蒙牛集团智能化转型的思考与实践

大家好！我是蒙牛集团的首席数智官李琤洁。非常高兴今天能够有机会与大家分享蒙牛集团（下文简称“蒙牛”）做过的一些探索、遇到的挑战、取得的一些收获，希望能够为大家提供有价值的参考。

首先，要说明的是：规模不同的公司要做AI，做法是不同的。以蒙牛为例，1999年成立，发展历史只有短短的25年，但与数字化的相关尝试还是不少的。可以总结为三个阶段：第一个阶段是“货的数字化”，整个供应链端到端，过程中记录一些数据，不同的阶段做了不同的应用；第二个阶段是“人的数字化”，把所有通路里面的人做一些辨识，因为只做产品的差异化是不够的，只有更加了解消费者才可以。有了以上两个阶段的沉淀，第三个阶段就是与AI的结合，这个阶段开始于2022年下半年，在GPT3.5的时候我们看到了趋势所在。

蒙牛集团智能化转型的思考与实践

PART1

AI探索的“3+3”

首先为大家解读一下何为 “3+3”。第一个“3”，我们做对了三个标志性的事情，帮助我们跨过了瓶颈。

第一个事情发生在起步阶段，我们成为“孤勇者”。那时候没有人知道会不会成功，所谓“跟业务去共创一些场景，找对的用户一块来干一些事情”在当时是行不通的，原因在于教育认知的成本太高了。面对这样的阻力，那还要不要开始？

我们第一个阶段做对了一件事，就是说服“关键用户”——CEO。把认知拉齐了之后，我们决定了一个场景：蒙牛作为一个通路型的消费品公司，所有的事情都是通过通路打下去，因此我们觉得做一个C端的场景去尝试AI。

当时的AI有很多能力，但从消费者的角度去体验并不具备条件，因此我们找到一个差异化的点：由于一赛道里乳业产品的毛利率缺乏上升空间，所以一定要看二赛道的产品，就是与健康属性更相关的，例如运动蛋白饮、益生菌等，需要做的是把一赛道里的积累，用对的方式转化赋能给二赛道，但靠产品去拉动产品是不可能成功的。想要把用户粘起来，就必须做服务。所以，我们做的第一件事就是打造了一个面向C端的平台，叫“WoW健康”，在平台上我们做了“AI营养师”，用户活跃度非常好。

蒙牛集团智能化转型的思考与实践

为什么我觉得这一阶段的动作是有价值的？就是你要有一个你相信的人，做一个对的东西，还要能看到一定的效果，带来一定的商业价值，并且在那件事情上持续深耕。整件事情做到今天会发现有价值的不仅是“营养师”，更是沉淀了一套用AI来做消费者运营平台的能力。

第二件事情是让参与者有感知。这一阶段我们做对的一件事情是培训，让大家知道什么是prompt engineer。这个事情的好处是让大家开始觉得GPT这个东西有用，这时候引导他如何写prompt，他结合自己的工作做出了一些AI应用的简单卡片。比如，研发的人可以丢几千万字的文献进去，自己做一些简单的工作；比如，营销的人学会prompt生一张卡片，真的可以帮他写一些东西。大家就会觉得这个东西能够用起来，在内部营造出这样的氛围后，就能有效的把感知提升起来。

第三件事情是我们回过头来将技术与业务融在一起。帮助企业跨越周期一定会做的一件事情是，在做精细化运营的时候，将所有的流程进行梳理和优化。因此我们把前期积累下来的AI能力，与今天的流程优化强绑定在一起。这样一来，流程中的不同节点就能够被感知，而且整体在应用阶段固化了能够被验证的能力，让大家一起来加入到这一过程中。

第二个“3”是收获，我将其称为3个“一”。

第一个“一”是我们收获了一个团队。我们的团队最早开始的时候是两个人，后来12个、24个人，现在基本上是三个team。蒙牛一共有400多个in house IT，做应用的团队大家都会用AI做一些事情，结合在自己的工作里面。用户层面自己可以做一些AI的小应用。第二个“一”是沉淀了一批产品。从内部AI基建的产品，到在平台之上我们自己可以做AI agent的产品，形成了一套产品的体系。第三个“一”是形成了一套方法论，就是怎么能够在企业内部把AI这件事情做起来。

PART2

Why AI：人机协同下的企业变革

不妨我们一起来回顾下人机协同的历程。最早用RPA或者其他产品的时候是boost的模式，很多人用同一个工具，点状赋能；之后是Copilot模式，而且今天依然是这种模式，但Copilot模式之下要求实时陪伴，人和机器是互动的，有个人的助手，有团队的助手，都是助手式的；第三个阶段是Agent模式，它的逻辑是由机器做更多串联性的工作。我相信真正进入到Agent的阶段，未来是Agent跟Agent的工作，人解放出来做更上层的东西。硅谷就有这样的一人公司，一个CEO很多Agent。这是一个大的趋势，人机协同的模式发生变化是一个必然。

蒙牛集团智能化转型的思考与实践

因此，企业的运作模式也会随之改变。野蛮成长的时候企业并没有标准流程，口口相传企业就能运作。在进入到精细化运作阶段，就需要把所有业务动作流程化、节点化、信息化，然后自动化去运作。如果在这样的基础之上，有价值链的规律，结合AI的能力，再加上一些RAG的赋能，可以做到只关注两件事情：第一件事是确定要完成一个流程所要达到的业务目标；第二件事是明确完成这项任务不能碰的红线。一个头一个尾，中间过程中可以自动形成，优化很多的流程，我认为这就是未来的样子。

未来如果真的按照这样的方式去发展，那么一定规模的企业应该具备怎样的数字化能力？

要精细化去提升，降本增效，就要去做流程梳理，不仅要把冗余的层级减掉，把节点变快，把不必要的审批变少，而且本质上还要进行流程性的、颠覆性的梳理。所以每一个工种各自的职能都要去理清，然后把职能跟职能抽取出来做类似乐高的拼图，把它拼成一个端到端的流程。流程跟流程拼接，把所有端到端连起来，连的过程其实就是精细化管理。

企业的数字化本质上就是用数字化的方式精细化地管理自己的业务。那今天在AI时代要做些什么呢？就是要把AI加在这些流程中的节点里，包括能被Agent掉和Copilot赋能的节点。这是今天一定要做的一项工作。

我相信今天在AI驱动的生产力之下，不论是流程再造，还是组织再造，在IT层面上一定会发生三大本质的变化：第一是以后的应用一定是从高代码向低代码变化，这是明确的。第二是从数据驱动变成知识驱动。第三个是所有企业里面的机器逻辑上都将从Boost变成Agent。

围绕这三个变化，AI的能力也会有三个层面的变化。第一个阶段是AI与人的沟通，未来会产生的应用是所谓文字的生成、信息的提取、知识的问答、内容的总结。第二个是所谓的低等级的Agent，它做的事情就是AI与机器的沟通，它能做多步骤的任务，能够做一些复杂的思维推理，做规划、做执行，然后做模拟，做一些预测的事情。第三个阶段一定是AI与AI的沟通，这一阶段AI会有一些自主的决策和一些大规模的自动化，类人的多角色协同，业务工作流程的改善，一个目标跟一个红线之间的串联。所以今天蒙牛所有能力的布局都是沿着这条线在做。

PART3

How AI：ALIGN方法论

要做好这件事情，我把它画成三个圈：上面的圈叫做技术的圈，左边的圈叫做产生的服务或者说是内容的圈，就是应用产品的圈，右边的圈叫人的圈。两两结合产生的三件事情，也就是今天在企业内部去做AI驱动的变革需要完成的。当技术跟场景相连的时候，本质上就是AI驱动的商业场景的重构，所以一定要关注场景。第二个，当技术跟人发生变化的时候，本质上你的AI，你的领导力的模型也会发生变化。最后，当场景、组织跟人发生变化的时候，流程就被重塑了。这三件事情的变化就是整个人机协同商业模式里发生的一个变革。

蒙牛集团智能化转型的思考与实践

但实际上这些场景的落地不仅仅是应用和模型的创新，我们在走过这条路之后，回过头来让我总结，AI帮我整理了一个模型出来，它给了我一个词叫“ALIGN”。

蒙牛集团智能化转型的思考与实践

A是Awareness，所谓统一思想，形成共识。可以不是大面积的共识，但每一个阶段都要有一组对的人跟你有共识，独干是肯定不行的。
L是Locate。Locate就是找到对的，有价值的场景。
I是Ignite，要有一些小小的首胜的火花，不一定要一炮而红，但一定要一点点的成功。给你自己、给团队、给同行者一些可见的激励继续往前走。
G是Grow。Grow阶段之所以从上往下是因为事物都是螺旋式上升的，所以在过程中会遇到一些卡点、难点，要相信自己能够翻越过去。
N是Nurture，是全员的培养、共创，走过0到1，走过1到100。

Awareness统一思想，形成共识很重要，很多内容我们都在内部做了大量的研讨，还有对内部人员的培训。Locate找到对的场景同样重要，我们也形成了一些方法论，在这五个场景里什么东西跟谁合作，什么自己做，什么拿来用、买来用。需要注意的是，泛用的东西如果还没开始就别干了，这种一定是开箱即用的东西。

从业务的场景上来看分两类，一类是偏中后台的，中后台的很多能力最终产生的价值在降本上。你自己要做多少呢？答案是你自己也不需要做太多，因为今天好多专业领域都在做。因此你要去找该领域垂直的中后台服务领域的传统的产品，最好是SaaS化的，它一定会在做这方面的AI加持。AI来了之后，传统的SaaS结束了，它一定会往另外一个方向去发展，它的速度是生命线的概念，所以它一定会拼命去干。

提效逻辑上相对偏前台一点，这就需要与你的公司、SOP结合更多了。比如营销方面的一些内容，导购的、培训的，这些方面跟公司内部特有的细分情况接近度比较高，这类应用一定要有自己的东西加持进去，所以很难真正意义上找到完全能开箱即用的。

最后一类就是领域类，它是打商业模式。一个是跟行业细分，一个是在行业里面又去切新的商业模式，二者是不同的。今天大家对AI，整体公司层面都已经有了完全不同的格局，如果是今天开始或者是半路开始，其实没有必要从上往下走。

场景细分完了以后就要Grow。Grow我们做了几件事情。第一，不同的人对这件事情要的是不一样的。团队，是指广义类的团队，不是IT团队，是公司整体的团队。大家都期待在工作过程中利用一些能力能够提高自己的自动化程度，提高自己的工作效率跟效益。再上面的一层其实是战略层。今天如果你的汇报对象是CEO, 你想做一件事情，需要大的投入，那么他其实看到的所有东西都是对业绩增长的提升、降低业务成本是最终目的。所以这三个层面上要解决的问题不一样，你做的AI变革策略可能也会有不一样的做法。

第二个Grow就是对细节的把控。我们有四个域，同时进行了流程的梳理再造，将职能流程串成价值流程，在所有的流程里面，我们会去找今天已经具备的AI能力，能够产生的价值，或者说是打点在L4级或者L5级层面能够替代原有业务流程的是什么。

再一个Grow是我们的科技底座。首先是基础建设，它本质上做的是安全运营，做权限管理、数据区隔；然后是大模型的选型，分别做一些大模型的测评。再往上我们做的两个核心引擎是企业大脑、知识银行。知识银行就是内部的AI友好知识库，这个事情很难，但是这个事情是绕不掉的，一定要做的。再一个就是企业大脑，它做的是所有能力的调用，这与企业的数字化基础有关。再往上是一个低代码的平台，它是去做前端的。

蒙牛集团智能化转型的思考与实践

我们在做知识库的时候发现很多问题，企业里面知识有不一致性，知识管理版本不一致、不统一、碎片化、形式不标准等，而且这些问题不是光靠RAG就能解决的。我们去试了市场上大量的知识库产品，没有特别满意的解决方案，但这个能力也是企业核心必须要具备的，所以最后我们就做了自研。比如去构建一些自动的跨文档的知识主题，要把它TAG化，什么是内容什么主题，这样相关应用的主题就能把它串起来。实体的关系图谱，专有名词的智能维护也是同样的，企业里面有很多专有名词，这些东西都是必须要建索引去关联的东西。再有就是知识缺失的判断。这些都是知识库里面一定要有的能力，具备这些能力，企业才能用起来。企业大脑也是类似的，常规插件大厂做得很好，反而企业的应用插件，是你在企业里面去做调度一定要有的，原来的API是要重新再做加工和适配。

在团队的分工上，从上往下是一一对应的。首先要有业务咨询师，他必须熟悉业务的流程，能够跟业务对话，能够跟他一起来把这些流程所产生的业务价值做评估，这种角色是需要有的。另外需要有提示词培训师、AI Agent的构建师。也要有知识工程的架构师、CUI的体验设计师，数据工程师也是需要的。

蒙牛集团智能化转型的思考与实践

最后就是全员参与。核心就是第一阶段你要有分享，要做高管的工作，要定位对的场景，要找到适合的PoC，而且一定要有合适的产品，IT要做很多储备工作，全员一起参与。

蒙牛集团智能化转型的思考与实践

以上就是我的分享，谢谢大家！

PART4

Q&A精华篇

您认为您所在团队的首胜是？

第一次最成功的是“AI营养师”。因为靠这个应用我们能够告诉大家AI能干什么，让大部分的客户都能有所感知。同时还产生了一定的销售成果，使用了这个服务后，私域销售提升，次单销售提高21%，公域提高13%。

大模型带来的不确定性，对于我们要用的BI的数据要求非常精准，和确定性的东西之间的矛盾是怎么解决的？我想到的是把它分开来，它对于自然语言的理解和我们在后面去调已经有的指标体系库，或者已经做好的东西，它应该能形成非常精准的匹配和对应。

三个点。您刚刚讲的一个点已经是40%的内容了，另外30%+30%两个点是什么呢？一个就是这里面不是一个Agent在工作，是多个。第一个就是它要解构思路，就像跟人工作一样，要把它当人，它怎么做这件事情你先让它自己把思路说了，它自己把思路结构化的过程就是提高精准的过程，一定要让它做这条工作，不能直接就出结果。再一个要做很多质检，保证数据的一致性，数据有很多指标内容，里面有好几个质检工作端，也是AI做的，里面做很多左右手互搏的卡点，让AI跟AI工作，最后输出，去降低不信任率。

您的团队从两三个人，迅速发展到24人，您的团队成员是怎样组成的？是什么背景？

第一点是种子团队一定要是最对的人，所以一开始的两三个人很关键。

再后来加入我们团队的大概是两种类型的人。一种是内部转型的人，因为我们内部有一个培训的机制，刚刚说到的一些Agent的工作，就是看有些类型的人是转型快的，有些类型的人是转型慢的，所以有部分人是转型来的。我从12个人到后面24个人，后面的12个人其实是原来的中台团队的架构师转型过来的，原因是到了那个阶段，企业大脑要把内部的API都AI化，所以他们都特别熟悉。

另外我们也会外部招一些人，但比较难。最近机会比较多，因为最近互联网出来的比较多。组建团队我的经验是要有一个清晰的road map，定向性的到什么机构找什么人，撒开了网来找人，守株待兔肯定找不到对的人。

END

{{userData.name}}已认证

蒙牛集团智能化转型的思考与实践

Ray在微信AI计算中的大规模实践

谷歌 Prompt Engineering 白皮书中文版来了：DeepL 和沉浸式翻译谁更强？