钛媒体的联合创始人联席 CEO 刘湘明 （左一）、IBM 大中华区董事长兼总经理陈旭东 （中）、中顺洁柔 CIO 杨森林 （右一）
AI 对于企业而言是个机遇，也是挑战，它是让企业实现弯道超车的 「秘诀」，而错过它，也很可能让企业被拍在时代的沙滩上。与大型国有企业在资金、资源上有着丰富的储备不同的是，对于中小型民营企业而言，既要在 AI 的变革中不落下风，又要将钱花在 「刀刃」 上。在这个变革的时代，对于百亿级规模的民营企业来说，如何利用好 AI 技术，在完成从数字化到数智化转型额度同时，让企业实现新的增长，已经是企业管理层的 「必修课」。
钛媒体企业数字化 IP《数字价值观察室》 本期请来了 IBM 大中华区董事长兼总经理陈旭东，以及中顺洁柔 CIO 杨森林，在钛媒体集团联合创始人& 联席 CEO 刘湘明主持下，围绕中小型企业数智化转型过程中，如何抓住 AI 机遇展开讨论。
中顺洁柔是一家有着 40 多年历史的生活用纸制造企业，在面临着复杂经济环境，渠道流量过度分散等挑战的背景下，中顺洁柔开始了从传统实体家族企业，向着数字化企业转变；从单一产品为主导，向着品牌为主导转变的路程。中顺洁柔的转型一方面是外部环境挑战，另外也是企业发展延续的必然。
在杨森林看来，无论是数字化转型，还是数智化转型，都是企业的变革管理。而在这个过程中，最难的就是人的变革/转型。「当方法论、模式、工具都正确了以后，如何改变自己是企业面临的最难的方面。」 杨森林强调。
结合 IBM 对企业的观察，陈旭东表示，当下企业在数智化转型的过程中，对 AI 存在比较大的认知差，「AI 等于生成式 AI，」 陈旭东指出，「这是目前很多企业都存在的比较大的认知偏差。」
此外，陈旭东表示，对于目前企业来说，在应用 AI 的过程中还会出现两种误区。
一种是：企业在 AI 领域盲目投资，「比如 DeepSeek 火起来之后，很多企业买了一堆一体机，就觉得是拥抱 AI 了。但经过半年的应用，发现其实并没有什么效果。」 陈旭东如是说。
另一种是：企业在计算 AI 的 ROI（投产比） 的过程中，存在错误的认知。陈旭东举例到，比如有的企业原先的数据体系建设尚未完善，基础的数字化工程也做的不好，在探索 AI 应用之前，这些企业就需要 「补作业」，将基础的数据体系搭建完成，并构建起完善的数据集，而企业却将这部分 「数字化补课」 的投资计算到了 AI 应用投资之中，「这些基础的数字化建设，即便没有 AI 技术，企业若想完成数字化转型，也是需要做好的，所以这部分的费用不应该计算到 AI 的投资之中。」 陈旭东明确到。
而杨森林也有着与陈旭东相似的观点，他表示，面对 AI 应用，企业需要首先具备充足的训练 AI 所用的数据，形成知识库，不能在尚未打好基础的时候，就追求 AI 带来的效益，同时，也不能因为没打好基础，应用 AI 效果不好，就归结于 AI 不行。
具体到企业内部如何完成数字化，杨森林认为，企业在数字化的过程中，需要从业务的角度出发，倒推出自身的数字化架构，根据业务的需求进而搭建数字化系统，而不是先搭建好之后，再推广给业务人员使用，「同时，企业还需要根据自身的企业文化去定制适合自身的数字化流程，好的流程能够赋能员工，使其能高效的，并快乐的完成工作。」 杨森林指出。
业务驱动的方式已经不仅仅是在传统行业，诸如 IBM 这样的国际科技巨头中，也在盛行这种通过业务驱动技术发展的方式。对此，陈旭东表示，IBM watsonx Challenge 已经推出三年了，刚开始的两年，IBM 让内容员工先熟悉全新的 watsonx 系统，而今年开始，IBM 开始要求业务人员根据自身业务，提出对 AI 应用的需求，之后由公司相关部门分析需求是否值得投资进行深入研发，「如果值得投资的话，我们会围绕提出这个需求的业务人员搭建技术团队，IBM 会在全球范围内提供技术支持，进而推动这个需求落地。」 陈旭东如是说。
除此之外，在对话中，陈旭东还分享了 IBM 在服务中小型民营企业过程中，观察到普遍的问题，以及 IBM 如何提供相应的解决方案，解决这些问题，并再一次重申了 IBM 对于中国市场的信心与未来业务布局的展望。
另一方面，杨森林在对话中还分享了中顺洁柔在 AI 方面的一些应用，以及对于中小型企业而言，出海过程中需要注意的问题。
以下为对话实录，经钛媒体 APP 整理：
百年科技巨头，遇见数字化转型 「刚需」 企业
刘湘明：各位观众朋友大家好，欢迎来到数字价值观察室之 IBM 会客厅。我是今天的主持人，钛媒体的联合创始人联席 CEO 刘湘明。今天我们也特别荣幸的邀请到了本次对话的两位嘉宾，他们分别是 IBM 大中华区董事长兼总经理陈旭东先生，以及中顺洁柔 CIO 杨森林先生。
今天我们是 AI 会客厅，聊聊 AI，AI 现在已经是一个非常大的话题。回到这个数字化领域，其实 IBM 一直是绕不过去的一个祖师爷。我们今天有两个特别大的话题，大概一个是刚才我们谈到的 AI、另外一个就是出海。不管是数字化还是出海这两个领域，其实 IBM 都是中国企业非常值得尊敬和技术的老师，对吧？
中国有两个非常出色的出海企业：一个是华为，一个是联想。华为我记得有几句非常重要的话，任正非曾表示的 「先僵化再固化再优化」，包括所谓的 「削足适履」 等等，这些都是出自当年 IBM 跟华为的交流合作中，任老板给下面员工下的这个指示。联想方面，我觉得我就不是最有发言权的人了。旭东总当年是亲历的人，我觉得其实你可以给大家讲讲当年 IBM 和联想的这个故事。
陈旭东：对，这个当时在业界还是蛮轰动的，就是 IBM 把全球的 PC 业务卖给了联想。这个过程实际上是帮助联想走向国际的这样一个过程。因为国际化有很多条路的，有的自己去逐渐开拓，像华为可能更多是这样一条道路。
联想是用跨越式的一个发展，就是并购。其实国内有很多企业都在走这条路，所以很多企业并购了国外的一些大的品牌。所以在这个过程中，联想通过 IBM 的这个 thinkpad 这些产品，使得自己一步就在国外就有响当当的自己的品牌。然后在这个过程中，把 IBM 的运营知识融合到联想自身的一些优势上进行整合，整合以后，在过去十几年，在全球的 PC 市场上，一直保持着全球领先的地位。这是得益于那次跟 IBM 的并购，还有学习的过程。
IBM 在全球有 114 年了，进入中国也有 40 年。这 40 年里头，除了像联想、华为这种企业，IBM 有过陪伴他们成长以外，其实还陪伴了很多中国的企业成长。包括国内所有大银行，大的国有企业都是 IBM 的客户。通过 IBM 的技术和咨询，让这些企业在过去 40 年有蛮大的成长。所以 IBM 对中国的 IT 行业做了非常大的贡献。培养了最基础的 IT 人才的底盘。培养了一些客户对 IT 知识的认知。这些都是 IBM 给这个社会非常大的贡献。40 年已经过去了，未来 IBM 在雄厚的客户基础的上，继续把产品和服务拓展到更多需要这些产品服务的企业，向更多的民营企业去拓展。
现在我们逐渐走到企业身边以后，他们发现跟 IBM 还是有很多可以合作的点，通过 IBM 产品技术和服务咨询来提高他们在市场上的竞争力。这个过程中也有很多企业走向国际化，而且在国外建立了很强的品牌，在全海外的收入超过中国收入，这样的企业还是蛮多的。我觉得在过去几十年里头，我们在企业发展 IT 系统建设上面，整个中国 IT 生态体系建设上面，IBM 作为一家全球企业做了很大的贡献。
刘湘明：下面问一下杨总，首先请你介绍一下中顺洁柔这家企业，也介绍一下中顺洁柔在关于数字化，出海、AI 方面的一些事情。
杨森林：中顺洁柔是一家拥有四十多年历史的生活用纸头部企业。面对经济下滑、渠道流量过度分散等挑战，公司启动了从传统实体家族企业向数字化企业转变、从单一产品主导向品牌主导转变的进程。
这个转型过程需要一个催化剂，这便是我们提出的数字化，或者更准确地称之为 「数智化转型」。其核心是将更多原本由人做出的决策，交由数据和机器来完成。
事实上，早在两年前我们就开始尝试应用 AI。彼时使用的是 ChatGPT，而如今，以 DeepSeek 为代表的开源 AI 技术迅猛发展，这正与我们倡导的理念相契合。尽管大型语言模型存在局限，但我们通过多种技术手段进行了补充，形成了 「数智决策」 能力。因此本质上，无论是数字化转型还是数智化转型，都是企业的一种变革管理。
而企业变革的核心是人的变革与转型，这也是最困难的部分。对于实体企业而言，时至今日，我们面临的最大困难或许在于：在掌握了正确的方法论、模式与工具之后，如何有效落地？改变自身无疑是最具挑战性的环节，这与 「出海」 所面临的困境颇为相似。
两年前，中顺洁柔已开启出海布局。然而关键问题在于：如何行动？我们是否真正了解不同国家的风土人情与市场特色？我们能否满足各国对中国纸类产品的严苛要求？我们是否熟悉目标市场的知识产权规则及相关服务？这些都是中国民营企业 （特别是营收在 200 亿以下的中小企业） 出海时必须直面的难题。如何以最高效、最低成本的方式实现出海，同时最大限度地降低失误率与失败风险？这是中顺洁柔当前面临的重大挑战之一。
刘湘明：杨总发言其实为后面的讨论埋下了很多引子，咱们一点点的来，回到旭东总这边。IBM 去年进中国就 40 年了，IBM 在中国的历程伴随着整个改革开放。当下 IBM 在中国的主要业务领域和战略的方向是什么呢？跟当初有什么不同？
陈旭东：跟 40 年前比的话，IBM 在全球的业务结构发生非常大的变化。就刚才我们谈到的，PC 业务卖给联想，然后又将 X86 服务器也卖给了联想。IBM 在不断把自己的业务结构从，以硬件为主，转变为以软件和咨询为核心的架构。
在过去十年内，IBM 收购了很多软件的企业。最大的一个就是花了三百多亿美金收购了 Red Hat（红帽），目前来看，IBM 的全球业务架构找那个软件和咨询业务，在全球的业务占比达到了 80%，硬件则变为 20%。（这个数据可能在 20 年前是倒过来的）
IBM 在中国的业务也跟随着这个变化趋势而转变。比如在 40 年前，所有人买 PC，买服务器应该都是买的 IBM，包括全中国基本上所有的银行都会采购 IBM 的服务器、主机、存储之类的硬件。然后用数据库来建立了整个银行的管理系统。
目前，IBM 在硬件上的业务主要以存储业务为主，IBM 的客户结构也在发生变化，从原来以国有企业，特别是银行金融机构为核心，大的国企 （中国移动、电信，石油） 转向了以民营企业为核心的转型。可以说，IBM 从产品结构到客户结构都发生了很大的变化。
此外，IBM 销售运营体系也发生了变化，以前针对大的企业客户，都是 IBM 自己去面向客户为主。现在面对更广泛的民营企业群体，我们更多的通过合作伙伴去触达我。然后通过给合作伙伴提供相应的技术培训，由他们最终为客户来提供相应的产品和服务。
增长遇见瓶颈，中顺洁柔如何实现破局？
刘湘明：回到杨总这边，我很感兴趣的就是作为一个非常传统而且很成功的一个纸业企业，为什么你们现在有这么大的动力去推动整个的全面的数字化？
杨森林：企业的数字化转型，很大程度上源于企业经营遭遇了巨大瓶颈。在增量时代，企业普遍盈利，大家发展状态良好，并未意识到存在明显问题。
以中顺洁柔为例，2016 年公司营收仅为 20 多亿元。而在 2000 年代末期，我们实现了约 90 亿元的营收。直至 2023 年前后，公司营收更是达到了历史峰值。然而，高速增长的背后掩盖了企业中存在的一些问题。
时至今日，我们发现市场已进入缩量时代。如今消费者购买一件产品，至少可通过 7 至 8 个渠道进行购买，并且能够进行全网比价，产品与消费者之间的信息愈发透明化。因此，我们已无法依靠过去的手段来经营当下的生意。
我们不得不转向依赖数字决策。而要想实现数字决策，就必须拥有数据，这些数据来源于系统。系统要有效运转并发挥作用，就必须落地应用。这便是企业必须进行数字化转型的核心原因。
为此，我们采取 「三管齐下」 的策略：一方面夯实数字基础建设，一方面完善智能决策系统 （智能大脑），同时补全缺失的数据。我们期望用三年时间，追赶他人十几年走完的数字化进程。
在这个过程中，我们需要引入一批高精尖人才，建立更优的制度与体系，让他们加入企业，对数字化进程进行纠错和纠偏，从而实现弯道超车——这才是真正意义上的企业转型。
刘湘明：你刚才说准备用三年的时间跑别人十几年的路，现在进展怎么样？跑到哪了？
杨森林：目前，我们在营销端已经打开了局面。我们的首要规划非常明确：并非盲目追求降本提效，也并非一步到位地建设一套高度标准化的数据体系、流程体系或完整的数字化转型蓝图。我们的当务之急是优先解决业务增长问题。只有当我们赚取足够利润后，才有余力进行优化和降低成本。试想，如果手头只有 100 元，无论怎么节省，空间终究只有几十元；但如果手头拥有 1 万元，即使采用最粗放的降本方式，也能节省数百元——规模效应带来的空间完全不可同日而语。
因此，我们第一个突破点选择了线下营销方案。利用先进的算法技术，我们对线下 「人、货、场」（消费者、产品、卖场） 的关系进行了智能化重构与精准匹配。快消品行业线下数字化的核心，实质上要回答一个关键问题：为什么消费者进店后，不能以我们希望的价格购买商品？
目前，我们已在线下增长这一关键课题上取得了突破性进展。通过实施新策略，上半年线下业绩增长迅猛，成功填补了过去一年的利润缺口。在此扎实业绩的基础上，我们的策略自然向前延伸：在确保销售与业绩持续增长的态势下，我们将重点追求供应链送货环节的最优解。自古 「得供应链者得天下」——产品要 「卖得好」，物流要 「送得准」，账目要 「算得清」。解决这三大核心问题后，产能瓶颈与生产制造环节的挑战将成为下一个攻克目标。
我们的转型路径是清晰的：首先解决支撑业务增长的关键功能与显性布局；待这些基础稳固后，再着手处理大家 「看不见、不理解」 的中台能力建设、流程标准化、数据规范化及主数据治理等专业模块。遵循这样的逻辑，数字化转型才能真正落地生根、长久发展。
AI 不等于生成式 AI，企业仍存在很多误区
刘湘明：那现在的做数字化转型跟前几年很大的不一样，出现了一个新的变量——AI，那你觉得 AI 对你缩短整个数字化转型的进程起到多大作用？
杨森林：关于 AI 的应用，我认为目前存在一个普遍误区：AI 并不等同于以 Transformer 架构为核心的自然语言大模型。
像 DeepSeek、ChatGPT 这类自然语言大模型，其特质更像是一名 「文科生」。然而，当前企业需要的许多能力，其实是 「理科生」 擅长解决的问题——比如确保数据的绝对精准，或是通过简单指令快速调用报表与应用。这些需求无疑属于 AI 范畴，但并非自然语言大模型所能有效覆盖。
生成式 AI 的崛起，本质上为企业强化了数据决策与智能决策的能力。我们需要的是一位具备强大数据决策能力的 「智能大脑」 作为伙伴，这才是能切实解决当下实体企业经营困境的 AI 形态。反观当下的自然语言大模型，其核心价值主要在于提升效率，而这种提升往往需要通过减员等人员变动才能真正体现其经济性。试问：如果效率提升之后，团队规模与成本结构依然维持原状，如何证明你投入的 AI 应用是健康且可持续的呢？
刘湘明：刚才旭东总谈到了现在 IBM 准备深耕民营企业，杨总刚才谈的整个中顺洁柔的思考是一个特别典型的案例。我也想听听从 IBM 角度来看，中国民营企业在 AI 的应用，包括投资领域有哪些误区？包括为什么企业现在谈到整个 AI 其实就有点降温的态势，大家的这种预期，包括ROI 好像不是那么理想，你觉得原因是什么？
陈旭东：第一个误区：AI 等于生成式 AI。从 IBM 的观察来看，很多人认为 AI 就是生成式 AI 或者干脆就是大模型，就是 DeepSeek。但其实从 AI 诞生到现在应该有 70 年了。IBM 在十几年前曾经发布过一款产品，叫 watson，这款产品在全球已经拥有了四万多家客户。
在生成式 AI 出来以前，AI 已经在我们生活中广泛应用。比如，最典型的就是导航，导航已经有很多年历史。在生成式 AI 出来以前，导航的算法绝对不是根据大模型来算的，它是一套数学算法。包括生成式 AI 也是一套数学算法，更多的是用概率的算法。
第二个误区就是对于 AI 的投资的误区。企业到了真正要用 AI 的时候会出现两类情况。一类企业，它对 AI 的认知是不清楚的，他也不知道该从哪下手；另一类，有一定认知，这些企业碰到的最大挑战就是投入产出比 （ROI）。
第一类的企业容易做出来冲动的投资，比如 DeepSeek 出来以后，很多企业就去买个一体机，然后觉得这完成了公司给我的 AI 任务。但是我相信绝大部分用处都不大，所以他对认知不清的时候，容易产生冲动性消费。
第二类，对于有一定认知，然后不清晰的人，他通常会觉得 ROI 不合算。实际上，AI 应用的效果，很大程度上取决于企业的数字化水平。就像刚才杨总说的，你们自己现在也觉得好多数据不健全。如果你要基于不健全的数据进行 AI 分析的话，第一步需要把 AI 数据体系建起来。这部分投资到底算 AI 投资还是算数字化投资呢？这个就很有意思的一个问题。严格意义上应该属于数字化补课的投资。但你如果把数字化补课投资都算到 AI 投资上，那 AI 可能就投入产出有点看起来不太合算。
杨森林：企业需要有一些相对标准和正确的数据，并形成 AI 的知识库，你要喂给他才可以，你还要有会用的人，但是有些企业太着急了。从 DeepSeek 的大火，一直到现在将近半年，有些企业就已经失去了耐心，开始觉得这个 AI 不行，但其实是他们没做好，并不是 AI 的能力不行，我认为这是一个误区。
陈旭东：我觉得你补充的特别好。实际上现在还有一个现象，可能导致大家会有这个困境。大家回顾一下，几十年前任何一个技术推出来的时候，只有一家企业在那说。他说的时候有一套方法让大家照那做。现在 AI 出来有 50 家企业说我能做 AI，然后这 50 家水平参差不齐，你也不知道哪个是对的，哪个是错的，然后你就不知道该用哪个。
以前比如说大型主机就 IBM 有，那大家就跟着这个路走，因为肯定是对的，不然他就做不出来。但是人们并不知道这 50 家做 AI 的企业是不是都是对的。所以很难让大家能够做出正确的一个判断和选择。所以这也是很多企业面临着一个很大的一个挑战，他不知道该选谁的。
杨森林：是这样的。加上现在有一批企业并不是真正懂 AI 或者有做好 AI 的能力。就导致了现在我们甲方的视角去选择这些 AI 的时候，没有办法判定好坏。当你拥抱 AI 之后，又回到了我刚才那个话题。我找了一个不靠谱的人被骗了一次，我觉得这个 AI 不行，不会认为是自己的错误。我觉得很多的企业都在经历着这样的一个局面。
陈旭东：所以刚才杨总又点到了另外一个误区，以前的 IT 技术引进公司的时候是由 IT 部门主导。但是 AI 技术进来以后，不再是 IT 部门绝对主导的技术。AI 技术要真正用起来，可以给企业带来效益的，绝对是要业务部门驱动。如果业务部门不提出来，IT 部门去做，也不会有任何结果，落不了地。
数字化重构 「人货场」 场景
刘湘明：所以刚才旭东总谈了很多的痛点，杨总也非常认同。就是我想请教一下，中顺洁柔已经取得了阶段性的一些成果，这个实现的路径是什么样的？刚才谈到了怎么样去找到合适的合作伙伴和合适的外部资源？到底打破了哪些内部的流程？实现了什么样的 ROI 呢？
杨森林：作为技术背景出身的管理者，我与算法及数据洞察背景深厚的 CFO 形成了优势互补，堪称 「天作之合」。我们将他对数据的深度理解与算法能力，创造性地应用于 IT 技术领域，原创性地实现了 「人 （消费者）、货 （商品）、场 （卖场）」 的智能化重构匹配。这显著提升了中顺洁柔的产品选品精准度，使其更加聚焦核心目标人群。
在此基础上，我们不仅优化了选品逻辑，更成功解决了选店难题，由此在营销决策模型中提出了 「高潜门店」 概念。
中国零售网点总数超过 300 万家，而中顺洁柔自身业务员仅千人规模，即使加上经销商体系总人力也不过数千人。面对如此庞大的市场，全面覆盖显然不现实。核心问题在于：凭借有限的人力和资金，如何精准定位并聚焦于最可能产生效益的门店？这本身就是一个极具价值的模型方向。
然而，即使聚焦于 「高潜」 模型，我们仍需面对一个严峻现实：当前中国市场年化门店关停率高达 30%。必须清醒认识到，一家门店倒闭造成的损失，往往相当于十家门店创造的利润总和。一旦选址判断稍有偏差，十家门店的盈利瞬间化为乌有。这一现实催生了第二个关键模型：在识别高收益潜力门店的同时，精准规避潜在亏损风险，从而确保整体扩店策略的精确性。
第三个战略支点是渠道精耕。在此过程中，我们沉淀了基于 「人货场」 的海量内外部数据 （包括公域数据），并通过二次算法挖掘与匹配，最终构建了一套全新的 「人货场」 智能匹配机制。
这套策略组合已初见成效：
1、弱势市场突破：试点城市合肥业绩实现了 70% 的显著增长。
2、强势市场进阶：即使在已占据近 30% 市占率、三年增长停滞的西安市场，我们依然取得了近 30% 的增长，并额外提升了 5% 的净利润率。尤为可贵的是，这些市场的净利润率在原有稳定个位数基础上实现翻倍。这一切都验证了线下营销数字化方案的战略价值。
当然，推进过程并非一帆风顺。例如：初期如何化解业务部门的抵触？当业务部门质疑 「你们懂技术的不懂业务，凭什么让我们配合这种技术性实验？」 或者以 「业务繁忙，无暇参与」 为由拒绝合作时，我们如何破局？
我们的应对之道是：深入业务一线，用事实说话。我们亲自走访门店、调研市场、参与铺货，直至做到 「比业务更懂业务」——业务人员能做的工作我们同样胜任，而他们不具备的技术驱动洞察能力，则成为我们的独特优势。
因此，此次实践的首要也是最重要的心得在于：我们为中顺洁柔找到了未来线下增长的可靠路径，坚定执行是唯一要务。基于当前成果预判，未来三年内，即便不对方案进行重大优化，它亦能支撑业务规模实现翻倍增长，其潜力可见一斑。
刘湘明：这个的确是业绩增长最有说服力的。但是我个人的观察，这基本上还是发现了业务的问题单点突破，然后摸着石头过河解决问题。中顺洁柔是个百亿级的企业，未来怎么去迈到更高的台阶，可能还有很多体系性系统性的工程，这个是不是一个很大的挑战？
杨森林：这确实是极具挑战性的任务。信息化的本质在于信息的传递与连接，而真正数字化的最终目标是解决决策问题，即实现算法决策。因此，我们所有的努力都在推动算法决策的实现。
但我们的流程体系呈现出纵向链条的特点。与过去的业务流程标准化实践，以及类似 IBM 的大型方法论相比，可能存在一些差异。我们探索的是具有 「中国特色」 的流程建设路径——并非一味追求业务流程的完全标准化，而是寻求与企业自身文化的融合。
中顺洁柔是一家极具弹性、充满人文关怀的企业。并非所有场景都完全适用机械的标准化流程；相反，我们更注重将中国文化特质融入其中。
我们的流程体系可能与传统理念有显著不同。然而，正是这样的流程背景，使团队工作得更加顺畅自如，员工乐于接受这样的流程——我认为这就达成了流程建设的初衷。好的流程应该赋能员工高效工作，达到这个目的，便是成功。
数据治理方面同样如此。当我们通过显著的业务增长成果反推过程时，发现包括 AI 模型的搭建在内，我们成功构建了具备 75% 准确度的模型。接下来的关键任务是：若能为知识库输入一批更精准的数据，AI 的决策精度必然随之提升。
策略是首先让业务部门切身感受到 AI 的有效性 （即使暂时精度不足）。在这一阶段，我们可以争取时间声明：「AI 已显示出价值，只是精度有待提升。请给予时间，我们将致力于提升数据准确性。」 正是在这样的背景下，我们的主数据治理框架与整体数据标准化体系得以迅速推出。推进过程中非但没有遇到阻力，业务部门反而充满期待，主动提出核心关切：例如 「一物多码」 问题解决了吗？混乱的产品报目清单理顺了吗？迭代中的一代、二代、三代产品上市与退市管理清晰了吗？事实上，是业务需求在驱动我们前进。
我们的方法论始终是 「倒推式」 的。我始终坚持将自己代入业务角色，力求比业务人员更懂业务。你关注的增长 KPI 或许仅限于本部门，而我承担的是全公司所有部门的增长 KPI。换一个视角思考与实践，路径自然顺畅。
因此，我们优先解决了方案落地问题，后续再查缺补漏，逐步解决其余挑战。
新技术，在 IBM 内部先 「跑」 起来
刘湘明：也能看到中顺洁柔在 AI 化数字化领域，动作是非常的坚决。回到 IBM 这边，美国软件行业有个话叫吃狗食，就是什么东西做出来自己先吃一遍。我特别想了解 IBM 自己在应用 AI 方面都做了哪些实际的工作？
陈旭东：应该说我们是 AI 比较大的受益者，这个是得益我们自己对 AI 的认知，因为我们知道 AI 一定是有用的，只不过是用在哪里的问题。我们整个数字化建设基础还是比较不错的。比如像我们客户的管理，这些系统都非常健全。所以你要去找以前所有客户的数据，都能找到很完整的数据来分析我们自己。比如说在销售上，我们内部就有这样的系统。只要你把跟客户接触全过程记录下来，通过历史的各种参数的判断，系统会帮你判断这个客户值不值得再进一步往前推进。
我们内部搞了很多，在供应链、HR、财务，包括营销等上面，全部都是自己在用。比如报表，我们有一套 EPM 系统，所有的报表都在上面，可以根据你的需求来定制化生成 （报表）。
除此之外，还有一件事，IBMwatsonx 推出的三年间，每一年都搞了一个叫 watsonx Challenge，就是让员工自己参与到这个实践中来。
前面两年都让大家先熟悉 watsonx 系统。今年做法就变了，要求每个业务部门的人去根据自己业务，提出对 AI 有什么需求，之后由公司专门机构来评估这个需求是不是最值得投资的。（如果） 最值得投资，IBM 会将全球的技术力量集中起来，进行研发。这样就变成业务驱动。
这样的话这个项目肯定会落地，因为这是他的需求。这样的话，我们 AI 内部的应用，从最早期是被逼着推着走，已经慢慢转向了由业务部门在驱动。
AI 大模型落地场景有哪些？
刘湘明：其实你们两个不约而同的都在谈业务驱动 AI。回到杨总这边，就是你刚才谈了很多 AI 的应用，我特别想追问一下，就是在这里面能不能给我们分享一两个 AI 大模型落地的案例？包括在过程中到底解决了哪些问题？还有哪些容易踩坑的地方跟大家分享一下。
杨森林：刚才提及的 「人货场」 匹配就是 AI 决策的典型应用。现在再分享两个更具体的例子——一个是生成式 AI 的应用，另一个是 AI 决策的应用。
第一个例子是生成式 AI 在财务差旅流程中的应用： 传统差旅申请涉及填写行程、粘贴票据、申请核销等多个环节。如今，只需一句话指令 （例如：「帮我提个出差申请并报销这张发票」），上传发票照片后，整个流程一步即可完成。切勿小看此类小型 AI 应用——此前，公司财务部门需安排 40 人专职处理票据粘贴与核销事务。其价值并非仅仅在于 AI 本身的技术功效，更在于推动了底层劳动力向高级劳动力的转型：传统的出纳型会计得以升级为管理型会计甚至战略型会计。即便如此微小的应用，也在财务转型中发挥了切实的推动作用。
第二个例子在供应链领域的 AI 决策探索： 我们的 B2C 业务模式是厂家直发消费者 （Direct-to-Consumer）。过去，该流程因涉及快递公司选择、包裹类型判定、物流成本核算等问题而异常复杂。现在，我们利用算法驱动，实现了包裹与特定区域消费者的动态精准匹配。该算法需综合模拟各种影响因素 （如配送路线、特定区域未来两天内包裹接收密度预测等）。同时，依托公司七个生产基地及多个仓库的布局，系统会动态匹配各仓库的实时库存与未来三天的生产计划，最终实现送货环节的最优化方案。
最直观的成果是千万级成本节约，这完全依靠 AI 决策算法驱动实现。那么生成式 AI 在其中扮演何种角色？当一批次货物完成分拣后，工作人员仅需调用系统下达简单指令 （如 「这批货发完了」）。此处，生成式 AI 主要提供了自然语言输入与指令输出的交互层。
然而，整个应用的核心竞争力在于底层算法引擎——正是算法弥补了各环节的决策需求，甚至可以称之为 「AI 全场景驱动」。其最大优势就是直接带来了千万级别的降本效益。在投入成本方面，我们虽搭建了全功能版本 （「满血版」） 模型，总投入也仅在百万级别。这意味着用 100 万投入撬动了 1000 万利润——如此高效的投入产出比，无疑是极富价值的商业决策。当切实实现盈利增长时，关于团队能力、数字化价值乃至 AI 有效性的质疑自然烟消云散。
刘湘明：刚才提到了决策 AI，这其实就是一个比较核心的应用。但是 AI 我们都绕不过一个很大的问题，就是幻觉的问题。
杨森林：我想就这个话题阐释两个核心观点，其中或许有一个略显 「惊世骇俗」。先阐述解决方案层面的观点。
在内部调用 AI 的过程中，主要涉及输入和输出两个端口，这如同房屋有其入口与出口。从本质上看，我们还需要调用 DeepSeek 模型的深度处理能力——过去这部分如同 「黑盒」 般无法透视，而如今我们已能洞察其深度运算的完整过程。
该模型先前模拟了约 8 种思维模式，但这种基于 Transformer 机制的方法存在瓶颈 （早期使用的是 RNN 序列处理，并包含净化机制）。然而，即便 Transformer 机制本身也无法充分确保结果的高精度。
如何提升精确度？关键在于在模型内部运算完成、结果输出之前增设一道 「闸门」。目的是拦截可能的错误输出：即当大模型生成不可靠内容 （「胡说八道」） 时，通过这道闸门将其过滤。举例说明：过去提出 100 万个问题可能产生 100 万个回答；现在通过闸门机制，或许仅输出 70 万个回答，但能确保这 70 万个结果的可靠性。这正是本地知识库结合算法拦截所实现的成效。
第二个观点可能与主流看法不尽相同：尽管我们也在推进数据清洗与治理以优化知识库，但我认为有必要提出一个反思：过去没有任何 （数字化） 系统的时代，企业依然能做出有效决策并实现盈利。如今，置身于信息化、数字化高度发达的环境，我们反而失去决策能力？这本身是个伪命题。
因此，AI 决策的有效性并非必然依赖于数据治理的极端规范化；相反，它伴随着风险与机遇的共存。我认为这里存在一种战略性的博弈：你是否敢于进行局部押注？ 在一些特定业务领域，不必过度追求彻底消除 AI 的 「幻觉」（其存在可能具有持续性）。我们更需要聚焦的是：在实体企业的哪些具体环节应用 AI，才能最大化其价值？
陈旭东：我补充一些观察。实际上杨总公司还是挺有特色的，特别在信息化数字化建设上面，像杨总这样的 CIO 相对比较少，因为他同时又负责战略的变革。这两个身份放在一起，特别有利，技术是一个必选项。利用技术去驱动企业变革，实际上特别有利于企业的发展。像杨总这样，懂技术，然后企业 CFO 也懂得算法，这种非常难得，具备这个特点的企业非常少。
他们揭示的这些问题，是共性的。比如说在企业里怎么去用 AI，对 AI 的认知，我觉得都是值得大家学习和借鉴的。比如说有一些认知，像你刚才提的幻觉，确实不是 AI 应用中最大的挑战。我们说的幻觉更多是大语言模型出来的幻觉。在很多决策模型下，实际上是不存在这种幻觉的。
决策模型可能在某些情况下可能不一定是最优解，但没关系，他 90% 的情况下是最优解就 OK 了。就像供应链整个优化过程中，也不敢保证在这个算法下，每一单都是最优解。但是整体下来，比原来省了 1000 万，很明显就已经比原来的解优秀了。但你敢说他最优解吗？也不敢说，所以我们企业不是追求最优解的，我们是要追求进步。
刘湘明：反过来讲，旭东现在是 IBM 在中国的最高决策人。对你来说，你做决策的时候有多大的程度会去借助 AI 呢？还是说完全跟原来的决策过程是一样的。
陈旭东：我想给你举个例子，我不一定通过 AI 来做，但我在说服整个组织用 AI。比如现在我们在做的另外一个是东西叫 Ask-Sales。其实很多 sales（销售） 真正要发挥作用，培训一个 sales（销售） 懂得 IBM 这么复杂的知识也是很大的挑战。
IBM 光软件就有好几百个，你要真的什么都懂，或者每一个都精通，其实理论上是做不到的。但是我们现在在做一个什么模型呢？就是我们有目标的客户群，我们的软件适合哪些客户？我们会有一个入口。比如说销售把客户的信息拿来输入信息，然后根据知识库来帮他判断这个客户像不像我们的客户。就有点像描绘一下这家公司跟我们的生意有多大关系，这家是否值得做？
第二个就是，一旦有了接触，比如说跟杨总聊了多长时间。然后你总结出来的东西写给这个系统，这个系统就会帮你分析，他有什么痛点，有什么困难，然后给你导出来一些分析，最后给你建议，用哪个解决方案能够满足客户的需求。能够系统的分析，供销售参考，如果觉得不对，销售还能再去做调整。我觉得这就有助于企业内部提高效率。
IBM 能为中小型企业带来什么？
刘湘明：对。再回到最开始的问题，旭东其实也谈到了业务重心现在聚焦在民营企业，杨总他们就是个特别典型的民营企业，规模在百亿左右。我的问题就是你们现在服务他们这样规模的民营企业，你觉得你们现在具备哪些能力呢？凭什么去服务他们呢？
陈旭东：其实刚才这个杨总已经替我回答了很多，企业他要找别人帮忙，一定是遇到了困难和挑战。现在是普遍性的我觉得有两个大的转折点。
一个转折点就是刚才杨总提到的，整个产业在经过过去高速发展以后，现在面临了一个平台期。怎么在这个平台期的竞争中胜出？这是一个企业现在全部都在考虑的问题。那这个问题只有两个解，一个解就是全球化，第二个就是高端化。想不在低水平竞争，怎么能脱颖而出？在更高的地方建立起竞争力，这两个都是企业家梦想的方向。国际化和高端化两个都不简单。这里头我们可以帮助企业的就是给你出主意，你往这两条路走，到底你要思考哪些东西？最核心的是：要明确公司战略，很多公司不清楚要如何制定战略。
第二个就是我们现在观察到民营企业基本都到了一个换代的转折点。你看洁柔公司就很好的转向了以职业经理人为主的时代。还有很多企业转向了二代经营。无论是转向职业经理人还是转向了二代经营，他们共同的选择都是做数字化。
我们经常说每个技术会带来技术的原生态。由互联网公司带来互联网的原生企业。AI 时代其实也会带来 AI 时代的原生企业，他一开始就觉得我就得用 AI，企业的数字化也一样。比如前面几年建立的企业，建立在完整的数字化平台上。他就没说我为什么要这些数据，而是一开始就积累数据，而这些企业他们将来在 AI 应用上可能会很顺畅。
这些还没有完全建起来的，借着这波转型一定会很大的投入，来完善他们的数字化或者补数字化的课。这是我们看到的大商机。这个过程中确实需要有人来帮他。
我觉得 IBM 一方面能在公司战略上给这些公司提供一些建议，也就是我们的咨询业务；另一方面，IBM 能在数字化转型方面提供一些方法和工具，推动数字化落地。
大家以前总觉得 IBM 特别贵，IBM 给人贵的原因是什么呢？以前我们卖大型主机给银行，每一台很贵，大多数企业可能用不着这么大的算力和那么高的可用性。大部分应用没有这么高的可用性要求，一旦把这个要求 99.9%，后面六七个 9 的话，就会变得很贵的。
所以大家在理解，以前主要客户群在那，现在我们同样一个技术可以用在民营企业。这时候我们要求的高度可能就没有那么高了，所以整个的成本各方面也会降下来。而且我们更多通过合作伙伴更多的去降低这个成本。
刘湘明：这个有没有什么更具体的例子帮助哪些民营企业现在做了这些事情？
陈旭东：有一家企业我觉得跟杨总他们很像。也是传统企业，做某一个零部件的企业。它已经是个全球化的企业。在发展过程中，老板还没有退位，但是准备移交给下一代。下一代进来看的时候，就推荐了用 IBM 这套技术，帮企业建了一套系统。建了这套系统以后，老一辈的人觉得特别好，他也不着急退休了。就以他们这个应用作为范本，然后建立起一套去可以服务周围其他的同辈创业家，然后给他们去提供这相应的服务，这是我们在苏州孵化了一家。从客户变成了合作伙伴。
第二种就是我们直接通过技术帮他提高生产效率。以前我经常给大家举过例子，跟生成式 AI 没有关系。我们帮助一些做了很大的企业，他每天订单无数，订单进来转化成企业内部生产订单，很多企业就很乱。我们也是通过机器学习，把上亿张订单学习，然后转化成内部做比对。把错误率从 15% 降到只有 3% 左右。这样的话整个企业效率提高了很多，出错率大大降低。
还有很多是我们原来传统的一些企业在生产过程中，质量检验。很多质量检验还是靠人来看，知道这东西合不合格，看久了眼睛就看花了。我们有一套系统叫视觉检测系统，帮企业做检测。通过一段时间学习，准确率比人要高很多，而且他不会累。
还有一些复杂的场景。汽车行业现在研发速度越来越快，就给他推荐研发管理系统，复杂系统的研发管理和简单系统的研发是不一样的。靠人来监督是搞不定的，部署以后，整个研发就是数字化了。
现在还有很多企业固定资产非常多，但是大家没有算过一本账。每年固定资产存续的话，大概得花的固定资产总值的 10%。我不知道在你们企业怎么样，各种生产设备，每年要维护保养它，这个成本是很高的。这个成本每年你要降一个点，就是很多钱。我们有很成熟的一套资产管理系统，帮企业做预测性维护，只要用我们系统给你打保票至少省一个点，甚至不止。因为生产设备有好多零部件，零部件管理可能就是一个问题。为了维护生产设备，经常很多企业零部件过剩，所以很多企业管理的细节是可以去不断优化的，我觉得民营企业在这个阶段其实蛮需要我们。我刚才提到的这些，有些是提高研发竞争力，有些是提高资产利用率，这些都是对企业发展非常有帮助的。
出海、AI.... 百亿规模企业还需要 「乙方」 提供哪些能力？
刘湘明：讲的非常好。杨总你听旭东总讲了这么多，你们现在对 IBM，比如说现阶段你会有什么样的需求呢？
杨森林：中顺洁柔可以视为众多实体企业中的一个典型代表。我认为，营收规模在 200 亿以下的企业，其核心诉求与我们基本一致。当下，我们面临的最大困境在于如何破局。而要真正实现破局，最终只能依靠自身——因为没有人能够手把手地指导每一步。
因此，我们亟需一位长期的导师——并非提供一次性咨询，而是能够陪伴企业从 「小学」（起步阶段） 一路成长，直至完成 「初中」、「高中」 乃至 「大学」（成熟阶段）。
以中顺洁柔当前所处阶段为例，我们相当于 「初中生」 需要完成三年学业，自然需要导师的系统指引。正因如此，我们与 IBM 合作的首要诉求点便是：必须是一位长期陪伴成长的导师型伙伴。这个合作不预设具体 KPI 或刚性要求，其价值正如刚才旭东总所言——IBM 能指出潜在改善空间 （例如 「这里可优化成本降低一个点」、「那里可如此尝试提升效率」）。毕竟，即使将中顺洁柔所有高管的成功经验汇聚起来，不过区区几十个案例。
而 IBM 已服务全球上万家企业，其视野之广阔、经验之丰富堪称 「只有您想不到的，鲜有他们未接触过的」。IBM 能为我们提供极其多样化的实战案例库。例如，在 「出海」 这一极具挑战性的话题上，IBM 完全可以凭借其全球经验反问我们：「您的目标市场是哪里？具体策略是什么？类似案例我们都实践过。」——这正是我们期待导师提供的关键支撑：持续陪伴并提供多元化场景的解决方案。
我们第二个明确诉求是：获得一套标准化的企业转型方法论与实施体系。引入 IBM 成熟的方法论、专业的决策工具乃至办公辅助系统后，其赋能效果显而易见——必将显著提升我们的运营与决策效率。
综上所述，我认为 IBM 对于广大实体企业，尤其是营收规模在 300 亿以下的群体而言，可能是当下最应寻求的战略伙伴。因为在这个群体里，我们不仅清醒认识到必须破局，正积极寻求破局之道，同时也拥有足够的意愿投入所需资源。
刘湘明：对，说的非常好。刚才谈到出海，杨总你们现在出海的这个真实状况是什么样的？
杨森林：诚然，中顺洁柔可视为实体企业探索出海的典型代表。但我认为，营收在 200 亿以下的企业所面临的真实状况是：我们尚处于在地图上规划路线的摸索阶段。
首先，知识产权问题已成为一大障碍。 虽然我们在越南建立了海外中心并取得了显著成果，但整体战略并非仅聚焦单一国家的突破——这源于不同国家迥异的文化背景及生活用纸领域特定的专利要求。这些复杂因素构成了出海的第一层壁垒。仅我们意识层面能够预见的障碍，可能仅占总量的 3%。
真正的挑战在于：大量未知风险无人预警，我们只能亲身 「踩坑」 后再艰难脱身。 尽管多数中国企业出海过程异常艰辛，但一旦成功跨越此阶段，发展前景将非常广阔。因此，在与 IBM 探讨合作时，我们首要诉求就是：请帮助我们优先识别风险，而非急于提供方案。希望 IBM 能系统性地梳理一百种真实失败案例，这些 「前车之鉴」 的价值远超成功经验。
其次，我们极度缺乏深度的海外市场数据。 目前掌握的信息非常有限。以生活用纸品类为例：若想进入东南亚、阿拉伯国家市场或阿布扎比，谁能提供关键决策所需的数据支持？——例如该地区便利店的数量与分布？零售渠道整体规模？头部零售商是谁？是否存在与其他品牌的合作机遇？如何高效构建销售渠道？这些都亟需数据支撑。因此，中顺洁柔整体仍处于出海探索期。
尽管已在部分国家取得初步成绩，但尚未形成成熟、可复制的拓展模式。当前最紧迫的任务，是将前述两大关键点 （风险识别与数据获取） 高效整合。我们期待一位资深导师能够详解 「出海十大核心风险点与一百种潜在壁垒」，并结合中顺洁柔特点，针对性剖析其他企业遭遇过的实际困境。建立这种结构化知识体系与可靠信息渠道，才是我们当下最迫切的需求。
刘湘明：那旭东你觉得从 IBM 角度来看，现在是一个出海的好时机吗？包括刚才杨总也谈到了，出海需要做好哪些准备呢？
陈旭东：我觉得出海不是一个好不好时期的问题，必须得选择这个路。刚才我说的两个选项，我觉得很难躲开这个选项。因为企业发展到一定阶段，假设一个市场饱和了，这个饱和的市场很难再给你带来成长的动力了。
那就看我们中国企业，比如行业竞争力是不是比别的国家的竞争力强，只有我们比他们强的时候，你才有机会渗透到那个市场，然后去抢他们的份额。所以这是一个全球竞争的关系。所以只要是追求成长的企业，这个 （出海） 是必选项。
出海的这个道路是不一样的，有自己不停的去踩坑，然后总结经验。还有一类就是去并购一些成熟的企业，这个也是一套打法，怎么去做这两个事情？
第一类是制定相关的战略。其实要让咨询讲，都有很多案例。IBM 也可以给你讲这些，怎么样去打一个市场，甚至在国外去打到高端市场，我们都有案例。在国外跟在国内定位是没关系的，你到另外一市场，你可以把自己定的很高。所以可以有不同的策略去打不同的市场。这个打法确实得有咨询公司帮你梳理出一套基本的打法，然后你得理解这套打法，并得认可这套打法，最终实施。实施过程中可以有咨询公司来陪你去纠错。这些我觉得是 IBM 可以给中国企业提供的。
第二类就是基础的数字化转型。课该补，还得补，不补的话你很难走出去。现在有很多企业来找我们，因为他要跟国外的企业对接系统，我刚才举的汽车的那个例子，就是 ELM 这个软件。很多下游企业他要跟你对接这个系统，（你） 没有，所以他只好再来上这个系统。
中国很多传统企业，就刚才我举那个例子，已经是隐形冠军了，他并不需要类似的系统，他也能活下来。因为那些年市场不错，一直在增长。但现在进入到全球化竞争以后，要求就提高了。这事情上，因为 IBM 在全球基本上所有行业的前十名都是我们的客户。所以在这个体系里头，我们自己有很多很成熟的系统方案可以给大家来做参考。
刘湘明：中国市场其实还是一个基本盘，不管对 IBM 来说，还是对中顺洁柔来说。刚才旭东你也谈到了，说你觉得中国市场的这种拐点已经到了，应该怎么去理解这句话？就是怎么样让更多的观众去看到 IBM 在深耕中国这 40 年之后，在中国继续发展的底气和力量在哪里？
陈旭东：第一个很重要底气就是—IBM 在过去 40 年做的整个信息化的普及工作以后，在整个市场上有大量的 IBM 的客户和员工，这些人对 IBM 是有认知的，凡是用过 IBM 产品技术的人，就很少听到说 IBM 不行。认可度是非常好，这是我们一个很好的基础。我经常跟我们员工讲，很多客户来拜访，肯定经常发现，前两批的员工在这公司里，大家就比较好聊。因为大家都有一个基础文化平台，这是我们的一个优势。
第二个就是刚才说到，面临数字化转型的需求日益增长，从这两年我们看到一个明显的趋势。别的路子已经很难再帮助他提高竞争力，所以很多企业在做转型。
第三个就是我们各条业务线逐渐看到了抬头的趋势。比如我们的咨询业务逐渐有抬头趋势，我们存储的业务也逐渐有趋势，因为我们确实有一些产品和技术在市场上是比较独特的。
比如说我们的 （磁） 带库，小的企业可能用不上，但是大的企业或互联网公司这是一个必备的东西。磁带库是一个以最低成本，超大容量存储冷数据的解决方案。数据现在每年翻倍增长，越来越多数据企业要以很高的成本存，所以在这上面我们看到了很多反倒是有增长。
我们同时也在积极寻找外部的合作伙伴，开始寻找一批 （能服务于） 民营企业的客户，而且要覆盖更广，更低级别的市场。比如中顺洁柔，我们现在可能还没有一个合作伙伴能服务于你们，所以这些都需要我们去开拓的。当我们在这些地方逐渐的拓展以后，我们看到一些趋势也出来了。所以为什么我觉得这个拐点就已经开始出现了。
我们在内部都在讲，我们重新开一个 IBM 公司，相当于我刚来中国市场，但以前的东西还在。
只不过以前大家认为 IBM 的东西都很贵，买不起。你去看同类的产品，比如像刚才你做这个运筹的，IBM 有一个很成熟的软件可以帮你，不用自己去搞很多算法。大多数企业是没这个能力去搞这套算法，而且 （这套算法） 也很便宜，也不是很贵。
刘湘明：这个真是挺好。今天很重要的一个信息点就是 IBM 现在也便宜了。
最后一个问题，给杨总，你能不能总结一下，快消品，包括传统的民营企业，的确遇到很大的竞争压力。你觉得怎么持续保持竞争优势的这种秘诀是什么？
杨森林：AI 只是一个工具。过去我们最早叫信息化，后来到数字化，到数智化，我们又有了 AI，我们也谈过元宇宙。今天还有一个新的概念叫脑机接口。所有的一切，其核心还是看人。想要做增长，就 （需要） 不断改革自己。就像我们说数字化转型，为什么老是 CIO 提这个话题？数字化转型，改革企业，推动业务变革，你自己变了吗？你懂业务吗？所以我经常提到的叫六边形战士理论，懂战略、懂业务、懂技术、懂数据、懂流程，还有懂创新。情商、智商、逆商你都要有。
陈旭东：其实 AI 的技术变革，大家看到它带来两类作用。第一个作用，它会新增出很多完全基于 AI 的一些新的业务。另外一类就是他用这个 AI 技术去改造原有的企业，就是 IBM 一直在努力去做的事情。
刘湘明：对，的确是。有人在说这个技术进步其实改变就两个维度。一个就是个脑力劳动和体力劳动的维度，另外一个就是用复杂和简单的，蒸汽机最早替代的就是简单的体力劳动，然后呢现在 AI 逐渐的替代掉了简单的脑力劳动和复杂的脑力劳动，最难替代的叫做复杂的体力劳动。家政机器人，包括现在我们看到机器人搏斗大赛，那个复杂的体力劳动，这个是最后才会。
感谢两位嘉宾特别精彩的分享和交流，谢谢，也感谢各位观众的关注。然后本期的 IBM AI 会客厅就到此结束，谢谢大家。
