AI时代的底层思考 01｜数字化转型到底解决了什么问题
📚 本文是系列《AI 时代的底层思考》第 1 篇（共 8 篇）。全系列目录见文末。
很多企业做了十年数字化，上了 ERP、CRM、OA、数据中台，但如果你问一句：数字化转型到底解决了什么问题？ 能答清楚的人不多。
常见的回答是"提效"“降本"“管理透明”——都对，但都是结果，不是机制。不搞清机制，就没法回答下一个更贵的问题：AI 转型和数字化转型到底有什么不同？是不是把"数字化"三个字换成"AI"再干一遍？
这篇先把数字化说透。想透了你会发现，AI 转型的定义几乎是自动浮现出来的。
一、数字化的三种能力，对应三个古老的问题
剥掉所有概念，计算机给企业带来的能力就三种：
连接、存储、计算。
每一种能力，都对应企业里一个非常古老的问题：
| 能力 | 解决的问题 | 没有它的时候 |
|---|---|---|
| 连接 | 信息孤岛 | 销售的数据在销售手里，财务的数据在财务手里，靠开会和报表互通 |
| 存储 | 信息遗失、无法积累 | 老师傅退休，经验跟着走；客户历史散落在离职员工的邮箱里 |
| 计算 | 规则执行靠人 | “库存低于 100 就补货"这种事，要人盯着报表算 |
把三种能力串起来用，就是我们熟悉的企业系统。以 ERP 为例：
订单进来 → 库存扣减 → 触发采购 → 生成应付 → 进入财务
这条链上没有任何"智能”，只有信息在系统之间自动流动。而在 ERP 之前，这条链的每一环都靠人：靠单据、靠电话、靠"小王你去问一下仓库”。
所以数字化转型的本质，一句话可以说清：
用连接、存储、计算三种能力重构企业的信息流，让信息能够低成本地流动。
“低成本"三个字是关键。信息在企业里本来也能流动，但流得慢、流得贵、流着流着就丢了、还经常流错地方。数字化把信息流动的边际成本压到接近零。
二、这件事的价值有多大？看一个真实的账本
美的集团从 2011 年到 2021 年在数字化转型上累计投入超过 170 亿元。同期营收增长 154%，净利润增长 333%（来源见文末）。
注意这两个数字的差距：利润增速是营收增速的两倍多。 营收增长可以归因于行业红利，但利润率的扩张说明成本端实实在在被压下来了——信息流动的成本，最终都会体现在存货周转、采购价格、人员编制这些硬指标上。
反过来的例子也有。IBM Watson 在 MD 安德森癌症中心的项目烧了 6210 万美元，最后死因之一非常朴素：医院把电子病历系统换成了 Epic，Watson 接不进新系统的实时数据，整个项目瞬间变成"一个昂贵的定制演示”。信息流不通，多聪明的 AI 都是摆设——这是数字化地基没打好就盖 AI 高楼的标准死法。
三、数字化的边界：它只会"执行规则"，不会"想"
数字化系统处理的是结构化数据 + 固定规则：
- 订单金额：100 元
- 库存：200 件
- 规则：库存 < 100，自动采购
这类问题的共同点是：答案的求法是事先写好的。 人把规则想清楚，交给机器执行。机器不需要理解"采购"是什么意思，它只是在执行一个 if-then。
但企业里真正值钱的问题，大多长另一个样子：
- 客户为什么流失？
- 这个项目为什么失败？
- 合同里有没有坑？
- 下一步应该推哪个市场？
这些问题没有固定规则可写。它们依赖经验、知识、理解和判断——在过去，只能依赖人。
所以你会看到一个有意思的现象：数字化做得再好的公司，关键决策还是在会议室里做的。系统给会议室送数据，但"想"这个动作，机器插不上手。
这就是数字化的天花板，也是 AI 转型的起点。下一篇展开讲：AI 给企业新增了哪五种能力、分别解决什么问题。这里先给一句预告：数字化让信息流动，AI 让知识流动。
四、给你的三个自查问题
讲机制是为了指导行动。判断自家数字化到底做没做完，不用请咨询公司，问三个问题就够：
1. 还有多少信息在靠人肉搬运？ 每天有人把 A 系统的数据导出来、整理成 Excel、再发给 B 部门吗？有，说明"连接"没做完。这种搬运岗位往往还是 AI 转型最先撞上的地方——但先该做的是打通，不是上 AI。
2. 员工离职时，带走了多少东西？ 如果一个资深销售离职，他的客户判断、报价经验、踩坑记录跟着一起消失，说明"存储"只存了数据、没存知识。这个缺口数字化补不了，恰好是 AI（知识整合）的主场——后面的文章会讲。
3. 有多少"规则明确的事"还要人做？ 对账、审单、格式检查、数据核对——凡是能把规则写在纸上的工作还在耗人力，说明"计算"的红利没吃完。这类工作先用传统自动化解决，成本远低于大模型。
五、什么时候"先数字化再 AI"这个顺序不成立？
按老框架，结论应该是"数字化没做完，别碰 AI"。但 2023 年之后，这个顺序只对一半场景成立，值得诚实地说清楚：
- 数据密集场景（排产、预测、风控），顺序不能颠倒。 这些 AI 吃的就是数字化的产出，没有地基就没有原料。
- 语言密集场景（客服、文档、合同、营销文案），可以直接上。 大模型吃的是文本，而文本每家公司都有。一家没做过什么数字化的贸易公司，用 AI 处理询盘邮件和合同初审，照样能拿到回报。
所以更准确的行动建议是：把场景按"吃数据"还是"吃文本"分开。 吃数据的，老老实实补地基；吃文本的，现在就能动手，甚至可以用它的快速回报养活转型团队，反过来给数字化输血。
数字化解决"传不动"，AI 解决"想不明白"——但两者不是先后两级台阶，而是两条可以并行的施工线。这是老框架里最值得更新的一处。
参考资料
- 美的数字化投入与经营数据：证券时报 https://www.stcn.com/article/detail/809323.html
- IBM Watson × MD 安德森项目审计细节：IEEE Spectrum https://spectrum.ieee.org/how-ibm-watson-overpromised-and-underdelivered-on-ai-health-care ；Medscape https://www.medscape.com/viewarticle/876070