AI進入產業融合深水區：IBM和施耐德電氣的AI落地實戰心法

AI技術日新月異的今天，一場深刻的產業變革正在全球范圍內加速。從大模型的迭代到智能體（Agent）的涌現，AI正從一項前沿技術演變為驅動企業增長與重塑產業格局的核心力量。然而，這場技術革命在帶來無限機遇的同時，也引發了普遍的“AI焦慮”——企業既擔心錯失良機被競爭對手超越，又憂慮投入巨大卻難以獲得可衡量的回報。如何穿越迷霧，將AI從“聽起來很美”的概念轉化為“用起來很實”的生產力，成為擺在所有企業管理者面前的關鍵課題。

《深度實踐》（DeepPractice）是鈦媒體聚焦AI技術演進、落地的視頻播客節目，撇開深奧浮夸的大詞，深度拆解實現路徑、思考決策與硬核細節。本期《深度實踐》欄目請來了IBM大中華區董事長、總經理陳旭東與施耐德電氣高級副總裁、戰略與業務發展中國區負責人熊宜，一同探討AI時代，企業數字化轉型的破局之道。

企業深陷雙重焦慮的核心困境

在AI技術快速迭代的當下，企業的焦慮并非單一的技術應用困惑，而是宏觀環境與技術落地雙重不確定性疊加的結果，這也是當下產業界的普遍痛點。一方面，AI技術發展日新月異，今天的技術可能明天就落后了；另一方面，AI應用之后，如何才能體現其價值，讓企業獲得切實的收益。這兩個問題構成了目前企業級用戶的焦慮。

陳旭東將企業的核心焦慮歸結為兩大層面，其一便是宏觀環境變化帶來的系統性不確定性，油價、貴金屬等要素價格的劇烈波動，地緣政治與法規規則的頻繁變動，再加上生產力提升的持續壓力，讓企業CEO難以做出穩定的戰略判斷。其二則是AI應用的落地焦慮，盡管全球今年AI領域支出預計達2.5萬億美元，AI技術的商業價值被廣泛看好，但多數企業的AI應用尚未顯現顯著成效，“怕落后又怕投入打水漂”的心態，讓企業在AI布局上陷入猶豫。

施耐德電氣的觀察則更貼近能源、工業、數據中心、基礎設施等實體產業的實際痛點，熊宜將企業焦慮拆解為技術與宏觀成本的雙重沖擊。從技術落地角度看，過去企業數字化轉型的固定流程已難以適配當前的技術迭代速度，一個企業級AI項目從規劃到落地通常需要1.5至2年，而AI技術的發展讓企業擔憂投入的技術尚未產生效益便已過時，項目投資回報的評估成為一大難題。

從宏觀環境來看，當企業在微觀層面通過精益生產、AI應用提升效率時，市場的變化、供應鏈的不確定性等可能直接顛覆這些努力，如何鍛造企業韌性以應對突發性宏觀環境的沖擊，成為實體企業的核心訴求。而這種焦慮的本質，是技術發展速度與企業落地節奏的脫節，以及微觀效率提升與宏觀環境波動的矛盾，這也讓企業在AI轉型中陷入“不用不行，用又不敢”的兩難。

破局AI落地，從單點嘗試到平臺化深耕是關鍵

面對多重焦慮，企業的破局之道并非盲目跟風布局AI，而是以戰略定力為核心，從單點嘗試走向平臺化深耕，讓AI應用真正與業務價值掛鉤。

熊宜從實體企業的實踐角度，提出了AI落地的三大核心原則，也是衡量企業AI是否真正落地的關鍵標準。首先是樹立平臺思維，摒棄分散的單點應用模式，構建企業級的AI能力體系，讓數據、經驗與技術能力能夠沉淀復用，施耐德電氣將AI貫穿 EcoStruxure?三層架構：接入適配層、運營控制層、管理優化層，并搭建統一的數據平臺，實現能源與工業智能化，正是平臺思維的落地。

其次是堅持場景驅動與可量化的投資回報，AI應用需聚焦于能快速產生價值的場景，將投資回報周期盡可能縮短，為項目設定清晰的量化目標，比如工作時間的節省、人員的優化、生產效率的提升，而非模糊的“效率改善”，施耐德電氣通過舉辦AI“大施杯”大賽挖掘內部場景，篩選項目時以能否提升綜合勞動生產率等硬性指標為核心，實現“花小錢辦大事”。

最后是推動自下而上的自發應用，當AI工具真正解決員工的工作痛點，比如將生產計劃制定的2小時工作縮短至5分鐘，員工便會主動使用，這種自發的應用模式遠勝于自上而下的強制推行，也是AI落地的最佳狀態。

陳旭東則建議企業聚焦于行動與積累。

第一，應加快數字化轉型步伐。供應鏈的韌性一方面可以通過數字化手段來提升，另一方面可能需要在組織管理等方面進行優化；

第二，關于AI相關的焦慮，面對不可阻擋的AI浪潮，建議企業仍需進行一定程度的嘗試。他以IBM自身作為“零號客戶”為例，在利用AI優化HR、財務等辦公效率時，推進的決心非常堅定，在快速試錯、迭代后已經產生了可觀的投資回報；

第三，在企業內部發動員工，尋找可以優化的環節。讓大家了解AI能做什么，再發動大家去發現AI能夠發揮作用的地方，之后再進行更大規模的投入。

而當AI應用從試點走向規模化時，企業需要選擇統一的平臺，避免單點項目的重復投資，IBM的Watsonx平臺與watsonx Orchestrate系統，正是為了解決企業AI應用的管理與協同問題，讓不同部門的AI應用能夠相互調用、形成體系。

而此前施耐德電氣商業價值研究院與IBM聯合發布的《AI for GREEN——以場景驅動AI應用，實現企業價值跨越》報告中也曾明確指出，企業對于AI價值的期待正在從單一向立體轉變，形成了三大顯著趨勢：從僅重視商業收益拓展到注重社會環境價值；價值取向從宏觀決策深入到微觀個體體驗；從追求短期增長到重視長期的價值跨越。基于此，報告提出了“AI for GREEN”價值主張，認為企業通過AI可以實現五大價值：業務增長（Growth）、可靠性與韌性（Reliability）、效率與滿意度（Efficiency）、可持續發展（Environment）以及全新的商業模式（NewHorizon）。

值得注意的是，AI落地的核心邏輯已發生轉變，從過去的IT部門驅動變為業務部門驅動。陳旭東指出，過去的信息化多解決財務、供應鏈等通用問題，而AI能針對企業的個性化業務痛點優化流程，這需要業務部門提出真實需求，技術部門提供支撐，形成“業務+技術”的共創模式，這種模式也讓企業的AI應用更貼合實際業務，避免技術與業務的脫節。

總體來看，在落地AI應用的過程中，企業需要一套以場景為中心的實施路徑。

第一步：統一共識，規劃全圖。企業需通過跨團隊交流統一AI戰略共識，并運用價值框架全面梳理業務流程，繪制出清晰的AI場景全景圖，明確賦能方向，從而降低試錯成本。

第二步：聚焦場景，小步快跑。在全景圖基礎上，通過評估技術可行性、資源投入和風險，篩選出優先落地的具體場景。應避免追求“萬能明星”項目，而是組建跨部門團隊，以解決流程中部分問題的“細分專家”項目為起點，敏捷迭代，快速驗證價值。

第三步：數據沉淀，構建差異化。高質量的數據是AI的“燃料”，而企業內部獨特的行業知識與經驗則是未來的核心競爭力。企業需要建立高效的數據處理管道和治理機制，并有意識地挖掘、整理那些隱藏在文檔、流程和專家頭腦中的隱性知識，將其轉化為可記錄、可復用的企業知識庫。

第四步：民主賦能，全民創新。成功的AI應用不應局限于技術團隊，而應實現規模化賦能。這需要在組織上彌合業務與技術的認知鴻溝，讓非技術員工也更多地參與技術創新。

AI能源深度融合，產業協同開啟發展新機遇

“AI的盡頭是算力，算力的盡頭是能源”，這一行業共識讓AI與能源的深度融合成為產業發展的核心方向，也為科技企業與能源科技企業帶來了全新的機遇，而中國市場的技術、場景與成本優勢，讓這一融合擁有了更堅實的落地基礎。

對于施耐德電氣而言，AI蓬勃發展帶來的能源挑戰，本質上是電力供應與電力管理的雙重問題，一方面，算力中心的建設面臨電力瓶頸，施耐德電氣通過推動綠電直連、新型電力架構等項目，解決電力“有沒有”的問題；另一方面，AI負載的峰值功率波動更快、更不可預測，傳統的供電方案已無法適配，施耐德電氣正探索電化學儲能、飛輪儲能等新技術，實現對電力波峰的秒級響應，同時將電力管理從機柜級、服務器級精細到芯片級，解決電力“用得好不好”的問題。而這一過程也推動了施耐德電氣的商業模式與技術體系變革，從單純的產品銷售轉向與客戶聯合研發的共創模式，從電力外圍設備供應轉向與算力核心的深度融合。

IBM則在AI技術層為能源與工業領域的AI落地提供了技術支撐，其針對良品率極高的視覺檢測場景推出的反向學習方案，通過建立“完美產品”模型識別異常，解決了實體企業因缺陷樣本不足導致的AI訓練難題。同時，IBM持續深耕混合云與AI領域，將傳統AI與生成式AI融合于Watsonx平臺，為企業提供從數據管理到模型訓練、AIAgent協同的全流程解決方案，成為企業搭建AI平臺的核心選擇。此前雙方聯合發布的“AI for Green”報告與GROWTH模型，也為AI與能源的融合奠定了理論基礎。

從焦慮到破局，從單點嘗試到產業協同，企業的AI轉型正進入深水區，這場轉型并非一蹴而就的技術升級，而是企業戰略、組織架構、業務模式的全方位變革。

以下為對話實錄，經鈦媒體APP整理：

劉湘明：各位觀眾大家好，歡迎來到鈦媒體的視頻播客《深度實踐》。今天，我們將聚焦探討當前備受關注的兩個關鍵詞：焦慮與機遇。首先，請允許我介紹今天邀請到的兩位重量級嘉賓：施耐德電氣高級副總裁、戰略與業務發展中國區負責人熊宜先生。熊總您好！另一位嘉賓是我們的老朋友，IBM大中華區董事長兼總經理陳旭東先生。陳總您好！

AIAgent來了，企業在焦慮什么？

我們剛剛結束春節假期，但這個假期對許多業內人士而言，可能并未感受到太多節日氛圍。近期各類新聞頻出，如大模型、具身智能等話題，春節后行業又開始熱議“龍蝦”。因此，最近見面時大家常提到一個熱詞：“最近在焦慮什么？”今天，我們不妨先從個人焦慮談起——請熊總和旭東分享一下，你們個人最近焦慮的是什么？

熊宜：大家好。剛才劉總的問題很有意思——焦慮什么？就我個人而言，我其實是一個比較樂觀的人，很少感到焦慮。我更多思考的是，如何應對我們當前面臨的各種技術應用實踐，以及如何將我們日常討論的概念，比如您剛才提到的“龍蝦”，真正落地。

所以，我認為積極嘗試新技術非常重要。在今天這個時代，我們尤其需要思考：如果未來出現所謂“零員工公司”，我們最終會成為那個“零”，還是那個“一”？這是目前我比較關注的問題。

陳旭東：我們其實有很具體的事情。特別是全球的一些軟件公司，在春節期間，出現了一次股市的大波動，這與AI的發展密切相關。特別是AI在編程、寫代碼方面的革命性影響，以前大家更多是玩玩，但一旦涉及企業級應用，有人提出可以用AI重寫主機代碼。不過最近（股價）又慢慢回升了，因為大家發現事情沒那么簡單。光把代碼翻譯一遍，離實現整個IT系統的現代化還有很大差距。所以談不上真正焦慮，但這確實引起了市場的巨大波動。

劉湘明：更具象化一點：從你們當前的職位視角來看，整個市場焦慮的核心是什么？同時，從產業和企業層面，我們應該如何理解這些焦慮，又該如何應對？

陳旭東：從我們的觀察來看，客戶當前主要存在兩個層面的焦慮。

第一，是宏觀環境變化帶來的不確定性。整個大環境變化太快，許多過去難以預料的事情現在頻繁發生。例如，近期油價等要素價格劇烈波動。地緣政治局勢、法規規則的變動，以及對生產力的要求壓力日益增大，這些因素共同構成了許多企業CEO深感焦慮的核心問題。

第二，是關于人工智能（AI）的應用焦慮。雖然AI已進入大眾視野，但在許多企業內部的實際應用尚未展現出顯著成效。這引發了普遍的焦慮：如果競爭對手成功應用了這些技術，是否會將自己遠遠甩在后面？因此，如何有效應用AI來加速提升企業競爭力，已成為一個重大的焦慮點。有專家預測，今年全球在AI領域的支出將達到約2.5萬億美元，這進一步加劇了企業在此問題上的緊迫感。

熊宜：我們有很多相似的觀察。從我們接觸的眾多行業客戶以及我們自身（業務涉及工業、基礎設施、數據中心、樓宇等領域）來看，大家的焦慮主要集中在兩個方面。

首先，是技術本身，最核心的焦慮是技術迭代速度過快。正如我上午和同事討論時提到的，過去企業進行數字化轉型或應用AI，通常遵循一套固定流程：從公司領導層統一思想、開展培訓開始，然后尋找技術團隊或公司實施項目，最后上線一些能夠提升具體場景效率的應用，例如質量檢測、視覺識別，或在工廠部署機器人等。

但現在我們發現，這類項目要評估其投資回報變得非常困難，因為技術迭代太快了。一個企業級項目，從規劃到上線、再到真正產生效果，通常需要一年半到兩年時間，這對大企業來說已經不算慢了。然而，以AI為代表的技術發展速度，讓我們根本無法想象兩年后它會變成什么樣子。這就是最大的焦慮所在：現在用還是不用？不用，似乎大家都在做；用，又擔心投入不菲的技術很快會過時，而且很多系統并非能夠隨時迭代升級。這是我們在服務客戶以及自身實踐中，從技術層面看到的一個非常關鍵的問題。

其次，是宏觀環境的不確定性帶來的焦慮。有時候宏觀環境帶來的沖擊和影響是根本性的。因此，如何鍛造企業的韌性，以應對這種突發性的宏觀層面沖擊，是我看到的另一個普遍存在的焦慮。

直面焦慮，企業應當如何做？

劉湘明：針對企業核心的焦慮，您會給企業提出哪些建議？

熊宜：我認為可以先從宏觀層面的建議談起，后續再逐步深入到具體操作。對于公司而言，無論規模如何，它首先是一個大型組織。因此，一個全盤的考慮、整體的規劃，或者說全局性的思路，仍然是至關重要的。我們應對前面提到的各種挑戰（技術迭代、宏觀不確定性）已經很多年了，也投入技術做了很多細節工作，但始終感覺缺少一個平臺級的思維方式。說得更公司化一些，就是戰略規劃層面的、總體的頂層設計。我認為這是一個需要提前考慮，或者說現在就應該開始著手考慮的事情。

其次，是如何讓技術應用找到能夠快速見效的場景。過去我們偏向于尋找快速落地的場景，現在則需要在前面提到的整體規劃之下，再去尋找一些投資回報周期更短的項目。以前一個項目的投資回報周期可能需要一年半，現在能否縮短到一年，甚至六個月？我們需要能清晰地說明，某個場景在落地后，比如投入100萬，是否能在六個月后開始產生效益，或者在兩三年內收回這100萬成本。總之，需要一個比較清晰的投資回報預期。

第三點，我認為無論是AI還是其他技術，都需要長期的積累，包括數據、內部能力以及人才等方面的積累。一個可能的解決方法，或者說我們現在正在嘗試的做法是，不能僅僅依靠一個個針對特定場景的、臨時組建的小分隊去單點作戰。而是要讓這些技術能力、數據資產和人員經驗能夠逐漸沉淀、積累起來，形成一個可復用、可迭代的基礎。同時，在這個過程中，人員的能力也能得到系統性的鍛煉和提升。雖然外部環境充滿不確定性，但這幾點可能是企業內部確定需要去推進和建設的方向。

陳旭東：針對我提的那兩個焦慮，第一個是形勢變化快，如何應對？熊總提到的價格波動、供應鏈中斷等，其實前幾年就出現過。我們的建議是，首先要加快數字化轉型步伐，將信息整合研究，增強供應鏈韌性。這既需要數字化手段，也可能需要組織管理，甚至找咨詢公司做顧問。

第二個跟AI相關，大家既擔心落后，又怕技術投入很快過時。還有一個大問題是，AI的投資回報率（ROI）現在很多時候算不清楚，這很挑戰。但回顧以往的信息化（IT）投入，其實也不見得都能算那么清楚。奇怪的是，在這一輪AI階段，大家卻特別想把它算清，可能是因為對AI能干什么還不太清楚，怕浪費太多錢。但面對不可阻擋的AI浪潮，我的建議是，一定要進行嘗試。

嘗試的規模與企業有關。像IBM這種公司，就是毫不猶豫地全面實施AI，把技術用在自己企業里。我們內部把自己叫“零號客戶”。比如用AI優化HR、財務的辦公效率時，我們做得比較“激進”。這跟每個企業的決心有關。

一開始用AI肯定會碰到不好用的問題。但你知道它哪里不好用，就知道怎么去優化它，這對企業都是一種積累。所以一定要開始做，通過這個過程培養全員的相關能力。發動大家找到可以優化的地方，讓大家知道AI能干什么，然后再去投更大的投入。大概有這么一個過程，但一定要開始做，不可能一蹴而就，特別是在企業里，不可能搬個系統過來就能用。

劉湘明：兩位講得特別好。我簡單小結一下：第一，企業仍需保持戰略定力，畢竟這（指應對變革）是件大事，不能盲目焦慮。第二，必須行動起來。正如剛才熊總所談，可以先從嘗試“小龍蝦”這樣的具體實踐開始，不能僅僅停留在討論層面。面對一個全新的事物，需要獲得直接的體驗和感知。正好借這個機會問一下，您嘗試的“小龍蝦”現在訓練得怎么樣了？

熊宜：剛開始嘗試。我認為一個可以24小時不間斷工作、能夠持續學習、沒有情緒且不會疲勞的智能體，只要數據安全允許并給予足夠的信息，它肯定會比我們做得更好。這可能是我的一個體會。

AI產品涌現，企業如何調整，適應？

劉湘明：是的，這其實也是我下一個問題的鋪墊。回想一年前，我們談論AI時，技術發展已經很快，而DeepSeek的爆發其實也就是去年春節的事。現在想起來，感覺好像已經過去五六年了，時間過得非常快。

然后，像“小龍蝦”這類智能體的出現，讓我們感覺AI原來可能只是幫你回答一些問題、搜集一些資料，現在卻好像“長出了手腳”。雖然這“手腳”可能還不那么完善，但它已經可以幫助你去執行一些任務，把一些事情串聯起來。

這反過來引出了我想請教二位的問題：原來AI更多是一個輔助工具，現在它可能真的變成了工作流中的一個自動、自發的節點了。這就意味著，企業需要不斷地對AI進行重新定義和認知。你們如何看待這兩年AI如此快速的變化？企業又該如何調整自身去適應？

陳旭東：關于AI，我們公司七八年前就提出了AI戰略。從生成式AI（GenAI）出來后，我覺得大家在思想意識上可能還沒完全把它區分清楚。我想借這個機會聊聊，我認為生成式AI，特別是在兩個世界里，它出現和帶來的改變是不一樣的。

第一個世界我稱之為“表意世界”，即完全不需要與硬件產生直接關聯的領域。無論是語言、圖像、視頻，還是寫代碼、發郵件，這些在電腦前完成的工作都屬于這個表意世界。這個世界已經發生了快速的顛覆，生成式AI就像一個強大的助手，可以幫你完成很多工作。如果沒有安全問題，這將是一個極其出色的工具。但今天早上的新聞也特別提到，企業使用這類工具時，最好不要與外網連接，否則可能存在風險，比如可能有AI智能體（agent）在交互中竊取企業信息。所以，目前這個領域的情況還不好下定論。

另一個世界我稱之為“物理世界”，它的變化也非常巨大。例如，機器人技術去年開始“跳舞”，今年已經特別厲害，甚至能翻跟頭了。生成式AI領域的許多進步被大量應用到物理世界中，目前應用最廣泛的其實是自動駕駛。未來，司機這個職業很可能會被取代，這在技術邏輯上已經沒有問題。此外，機器人可以幫助家庭做家務，或在生產線上工作。目前許多組裝線仍需依賴人工，因為機器人還無法完全復現人類在精細操作（如按壓、感知組裝過程）中的觸覺和判斷力。但在另一些領域，如手術，機器人已經表現得很出色。不同領域的技術演進速度是不同的。

因此，對于企業而言，首先需要理解AI給表意世界和物理世界分別帶來了哪些變化，然后再去思考這些變化會對自身企業產生何種影響。例如，剛才提到的視覺檢測技術，我以前也以為它已經應用得很廣泛了，但實際走訪企業后發現，其普及程度還差得很遠。很多場景下，人們還在用肉眼進行費時費力的檢測，而且許多特殊場景的要求并非通用算法能夠解決。

所以，大家要先把AI能干什么搞清楚，然后在企業中找場景。千萬不要被表面現象迷惑，要把它能干什么、不能干什么整明白。每一個部門領導都要非常清楚了解AI能干什么，然后通過這個工具去優化效率。生產線上還是有很多優化點我們沒做到，很多企業在這方面還差得很遠。這和生成式AI一點關系都沒有，是傳統的AI。說明老AI大家還沒用，新AI又來了。

熊宜：現階段的AI技術應用確實越來越深入，正從輔助流程向核心業務流程，甚至向物理世界的控制延伸。我們通過數據采集、模型分析預測，最終實現控制。我們也做了一些項目，在一些具體節點上開始實現這種過程控制或節點控制。其邏輯是，將專家經驗或由小模型收集的信息，轉化為大模型的知識，再由大模型給出指令，驅動小模型去執行。大致是這樣一個邏輯。

比如剛才講到的視覺檢測，產品出來后需要進行視覺檢測。我們曾有一個工廠上線了這套系統。原來需要三個人三班倒，每人看大約8小時（實際無法連續看，中間需要休息），三個人需要不間斷地檢查。

后來我們使用了視覺檢測技術。但一開始，由于我們的產品質量很好，缺陷很少，導致系統缺乏錯誤樣本進行學習，無法識別哪些是壞品。所以，沒有樣本，AI再智能也無法落地。

第二個原因是成本。我們很多客戶，包括我們自己的工廠，在使用這類技術時面臨成本問題。例如，在定制化程度較高的裝配環節，或者擰一個小螺絲這樣的操作，如果使用機器人或機械臂，在定制化需求頻繁變動的情況下，成本會很高，因為需要不斷重新編程或調整。相比之下，人工操作反而更便宜。因此必須尋找最經濟的方法，而機器人、AI或機械臂協同的方案未必是最經濟的。

汽車行業可能比較特殊，因為其標準化程度高。但我們有大量離散制造場景，最終要看經濟效益。所以，為什么AI技術進入核心業務流程，真正用軟硬件結合的方式去替代人工，其效率或成本效益不見得最高，這是很多企業都會遇到的問題。只要客戶有個性化需求，這就是個無法避免的難題。

陳旭東：我補充一點，關于剛才提到的定制化問題。定制化確實是成本的“殺手”，它會帶來較高的成本。但這里正好可以介紹一下IBM的解決方案。例如在視覺檢測方面，IBM提供了一個平臺。這個平臺的特點在于，它并非要求你必須針對某種特定場景進行定制，而是能夠根據不同場景自動進行模型訓練。這樣一來，每個新場景的部署成本就比較低，而不需要針對每個場景專門派人去開發。所以，像IBM這樣的公司，就是開發這種平臺，讓企業可以在內部的一個點成功應用后，自行再去部署到其他地方。

此外，關于硬件要求，以前的視覺檢測對攝像頭要求非常高，一個攝像頭動輒十幾萬。而現在，我們甚至能做到用手機拍攝一下也可以進行檢測，對硬件的要求大大降低了。因此，從技術邏輯上講，這類解決方案是能夠得到一定普及和推廣的。

施耐德電氣與IBM如何應對挑戰？

劉湘明：我們更聚焦一點。熊總，我特別關心的是，像施耐德電氣現在面臨著數字化、智能化轉型，以及各種國際形勢、宏觀挑戰，您認為當前最大的挑戰是什么？以及你們是如何應對的？這是大家很關心的問題。

熊宜：挑戰確實很多。從戰略角度來看，無論是全球還是中國，我們都應該聚焦于那些我們一直在做，并且在當前技術革命和AI帶來的變化中，應該繼續做，甚至做得更好的事情。

核心是：在能源轉型的大背景下，我們對于能源科技的“戰略定力”。不盲目跟隨熱點，而是在能源領域里持續深耕，并將我們的產品、解決方案、服務乃至整個體系都向這個方向靠攏。我認為這是我們當前需要非常聚焦去做的事情。

稍微展開而言，現在無論大家談論“算力的盡頭是電力”，還是宏觀形勢與全球格局，能源都不可避免地成為一個非常核心的主題。無論是能源競爭、能源管控，還是各國強調的能源安全，都圍繞于此。尤其在當前，傳統能源面臨綠色和可持續發展的巨大要求，新型能源（或者說在以電力為主的新能源格局下）正在崛起。我們應該做什么？就是把我們剛才講到的一系列轉型都往這個方向靠攏。這既是我們的挑戰，也是最大的機遇。

為什么說是挑戰？因為傳統的電力格局正在發生根本性變化。我相信，即使在中國，我們過去以火電為主的能源格局也并非終極目標，它正在發生巨變。現在從企業角度看，再小的企業也會用點新能源，比如配置電池儲能，或者在屋頂安裝光伏板。這些新能源技術帶來的變革，正在改變整個電力系統的結構——從原來更集中、單向的“電網到用戶”模式，轉變為更多向、多維度的“微電網+大電網”協同用能格局。

在這個格局變化中，我們原有的積累可能是機遇或優勢，但同時也是挑戰。我們希望在能源轉型的大格局下，通過我們的新產品和技術，持續地——在市場變化最快的部分跟上步伐，甚至引領能源科技的發展。我認為這是我們當前面臨的最大挑戰。

劉湘明：IBM的應對之策又如何？

陳旭東：從全球視角看，IBM正逐步將自己打造為一家以軟件和咨詢為核心的公司。在過去十幾二十年里，這個變化非常大。目前，我們的軟件業務占比已達到45%，而硬件業務已降至25%以下。

進入新時代，我們稱之為混合云與AI時代。最大的挑戰在于，如何在AI時代繼續引領企業的信息化或數字化轉型進程。IBM本身就是一家軟件公司，很多員工是坐在電腦前工作的。正如我們剛才討論的，這類工作可以被優化，效率可以得到提升。因此，IBM自身也作為“零號客戶”，進行了許多變革。我們面臨的一大挑戰是：我們能否走在客戶前面？所以我們把自己稱為“零號客戶”，自己開發出來的技術和解決方案都會先內部試用，成熟后再作為案例分享給客戶。這既是挑戰，也是巨大的動力。過去這些年，我們在AI領域也收獲了許多客戶。

而且，IBM在AI領域的探索并非始于生成式AI。我們的Watson平臺在十幾年前就已推出，那時我們稱之為傳統AI，包括視覺檢測等應用。生成式AI出現后，我們將其升級為Watsonx平臺，兼容了生成式AI與傳統AI，使這個平臺有能力幫助客戶解決更廣泛的問題。因此，IBM的角色更多是幫助客戶發現他們可能存在的問題，并加以解決。

但在這個過程中，許多問題IBM自身也同樣存在。例如，我們組織如此龐大，如何為員工提供財務、HR等各方面的支持，原本是一項巨大的投入。現在，這部分工作已有50%以上被AI取代。這個過程內部也經歷了磕磕絆絆，一開始并不好用，抱怨很多，但度過磨合期后，很快就發揮了更大的價值。所以，可以說AI的發展既是我們的“飯碗”，在某種程度上也是一種焦慮——我們如何在這場競賽中勝出。

離AI規模化還有多久？

劉湘明：當下，AI是否真正進入實用落地、價值深耕階段？產業端真正用起來的最核心標志是什么？

陳旭東：在我看來，一個關鍵的標志是：企業是否已經有很多想要實施的AI項目。具體來說，就是企業自身是否已經發現了許多可以用AI來提升效率的具體環節。這背后意味著，你已經理解了AI能做什么，并且能夠識別出這些機會——通常，這種識別能力源于你曾經有過成功的實踐經驗，否則你很難發現這些機會。

因此，我認為判斷AI是否在一個企業內部真正推行起來，就看它是否已經在一個地方取得了成功，并且在此基礎上，企業自身又主動發現了更多的應用機會。這有點像我們公司的情況：現在AI應用已經形成了一個自我推動的良性循環，不再是需要自上而下強推某個點去使用，而是每個部門都在自發地推動AI的應用。我認為，當達到這個階段時，就可以算作是一個比較成功的開始了。

劉湘明：那更具體一點，您剛才也談到了IBM的HR、財務部門都在應用AI。您認為AI在這兩個部門、兩個體系里是真正落地了嗎？

陳旭東：我認為AI在HR和財務部門是真正落地了。因為我們現在已經看到了實際的結果：確實優化了很多崗位。以前很多需要找人詢問或辦理的事情，現在基本上你也不知道是誰（或什么系統）幫你辦好了，這種情況非常多。但事情最終都能辦成。

不過，前提是公司內部必須得有相應的系統。如果沒有系統，光靠AI是搞不定這些事的。以前有人問我：“你們有沒有一個HR的AI系統？”我說沒有。

對于大公司，HR流程要么跑在SAP上，要么跑在某個其他系統上。如果你沒有這個基礎系統，那么誰來記錄這些事情呢？總得有人（或系統）把它記下來。以前有一個流程（process），AI來了之后，或許可以跳過這個流程中的某些人工環節，但這些記錄最終還得在某個地方存下來。如果沒有這個底層的系統，直接搞一個HR的AI系統，我確實沒有。所以，AI的應用還是以原來的數字化為基礎。

劉湘明：熊總，您怎么看？

熊宜：沒錯，講到如何衡量企業AI是否真正落地，我其實前面談到幾個觀點，可以再拎回來總結一下。我認為有幾個方面：

第一，需要從單點式、單場景、單部門的應用，轉變為企業級的、平臺化的思維。我們遇到過這樣的案例。供應鏈、研發、客服，大家可能用不同的AI工具或者Copilot。這就帶來一個問題：這些應用比較分散。在一個企業里，首先需要一個平臺化的思維。如果企業用了這么多不同的工具，最終經驗、數據可能都分散在各個地方。我感覺這還不能稱之為真正成熟，或者成為一個企業級的、總體的AI能力體系。這是第一點，從單點到平臺化。

第二，大家對投資回報這件事還是有些疑問。但我個人對此比較堅定。雖然剛才陳總也提到，回顧10年、15年前第一輪信息化建設時，投資回報也很難說清，因為那是一個“摸清家底”的過程。在早期信息化階段，確實很難從投資回報角度看“它直接幫你賺錢”或“優化了多少成本”。但現在不同了，再加上技術迭代非常快，所以我非常強調：如果AI已經深入到企業里，你是否能說清楚，做這件事到底需要多長時間就能帶來明確的價值？

正如陳總剛才提到的很多例子，比如HR、財務部門人員減少了，客戶滿意度或交貨率提升了，生產效率達到了百分之多少的提升，這些都是可以衡量的。否則，大家做的項目就缺乏依據。因此，第二個清晰的標志是：是否有一個比較清晰的投資回報衡量體系。

第三，要看應用是自發的多，還是領導要求的多。如果是領導要求用AI，很多人可能會說這東西不好用，跟原來的習慣不一樣，結果花了錢卻沒效果。以前信息化最大的障礙就是這個。凡是需要天天寫報告來論證價值的，往往是因為它本身價值不明顯，才需要去“找”價值。就像我們的IT部門如果天天寫報告說某個系統有多大價值，這恰恰說明它可能沒價值，或者價值轉變很困難。

反之，如果是全員自發的事情，情況就不同。例如，在我們去年獲評“燈塔工廠”的武漢工廠里，有一個做生產計劃的員工。他原來制定日計劃，需要分解周計劃，整合一大堆當天的數據，比如機器使用率、員工到崗率等，每天要提前兩個小時做表格來排出當天計劃，還要應對各種突發情況，比如領導臨時要來參觀，又得調整計劃。現在，給了他一個AI助手，他把這兩個小時的工作變成了5分鐘就能搞定。他就特別愿意用，不用你說，他自己就會用。所以，我認為是否能夠形成自下而上的、自發性的應用，這也是一個成熟度的標志。我覺得這三個方面是衡量的關鍵。

AI的盡頭是能源

劉湘明：AI的盡頭是算力，算力的盡頭是能源。作為能源科技的引領者，施耐德電氣如何看待AI蓬勃發展帶來的能源挑戰？有哪些舉措？

熊宜：首先，電力“有沒有”的問題。算力的基礎是電力，而我們目前在很多地方仍面臨電力瓶頸。無論是“東數西算”工程，還是在烏蘭察布、貴州等地建設的數據中心，其根本制約在于電力供應是否充足。我與數據中心客戶交流時了解到，最大的瓶頸并非電力調度或算力本身，而是數據遷移所伴隨的巨大網絡與通信成本。但前提是，必須有電。我們正在推動綠電直連、新型電力架構等項目，以解決電力擴容問題。

第二是，電力“用得好不好”的問題。AI負載的電力需求特性與傳統IT負載不同。經過研究，我們發現AI負載的峰值功率上升更快，短時間內的波動更大，且這種波動是秒級甚至毫秒級的，難以預測。傳統IT負載有規律可循（如電商峰值在晚間），但AI的算力需求是突發、不可控的。這意味著，傳統的UPS（不間斷電源）方案已不足以應對，需要引入電化學儲能、飛輪儲能等新技術，以實現秒級的快速響應，來平抑這種瞬時波峰。

然而，解決這些問題對我們而言也意味著巨大的挑戰和改變。我們越來越發現，過去那種“賣產品、收錢”的商業模式行不通了。現在需要與客戶進行聯合研發、共創，先一起把解決方案做出來，再談商業回報。這要求我們在商業模式上進行根本性轉變。

此外，技術融合的挑戰也在加深。過去我們主要提供電力外圍設備，但現在需要與算力核心（芯片、存儲）更深度地融合。電力供應需要從傳統的“機柜級”或“服務器級”，精細到“芯片級”（PowertoChips），去管理單顆芯片的能耗與供電的連接。同時，技術本身也在革新，例如從交流電到直流電的轉換，從機械式設備到基于半導體（如IGBT芯片）的固態電力設備。這些轉變都要求我們與全球的數據中心大客戶共同實踐和探索。

AI應用要“循序漸進”

劉湘明：IBM如何看待生成式AI在企業內部真正落地所面臨的最大障礙？以及，回顧過去幾十年企業的信息化、數字化、智能化歷程，你認為這次的挑戰有何不同？

陳旭東：經歷了四個階段。最早應該叫“電算化”，然后才到“信息化”，再到“數字化”和“智能化”。我的觀點是，這幾個階段是循序漸進的，但并非線性發展。并不是說完成了信息化，然后做到數字化，就萬事大吉了。實際上，有些工作回過頭來還得補信息化的課。可能因為技術進步或各方面原因，企業在一層一層向前推進的同時，也在循環往復。

到現在為止，很多企業信息化工作還沒做完。例如，中國企業雖然可能已經上了ERP系統，財務管理上來了，但大量生產企業的資產管理（如龐大的固定資產）可能還沒有任何系統來管理。如何讓這些資產更好地發揮作用、延長使用壽命，這又是新一輪的信息化工作。以前只是管賬，現在要管物。在這些信息化的基礎上，積累了更多信息，才有可能進入數字化。

到現在為止，企業積累了大量的信息和數據，但如何將其用于下一步發展？以前很多數據并沒有被很好地利用起來，特別是研發數據，其中包含的錯誤結論等都有巨大價值可以挖掘。這又可能需要回到信息化，把那些數據找出來，形成研發管理系統等。所以，這個過程是循環往復的。

到了AI時代，特別是生成式AI要廣泛應用的時代，前提肯定是信息化、數字化基礎達到一定程度。我認為，AI時代與數字化、信息化時代最大的區別在于：以前可能是以IT部門驅動為主，現在則進入到以業務部門驅動為主的過程。以前多是解決通用問題（如用ERP解決財務問題），但現在企業遇到的很多問題沒有通用軟件可以實現，卻可以用AI工具來優化流程。這時，AI就能發揮很大價值。

但即便如此，它依然需要強大的基礎。就像有一個智能體（如“小龍蝦”），它要去調用應用，如果沒有那個應用，它調誰呢？最終的基礎還是要有一些應用在那里。企業要自動化一些東西，也需要調用內部的應用來干活。因此，這變成了通過激發員工或組織，去思考如何優化業務、提升效率，然后將這些需求轉化為IT需求，再去實施。這真的變成了像剛才說的“共創”，而不是由IT部門主導。所以，未來AI應用普及后，每個公司的做法可能會很不一樣。不像今天，你看所有的制造企業，其ERP系統都差不多。

劉湘明：回到施耐德電氣。剛才您也談到，施耐德電氣其實已經做了很多AI項目。我想請您分享一下這方面的經驗。因為您剛才也提到了，從原來的預測性維護、機器視覺，到現在您談到的研發、供應鏈，包括生產全流程都在進行優化。您有什么經驗可以跟大家分享一下？

熊宜：首先，需要一個總體的架構。無論是對AI還是對原有的軟件數字化。

比如我們的EcoStruxure架構，我們將其分為三層。最上層是“管理優化”（Optimize），它主要利用大模型對底層上來的數據進行分析，給出決策機制或建議。這個層面包含很多場景，比如能源優化、自動化/智能化優化、管理信息化優化等。

中間層是“運營控制”（Operate），它更多地與邊緣側控制、物理側設備相結合。因為我們有大量的電氣設備和自動化設備，數據經過模型處理后，必須實現閉環控制。同時，這些數據也需要在邊緣側進行初步分析后再上傳。

底層是“接入適配”（Onboard），即所有設備的連接與數據采集層。設備本身不會“說話”，需要通過各種方式（如從黑盒子到帶控制、帶屏幕的演進）讓數據能夠被采集上來。我們看到的很多基礎工作，如數據采集，都發生在這個層面。

此外，還需要一個縱向的數據模型或數據平臺DataCube，將上、中、下三層所需的數據連接起來，讓大家用統一的語言進行溝通。

梳理好架構是我們的首要經驗，這是第一步。有了架構，接下來就要尋找各自的場景。我們每年會舉辦一個AI“大施杯”大賽，實際上是一個全員參與的創新活動。

例如，供應鏈部門每年能提出一百多個想法或案例，比如剛才提到的生產計劃優化、設備預測性維護、提升設備綜合效率（OEE）等。后臺各部門，如研發部門，也會提出想法，比如如何提升開發效率、減少外包人員等。我認為，抓住這些場景非常重要。我們內部的這個機制運轉得比較有效，能讓員工把這些想法提出來，并通過短周期的項目快速落地使用。這可能算是我們的一些經驗分享。

我們內部的這些實踐，有點像陳總講的“零號客戶”。同時，我們也賦能客戶和生態伙伴。例如，與太古這樣的商業綜合體合作，通過AI引擎優化其能效、空調、電梯、冷機等，幫助他們提升效率、降低成本，從而改善租戶和消費者的體驗。我們有很多這樣的案例。

比如生態圈內的伙伴（如系統集成商、盤廠），他們希望與我們建立更長期的合作關系。我們助力他們提升效率。如果我們自己提升了效率，而他們沒有提升，整個價值鏈的效率就無法提升。所以，我們會分享經驗，賦能生態伙伴。

通過分享我們自己的實踐去賦能他人，這也是我們認為很有價值的一點。這大概就是我想分享的內容。

劉湘明：那我再追問一下，比如您剛才談到了AI大賽，大家提出了很多項目想法，但不可能都做。您是如何評估這些項目，決定哪個項目上馬、哪個不上馬的呢？包括我們一直在談的投資回報率（ROI）問題，具體是如何評估一個AI項目的ROI的呢？

熊宜：首先，肯定要評估它對工作效率或生產效率有沒有提升。關鍵在于，能否為這個項目設定一個非常清晰、可量化的目標。有的人說“用這個特別好、很方便”，但這并不是量化指標。必須明確：你的工作時間能從多少小時節省到多少小時？人員使用能從幾個減少到幾個？或者像我們每年對工廠設定的目標——綜合勞動生產率每年要提升五個點（這個要求非常高，非常難），你的項目能否支持這個目標的實現？

供應鏈領域的項目其實最容易評估，因為它有比較多的硬性指標。但像我們剛才提到的客服場景，評估起來就很有挑戰。一開始談客服時，大家會說：“哎呀，不行，我們客戶打來問的都是非常專業的、復雜的問題，靠AI智能體搞不定。”

我認為這實際上是一種誤區。所謂的“復雜”，只是因為你沒有教會它。它第一次肯定不行，但第十次呢？第二十次呢？當老師傅退休了呢？所以很多時候，這還是人的觀念問題

總而言之，如果你自己都無法為項目定出一個清晰的目標，那么這個項目肯定不能被篩選出來。當然，還有一個因素是投入有多大。假設總共只有100塊錢的預算，那就按優先級排名。我們一般一年能排出來幾十個項目可以執行。最終帶來的提升效果還是挺明顯的，算是花小錢辦大事。

劉湘明：剛才談到了視覺檢測。原來我們認為視覺檢測就是良品率沒有那么高，數據很多，可以迅速學習。但像您談到的，施耐德電氣的質量很好，次品率很低，那它是怎么去訓練和學習的呢？包括旭東，你們有什么方案？這其實原來真是沒有想過，原來想的是迅速幫助提升良品率。那如果良品率本來就很高，這個問題是現在懸而未決呢，還是已經解決了？

熊宜：經過多年積累，現在用得已經很好了。我們正通過大量樣本進行建模和學習，識別出缺陷產品。在已經部署的生產線中，AI視覺檢測的誤檢率降到0.5%以內，同時漏檢率降為0%。并且這一方案也推廣到了其他一些工廠。

在提升過程中，一開始的提升曲線可能不是線性的，但到了最后階段逐漸趨于穩定。關鍵在于，它（技術）不依賴于人。所以，只要你堅持投入、堅持做這件事，時間越長，投資回報就越能顯現出來。

這也是我給很多客戶講的道理。很多企業如果原來的水平很低，可能在初期階段會看到一個非常明顯的提升。但實際上，最難的是最后那零點幾的提升，比如從99.1%到99.3%，再到99.9%、99.99%。就像六西格瑪，或者電網安全要求的“六個九”，最后那個階段是非常難的。真正到了那個階段，不靠這些工具或技術是不行的，你不可能從五個九提升到六個九。

陳旭東：是的，你們可能確實花了一段時間才把系統性能提升上來。IBM確實發現過這個問題。因為我們是做平臺的，所以我們專門有一個功能，就是針對良品率特別高的場景進行學習。

它首先學習合格品的特征，建立一個“完美產品”的內部模型。然后，當檢測到與這個正品模型不一致的圖像區域時，它就會報警。這是一種反向思維，通過識別“異常”而非預先定義缺陷來工作。這樣就能很快地把一些問題點找出來，從而更快地積累缺陷樣本。所以，將來咱們可以在這方面合作一下。

AI對員工，對公司都將帶來改變

劉湘明：陳總，你之前提到過：讓業務人員提出AI需求，再協調技術資源來實現。這種“業務驅動”的模式，如何避免技術團隊與業務部門之間的理解鴻溝？在AI項目中，業務負責人和技術負責人應分別承擔怎樣的角色？

陳旭東：AI在實施的過程中，是復雜的狀態。多數企業一開始會更多地拿開源工具進行嘗試。我相信像熊總他們公司一開始也是這樣。等到做到一定數量的應用以后，公司就發現需要一個平臺。但多數企業在一開始并不覺得需要平臺，他們可以用各種各樣的方案和模型。

IBM就在這時候發揮作用了——當你搞一兩個應用的時候可能不會想到IBM，但等到你需要管理幾百個應用時，就會想到IBM。

當應用數量多到一定程度（可能比員工還多），怎么來管理這些應用？IBM已經做了這樣的準備：除了Watson這個大平臺，我們還做了WatsonOrchestrate，用來協調和管理這些系統。將來，這些系統之間還可以相互調用，有點像內部的應用市場。IBM在這方面下了一些功夫，我們想得比較靠前，想到了企業下一步會碰到什么問題，然后提前布局。做了這樣的平臺準備后，就可以為不同層級的企業服務。

比如，一開始如果企業說：自己剛開始試驗，那我們可能會鼓勵他去做，用一些開源的東西先跑一跑。這時候，更多的驅動力可能是某個人的想法，花錢也很少，所以不存在IT部門和業務部門之間的沖突，因為反正花錢不多，大家都覺得可以試。

然后，試了幾個應用以后，他可能就要開始往更多的“生產系統”的環境遷移。這時候，可能就不是隨隨便便能搬上生產系統的了。就需要IT部門投入很大精力去看住這個系統，或者這時候得尋找一些企業級的解決方案。對很多企業來說，這時候可能開始考慮平臺，這就變成了IT決策。IT部門搭完這個平臺以后，各個部門又可以在這個平臺上去做很多事情。所以，這個過程我覺得是一個交互、演進的過程，可能沒有想象中那么難以跨越，到了一定程度就水到渠成了。

劉湘明：最后一個問題：剛才我們談到軟件的未來。聽兩位的分享，AI在企業落地確實帶來了很多變化。一方面，它現在似乎沒有那么大的動靜了。原來上一個系統軟件，那都是傷筋動骨，上升到“到底是找死還是等死”的生死高度。現在好像變得沒那么復雜，似乎可以隨便上一些輕量級的應用；另一方面，它可能對真正軟件的根基是有動搖的。系統的底層可能會有很大的變化。

二位怎么看。我特別想聽聽你們二位的意見，對未來怎么看？

陳旭東：我先說說AI工具能不能替代軟件開發這件事。實際上，春節期間發生的一些事情（指資本市場對AI沖擊軟件業的擔憂）讓大家開始思考這個問題。

我認為，在目前AI的能力下，還做不到直接用AI替代一個完整的、復雜的企業級軟件系統。比如，你不能說“AI，給我做一個Salesforce.com”，或者“ERP在那兒，AI直接做一個ERP把它替掉”。現在的AI水平還做不到這一點，但不好說10年、20年以后是不是可以，因為技術進化非常快。

那么，現在AI可以做什么呢？現在它可以幫你搞定很多可以模塊化的部分。因為那些大型系統，特別是企業級系統，內部有很多復雜的邏輯關系。當然，AI可能再學習一段時間后有能力做，但這需要開放給它學習。所以，最終可能做出ERP升級版的，還是SAP這樣的廠商，因為他們有數據可以學習，其他人想學也沒那么容易。

所以，為什么（軟件公司的）股價又開始回升了呢？就是發現我們的客戶并沒有特別擔心說“我是不是可以不需要你了，自己寫個程序搞定”。好像還沒有一個客戶來找我們問過這個問題。因為他們在企業里做CIO的人很清楚，程序本身只是整個IT工作中一個很小的部分。

我們現在談得比較多的是“IT現代化”。

IT現代化其實包含很多內容：
第一，硬件的現代化是一直在進行的。你今天買一臺服務器，不可能用20年。過幾年新技術出來，老技術連維修備件都找不到了，所以你不得不升級到新一代服務器上。硬件的現代化從未停止。

第二，軟件的現代化為什么大家比較懶呢？特別像美國一些機場的系統，都是用COBOL語言寫的，他們就懶得去改。因為硬件升級后，軟件改動的意義在當時看來不大，而且它穩定性極好，系統本身幾十年變化也不大。像機場、銀行這些以極度可靠和穩定為主的領域，系統是很難被替代的。

第三，還有一些新的領域，比如混合云架構、容器化技術、數據庫等，這些都是IT現代化的內容。最終，現代化還可能影響到組織結構、流程的變化。

所以，這不是簡單地用AI把代碼改寫或翻譯一下就能搞定的。

因此，我認為這場關于AI對企業級軟件影響的“風波”已經過去了。但是，它有可能逼著那些原來編寫這些代碼的企業（軟件公司）去加速他們的業務轉型，這肯定是一個必然的過程。

熊宜：首先，我認為軟件和AI這兩件事，不是替代關系。不是說有了AI以后就沒人買軟件了，或者大型企業級軟件就沒有了。因為企業軟件本身這些年已經面臨很大的挑戰和變革，即使沒有AI，它也在自我演變——從比較固定、僵化、解決基礎問題的形態，變得可靈活配置，底層比較穩定，而上層應用可以比較靈活地開發。

AI實際上是輔助演變的工具，能夠把軟件做得更靈活。這是我的基本觀點。

所以，確實大型的企業軟件還在繼續發展。在當前階段，可能CIO會關注“AI會不會替代它”這個問題，但真正的CEO、董事長這些企業決策者，他們不太關注這個。他們覺得夠用就行了，能解決基礎問題、讓流程跑起來、能審批、能出貨，那就先用著，別去折騰它。因為這不是他們當前面臨的最大問題。

他們更關注的是：怎么能通過AI的一些工具或方法，真正提升我的業務價值、產品價值，或者提升客戶服務滿意度。他們想通過這些數據來做這些事，而不是去想怎么優化企業的管理軟件或生產線上的軟件。

所以，我還是感覺“AI替代大型企業軟件”不是一個真正的痛點。對于很多企業來講，我們面臨的是市場競爭的變化。實際上，怎么讓AI發揮價值，對外、為客戶創造價值，或者通過產品應用AI，這才是我認為的核心價值。我反而不是特別關注它會不會把那些東西替代掉。

劉湘明：能不能請二位給所有正在路上、要進行智能化變革的企業一些核心建議。每人給三條吧，幫助他們如何抓住這個機會，不要亂花錢，系統地推進。

陳旭東：1、夯實數字化基礎：必須首先打好數字化底座，確保數據基礎，否則AI難以實現，會事倍功半。

2、積極嘗試，積累體感：無論步伐大小，必須開始探索和實踐AI，通過實際使用（如部署AI工具）來獲得直接經驗和理解，避免紙上談兵。

3、規模化時選擇平臺：對于大型企業，在從試點轉向規模化推廣時，應選擇一個合適的平臺。這能保護前期投資，避免每個項目都成為獨立的新投資，從而實現低成本、可管理的內部拓展。

熊宜：1、平臺思維（全局思維）：反對零散、單點的AI建設模式，強調必須從企業全局出發，構建統一的平臺。

2、場景驅動與投資回報：強調AI應用應聚焦于能快速產生價值的清晰場景，并明確投資回報（ROI），在積極嘗試的同時避免盲目投入。

3、持續積累與迭代：強調企業內部知識、數據和人才的系統性沉淀，通過建立社群等方式將項目經驗轉化為可復用、可迭代的組織能力。

劉湘明：新的一年，施耐德電氣與IBM的戰略方向是什么？

陳旭東：我們的戰略其實非常清晰。大的戰略就是混合云和AI。我們會全力幫助中國企業進行數字化轉型，特別是那些愿意接受我們服務的企業。在客戶選擇上，我們會更多地聚焦在民營企業和跨國企業這邊。

熊宜：公司秉持三到五年的戰略定力，核心方向是利用能源科技為每個行業、企業、家庭，提供電氣化、自動化、數智化解決方案，推動高效和可持續發展。這是大的戰略方向。

具體而言，在中國市場，戰略重點從提供通用設備轉向聚焦特定行業，特別是數據中心、電子半導體、食品飲料、生命科學等高潛力和高價值行業。

在這些行業中，我們的重點是助力構建新型電力系統，并以軟件、數字化和AI驅動作為重中之重，為此在中國（如北京亦莊）設立了專門的軟件與數字化研發中心。

中國市場的三大優勢：

深厚的技術積累：尤其在新能源領域（如光伏、儲能、電動車）具有全球領先優勢。

豐富的應用場景：中國擁有全球最豐富的工業制造場景，是產品和技術方案落地的最佳試驗場。

“技術+成本”融合：通過“DesigntoCost”理念，結合技術領先性與成本優勢，打造有競爭力的產品。

因此，我們在中國的研發投入和聚焦，就是要打造出既有技術領先性又有性價比的產品。我們強調“DesigntoCost”，在設計之初就要考慮成本優勢。這個結合點非常好，能夠幫助我們打造在新型電力系統、軟件數字化方面的產品，服務于行業客戶，以及出海的中國企業，同時也能輻射真正的跨國公司在海外的市場。這就是我們大概的戰略方向。

劉湘明：最后一個問題：咱們今天聊了這么久，你們從各自的領域出發，看到了哪些可能的合作機會？

陳旭東：我已經看到了至少兩個機會。一個是關于視覺檢測這個領域，雙方的技術還是有互補性的。我們更強調平臺和軟件，所以這方面是有合作機會的，我們可以共同去服務我們的客戶。第二個是剛才你提到的，在AI領域，你們已經到了一個開始尋找平臺的階段。這個階段就是IBM最好的客戶。因為現在全球你去看企業級平臺，應該只有IBM一家真正在做，其他公司沒有想得很完整：如何去搞數據、如何做模型、如何做Agent、如何做Governance（治理）管理整個AI體系。對企業級應用來說，IBM應該是當之無愧的領導者，有一個完整的系統可以支持企業在這個平臺上去更快發展。

而且IBM在不斷地收購這個時代最新的、很厲害的軟件。比如我們最近宣布的110億（美元）收購Confluent。基本上到AI應用，離不開這樣的一些基礎軟件。它也是開源的，我們可以給你提供更多服務，特別適合中國。因為中國對代碼要求很高，開源的話，我們提供服務可能給我們打開了一個新的空間。對像流通領域這種AI數據需要實時更新的企業，那都是非常大的應用場景。所以我覺得應該有蠻多的合作機會。

熊宜：是的，我也非常認同這個觀點。無論是我們自己，還是我們的很多客戶，我們現在都提倡大家要把企業級的AI平臺規劃好這件事。剛才陳總講的，我特別有感觸。其實我們去年還和IBM合作發布了一個報告，我們稱之為“AI for Green”的報告，其核心是“GROWTH”模型：G代表增長（Growth），R代表韌性（Resilience），第一個E是效率（Efficiency），第二個E是環境（Environment），N是新視野（NewHorizon），即通過AI實現突破性的創新和商業模式。我覺得我們已經在思想領導力、市場教育方面開始做一些聯合的工作了。

后續，確實就是企業真正要落地的時候。剛才咱們提了很多建議給這些企業，但光有嘴上的建議是不行的，真正需要大家一起去做一些實際的、能落地的項目。IBM在設計和構建這類企業級平臺方面，肯定是一個領先的伙伴。

劉湘明：謝謝兩位今天的分享。