析无法运行，前提是没有集成总线。如果项目组合没有依赖关系图，就会发生这样的情况：项目A启动后卡在项目B缺失上，被迫停下，而资金已经使用，团队已经占用，时间仍在流逝。十几个倡议同时出现同样的问题。

没有依赖关系管理的项目组合，不是项目组合，而是未完成项目的仓库，只不过这个仓库非常昂贵。我曾同时管理几十项倡议组成的项目组合，可以说，被等待其他项目所阻塞的项目比例，是衡量项目组合健康状况的最佳指标。如果这个比例超过20%，说明没有人在管理项目组合，只是有人在名义上拥有它。

第三，连接三个环节。任何人工智能项目都建立在三个支柱之上，而且这三个支柱都必须由同一项目组合中的独立项目予以保障：技术环节，包括基础设施、数据、集成和安全；组织环节，包括流程成熟度、精益生产、项目管理和阻力管理；人员环节，包括能力、数字素养和激励机制。

只要其中一个支柱没有得到保障，项目就不会成功，无论算法多么优秀。我会建议任何投资委员会采用一个判断标准：在批准人工智能倡议之前，请先展示通过哪些项目覆盖了全部三个环节。如果没有答案，这就不是项目，而是预算核销申请。

第四，建立公共基础层的融资模式。这里才是根源中的根源。

基础技术层，包括规范性参考信息、数据质量、集成总线和平台，没有明确需求方。它的受益方是整个公司，也就意味着没有具体受益人。没有任何车间主任，也没有任何部门总监，会把自己的预算用于建设一个设备目录，因为效果可能由隔壁部门获得。因此，如果不通过集中资金支持，如果不从转型预算而是从业务需求部门预算中划钱，公共基础层永远建不起来。

如果这些都不存在，会发生什么？每个部门都会开始自行解决自己的问题。五个部门购买五套不同的人工智能工具，重复付费五次，而且它们之间的数据无法对齐。公共技术基础没有资源，因为从来没有人提出过这项需求。协同效应也不会出现：每个项目的效果都被锁在单个流程内部，而原本最重要的跨职能效果不会出现。

这就是人工智能的拼布式引入。它不是愚蠢的结果，而是缺乏架构的结果。如果上层没有地图，每个人都会自己画一张。

即使有战略，也常见两种病

第一种病：数字化战略与业务战略脱节。

最常见的不一致是这样的：公司的战略是降低运营成本、守住市场位置，也就是防守模式，而信息技术部门此时却在做创新项目，包括数据展示平台、数字孪生、生成式人工智能实验。做的不是公司真正需要的事，也没有用在真正需要的地方。反过来也会发生：业务正在增长，进入新市场、推出新产品，而信息技术部门忙于优化服务器。

数字化战略不是独立存在的，而是业务战略的派生物。如果业务处于防守模式，人工智能议程就应该围绕成本、损耗、质量、维修计划、定额管理展开，也就是那些看起来无聊但最赚钱的事情。如果业务处于进攻模式，议程才应该围绕新产品和新商业模式展开。混淆这两种模式，就意味着把预算花在一个技术上完美、但公司当下并不需要的任务上。

一个五分钟就能完成的测试：拿出公司年度三大目标和三大数字化项目。如果它们之间无法连线，你们就没有数字化战略，而只有信息技术预算。

由此也会产生对“上镜项目”的偏好。当数字化议程没有绑定业务目标时，唯一的筛选标准就变成了项目在董事会上看起来是否漂亮。

第二种病：战略写完以后就不再复盘。

没有固定节奏，既没有跟踪项目进展，也没有跟踪市场环境。文件批准后挂在那里，直到一年后编制预算时才重新拿出来。结果有两个，而且都很昂贵。

第一，关键项目从管理层视野中消失。项目组合靠惯性运行，一年汇总一次状态。等问题项目浮出水面时，已经无可挽救。而且，消失的通常正是关键项目，因为它们周期长、复杂，也不会快速产生新闻。

第二，对人工智能而言尤其关键：项目到达终点时已经脱离市场。一个严肃工业项目的周期是两到三年，而今天人工智能的技术视野是六到十二个月。我们有可能在2028年上线一个项目，而它是在2026年按照一种已经不存在的架构设计的。我不止一次见过这种情况：公司用一年半时间自行建设一个解决方案，而在这段时间里，它已经变成了市场上价格不高的成熟产品。从形式上看，项目成功了，时间、预算、技术任务书都完成了；从经济上看，它毫无意义。“自建还是购买”这个问题，是有保质期的。

有效的节奏是：每月对活跃项目进行运营复盘，每季度对项目组合进行战略复盘，并真正拥有关闭倡议和重新分配资金的权利，同时每季度进行一次技术环境评估。此外，还要建立一种文化规范：关闭项目的权利应当和启动项目的权利一样正常。如果关闭倡议会受到惩罚，就不会有人关闭任何项目，项目组合将把一堆“僵尸项目”拖到预算周期结束。

您不断回到数据问题。对工业企业而言，这到底有多现实？

这不仅是真实问题。它是没有它，一切都没有意义的前提条件。

数据工作有成熟度层级。第一层是统一数据模型，包括采集政策、质量标准、负责人和存储体系，这很无聊，也不显眼。第二层是基于商业分析的管理，包括统一指标、所有部门都能理解的管理语言，以及基于数据决策的文化。第三层是基于数据提出假设、开展研究、寻找新的利润来源。第四层是基于数据形成新产品和新商业模式。

前两层是防守战略，目标是降低风险、加快反应、提高决策质量；第三层和第四层是进攻战略，目标是创造新收入、新产品。

关键在于，人工智能是第三层和第四层的游戏，而绝大多数工业企业处在第一层和第二层，很多时候甚至还没有达到第一层。

从第一层直接跳到第三层，从来都行不通。弹药不够，因为没有高质量数据，也没有地形图。你们会在脏数据、重复数据上建立一个漂亮模型，然后得到一个自信、格式规范但错误的答案。

这里我要说一件通常会引起反对的话

在多年的实践中，我没有见过任何一家生产企业真正完成过自身数据的全面盘点。一家都没有。

这不是修辞。你可以在自己的企业问四个问题。是否有数据模型，也就是是否理解我们有哪些数据、存放在哪里、以什么形式存在、彼此如何关联？谁是具体数据集的负责人？不是“由某部门负责”，而是具体到姓名：谁负责解决设备目录中同一台泵以三个不同名称重复登记的问题？数据的生命周期是什么？数据在哪里产生、由谁录入、如何变更、何时过期、由谁删除？系统之间有什么关联？如果明天企业资源计划系统中的目录发生变化，分析结果会怎样？

在绝大多数情况下，这四个问题没有一个能得到清晰回答。与此同时，公司里确实有数据，而且数据过剩，只是没人知道这些数据怎么回事，也不知道它们值多少钱。

还要单独说数据质量保障工具。它们不仅没有；更常见的是，企业根本没有理解到，数据质量不是一次性清理，而是一个流程，包括标准、定期检查、主数据管理系统，以及对录入原始数据人员的培训。真正的数据质量源头，是车间操作员，而不是数据专家。

没有这一点，人工智能不可能实现。不是“更困难”，不是“效率更低”，而是不可能。你们可以构建任意先进的模型，但它的基础是不可靠数据，最终你们会得到一个自信、整齐地 оформ好的错误答案，并根据这个答案作出决策。

请注意，这个问题的根源在哪里：数据是公共基础层。它没有需求方，因此也没有人真正负责。

应该怎么做。顺序比速度更重要

● 将核心业务流程数字化，并开展数据盘点：有哪些数据，存放在哪里，由谁产生，缺少什么。

● 任命负责人，具体到姓名，覆盖每一个关键数据集和每一本关键目录。

● 建立数据模型，并描述生命周期：产生、变更、过期、删除。

● 设定可衡量的数据质量标准，并组织定期检查，而不是在审计前进行一次性清理。

● 引入主数据管理系统。这正是那个“无聊”的项目，它永远不会出现在董事会演示文稿中，但没有它，任何人工智能都无法真正运行。

● 培训录入原始数据的人。这是整个数字化中最被低估的一项投资。

● 在收集数据之前，将模板可视化。这个方法看起来很简单，却能减少70%至80%的录入错误。人们犯错不是因为愚蠢，而是因为不明白到底要求他们填什么。

只有在这之后，才可以讨论模型。不能更早。

那人员问题呢？主要阻力在哪里？

人员障碍分布在三个层面，每一层都不同。

第一层，高层管理层。在大多数情况下，对一把手而言，数字化是一个黑箱，由此产生三种稳定的认知偏差。

第一，期待会来一个魔法师，把一切都做好，而自己不需要深入理解、不需要提出清晰需求，也不需要改变。不会有人来。所有人都必须改变，包括总经理和所有者。

第二，时间视野。正常的数字化转型需要4到10年，第一批结果不会早于9到12个月出现。但管理层的要求常常是“半年内见结果，要有保证，还要提前说明失败时该开除谁”。在这样的要求下，无法设计一个诚实的项目，只能做出一份漂亮的演示文稿。同时必须理解，人工智能如果脱离其他信息技术，效果非常有限。是的，它可以解决局部问题，比如识别文件、自动生成会议纪要，但从整体上看，它不会对财务指标产生显著影响。

第三，也是代价最高的一点，是把注意力放在技术以及单一流程内部的“直接”效果上。节省了三千万卢布，把文书处理时间缩短一半，这当然重要，但这只是优化。真正的效果存在于端到端、跨职能指标中，而这些指标没有人统计，因为统计它们需要第二层数据，而企业没有。

应该怎么做，要让一把手参与变革，而不是只向他们通报变革。应在项目章程中诚实固定时间视野，并承认部分倡议不会成功。还要至少引入两到三个跨职能指标：不是“车间节省了多少”，而是工序盈利能力、生产周期节奏、员工人均利润。否则，你们将永远停留在优化阶段，永远无法走到转型阶段。

第二层，中层和技术管理层。这里的失败最被低估。问问一线管理者，项目和产品有什么区别？“计划、执行、检查、改进”循环是什么？员工阻力有哪些类型，应该如何处理？有多少比例的员工会愉快接受变化，又有多少会一直站在反对面？

结果是你们可以想象的，而正是这些人，要负责把人工智能引入车间。

应该怎么做。解决方案并不是大家通常想到的那种。没有必要让所有人参加培训并获得认证：这既不起作用，也很昂贵。需要的是简单、可获得的培训项目，以及用备忘卡取代厚厚的规章制度，让人能够花三分钟快速查看并刷新知识。规章制度通常只在入职时读一次，备忘卡才会被使用。更好的方式是提供工具，包括软件工具，使人不容易犯错。

第三层，执行人员。

我做过一个资产管理系统实施项目，当时一线操作人员不会在电脑上打字。第一件必须做的事，就是教他们输入文字，否则一条缺陷记录要录入三个小时，而且有三十个错字。在另一个项目中，一位27岁的生产班组长不知道如何在表格软件中制作表格。

而在实施任何信息系统时，技术支持中最常见的请求，占80%至90%的请求，都是“忘记密码”和“无法注册”。

在一个综合项目中，我们测试了约2500名受变革影响的用户，其中850人需要接受基础计算机技能培训。我们开展了32小时培训项目，而这成为整个项目成功的因素之一。

人不是在破坏。他不会。这是另一类问题，需要用另一种方式处理。

还要单独谈谈那些会用但不愿用的人。在给出“蓄意破坏”的判断之前，请先看激励体系：如果系统效果没有进入使用者的指标，人实际上是在违背自身利益工作，他自然会保护自己。我们常常把人对扭曲激励体系的正常反应称为破坏。

角色障碍：首席信息官不是首席数字化转型官

另一个非常常见的错误，是把数字化和人工智能引入工作交给传统信息技术部门。

传统信息技术负责建设可靠系统。对首席信息官而言，重要的是稳定性、预算和规章的遵守、降低风险、优化成本。他的任务并不是思考业务盈利能力，也不是与内部客户进行商业对话。对首席数字化转型官而言，重要的恰恰相反：企业整体效率、寻找新的收益来源、处理数据而不是“硬件”、保持灵活性并接受风险。

按照阿迪泽斯理论，这实际上是不同类型的人：首席信息官主导的是行政管理和生产职能，也就是“需要做什么”和“应该怎么做”；首席数字化转型官主导的是创业和沟通职能，也就是“为谁做、由谁做、何时做”。首席信息官是运营型负责人，首席数字化转型官是发展型负责人。

还有一个观察会让很多人不舒服，但它是正确的：传统信息技术能力越强的专家，通常越不具备转型所需能力。这不是个人缺陷，而是角色不匹配。

应该怎么做。有两条可行路径。第一，单独设立转型职能：有一个人带领自己的团队，拥有自己的预算和指标，在业务与信息技术之间工作。第二，在信息技术部门内部发展缺失能力，并引入信息技术业务伙伴制度：这些人嵌入业务职能内部，使用业务语言沟通，并把业务需求转化为系统要求。

永远行不通的做法是：任命首席信息官负责数字化转型，但不改变他的指标，也不改变他的团队，然后期待得到不同结果。

这一切下面，是文化问题

如果公司里所有人都以“别人欠我”的立场看待彼此，如果大家都等着数字化负责人出现并让所有人幸福，那么即使最有才华的数字化负责人，也会在三到四个月内耗尽精力。之后，他不会再是以客户为中心的合作伙伴，而会变成一个普通信息技术人员，不想见任何人。

以可接受成本推进数字化和人工智能引入，只有在业务需求方真正参与、真正感兴趣，并掌握基本项目管理能力时才可能实现。数字化和人工智能引入，本质上是协商能力。否则，即使很好的工具被实施了，也不会有人使用，三到六个月后就会被组织排斥。

应该怎么做。确定公司及各部门的组织文化类型，并据此选择角色模型：在车间有效的方式，未必适用于研发部门。让业务需求方成为项目共同所有者，而不是结果接收者：他的姓名写入项目章程，他的指标与项目绑定，他在委员会上负责捍卫结果。还要有一条诚实规则：如果业务需求方不准备把自己的时间投入项目，项目就不启动。不是因为我们感到不满，而是因为它无论如何都会失败，只是失败得更晚、成本更高。

单独谈一个问题：信息安全。它在多大程度上阻碍人工智能引入？

这也许是最被低估的结构性障碍，而且它破坏的不是流程，而是经济性。

工业企业安全部门的典型立场是：要么禁止，要么全部放进内部封闭环境。数据匿名化通常也不能让他们满意，因为他们会担心“万一被恢复”。从形式上看，很难反驳。

但看看资金会发生什么。完全隔离环境的要求意味着：自有服务器、自有加速器、自有基础设施、自有运维团队、自有更新、自有支持。一个在云端部署只需100万卢布的项目，会变成2000万至3000万卢布的项目，而且这不是一次性支出，而是持续支出。

人工智能项目的经济性，不是在模型上崩溃的，而是在边界安全要求上崩溃的。

结果是商业测算无法成立。投资委员会看到数字后，完全正确地予以拒绝。最终落地的只有个别倡议，也就是那些有足够政治影响力推动预算的倡议。其他项目全部死在审批阶段。

这里最大的损失，却没有人计算：公司没有积累判断经验。经验没有出现，能力没有出现，理解这套东西到底如何运作的人也没有出现。三年后，这样的公司会和供应商谈判，但并不明白对方卖给它的是什么，也不知道它应该值多少钱。判断经验买不到，只能积累，而且只能通过自己的项目积累。

三个原因，而且没有一个出于恶意

第一，安全部门自己并不理解人工智能。

这件事必须直说。一个安全人员如果不理解把数据发送到公共界面和在自有硬件上本地运行模型之间的区别，不知道数据匿名化后会发生什么，也不知道一次请求后数据是否会留在模型中，那么他就无法评估风险。他在实际操作上没有风险评估工具。而当风险无法评估时，只剩下一个动作：禁止。

禁止不需要能力。在可控风险下批准，需要能力。所以他们选择禁止。这并非出于恶意，而是在其所处职责和能力边界内唯一可采取的行动。

由此可以得出一个令管理者不太舒服的结论：培训安全部门，是人工智能项目的一部分，和购买服务器一样重要，而且它比任何服务器都便宜。如果你培训了业务部门，却没有培训安全部门，你建设的项目就会在审批阶段被叫停。

第二，企业并不清楚什么是秘密，以及它保持秘密的期限有多长。

在企业里问一个问题：哪些数据属于商业秘密？答案很可能是“全部”。然后再问第二个几乎没人问的问题：这些数据会保持商业秘密多久？

十年前已停产部件的图纸。三年前的维修申请。前上个季度的产量汇总。所有这些信息都被像当前成本和现有订单组合一样保护，也就是永远、同等保护。

秘密是有保质期的。信息的竞争价值有时几个月就会消失，有时甚至几天就会消失。如果密级没有期限，你们就会永远保护一切。而永远保护一切，意味着什么也保护不好：资源会被摊薄到庞大数据集合上，而其中95%的内容早已对任何人都没有价值。

数据分类不是官僚主义。它能把与安全部门的对话从意识形态争论变成具体讨论。只要没有分类，安全人员就有义务把一切都视为关键数据，而且他是对的。

第三，业务、信息技术和安全之间不存在真正对话。

三个部门使用三种不同语言。业务部门没有说明禁用会让它失去什么价值。信息技术部门没有把技术方案翻译成风险语言。安全部门听不到前两者的声音，事实上也没人会在最后一刻之前询问它。他们只会见一次，也就是在验收时见面。而在验收阶段，安全部门只剩下一个工具。已经来不及重做，它也知道这一点。

这一切之下，是激励的不对称。发生安全事件，安全人员会被惩罚；没有发展，不会有人惩罚他。只要激励这样设计，他就会禁止，而且是在你们为他构建的激励体系中理性行动。

应该怎么做：五件事，而且全是管理问题

● 培训安全部门。不是“开一次会”，而是真正培训：什么是模型，在不同架构下数据实际去向哪里，匿名化能带来什么，不能带来什么。理解技术的安全人员，会开始围绕配置进行谈判，而不是整体禁止。

● 从两个维度进行数据分类。不只是“敏感程度有多高”，还要看“持续多久”。没有期限的密级，就是永久密级。

● 改变任务设定。安全部门的职责不应是“禁止”，而应是“在可接受风险水平下使其成为可能”。只要它的指标中没有任何一项涉及发展，它就会禁止，而且这样做是正确的。

● 引入替代方案规则。任何禁止都必须同时给出可运行的替代方案。只有“不可以”，却没有“可以这样做”，这不是安全部门在履行职责，而是在回避职责。

● 建立三方机制。不是事后审批，而是从第一天开始共同设计：业务、信息技术和安全坐在同一间会议室里。结果应是差异化环境：不敏感任务使用外部模型，敏感任务进入封闭边界。坦率地说，企业中的大多数任务并不敏感。

这里还要注意，不要让钟摆摆向另一个极端

我并不是主张取消安全。因为生产控制环节的错误代价完全不同。一个助手在十次中有八次提出正确工艺流程，是一个优秀工具；一个模型在十次中有八次正确控制执行机构，那就是事故。

因此有一条规则：越靠近控制环节，模型就必须越窄、越可验证，而且越必须设置故障场景和人在决策闭环中。我们不会把大型语言模型放进工业过程自动化控制系统的控制环节，也没有必要这样做。“嵌入生产环节”并不意味着“由人工智能进行控制”，而是意味着“人工智能被嵌入人的决策流程中，并且该决策可以被追溯”。