数字化转型的价值迷思：从技术指标到业务结果

文章首发：阿宏的技术博客

序

身处制造业数字化转型阶段，我发现技术赋能业务好像并不是很轻易的就能做到的，很可能在转变的过程中，今天决定要做的，明天就会因为这样那样的问题搁置，而且很重要的是，一个太纯粹的技术人员是没有办法论述他搞的技术能够为企业带来的生产价值。

对于我们技术人来说，我们可以很容易的说明一项技术能对系统有多大的提升，但是这项技术转化成生产价值呢？比如我们可以很轻松的说高并发技术可以让系统的吞吐明显变大，但是实际在生产上，车间主任在对于存在明显低负荷的系统，可以通过管理手段分批次安排车间使用来降低系统负荷，那么高并发在这里的生产价值什么？又如 AI 现在很好用，我们可以部署在各种需要值班监控的地方，让 AI 来替代人进行 7 * 24 小时的实时检测，理想很美好，但是现实是我们还有很多基础设施没到位，直接上 AI 符合生产实际吗？成本和收益能够平衡吗？我们想当这第一个吃到 AI 螃蟹的人，但失败了怎么办，谁来承担责任，AI 吗？AI 能承担这个责任吗？

这就是在企业转型过程中的矛盾之处，想要第一个吃到螃蟹，但是又不能让执行的人担风险，所以只有等到高层的指令下达后，下面的人才能跟着战略方向去跟进，这种被动的跟进对于技术人的成长是有限的，我们会渐渐的习惯按既定路线执行，而不是主动去追问为什么这样做和业务到底需要的什么，虽然这种思考的能力并不能让我们的代码水平提高，但却可以让我们对业务甚至是行业的趋势有一定的洞察力，及时的调整我们的技术方向，提高自身的抗风险能力。

在 AI 的时代，每个行业都在焦虑，人人都在自危，但越是这样，越需要保持理性的思考，适应不断地变化，持续向前。

要记住，风浪越大，鱼越贵。

概述

全球制造业正处于从工业 3.0 向工业 4.0 转型的关键阶段。根据世界经济论坛（WEF）与麦肯锡公司联合发布的全球灯塔网络报告，截至2025年1月，全球灯塔工厂网络已扩展至 189 个领先生产设施，覆盖中国、德国、美国、日本等主要制造国家。这些工厂通过大规模部署数字化和人工智能技术，在劳动生产率、运营成本和交付周期等指标上实现了显著优化。 2024 年，我国工业互联网就已进入全面推进的快速增长期，规模以上制造业企业智能化覆盖率超过 60%，到如今，对于工业互联网的目标已经从规模扩张，转变为高质量发展，要推动人工智能+的落地。

在中国信通院在2026年1月发布的《智能工厂发展报告（2025年）》中指出，我国已构建起国家级、省级、市级三级智能工厂梯度培育体系，覆盖原材料、装备制造、消费品、电子信息等重点行业，制造系统正向扁平化、集成化、智能化的新型架构演进。同样值得关注的是，在麦肯锡的《全球灯塔工厂》系列报告也指出，即使是入选灯塔网络的企业，其数字化转型项目也普遍经历了 3 至 5 年的持续投入才达到当前成效。对于中国多数制造企业而言，智能化覆盖率 60% 不等于实现了业务价值。大量企业部署了传感器和网络，将数据接入云端平台，但这些连接层面的基础设施建设不等于实现了数字化转型，充其量也就是积累了大量的数字资产，而这些积累的数据能否转化为工艺优化和成本节约，关键在于是否形成了数据驱动的闭环决策能力。

这也正是我所思考的问题：智慧工厂，到底智慧在哪里？

传统工厂数字化转型的路径

主流战略

数字化转型对于任何企业来说都是摸着石头过河，并没有一条标准答案能够给所有的企业来参考。

转型，是结合了企业自身情况，系统性、渐进式的持续演进，目前主流的思路有三种：

1. 跟着国家政策四步走：《制造业企业数字化转型实施指南》从制定转型规划、组织落地实施、开展成效评估、推进迭代优化等四个方面提出了转型路径。

2. 从业务痛点出发：从业务痛点出发，以研产供销协同为主线，通过数据拉通实现管理的可视化，最终实现智能决策。

3. 打怪升级之路：对于智能工厂的建设，有专家设计了从基础到高级的五个等级，分别是，精益工厂、互联工厂、透明工厂、数字化工厂、智能工厂。

   这几种思路在落实的时候，实际就是要求企业从过去的经验主导，转变为数据辅助经验驱动，说起来容易，做起来难。

   纯粹的数据驱动是危险的，大多数时候我们是将这个“经验主导到数据驱动”作为一个口号来说的，实际上，数据做的是让隐性的经验显性化、可量化、复用，批量的制造老师傅。

落地阶段

个人认为，无论哪种战略思路，落地的技术底盘都绕不开这三步骤：数据采集 -> 数据治理 -> 辅助决策。

• 数据采集阶段：这一阶段实际是创造、连接数据的过程，这是驱动的起点，没有数据的时候，数据驱动就无从谈起。在工厂生产过程中，需要构建感知层进行生产要素的数字化。就是所谓的各类实时传感器，机床设备运行监测参数，需要将这些通过智能网关（工业专用）链接在一起，接入网络中，从而实现对生产机器的数据采集，而对于一些如物料流转记录、模具状态、车间环境参数、人员位置和操作行为，需要加装传感器（比如 RFID、条码、UWB 定位、视觉系统）来实现信息采集，有了这些基础数据之后，我们才有生成实时同步物理工厂的数字模型的基础。

  实际落地的时候，我们发现了一个怎么都和步骤顺序对不上的事实，理论上是先采集->后治理，但现实告诉我们，我们要先治理，找到分析目标，然后再采集。
  不要纠结，这二者的差异在于是先算账后干活还是先干活后算账。

• 数据治理阶段：这一阶段是将数据变成资产、结构化的知识，让数据变的可以被分析的过程，在这里，其实可以划分成更细的步骤，比如数据清洗、标准化、数据责任归属、权限分级、构建数据网络、建模等等。在数据采集完成之后，数据量大，可用信息少，是非常常见的问题，一个工厂中采集的传感器数据，包含温度、电流、振动、压力等，采样频率在 10 ~ 100HZ ，每秒进入数据池的量级就能到 MB 级别，更别说全年，直接使用采集的结果，无论是对于人还是 AI，都是很大的挑战，而且不一定都是有用的数据。所以在这一阶段，我们要对数据进行治理，最终实现数据具有上下文，能够用于分析。上下文是指，将设备的数据和生产订单编号、工艺参数设定值、操作人员、物料批次、维修记录等信息结构化关联，使得一条数据能够追溯到相关的信息。比如我们采集的轴承的振动信息，单独知道轴承的振动加速度，实际的意义并不很大，但是当我们结合了转速、负载、润滑脂上次更新时间、轴承正常工作的指标特征，我们就可以判读设备的健康程度，同时在分析过程中，能够追溯到设备不健康的潜在原因，归类并交由下一阶段使用。

• 辅助决策阶段：只有在高质量的数据下，我们对数据的洞察分析才会更精准、敏感、高效，从而将分析结论用于指导企业各类经营环节的行动。在做的好的情况下，我们甚至可以将一些决策交由 AI 完成洞察分析，指挥执行，实现系统自治。这一阶段的终极形态是建立感知->分析->执行->反馈的闭环，但现实中，工业现场对于错误的容忍度几乎是零，所以最终的闭环实际很难做到，目前的完全闭环场景很小。在辅助决策中，业界常见做法是基于历史数据和物理机理构建混合模型，即，将传统的机理方程与数据驱动的机器学习模型相结合，取长补短，构建出比原来的单一模型更可靠的系统。这种混合模型在数字孪生环境中作为大脑，可以用于模拟不同的排产方案、PID 参数调整或新材料引入对系统性能的影响，从而实现将新产品的工艺调试周期缩短的目标。

  这套流程总结起来很简单，但落地执行的时候，至少也是个三年计划五年计划的，在这期间，数据的采集、标注、训练等等一系列过程，每个环节都有着大量的技术工作等待着被完成，而对于开发者来说都是很明确的技术指导方向，为我们指明了成长路线。

  如，采集数据的过程中，面对不同的工业协议和数据格式，怎么才能把这些输入逐一接入，如何设计一套统一的数据管理体系来兼容它们？传感器的数量，采样频率决定了每秒产生的数据量都很大，请求非常高频，那我们又该如何设计服务，让服务能支持高频次的访问、写入压力，同时保证采集的数据不会丢失？数据要不要入湖建仓，建仓后，又该如何结构化，标准化。设备、传感器的管理，不再是一套简单的表单吃遍天下，对于多设备类型、多协议参数、多层级组织的复杂配置场景，又如何设计一套灵活的表单系统承载这样差异化的配置需求。

  作为开发人员，在提升技术储备的同时，也应当看一看业务的发展方向，从而不断地调整自己的方向，转型升级成某一领域内的大牛。

中小企业的困境

工厂转型的实施路径已经有了，但对于不同体量的企业，实施的难度并非是一概而论的，尤其中小企业，往往就是倒在第一步的路上。

在前文中提到的三步骤，说起来确实非常简单，路径也很清晰，对于头部企业来说，仅仅是一个资源调配的问题，他们有能力、有资源、有耐心投入三到五年的时间去完成，但是对于中小企业，实际上是一个很严峻的生存问题，成功了，则尚可继续在市场上厮杀，失败了，企业很可能连继续生存的能力都会失去。

浙江大学管理学院邬爱其教授在《分类施策促进中小企业数字化转型》一文中，将中小企业的转型困境概括为三个字：不敢、不想、不会[6]。这三个字制约着中小企业的数字化转型。背后，是资金、人才、数据安全三道难以跨越的门槛。

资金困境

制造业的数字化转型具有投入成本高、回报周期长的特点，很少有立竿见影的效果，如前文所说，不同阶段的落地怎么样也会是一个三、五年的计划。对于年利润几百万的中小企业来说，这种改造，几乎是等于用短期（可能一年）的利润去赌三、五年后的经济回报，且不谈企业管理者的战略目光够不够远、格局够不够大，这三五年的时间里，发生什么都是有可能的，比如三年前，没有人会想到 AI 的发展会如此迅捷，在短短一年的时间里，就让我们经历算力紧张，内存过山车，电力需求暴涨，供应链重塑等一系列冲击，中小企业怎么敢 all in 呢？

中小企业本身的抗风险能力就弱，再加上市场的不可控波动，同样也会加剧中小企业对于短期收益的偏向性，担心投入之后的收益达不到预期，害怕前期做的投资打了水漂，忧虑企业的经营会被拖累，所以，不想转并非一定是老板们目光短浅，这可能只是老板们在不确定环境下的一种理性避险。当企业看不清楚在投入产出比时，不动反而是中小企业的最优策略。

人才短缺

高水平技术人才大多在就业的时候更倾向于选择大厂，因为大厂的薪资更好、发展路径更清晰、技术团队更成熟。在这些方面，中小企业天然就处于劣势，再加上一些传统的中小企业转型过程中存在路径不明确，职责不清晰，任务繁重的问题，即使招进来了技术人才，也将面临着人才流失的问题。

虽然中小企业在招聘时放宽了门槛，但本质上，中小企业需要的并非是一般的技术人才，而是能够了解并整合一个行业的主要技术的复合型人才，所以放宽条件招进来的人未必能直接用，还得培训他理解业务（化工制造、生物制备、零配件加工等），而在这个理解业务的过程中，可能又得走掉一批，原因不是因为难，而是因为苦。

工厂设置在郊区，通勤距离远；工厂环境相对互联网企业不好；厂区管理严格，出入门禁检查等；这都是对人才劝退的因素。

“了解并整合”：了解的程度轻，整合的修饰力度又偏大，这里想说明的是，这样的复合型人才在这个行业中深耕并且理解相关的业务流程（懂业务又懂技术），比如，在化工企业的招聘中，中小企业偏向于那种有一定的技术能力，对于工艺流程有深入理解，明白数据的价值，这样的人就完美的符合要求，但实际上这种都是需要培养的。

数据安全

数字化转型的过程中，数据将会是贯穿整个转型过程中的重要财富，并且成为之后的企业发展的一大重要基石。数据安全的重要性，显而易见。尤其在工业数据中，设计到核心的生产工艺，一旦被泄露或者被篡改，这对于企业来说都可能是致命的。

中小企业在数据安全的投入和能力都相对的薄弱，根据2021年的数据显示，有 90% 以上的企业出现过数据泄露的事件，这并不能一概而论的说是企业在这上面的重视程度不够，而是有限预算下，企业思考路径大多是先跑起来，再补全缺失的部分。毕竟如果都没办法验证成功，那讲数据安全就有点太超前了，又会回到资金困境中。

以上三个困境，是中小企业在数字化转型过程中所遭遇到的拦路虎[7]。

个人以为，中小企业面临的所有的困境，本质上还是资金问题，如果企业转型的门槛从一次性大额投入到千元月付模式，这样就可以建立起一套用最低的成本，解决最痛的点，有了收益之后，再追加投入的循环模型，这正是近几年来工业互联网平台向 SaaS、订阅模式方向演化的一个重要原因。

麦肯锡的灯塔案例非常精彩，效果也十分出众，指标上，OEE 从 78% 提升到 90%、非计划停机减少 40% ……，这些指标的变化让人振奋，但也需要看到，灯塔是属于头部企业的，而对于中小企业，这些可以作为北极星指标，作为降本增效的指引，在采取轻量化方案时逐一向指标步进式靠拢。

中小企业不必一上来就追求OEE 90%，从60分到70分、从70分到80分，每一小步的改善都值得被肯定。

技术价值转化

门槛的降低只是为中小企业提供了数字化转型的入场券，这并不等同于价值的兑现。

现实中存在的问题是，灯塔珠玉在前，其他企业满怀希望的试用了一套轻量化的方案，最后发现报表有了，大屏好看了，但是车间里面面临的痛点并没有真正的缓解，工业互联网厂商的标准化功能和企业的个性化需求上依旧存在一些矛盾，这就让企业数字化转型从低成本起步变成了低价值徘徊。

现在回到我一开始的问题，技术如何产生生产价值？我们该如何讲清好技术赋能的故事？

问题导向

以前文所说的高并发为例，从技术角度看，一个系统做到高并发是硬实力，可以保证系统的吞吐量，更是研发人员面试的加分项，但是在生产现场，车间则会在系统并发能力不足的基础下，错峰排产，使用管理手段来降低系统负载。即，当管理手段可以用极低的成本达成类似的效果时，在技术上的投入产生的生产价值就被稀释了，甚至可以变得没有必要投入。

这并不是对技术价值的否定，只是从这件事情上，我们知道，技术的生产价值，并不取决于技术本身的先进程度，而取决于技术能否解决管理手段所无法解决的问题，或者是用更低的成本解决同一个问题。所以，高并发真正的生产价值，并不是在于让系统能够扛得住流量，而是能够让生产车间不需要再为了迁就系统而去调整使用时间，可以让数据更具有实时性，让管理者不需要额外信息（排班时间等）便可了解整个生产全貌。

如果依旧是只看到了技术的新，技术对系统的提升，而对技术在业务流程中承担的角色，做的改进等视而不见，那这项技术对于企业管理层面，就属于是不需要应用的技术范畴了。

技术信任

技术要转化成生产价值，除了需要以问题为导向，还需要将系统从可用阶段建设到可信阶段。

所谓可用，口语化的说法是，能跑就行，是技术层面的事情，需要让系统运行的起来；
而所谓可信，则是要求技术团队交付的系统是可靠的。

以现阶段炒的火热的 AI 为例，在工厂中，AI 提供的视觉检测可以支持 7 x 24 小时不间断的进行产品质检工作，提升流水线效率。这样的应用模式价值是明确的，只是 AI 在处理过程中，判定出错的后果谁来兜底？是模型？还是开发者？在生产制造中，一个错误可能会导致一批次品流入市场，对品牌造成影响。这种风险也是企业对一些技术应用犹豫不决的原因：我确确实实的看到了这个技术的价值，但是我怎么样才能建立起这样一个可信的系统架构，降低这样的风险。

技术团队从 0 到 1 交付一个系统，只是保证了系统的可用，让业务能够用的上，验证的了问题，在之后系统的运行中，发现问题、反馈问题、验证需求、制定兜底机制、设计容错机制、划分责任边界、完善运行流程、补充降级方案，从而建立起一个真正能够让业务信任的、可靠的系统。如在 AI 质检项目中，我们可以按照这样的步骤进行可信系统的建立：

1. 阶段一：可行性验证

   1. 搭建基础质检 Agent，离线或小范围内验证 AI 质检可行性。

   2. 建立评估指标体系，明确核心指标允许范围。

2. 阶段二：人机协同过渡

   1. 设置 Agent 独立质检任务，并对任务加设人工抽检环节，建立初步反馈闭环。

   2. Agent 和人工并行运行，积累数据验证，识别模型的系统性偏差和边界case。

3. 阶段三：渐进式放权

   1. 设置质检置信度域值，低置性度转人工复核，高置信度自动放行。

   2. Agent 混入人工参与质检任务，检验系统鲁棒性。

4. 阶段四：数据驱动统计

   1. 监测 Agent 加入后的良品率变化，量化 AI 带来的价值增益与风险。

   2. 建立异常熔断与降级机制，当模型置信度分布异常、或连续出现误判时，自动切换至人工全检模式，确保风险可控。

5. 阶段五：流程固化

   1. 明确责任边界，确定 AI 误判、系统故障、人工漏检等不同场景下的责任归属与处理流程。

   2. 完善运行流程与 SOP ，将人机协同质检的标准操作流程文档化，包括抽检比例调整规则、模型迭代触发条件、异常上报路径等。

   3. 建立持续监控与模型迭代机制，定期复盘质检数据，对模型漂移、产线变更等情况进行再训练或参数调优。

   4. 制定完整的降级方案，在模型失效、网络中断、算力不足等极端场景下，确保产线可以无缝切换至备用方案（如纯人工质检或规则引擎兜底），保证业务连续性。

      阶段五是系统信任成熟的标志，由于文章的结构问题，后续没有能展开这部分的模块了，所以在这里多写了两句。

      一个可信的系统的建设并非是一次性就可以交付完全，而是需要在运行中持续打磨、用数据积累信任、用机制管控风险的动态过程，只有当技术团队和业务方都对系统的边界能力、失效模式、兜底方案达成清晰共识时，技术才是可以被信任的。

结果量化

那么生产价值又该如何量化？其实这在本章第一节的时候就提到了问题导向原则，在对生产价值进行量化时，我们可以浅显的理解为：这样做，有没有解决掉我们现在存在的问题。

不过，想要更精确的量化，则需要建立一套基线-目标-归因的量化体系，在发现并提出问题时，能够通过对历史数据的采集分析，得到当前业务的基准指标数据，然后，再结合现状以及业务预期，设定一个北极星指标来指引方向，在每个子问题被解决后，计算每一项改动对北极星指标的实际影响，从而精确的量化生产价值的产出。

以麦肯锡灯塔工厂报告中提到的太原重工轨道交通设备工厂变革故事为例[1]，为满足高速铁路严格的安全和质量标准（北极星目标），采用 AI 和柔性自动化技术（技术应用），不断的提高生产效率和产品质量，最终实现缺陷率下降 66% ，设备故障率下降 28% ，报废率下降 41% （子指标归因）。这个案例中价值的闭环非常清晰，基线是改造前的缺陷率、故障率、报废率的历史数据，每一个数字化用例的落地，都可以直接映射到成本、产量、质量这些可以量化的业务结果上，而不是仅仅停留在系统指标的改进上，这就是技术价值成功转换成生产价值的经典范例。

综上，我们可以知道，要论证一项技术的价值，并不是拿一个孤立的结果指标去证明技术是有用的，而是建立起技术投入 → 过程指标改善 → 业务结果提升的这样的一个完整的归因链路。比如：数据采集的完整性提升了 X% → 使设备健康状态评估准确率提升了 Y% → 设备预测性维护预警提前量从 2 天提升到 5 天，最终使得非计划停机减少 40%。在清晰的论证了这条链路之后，我们才能找准技术的发力点，让技术创造价值，而不是成为成本负担。

这里需要指出的是，工业实践中，提前量变大比预测准确更具有价值，提前量变大可以让维护人员从容处理问题，同时不对生产造成干扰。比如 AI 非常精准的预测了 1 小时后设备会有故障，但是生产还在继续，这 1 个小时完全不够解决问题，只能临时停机维护，相反， AI 提前 1 天告知，设备可能有问题，这时候车间就可以提前进行规划生产、采购、调拨零件等，而不是紧急维护。

在写这篇文章的时候，我其实一直在反思一个问题：为什么很多数字化转型项目，技术团队做了很多工作，但是业务在一开始却很难意识到并认可这些工作的价值？

我认为问题并非是出在技术本身，而是两方所处领域的不同，导致的理解上的不对等。技术团队习惯于使用 QPS、延迟、准确率等系统指标论证成果，而业务团队关注的则是产能、良品率、产品交付周期是否有提升等业务结果。双方的指标系统之间缺乏有效的转译链路，导致技术团队说不清系统优化带来的业务收益，业务团队听不懂 QPS 的提升有什么作用。

对于技术团队而言，需要让思维从我做了什么技术转变为应用这项技术解决了什么问题，让每一个技术提升都能追溯到实际的业务痛点，变成价值提升。而对于企业，则需要建设好技术应用到业务结果的量化体系，明确自身投入方向。

人的成长

到这里，我已经梳理了转型的路径、中小企业的困境、技术价值转换的难题，写了很多大的方向，接下来，我想聊聊作为一个身处制造业转型浪潮中的研发人员，我们应该如何成长。

认知转变

现在这个 AI 能写代码的时代，纯粹的代码能力正在快速贬值。代码写得有多优雅、功能实现得多巧妙，这些曾经引以为傲的硬指标，正在变成基础能力而非人的核心竞争力。如果我们对于技术好的认知依旧停留在代码层面，那么时代浪潮早晚会将我们拍在沙滩上。

所以我们需要转变认知，重新定义什么是技术好：即，用技术解决业务问题，用业务语言讲清楚技术价值。

翻译一下就是：把技术指标转译为业务结果，把系统优化转译为可量化的生产价值。

角色转变

认知变了，我们也需要重新定义我们的角色。

很多技术人员是被动的接需求，本质上只是一个将需求变成代码的执行者，不具有判断需求本身是有值得做的能力。但数字化转型的过程中，正需要能够参与业务诊断、理解工艺和成本结构，在评估需求时，能够搞清楚我们解决的是什么问题，带来了什么收益的人。

这其实也就是前文在中小企业困境人才短缺一节中提到的既懂技术又懂业务的复合型人才。这种人才的一个核心能力就是建立业务上下文，技术方案没有业务上下文，就像一台设备现在触发报警了，但报警信息里没有设备位号、没有车间信息、没有负责人信息，这时候我们只知道出了问题，却不知道问题在哪里、影响多大、该找谁处理。

当我们将技术方案中，建设一个高并发数据采集服务翻译成，让车间不需要为丢失的数据进行重新采集，每次采集占用设备 15 分钟，全年统计损耗约 3 天的业务结果，技术对于生产的价值就很自然的出现了。

方法论

这里要说的方法论不是怎么做技术方案、怎么写代码，而是在认知和角色转变后，我们要怎么去适应，做好技术价值的转换。

在技术价值转换一章中已经说的很清楚了，不要只论证系统有用，同时要论证系统对业务有用。这样，在系统交付后，业务关于技术投入收益的追问中，我们才能从容的用数据解释：数据采集的完整性提升了 X% → 使设备健康状态评估准确率提升了 Y% → 设备预测性维护预警提前量从 2 天提升到 5 天，最终使得非计划停机减少 40%。

认知、角色、方法论现在均已就位，接下来就是行动了，对于普通技术人员来说，预期等待高层的战略指令，倒不如主动寻找那种管理手段受限，可以从技术上低成本切入的场景，比如生产点位数据抄录上报，原来需要手动抄写并录入 Excel 表中，但是通过办公 IM 基础设施搭建一个轻量的审批工作流，实时上报并汇总成日报，每天节省录入 Excel 表的时间 1 个小时，全年就是 264 个小时（以每月固定 22 天工作日计算）的工时节省。

通过这种小的技术投入跑通场景闭环，做出可以量化的改进，从而展现自身的价值，同时换取下一轮技术投入支持。

写在最后

制造业的数字化转型，本质上是一场生产关系的重构，而重构就意味着不确定性，意味着有风险，但是同样的，也带来了很多机会。

对于技术人员来说，真正的风险不是转型本身，而是在转型的过程中，只做了执行工作，没有沉淀思考。技术会迭代，工具会更新，业务会变化，但理解问题、拆解问题、论证价值的能力，是我们永远不会贬值的核心资产。

我们不必成为最懂工艺的人，但我们要成为最懂技术如何服务于工艺的人。这大概就是现在时代赋予技术人的新命题。

参考文章

1. Global Lighthouse Network: The Mindset Shifts Driving Impact and Scale in Digital Transformation | World Economic Forum

2. 数据驱动六步闭环: 构建完整数据价值体系 - 今日头条

3. “不敢、不想、不会”，中小企业如何实现数字化转型？ | 产业智库系列专题

4. 资金、人才和数据安全，中小企业数字化转型的三大“拦路虎”_产业_工联网