真正行之有效的人类 + AI 策略

当 AI 在没有清晰用例、没有变革管理计划、也没有尊重其本应支持的人类的情况下被部署时，会发生什么？它会失败——而且 according to AMCS 首席创新官、《*The People, Places and Things*》作者 Evan J Schwartz 的说法，这种失败是可以预见、也可以避免的。在这一期 CTRL+Listen Podcast 中，Evan 分享了他在企业软件、ERP 实施以及林业、采矿、废金属和废弃物行业工业自动化领域 35 年以上积累的宝贵经验。



从 AI 驱动的预测性维护和车队优化，到无处不在式 AI 用例的风险，Evan 主张采用“人 + AI”的策略——即将范围狭窄、定义明确的 AI 任务串联起来，以产生叠加效应。他还深入探讨了 AI 正如何重塑软件教育、为什么在 AI 时代通才会比专才更具持久优势，以及废弃物与回收行业能教会我们哪些关于运营效率的经验。



了解更多 Evan 的信息 →



关注 Evan → 

收听本期节目

观看本期节目

核心要点

• 大多数数字化转型和 AI 项目失败，原因在于采用落地，而不是技术本身。由于组织低估了变革管理、文化契合度以及现实运营复杂性，ERP 和 AI 项目常常以很高的比例失败。
• 要实现成功转型，必须采用结构化、以人为中心的框架。“客户旅程”方法强调清晰的阶段划分、明智的供应商选择，以及超越标准项目管理的务实落地步骤。
• AI 最适合作为人类能力的放大器，而不是替代者。范围狭窄、定义明确的 AI 用例——再结合人的判断——能够在效率、物流、预测性维护和盈利能力方面带来叠加式收益。
• 运营效率与可持续性在经济上是一致的。优化物流、车队和资源利用能够降低成本、增加自由现金流并减少环境影响，使可持续性成为企业优势，而不是一种取舍。

文字实录

James Sweetlove： 大家好，我是 Control+Listen podcast 的 James，本节目由 Octopart 呈现。感谢大家今天收听。

今天我们邀请到一位特别嘉宾，Evan Schwartz。他是 AMCS 的首席创新官、Evan J Schwartz 的创始人兼 CEO，同时也是 Jacksonville University 的兼职教授。非常感谢你来到节目。

Evan J Schwartz： 很高兴来到这里，James。我很期待这次交流，谢谢你邀请我。

James Sweetlove： 在正式开始之前，我们已经简短聊过几次，我非常期待深入探讨一些我们为这期节目提到的话题。

先从你的背景开始吧。你能和我们简单介绍一下 Evan J Schwartz 吗？

Evan J Schwartz： 当然可以。

我的起点故事和很多 IT 从业者很相似。早在拨号公告板系统时代、也就是计算机发展的早期，我就开始开发游戏。那段经历让我对技术感到非常熟悉，也帮助我理解了用户体验，以及当时很多新兴技术——比如拨号调制解调器。

从那之后，我很快进入了商业世界，并在各类企业中发现了大量机会，尤其是在财富型产业中。从那时到现在，已经过去了 35 年多。

所以直到今天，我仍然深耕于企业运营系统、自由现金流引擎式生成系统、自动化系统，也就是那些能够让企业运转起来的系统，特别是在财富型产业、林业、采矿、逆向物流、废金属等行业。在这些利润空间紧张、需要真正优化和自动化流程的领域，我的职业生涯一直专注于此。

Evan J Schwartz 则是在这个基础上延伸出来的个人项目，也是我非常有热情去做的一件事，因为这些年来，我开始不断看到某些模式：这些公司会购买大型 ERP 系统，随后在组织内部经历巨大的变革。而 Gartner 目前给出的统计数据——这也和我在职业生涯中看到的情况非常一致，无论我是去收拾残局，还是亲自参与其中、努力推进项目——都表明这些支撑企业运营的大型企业系统在采用落地方面有很高的失败率。

所以，Evan J Schwartz 和“客户旅程”就是我的一次尝试。我写这本书，是想把我 35 年多的亲身经历、所见所闻和实践经验放进一个背景框架中。而“客户旅程”则是我尝试构建的一套方法框架。

虽然项目群管理和项目管理本身已经发展得相当成熟，几乎形成了各自完整的学科体系，但我认为——也通过亲身经验验证——在部署和采用一个新的运营系统、一套软件时，确实需要一种非常特定的方法。所以，“客户旅程”就是一个覆盖在标准项目管理最佳实践、项目群管理最佳实践之上的框架，同时也针对那些导致高达 70% 失败率的独特挑战。

你现在也看到了，AI 也是数字化转型的一种形式。去年，MIT 发布报告称，95% 的相关项目要么没有达到 ROI 预期，要么以失败告终，对吧？而且它们失败的原因是一样的。所以我就想，一定得有办法阻止这种情况。

因此，“客户旅程”涵盖了部署任何类型数字化转型的所有阶段。它会从客户视角告诉你，作为客户你需要做什么：如何选择供应商、如何挑选软件、如何规划项目？风险点在哪里？项目会在哪些地方脱轨？以及你怎样才能成功实施，并真正产生自由现金流、拉动 EBITDA 表现？

你购买这些系统的全部原因，本来就是为了改善公司的财务表现。你买系统不是为了单纯拥有一个数字化系统，对吧？它们必须在财务层面产生推动作用，而太多项目在这方面都做砸了。

差了两个数量级，这非常惊人。两年前，德国有一篇很受关注的报道提到，一个 SAP 实施项目超支高达 6.5 亿美元，最后他们只能直接叫停。没有产生任何价值，只是一个不断失血、最终没能完成的项目。

所以我基本上是想说，真的够了。其实是有办法持续、反复取得成功的。让我把一个框架摆在大家面前吧，因为我接触过的每一个人——书里提到我的一位好朋友 John Leonard，他是 Florachem 的 CEO——就因为我们之间的关系，他当时没有来找我帮忙推进实施项目，那是另一套软件，但最后他也得到了糟糕的结果。

所以事情结束后，他来找我，我们坐下来，我带着他复盘：好吧，这一步你本来应该这么做，或者那一步本来可以换一种方式，对吧？他说，天啊，我真不知道，我真希望在卷进去之前就知道这些。

而他的故事最后是这样收尾的：他被迫为一套根本无法使用的软件支付五年的授权费用。这种感觉很糟，对吧？而且这是可以避免的。最糟糕的地方就在于，它不是随机发生的。这不是那种我们无法阻止的列车脱轨事故。它是广为人知、文档充分记录的问题，而且发生得太频繁了，以至于人们甚至会为失败做超额规划。

我的目标就是：我怎样才能让足够多的人掌握这些信息，从而避开这些坑？而这正是“客户旅程”要做的事。

James Sweetlove： 太棒了。

是的，这听起来确实是一项非常必要的服务，而且在这个领域里，大家都在快速涌入，也许并没有做足应有的尽职调查。

Evan J Schwartz： 一部分原因确实如此，另一部分则是你不知道自己不知道什么，对吧？这和很多事情一样。你总是会带着自己的视角、自己的认知框架去看问题，而客户无疑比任何人都更了解自己的业务。

但我可以告诉你，我接触过天然气、大宗商品、林业、废金属、制造业，甚至还有商品市场交易领域，还有废弃物与回收行业——这些行业中的公司，无论人数多少，没有一家是以完全相同的方式运作的。一家都没有。

它们做的明明是同一种生意。如果你把视角拉远，看起来它们都在做同样的事；但一旦深入到细节层面，没有一家公司的运作方式是一样的。那正是它们的独门秘诀，是它们的差异化所在。而问题通常也正是从这里开始慢慢偏离正轨。

它们各自都有独特的文化。你会惊讶地发现，当你在整个系统中部署那套软件时，有多少企业文化会因此被塑造，或者必须与之相契合。因为它会触及你业务的每一个部分，每一个部分，真的。

James Sweetlove：在我们更深入聊其他内容之前，我也想先请你为观众简单概括一下你在 AMCS Group 的工作。如果可以的话，也请你介绍一下你在那里的角色。

Evan J Schwartz：是的。人生中很少有机会能在一个让你热血沸腾、让你每天早上兴奋地起床并全力投入的地方工作。所以说，AMCS 多年来——如果要把完整的发展历程讲完，我们可能得聊上好几个小时——但现实是，我一直在各种资源密集型行业的企业中发展。

林业是最早的深度资源型行业之一，早年我们会砍伐树木来造纸，对吧？后来随着回收利用开始兴起，我们需要一种方式把纸板回收回来，重新制浆，再次加工利用。于是这就演变成了回收业务。

很多人并不知道，树的每一个部分都不会被浪费。甚至连萜烯以及造纸过程中的一些副产品，本身都是有价值的产品。就像我刚才提到的那位 John，他所在的是化工行业。萜烯就可用于调味。

所以你很快就会发现，天然气行业、石油行业，所有这些行业都通过物流彼此关联。一个人的副产品或废弃物，可能就是另一个人的原料。它们之间联系非常紧密。

所以当我加入 AMCS 时，我看到的正是连接这些不同行业的那个精准节点、那层“连接组织”。也正是在那里，你会开始发现额外的效率提升空间。

在“绩效可持续性”这一底层理念之上，我们相信，通过技术，我们能比过去实现对环境更积极的影响。而且我们每天都在这么做，对吧？

所以我在 AMCS 的工作是在创新领域。我会对一些新兴技术下注，然后把它们一路推进，从 POC 阶段走向生产落地，之后再交回产品团队，由他们去完善，把它打造成对客户非常有价值的东西。这就是我在 AMCS 的职责。

当我们观察 AI 如今如何融入你的 ERP 周期时，我们会思考：如何节省物流成本？每一家企业——这也是为什么我的书叫《People, Places and Things》——都离不开人，离不开要到达的地点，也离不开要移动的物品，而这其中必然涉及物流。所有这些因素共同作用，决定了你的自由现金流、利润率以及 EBITDA。这些都非常重要。

而如果你能通过减少污染来赚钱，你不是更有可能愿意这么做吗？如果我每年每辆卡车都能帮你节省 100 加仑柴油，哪怕按每加仑 4 美元算，而你有 1,400 辆卡车，那就意味着少了这么多燃料排放到大气中，同时你也少买了这么多燃料。

这就是绩效可持续性。这意味着把那些会产生积极外部效应、而不是负面外部效应的正确行动匹配起来，并且这些行动还能影响你的利润底线、利润率、EBITDA、自由现金流，所有这些。AMCS 所带来的价值就在这里。它连接了所有这些行业，也看到了遍布各处的机会。

所以，我们是一个面向资源密集型行业、提供端到端服务的大型 SaaS ERP 系统。我们可以管理你的车队、路线物流、材料接收与处理，理解这些材料的价值，并帮助你把它们销售出去、重新投放市场，对其进行回收，这就是逆向物流。

也就是说，我制造了一个产品，现在我需要把它重新拿回手里，这样我才能把它拆解成各个部件，再把它变回有用的东西，对吧？这很难。

几千年来，作为一个物种，我们非常擅长从地下挖掘资源，或者从土地上收获东西。因为那些东西不会移动。我始终知道我的农场在哪，我也始终知道我的矿山在哪。但一旦我制造出一个产品并把它投放到市场上，之后它去了哪里，我就完全不知道了。

所以，如何高效地把这些东西回收回来，再把这些材料重新转化为制造新产品所需的原材料，这正是我们正在成功交付给世界的挑战。所以我非常热爱这件事。

James Sweetlove：这的确非常令人兴奋，而且也极其必要。我的意思是，按照我们现在这种资源消耗的趋势，不做这件事根本不行。我们必须这么做。

Evan J Schwartz：没错。但我们终于走到了这样一个阶段：在不必把压力强加到别人头上、也不必依赖合规要求或处罚机制的情况下，这件事已经可以实现了。换句话说，技术终于追上了愿景。

James Sweetlove：当然。你刚才其实已经稍微提到了一点，但我想再深入挖掘一下。你能不能跟我们讲讲，如果一家公司在物流领域不采用 AI 和自动化，它究竟会错失什么？

Evan J Schwartz：AI 非常非常擅长在适量的数据中寻找模式，同时它也很擅长观察那些我们人类不容易看清的区域，而这些区域往往就是不同环节之间的“连接组织”，也就是从一个步骤交接到下一个步骤的衔接点。

我们可以针对某个步骤深挖细究，确保那个步骤尽可能高效。但当我把它交给上游或下一个阶段时，我们就很难再看清一两步以上的内容，再往后就开始变得模糊了。

借助 AI，我们可以纵览整个供应链。我们也可以变得更具预测性。

比如说，当我要优化一个流程时，废弃物处理行业里有这样一个例子：某个垃圾箱被挡住了。我的车辆已经派过去了，但不是你的错，有一辆公用事业车辆挡在前面，对吧？结果我到了现场，联系不上你，也接近不了那个箱体。那我这趟去服务这个垃圾箱的行程就完全浪费了。

我还得拍张照片发给你，告诉你因为前面停着一辆车，所以我没法为你的车辆——或者说你的垃圾箱——提供服务。我很可能还得向你收取再次上门的费用。这显然效率不高。

但如果在现场周边布设了传感器或摄像头图像——因为我之前参加了智慧城市大会，他们正在向服务供应商开放城市摄像头——那会怎样？如果在我的车到达之前，我就能看到那辆车挡住了垃圾箱，并且我可以提前通知相关人员，或者在我的车到达前把那辆车挪开呢？

这样一来，与其等到了现场却根本来不及联系你、也来不及确认能不能把车移走，不如我在距离现场还有 30 分钟时就知道：有人挡住了。我会给你发出提醒。这样你更有可能出来处理，说一句：“各位，我需要你们把这辆车挪开。马上有工作人员要来处理我的垃圾箱，你们得让出位置。”

AI 很擅长做这种事，因为要让我安排一千个人盯着一千个摄像头去看所有情况，这根本不可扩展。但 AI 可以做到，对吧？

当你看我们如何应用 AI 时，你会发现，我们通过优化路线减少了卡车必须行驶的里程；我们还可以通过分析车辆中的液体状态来判断它是否需要维护。

如果我不必在一辆卡车本来可以正常作业的那天把它停下来送去维护，我就避免了向环境中引入各种液体和机油，同时这辆卡车还能继续保持生产力。哪怕我每年每辆车仅仅减少一个保养周期，那也是数万美元的新增收入、被避免的成本，以及大量本不必产生的废机油。

如果我还能在源头、在收集点就检测出污染物，那我就不会因为某一个容器里有污染物而污染整整一车的材料。

再比如，如果我的路线已经优化，因为我知道卡车能装多少，也知道我给这些客户配发的都是 90 加仑的容器，那么我就能知道什么时候该去倾倒，这是我优化流程的一部分，是一种最优操作方式。但如果我开始收集到很多盖子鼓起、或者已经溢出的容器，我就可以把这一因素纳入考量，因为实际上我收走的废弃物已经超过了 90 加仑。

如果你明明只付了 90 加仑垃圾桶的费用，却往里面塞了 120 加仑的垃圾，那显然对我不公平，对吧？

所以，所有这些事情单独看都已经很高效了，但当你把它们串联起来时，它们会叠加产生效果，形成指数级的提升。然后你就会意识到，原本需要 13 辆车完成的工作，现在 10 辆就够了。

对一个普通运营商来说，把这 3 辆车停掉所带来的影响——先不说购车成本，单看每年的支出——大约就是每年 100 万美元。包括保险、维护成本和人工成本。所以，用少 3 辆车来服务我的社区，就等于把 300 万美元的自由现金流重新放回我的业务里，我现在可以把这笔钱投资到其他地方去实现增长，对吧？

你把这一个场景提炼出来之后，就可以把它放大，并把这种方案、这种模式应用到你业务的每一个环节。真正有价值的是那些今天还无法规模化的领域——过去我们没有去看，不是因为不想看，而是因为做不到，也不划算。因为我得在每一个很小的环节都安排一个人去盯着。可现在我不需要了，对吧？

这才是真正的价值所在。把 AI 的应用场景限定得足够窄，然后再把它们串联起来，让 AI 去做一件非常具体的事，但我可以把它规模化、复制化。我可以让这些“眼睛”去看 1 万台摄像头，只为了寻找某一种特定情况。这很容易，对吧？

但一旦你想要一个无处不在的 AI 去同时观察所有这些东西，你就会开始发现它会游离、会失控。而 AI 的大多数失败率，恰恰就出现在这里。问题出在使用场景上。你并没有把使用场景想清楚。

如果你的使用场景是想把人类去掉，那你一开始就已经失败了。抱歉。这是一个人+AI 策略。你不可能靠那种方式赢。

当然，这并不是说在最后，如果你已经把效率真正做上去了，就不能去优化业务规模，当然可以。如果已经没有更多增长空间了，而且你已经把能做的都做到了，那就去合理调整业务规模。没必要保留你不需要的资源。

但当你推进 AI 时，你最核心的思考应该是：AI 将如何让这项工作、以及现有这些资源，做得更好？我能不能扩大规模？我能不能做得更多？我能不能从这项资源成本中创造出更高的利润率？

然后到了最后，就像卡车那个例子一样，好，现在我用 10 辆卡车而不是 13 辆就能完成所有这些工作。那我要么去找更多业务，让这 3 辆卡车也派上用场；要么如果我已经做到极限了，那我就确实不再需要这 3 辆卡车。

所以，业务规模的优化应该发生在旅程的终点。不要一开始就想着，嘿，我可以把员工从 10 个人砍到 2 个人。那样你会失败，因为这会改变你实施 AI 的思路。

而且，AI 并不能很好地解决我们现在正在做的这种事情。AI 不擅长这个。凡是涉及人与人连接的地方，你都需要把人保留在流程里。这也是为什么书的标签是 People, Places and Things。人是优先级最高的。要聚焦这一点。然后等你真正获得提升之后，再从那里开始做合理优化。

James Sweetlove: 对。是的，我非常认同这个视角，因为这也是我个人持有的看法。你不可能把公司里的所有人都替换掉，这是做不到的。

Evan J Schwartz: 是的。我们已经看到一些大公司过早地往这个方向猛冲，现在又在往回撤，而且他们为了把这些资源重新找回来，付出的成本比一开始如果先把事情想清楚还要更高。

James Sweetlove: 对，确实如此。是的，我也在新闻里看到过一些类似的例子。结果就是，哦，好吧，我们基本上犯错了。不过我觉得就像你说的那样，公司愿意承认这一点是好事，而不是陷入那种沉没成本谬误，觉得“反正我们都走到这一步了，那就继续硬着头皮往下推吧”。

你刚才提到了一个术语，我想顺着问一下，因为我觉得很多人可能并不熟悉它。所以如果你能非常简要地解释一下，什么是 ERP？以及它具体扮演什么角色？

Evan J Schwartz: 对，ERP，你说得没错，这确实是个在不同语境中都可能被使用的术语。我甚至听过有人说，他们的 CRM，也就是销售和客户关系管理系统，现在已经成了新的 ERP。

对我们来说，ERP 是一种数字化转型系统，它承担着你业务中的一个主要部分。无论是财务和会计后台、你的 CRM，还是传统意义上所说的 ERP——也就是你的运营系统。它是你的管理层，对吧？它决定了你的业务是如何运作的。

不一定非得是——如果你的业务有销售环节，它会连接到你的销售流程。大多数企业多少都有这一部分。如果它本身不包含财务和会计模块，那它也会与财务和会计模块打通。

很多摩擦和很多 ERP 失败案例，往往就出现在这里：你会看到一些会计系统试图顺便把运营也做了。因为从他们的角度看，这似乎很简单。然后他们才开始意识到，问题是——我们构建的是一个会计系统。

一个很典型的例子是，在很多行业里，我需要那批物料现在就到这里。我不会太在意我们是不是已经把协议签完了。你我握个手，我就需要那批料。我需要那批木材来维持那家大型工厂持续运转，因为一旦它停下来，每小时就要损失 100 万美元。所以先把货送过来，后面我们再理顺。价格谈妥，我们把它记录下来就行。

大多数会计系统甚至做不到在没有文件、合同或协议录入的情况下先把这件事建起来。所以运营系统必须以业务的速度运转。它们需要足够敏捷，不能被这种僵硬固定的规则束缚。它们必须有灵活的规则，允许现场的人作出指挥决策。要让一线人员有这个权力。

而会计系统往往并不擅长这一点。

所以在我的语境里，ERP 是横跨整个业务版图的，对吧？凡是你用软件来驱动企业运转的地方——不管是在销售端、运营端，还是财务端——它都涵盖了其中很大一部分。然后你再进一步区分，具体这个工具到底是做什么的。

但归根结底，你引入的是一个数字化转型项目，它会触及你业务中相当大的一块。

James Sweetlove: 完全说得通。也谢谢你的澄清。我觉得知道你说这个词时的具体语境非常重要。

那么，继续聊聊我们在这次通话之前讨论过的一些内容。你给了我一些很有意思的见解。其中一个是预测性维护自动化，这听起来是个非常有意思的话题。你愿意再展开讲一点，这到底是什么吗？

Evan J Schwartz: 好的。很多人会利用车辆或机器的历史数据——也可能是某种固定资产，比如研磨机之类的——然后说，我们过去每年都要维护它两到三次。所以我就根据历史先例来预测，今年也需要维护两到三次，或者每六个月维护一次。

我说得更贴近你们观众一点。比如我买车的时候，人家告诉我每跑 3000 英里就得去换一次机油，对吧？但我们都知道，一辆全新的车，不应该跑 3000 英里就必须换机油，对吧？以今天发动机的精密工程水平来看，这不合理。

而且，这些机器本身是收入创造者。它们不是为了运转而运转，也不是单纯的沉没成本。它们是在创造价值。

所以你想象一下，如果现在我们只需要取一点机油样本，就像做血液检测一样，把它送进一个 AI 计算模型里，它就能告诉你：好，根据这些因素，你应该开始考虑把这台设备卖掉了。你可能还没到折旧结束的时候，但你对这台机器的使用强度太高了。它快要出故障了。所以我的建议是卖掉，买新的。

又或者，它会告诉你这台机器运行状态非常好，完全没有必要让它停机维护。我们这次保养可以跳过，对吧？这就让你在面对一些非常昂贵的设备时，不再只是靠猜。

就像我之前说到这些卡车一样，每一辆车，无论是在废弃物与回收行业，还是在其他场景，本质上都是：去取货、把东西运走、再交付出去。而这本身就是一种价值交付。

如果我知道那辆车运行状态不好，而它承担的是运输任务，那么我们又回到了逆向物流这个话题。这个行业里有句话：废料不喜欢长途运输。你每多运输一英里废料，实际上就是在一点点吞掉它的利润，对吧？所以你必须让那辆车尽可能高效地运行。

一辆维护良好、润滑到位的车辆，运行效率会高得多，油耗也会低得多；而一辆尾部冒着黑烟、一路异响摩擦的车，肯定会消耗更多燃料。

因此，我们让你能够接入设备上的所有遥测数据——无论是研磨机、车辆，还是任何带有运动部件的固定资产——准确了解其内部到底发生了什么，并据此做出决策。你是选择暂缓处理、再多榨取几天使用价值，因为目前还没必要停机？还是在意外停机发生之前，提前把停机安排进计划？提前把新零件订好？因为这个设备快要坏了，这个设备快要坏了。

这就是在利用 AI，而且不只是看车辆的历史情况，而是真正了解那些需要润滑油的运动部件内部正在发生什么，这非常有力。它能帮助客户把几十万美元、甚至根据车队规模不同，可能是数百万美元，重新释放回利润率和自由现金流中。

而这也与我们的整套车队维护软件相互关联。因为它为你提供了一个全局视角，对吧？如果你是一家大型公司，可能有 18 个、20 个，甚至更多维修工位来接收卡车，而这些工位彼此之间都是割裂的。

所以，如果你的工作就是让这些卡车持续运转，而你负责一个维修工位，那你一定会储备一定数量的材料、零件和替换件。可如果你不知道另外 20 个维修工位那边发生了什么，你就会怎么做呢——好吧，火花塞我总是需要多备一些。这里我要多买一点，那边我也多买一点。

不知不觉间，把这种做法乘以 14 个或 20 个维修工位后，你每年就会形成超过 100 万、甚至 200 万美元的资本投入，而这些投入也许根本没有必要，因为每个人都在为不确定性做冗余储备。

但如果我知道我可以从 2 号维修工位调到那个零件，而且他们离得最近，那我就不需要让每个维修工位都去过量采购、过量库存。我可以把库存分散到 20 个工位之间，同时依然让我的车队平稳运行。这样一来，我就能更聪明地配置零件和服务。

此外，在这些物料被消耗的同时，AI 还会结合消耗情况、车辆车龄，以及我们从发动机中提取的样本进行分析。因此我们就能预测：根据所有这些采样结果，这些皮带快要磨损了，而你在总库存中——也就是所有维修工位合起来——只剩下 X 个，而且你当前库内只有两个。你可能需要先给自己调拨或补发四个。

所以我们的做法有点像 Amazon 的预部署模式：提前把东西备好，因为你的车辆遇到的问题比 6、8、9 号维修工位对应的车辆更多一些。那就先从他们那里调一些过来。然后，各位，你们要么该开始把这些车挂牌出售、换一些新车了，要么就该开始把这些零件稳定备库存。

这样一来，你就是基于已知信息做有依据的业务决策，而不是做历史回顾后寄希望于模式会持续下去——因为问题恰恰就出在这里：模式不会一直持续。熵会起作用，事物会随着时间退化。今年和去年一定会不同。

但如果你所能做的只是根据去年发生的事来决策，那你其实只是在空谈，而不是做出你本可以做出的最佳决策。这正是预测性维护的价值所在：它把运营效率一步步推向更高水平。

James Sweetlove: 是的，我认为以预防性的方式使用 AI 是一个非常好的应用场景。像路径优化，就是我们之前讨论过的内容。我觉得这也是一个非常有意思的应用场景。通过对运营方式做一些小调整、小优化，就能节省大量成本，而且正如你所说，这种收益是会不断叠加的。

Evan J Schwartz: 对，是复利式累积，对吧？优化后的路线只是理想路线。接下来我还得把它放到真实世界中执行，而真实世界总会有各种情况发生。我越能确保那些会对路线产生负面影响的变量被提前解决，我就越能做出调整。比如，如果我的服务是收集废弃物，我可以针对装载过满的容器进行调整；如果我处理的是有价值的回收物流，我可以防止污染。我还可以确保卡车保持最佳运行状态，因为如果卡车状态很差，导致它每英里的耗油量达到预估值的 1.6 倍，那我的路线就根本谈不上真正优化。

所以当你开始把这些因素全部叠加起来时，节省下来的钱就会迅速攀升，而且你做出的也都是有依据的决策。这样一来，你的物流和调度人员就可以判断该如何接入新的任务。你可能会发现有人打电话进来请求服务，而此时正好有一辆车就在附近。你可以把这个任务插入路线，动态路线系统会告诉你：如果把 4 号车临时调去处理这个突发来电任务，你将增加这么多收入；如果再做这些小调整，对整体路线造成的影响只会是这么一点。

这是推动业务增长的强大方式。

James Sweetlove: 而且这些节省下来的成本显然也可以传递给客户或消费者，因为制造成本会上升，运营成本也可能会上升。

Evan J Schwartz: 没错。你不一定非得涨价。你实际上可以通过提高效率来节省成本。这类问题可是好问题，James——无论我是要履行对股东的信托责任、发放股息，还是要让自己在市场中更具竞争力，因为我能用接近竞争对手 80% 的成本做到同样的事。我会把他们挤出市场，然后占据整个区域，因为没有人能在成本上和我竞争。这是非常理想的问题。

James Sweetlove: 绝对如此。所以我在研究这个主题时看到一个术语，我觉得如果你能谈谈会很棒。ESG 报告。这到底是什么？我知道它和我们刚刚讨论的内容是相关的。

Evan J Schwartz: 我想这么说，这些年来，如果你回头看可持续发展以及政府的介入方式，会看到所谓的负外部性、合规要求，也就是在告诉企业和公司：你们需要成为我们所生活世界的良好守护者。你们需要向我们报告自己的碳足迹、废弃物特征、能源消耗情况。我们还会把你和其他企业、你的同行放在一起比较，看看你表现如何，对吧？

然后，如果你的某项指标明显偏离，我们就会要求你去审视它。为什么？为什么你的耗电量会是下一个同行的三到四倍？这里一定有问题。

而这一切，最初源于一种认知：我们需要为环境做点好事——通过负外部性、惩罚机制和合规要求——而这些措施确实推动了人们的关注和认知。

我们现在是在此基础上进一步推进，所以我们构建了 ESG 报告能力。我们把整个系统自动化了，能够采集这些数据，并生成相应报告，让你清楚了解企业当前的状况。

但再一次，AI 发挥了价值。随着这些模式被挖掘出来，AI 能够预测你企业中 CO2 排放最高的各个环节。不管具体是什么，在你的业务中，那里就存在提升收益的机会。因为某项业务的碳足迹，本质上与你的低效率程度是一一对应的。

因此，除了满足合规要求之外，企业现在也值得主动去做这类分析。因为与我们见过的那些由业务分析师逐项审查流程和效率的方法相比，这反而是一个更好的聚焦指标。只要追踪你的碳足迹在哪里，它就会告诉你问题所在。然后你再深入分析，再让业务分析师介入，弄清楚：好，这里的流程是什么？我们到底在做什么？接着再引入 AI。有没有模式可循？我可以在哪里改进？我可以从哪里把这些高碳成本剔除掉？

然后，你就能把这部分利润率直接落到底线上。

这就是我们所说的绩效型可持续发展。我们的意思是，并不是说——当然，从环境角度看，你本来就应该这么做；但我们也理解，你对投资者负有信托责任，对你所在社区也负有责任。而这两者是可以兼得的。不必在盈利和可持续之间二选一。可持续发展是真实可行的，关键只在于你如何看待它，以及你如何实施它，对吧？

James Sweetlove: 不久前我们其实也邀请过一位嘉宾，他做的正是这方面的工作。所以，是的，那一期非常精彩。他确实提出了很多很好的观点，说明仅仅通过在这个领域做优化，你就能节省多少钱。

所以我想稍微转换一下话题，聊聊你在 Jacksonville University 担任兼职教授的工作。我知道你对此有一些非常有意思的见解。那么你能谈谈，自从大规模 AI 被采用以来，编程与工程教育发生了怎样的变化吗？

Evan J Schwartz：是的，我们看到很多高等教育机构开始撤掉计算机科学学位和相关项目，对吧？如果说矿井里真有“金丝雀预警”，那这就是了。他们基本上是在预测：未来不会再有今天这种意义上的编程工作了。

因此，借着与 Jacksonville University 合作的机会，我们开设了一门课程，因为这引出了一个问题：如果我失去了所有初级开发人员，那我的架构师从哪里来？毕竟架构师就是这样培养出来的，对吧？他们先写一段时间代码，工作能力越来越强，然后成长为架构师。而这一点并没有消失。我们仍然需要这样的人。我们仍然需要能够从整体上审视系统，并确保我们遵循稳健架构实践的人。

所以这类角色依然存在。就像说我们不再需要架构一样——其实你需要。AI 现在离填补这个空缺还差得远。

所以我们开了这门课，想弄清楚这些人将来会从哪里来。我们提出的问题是：一个人成为架构师，是否一定要亲手敲出几十万行代码？还是说，在这个时代，可以通过不同的方式成长为架构师？

先把这个话题放一放，我换一个普通人更容易理解的例子。

有一位艺术摄影师，靠拍摄作品并挂进博物馆谋生。他开始怀疑自己是不是要失业了。于是他坐下来和一个 AI 互动，随手拍了一张自己的自拍——不是美化过的，就是我们本来的样子——然后给了它一些指令。结果 AI 返回了一幅极具情绪感染力的肖像：强烈的明暗对比、水滴滑落，效果惊人。

那一刻，他彻底泄气了。他心想，完了，我要没工作了。然后转身离开。

但大概过了一个小时，这次离开反而可能是他做过最聪明的事。他意识到，自己仍然必须告诉 AI 镜头效果是什么，仍然要描述环境、光线，还得把如今相机中所有会影响成像效果的因素都讲清楚。他必须把这些都描述给 AI。

于是他明白了：真正改变的，只有相机。他该做的事情，一样都没少。

我经常跟别人讲这个道理。我们会说“拨电话”，可实际上已经几十年没人真正“拨”过电话了，但我们还是沿用“拨”这个词，对吧？根本没人再拨了。

所以他证明了一点：摄影依然需要教。你仍然需要理解这门艺术，知道如何布光、如何加遮光、如何制造烟雾效果，等等，这些都还是要教。只是现在，我不再需要真的搭建一个拍摄场景，不再需要架三脚架、布灯光、做效果，我照样可以得到那张图像——只是我用的是 AI。

基于这个原则，我的迭代速度会变得非常快，因为我能很快看到某种镜头类型、某种眩光效果最终呈现出来的结果。在真实摄影棚里，我一天可能只能试一两次；但借助 AI，一个全新的学生一天就能完成 50 次这样的迭代。那些术语他还是要学，只是学习方式不同了。

好，现在把话题拉回到架构和编程上，这叫“vibe coding”。你在和会生成代码的 AI 一起工作，但仍然是你在指挥它。

我们正在意识到，开发者和架构师的角色都在拓宽。顺便说一句，这种现象在很多行业都能看到。人们正在重新变成通才。

你可能太年轻，不记得 80 年代了。但在 80 年代，在 SaaS 和垂直软件出现之前，你没法随手从货架上买一个现成组件来完成某件事。公司必须自己在内部搭建这些系统，而团队里通常会有一个通才——可能是谁的叔叔、表哥、侄子，总之就是那个懂电脑的“技术宅”——把这些东西东拼西凑地搭起来，而且谁都不准碰它。

大家会说：“这事得找 Bob，你得给 Bob 打电话。他是唯一知道这玩意儿怎么跑起来的人。”对吧？他很多方面都懂一点，但没有哪一项是专家级的；不过他就是能把它拼起来。

而现在，我们正看到这种情况卷土重来。如果大家还记得初一环境科学课上讲过的内容：在自然界中，专才会灭绝，通才会生存下来——那我们现在就正在亲历这一点。

在 AI 的世界里，你需要对很多事情略懂，或者懂得不少，但你不想在任何一件事情上成为绝对专家。把这个负担交给 AI。

而这门课完美地证明了这一点。我们把学生分成几组：一组是完全没有基础的初级开发者；一组是学了一到两年、懂一些基础但实战不多、编码经验也不多的学生；还有一组是已经写了很多代码的高年级学生。

结果是，高年级学生反而吃了大亏。他们总在和 AI 对抗，对它充满评判，也不喜欢它给出的结果。初学者则基础太弱，无法真正理解我们在 vibe coding 中试图实现的那些抽象概念。他们对“什么才算好”还没有足够认知，因此也达不到那个水平。

反倒是中间那一组，具备一点基础的人，最能接受这个“黑盒子”。他们可以把需求扔进去，得到结果，看一看，再回去继续调整，再扔进去，不断迭代、迭代、迭代，直到做出好的东西。而且他们很喜欢这种能轻松修改产品的方式。

比如说，如果我的第一个版本是围绕 API 搭建的单体架构，而且它能跑；但后来我发现自己现在有了 10 万客户，而原本只按 1 万客户的规模来设计，我需要改成 SOA，或者把 API 拆开，那我只要回去告诉 AI，它就能把整套东西重新构建出来。

所以，处在中间位置的这些通才将会大放异彩。而这也正在改变我们培养人才的方式。我们需要教他们主题、概念和抽象，再教他们如何利用 AI 深入下去。让 AI 替我们承担那个负担。

所以在我看来，这是一件非常令人兴奋的事。而且我认为，如果把这个逻辑一直往前推到高等教育之前，也就是 K-12 教育，我们也许会再次进入一个文艺复兴式的时代，对吧？

我曾经为 Forbes 写过一篇文章，讲的就是这件事。我在我最小的孩子身上看到了这种现象。一年级时门门 A，三四年级时表现也非常惊艳。但大概到了四年级，他开始不再拼了，因为他已经上了荣誉榜，已经足够优秀了。那再去冒险还有什么意义？冒险只会让我失去荣誉身份。那我为什么要冒险？于是从那以后，他开始只做最稳妥的选择，追求一致性和可重复性，不冒险，也不尝试新东西。

本质上就是这样。我们把它称作“孩子气”，但我真希望那其实是我们每个人与生俱来的东西——那种无所畏惧地去尝试、不担心失败、只想看看自己能学到什么的勇气。可这种特质，大概到了四年级就会被从孩子身上“打磨掉”。这是一种很糟糕的学习方式。他们只想达到某种地位的顶点，然后就不再尝试了。因为再往上也没什么可得的，而地位又不可能无限增长。

所以，如果我们把那种“可重复的卓越表现”的负担交给 AI，而把那种持续迭代、“来试试看吧”“你说这不可能，那我们就看看为什么不可能”“也许正因为这样，我们能发现些什么，从而换一种方式实现它”的精神留给自己，

那我现在就可以告诉你，我们在 AMCS 做的很多事情，五年前根本没人认为是可能的。就在五年前。大家都说：“你做不到，根本不可能用那种方式赚钱。”真的吗？可我们现在每天都在这么做，对吧？

所以关键只是愿不愿意下注，愿不愿意冲上去试。但我们把孩子身上的这种创造力扼杀掉了，至少在美国是这样。我希望这种变化能一路渗透到公共教育体系里，让我们培养出整整一代无所畏惧、富有创造力的学习者；他们更在意的是尝试本身，以及从尝试中学到了什么，而不是“做对了”或者获得某种地位。

我还记得老师曾抱怨说，数学必须手算，因为你不可能走到哪儿都有计算器。可我现在口袋里走到哪儿都带着一个计算器。我早就不再做那种数学了，从来都不。

至于这对我们究竟是不是好事，我想总会有比我更聪明的人去判断。但现实是，我认为这对下一代可能是一种积极的经历，只是我们必须主动选择它，James。

我听到很多关于“大难将至”的替代说法，好像人生正在对你发生什么事，好像 AI 在“偷走”什么。不是的，这是一个选择。我们有权选择。你可以选择灾难叙事，也可以选择一个非常光明的未来，而那个光明的未来——

所以，唯一的区别在于，我们还没有足够多的人走出去，去描绘那个光明未来会是什么样子，以及通往它的路径是什么。问题就只有这个。现在大家都在渲染悲观和末日论调。这类人已经够多了，你不需要再多一个。

所以我一直想传达的是：这才是面对 AI 的更好方式。这是一种“人 + AI”的策略。即便 Elon 在谈论人人都有机器人、物资极大丰富的时候，如果不是为了人，那你做这一切又是为了什么？为什么？如果没有人，我为什么要种出无限量的玉米？如果没有人，我为什么要制造无限数量的机器人？我这么做是为了什么？

James Sweetlove: 对，我完全同意。

而且很有意思的是，这种通才特质不只适用于 AI，也适用于整个商业环境。我注意到，哪怕只是过去几年，这种变化都非常明显。大概四五年前，就像你说的，人们在公司里往往只有一个非常明确的职责。现在，一个人往往身兼四到五个角色。每个人都在一人多职。基本上，你必须具备适应能力，才能继续立足。

Evan J Schwartz: 没错。通才会生存下来。如今我见过创业者把一家初创公司做到数千万规模，而公司里只有两个人。十年前，这种情况简直难以想象——能达到那样的体量。而今天，借助 AI、各种工具和自动化，并把它们串联起来，这完全是可行的。

James Sweetlove: 当然。还有几个话题我真的很想聊，不过我们的时间快到了。最后想快速请你讲一下，好让大家有个基本了解：你愿意介绍一下你在 Forbes Technology Council 的角色，并顺便谈谈你的书吗？

Evan J Schwartz: 好的。在 Forbes Technology Council，Forbes 设有多种这样的委员会，核心其实是把科技领域的人连接在一起。我的角色是参与并推动对话。所以，我刚才和你聊的很多内容，也正在 Forbes Technology Council 里被热烈讨论。我非常喜欢这一点。我喜欢那里正在发生的这些交流，也喜欢大家其实都在看到同样的趋势。

有些人是经历了一连串惨痛失败和艰难摸索后才走到这一步的；也有些人是试图直接开辟出这条道路。但很明显，这个社区里的 CIO 和 CTO 们都看到了同样的现实。AI 不是灵丹妙药。你不可能靠它取代人。你必须有非常明确、扎实的应用场景。

所以我对这个生态非常兴奋，因为它覆盖了非常广泛的商业领域。

再说一次，The People, Places and Things 其实就是客户旅程。所以这本书真正回答的是：你为什么应该听我的？它讲的是我从职业生涯第一天到现在的故事，而客户旅程则是贯穿其中的框架。

所以，如果你正准备经历一次重大的 ERP 实施，或者一场数字化转型，我强烈建议你读一读这本书，并拿到这套客户框架，这样你就知道该怎么做，才能确保你的项目成功。

如果你现在正深陷一个噩梦般的项目，而且事情已经偏离正轨，也别担心，还远没有到绝望的时候。你甚至可以先不读整本书，直接去看客户框架。先弄清楚你现在处于哪个阶段。那 10 个阶段里：我现在在这里，而我大概只是卡住了、一直在原地打转。很好，那就从那里切入，找出问题，因为我会告诉你，在每个阶段的开头，如果你正处于这个阶段，你应该具备哪些东西。如果我没有这些东西，那就退回上一个阶段，把它补齐；再退回一个阶段，补齐之后，再重新往前推进，让你的项目重回正轨。

这是可以挽救的。这就是我最想留给大家的信息。项目之所以会被减记，唯一的原因是人们不知道该怎么从这种原地空转的状态里走出来。

所以，你是可以走出来的，你是可以把它救回来的，但一定要看看这套客户旅程。它会一步一步带你走过去。即使你觉得——即使看起来希望已经很渺茫，也去看看它。我认为它会帮助你成功冲线。

James Sweetlove: 太棒了。非常感谢你，Evan。这次对话非常精彩。我们可能得再录一期，因为我还记了大概五个想讨论的话题。所以，是的，非常感谢你抽出时间，也谢谢这次交流。

Evan J Schwartz: 我很享受这次对话。谢谢你，James。

James Sweetlove: 也感谢所有收听的朋友，我们下期再见，届时还会有新的嘉宾。