企业“降本增效”，不只裁员一条路可选丨看见未来

作者：卫瓴科技创始人兼CEO杨炯纬

“降本增效”，可谓是贯穿企业2022年一整年的热词。在疫情导致的经济下行之下，“降本增效”成为企业生存的必然之举，裁员、降薪、业务调整，收缩员工福利等一系列措施轮番上演。数字化时代，企业“降本增效”还有别的手段吗？数字化转型是否能成为企业“降本增效”的利器？

36氪发起年度策划「看见未来」，聚焦大消费、硬科技、新能源、元宇宙、数字化等五个关键赛道，邀请了创投圈里一群聪明的大脑，来告诉大家他们眼里看到的未来趋势。本系列的第四篇，我们邀请卫瓴科技的朋友一起聊聊数字化。

2023年的今天，数字经济对我们生产、生活的渗透已然到了无孔不入的地步，每个人对此都有这样、那样的印象或想像：

“坐在北京的办公室里指挥东莞无人工厂的机器人有序工作，这是数字经济；

特斯拉的计算机视觉系统和传感器，每秒产生10亿像素级的实时数据，一起驱动驾驶员辅助功能及自动驾驶功能的更新，这是数字经济；

银行利用实时数据建模识别商业欺诈、及时干预信贷评级是数字经济；

一个toB公司的销售老大，在AI辅助下预测下个季度的业绩，也是数字经济；

作为消费者，大家熟悉的千人前面的电商零售业，这当然也是数字经济......”

数字经济是继农业经济、工业经济之后主要的经济形态，为了理解一个个数字经济现象背后真正发生的变化，我们有必要对其发展历程做一个简要回顾。

第一波数字化浪潮其实是伴随个人电脑而崛起的，以无纸化和自动化为主要特征，比较典型的一个场景是会计电算化，也就是把各种纸质的财务数据、流程搬到了电脑上。

第二波数字化就是我们很熟悉的互联网浪潮，以电子商务、社交网络为主要特征，这个阶段不再是原封不动把线下搬到线上，已经在一定程度上重构了流程和作业方式。

那么今天，我们已经身处第三次大规模的数字化浪潮之中，我们面对的不是某一个核心技术的代际升级，而是移动互联网、云计算、大数据、人工智能、物联网等技术大爆炸的聚合性冲击。

那么，这一次数字化浪潮相较以往有什么根本区别呢？

如果只能列举一条的话，我想说，海量数据尤其实时数据正在成为这个时代新的生产要素——无论在数据容量、生产速度、还是数据类型丰富程度上，其它两次数字化浪潮都无法比拟。

尤其今天，数据的生长逻辑早已不可同日而语。

我们能够看见是数据本身在创造数据

我们终将迎来一个数据爆炸性增长的阶段，在云计算的无限算力和存储能力支撑下，融合正确的工具、先进算法和组织流程，数据正在转化成新的生产力，在企业内部、外部都推动着数字化转型的发生。对于内部而言，数字化转型的意义重在降本增效，对外部而言，数字化的目标是寻求商业模式突破，找到下一个增长点。

数字经济未来将迎来三大趋势

“网络协同”和“数据智能”将带来巨大的供给侧改革

网络协同和数据智能的发展，将带我们看见规模化与个性化共存的局面。对于工业时代的企业来说，利用规模化优势占领市场头部地位，是一项基本原则，个性化则是完全对立的另一套玩法。

但数据、信息、知识作为生产要素的时代不一样了，数据有能力把碎片化的信息拼成一个“人”或者“企业”，什么都可以讲究精准，精准营销、精准医疗、精准交通，规模化和个性化不再是二元对立的关系，高频定制变得越来越普遍，精准的颗粒度也越来越细，满足“你在何时、何地、何种状态下的个性化需求”，是未来的数字经济追求的目标。

但，数据作为一种要素本身是未必能释放价值的，只有在“网络协同”中流动起来、与其它数据一起提升数据质量，才能找到“数据智能”。只有首先做了网络协同，然后才会在互联网上产生大量的数据，产生了大量的数据之后，才有洞察，这个智能又会不断反哺协同效率的提升。

曾鸣教授在《智能商业》中有一个观点：“相对于一个固定的线性供应链结构，网络结构才有弹性来支持任何一点的需求，满足低成本、柔性化、模块化等要求，这些都是过去被认为商业上不可能实现的组合。”

我们有个客户叫云切在线，是一家做钢板切割共享平台，跟很多人想像的不一样，这家企业并不自己提供产能，而是把材料供应商、加工工厂、机械制造行业的客户（如汽车、挖掘机、塔吊等）都整合在一个协同网络上，把闲置的产能、零散的钢材供给能力，同多品种、小批量、个性化定制的需求订单汇集匹配一起，从而大大提高了原料和设备的利用率。

举例来说，一家机械制造厂需要两块扇形钢板件，造型特殊的两块钢板件切下来后，整块钢板的利用率不到70%。如果企业自己切割，剩下的30%就浪费了。通过云切平台的智能算法做匹配，就可以找到另外两家需要两款小型钢板件的企业，剩下的30%就被利用上了。通过云切平台，材料利用率可提高超10%，设备稼动率可提升29%以上，客户切割成本至少降低22%。

供需的匹配，在这个网络上得以实现全局动态优化，这是先前预设的供应链难以做到的。

“XAAS”将变成一种广泛扎根的商业范式

Thomas Siebel在《数字化转型》的自序中提到：“后工业社会最重要的标志是服务交付。知识是最主要的资源，数据开始成为通用货币。数据越多——体量越大、内容越精确、反馈越及时,所产生的价值和力量就越大。”

工业社会曾有产能不足的缺陷，而我们始终面临的难题是产能过剩、买方市场，这迫使企业必须想办法跟客户保持长久关系、追求全生命周期价值的管理。在数据+算力+算法融合下，消费者的极致个性化需求就一定有人来满足，交付服务就成了必然结果。

今天企业具备了低成本和客户持保持持续连接的条件，优秀的企业会创造条件跟客户不断互动，通过数据智能加深对客户的理解，根据变化着的需求，越来越多以“XAAS”的形式来做交付。

而当你提供订阅服务的时候，客户的资本性支出会变成运营性支出，双方的博弈关系会发生深刻的变化，客户将不再为不想要的功能付费，并且可以更灵活地切换供应商。通过这种方式，你不得不创造真正的价值，服务好客户LTV。

举一个身边的例子，云南白药在我们印象中是一家非常传统的药企，但我看到，它也在通过一些子品牌在探索服务模式了，一款口腔环境下使用的小型摄像头，可以采集用户牙齿、牙龈的情况，然后会把数据同步到云端，传给平台合作的牙医作为诊断参考，以C端SaaS的形式接受服务。

ChatGPT最近很火，很多人开始频繁提起MAAS（Model as a Service）了。一个大模型能够回答任何全世界、任何人，在任何学科的任何问题，在“预训练大模型＋下游任务微调”的方案加持下，抓取宽泛数据的同时也在自己生成数据，将知道存储到大量的参数中并对特定任务微调，针对具体问题给出个性化的求解。

数据共享将催生新的生产关系、组织形态

泰勒时代的科层制存在一个隐含假设，如果企业的信息和情报被限定在白领管理层流通而不是分发给整个组织，可能使得组织的运作效率更高。

现在，数据和知识跃升为主流的生产要素，其体量和流转速度都决定了科层级组织缺乏适配的消化能力，无法保证信息在官僚系统里正常流通。而科层级组织是现代企业运营的重要基础和必要条件，数字化经济将对现代企业组织模式和制度发出了重大的挑战。

虽然“数据属于谁？”这个问题尚难有定论，但确定的是数据的使用权将绝不会局限于工业时代金字塔尖的几个角色，我们会看到数据将更多被用于赋能一线的工作，每个个体都是能够基于充足的信息做出自主决策的分布节点，实现某种自组织式的管理。

数据也将更多地在各个组织间流动融通，比如打通不同数字平台上的数据，或者通过第三方数字平台中转，或者利用AI技术建模后共享数据模型、通过API将不同企业的数字服务组合在一起，协同服务客户，因此企业与企业之间转而成为相互依存、共同的生态模式。方方面面的数据交易成本降低了，就有可能会催生新的生产关系、新的组织关系、新的组织协同、产业协同。

“看见未来”还是“活到未来”？

虽然针对趋势跟大家做了一番“高谈阔论”，但我还是忍不住想说，数字化转型终究是一件凶多吉少的事情，面对至少10倍速的变化，大部分企业更大的可能是消失在历史的浪潮里，大部分企业也注定是成不了数智化企业的。

相比较看见未来而言，对于当下的创业公司而言，“活到未来”显然是更为关切的命题，前面也提到，数字化转型对内关键意义在于降本增效，就这一点而言，我的建议是如果有哪些重复性劳动、流程能够用软件来解决，就不要让人来做，毕竟，就今天中国SaaS的行情来看，仍旧是有很多羊毛值得大家来薅的。

再来说对外实现数字化转型，很可能意味着你要在商业模式上有跨越式的发展，甚至无可避免要进到陌生的领域，在新的竞争坐标系重新找到自己的位置，因为不排除原来的坐标系会变得无关紧要，就像马车无法无论如何无法应对汽车的挑战一样。

然而，当面对10倍速变化的时候，勇于创新和因循守旧的风险可能一样大，被抛弃和成为炮灰同样让人难以承受。但这个世界，除了创新者，其它都算是模仿者，如何成为一名合格的模仿者是普通企业应该认真思考的问题，也是个很有挑战的事情，毕竟不是说模仿就没有风险了，跟错了风一样是个悲伤的故事。

为了尽可能避免走向被抛弃或者过早变成炮灰，我的建议是有条件的创业者“有预谋”地做好模仿套期（imitation hedge），整体的思想就是，“你没必要咬苹果的第一口，能吃到二口、第三口就行了。”简而言之，模仿要有模仿的策略和标准，要对市场领先者推出的新产品进行甄选，决定把研发费用投入哪些产品的仿制工作。“竞争性新产品与你们公司的各种能力的相关程度、对你们公司的重要产品的替代程度、市场潜力的大小、开发成本的高低以及市场接受这个新产品的快慢等”都是制定跟进计划需要综合考虑的问题。

总的来讲，现实就是时代非常苛刻，它既要求你针对流程、细节做好优化，否则可能“活不到未来”，它也要求你“看到未来”，从整体上把握创新的机会，否则也摘不到丰硕的果实。

企业“降本增效”，不只裁员一条路可选丨看见未来

浏览过的版块