解析DSMC|金风科技喻翊翔：智能化时代的流程和数据管理
2025-06-24
大家可能知道，今年行业热度很高，接下来我快速梳理一下传统数字化涉及的内容，包括具体流程和规则。
在开始之前，先说明一下金风科技的对外要求，这些内容我就不逐字念了，大家大致浏览即可。
目前，我们的业务成果显著。在国内，风电装机量连续多年位居第一，尽管后面的企业追赶势头迅猛；在全球范围内，我们的新增装机量在五大企业中名列前茅，存量装机量大概排在第三。关于研发人员数量等信息，大家看看资料就清楚了，我就不一一赘述。我们的业务主要分为几个板块，其中风电、能源投资、能源开发、能源装备以及能源服务这几个板块占比较大。
三年前，虽然我们的海外业务在国内排名靠前，但总体规模较小，占比大概 5% 左右。不过这两年发展十分迅速，合作国家数量大幅增加，目前已覆盖超过 40 个国家，主要集中在东亚、中东、东南亚和南美地区。而在过去，欧美是我们的主要市场，但近七八年受中美关系影响，我们在欧美的业务有所减少 。
一、智能化时代流程管理
接下来，我尽快展开讲讲智能化时代的流程管理与以往有何不同。前面几位讲得很好，其实很多企业也都在探索相关领域。
新要求
在新的要求下，首先是模型感知与组织调整。随着企业规模扩大，岗位和组织架构经常变动。传统模式下，许多大型企业的流程模板繁杂，有的企业甚至拥有 1 万多个，乃至 2 万多个流程模板，即便是几千个流程的企业，管理起来也十分困难。这主要是因为流程之间没有实现有效解耦，因此需要进行模型化改造。
其次是流程发起人方面。以往使用传统系统时，流程发起方式较为固定，而如今引入自然语言交互后，流程发起变得更加灵活。就像和豆包对话一样，你可以直接说明需求，比如 “我要请假，从下个礼拜开始，时长为 [X] 天”。
说到自然语言嵌入，人力资源领域已经有很多实践。以采购模具为例，在传统模式下，整个流程涉及技术审批、规格确认、质量把控、采购申请、寻源、合同比价等多个独立流程，各流程之间缺乏关联。在实际审批过程中，常常出现 “拍脑袋” 决策的情况。以我们公司为例，一年可能需要审批几千个流程，很难做到每个都细致审核。而借助人工智能，可以建立流程之间的关联关系。当审批某个流程时，系统能够参考历史数据，判断价格是否合理，从而为决策者提供有力支持 ，避免孤立决策。
再谈谈流程孪生。在数字化时代，企业习惯创建大量流程模板，一旦有变动就需要修改众多模板，管理成本极高。而流程孪生的核心在于抽象化，在设计流程时，无需将每个岗位、组织或项目都作为独立节点。例如，众多部门可以抽象为一个部门节点，大量项目也可以抽象为一个项目节点。物理架构则负责明确各部门编号、授权等具体信息。
实施建议
构建流程中枢同样关键。相信大家都有体会，企业通常会部署上百个甚至几百个系统，每个系统往往配备独立的流程引擎，这使得跨系统业务处理变得极为复杂。以 SAP 为例，我们通常不会使用它自带的流程引擎，而像 PRM、MES、报销差旅等系统也都有各自的流程引擎。为此，我们自主研发了核心系统，共享一个流程引擎，并将流程组织架构融入其中，实现跨系统数据交互，同时将数据统一存储到数据湖，提高业务处理效率。
数据治理的重要性不言而喻。在过去，数据不准确会严重影响决策质量。以研发变更审批为例，不同审批人员对同一标准的理解存在差异，导致审批结果不一致。而通过人工智能技术，可以将审批水平提升至较高水准，实现自动化审批。
在数据治理架构方面，可分为三层：战略层负责制定标准，涵盖研发、营销、供应链、质量、服务等业务领域；执行层则采用共用模型，这与流程孪生概念相呼应，以采购付款流程为例，无需设置过多重复流程，简化后既降低复杂度，又提升效率。
智能化改造应分阶段推进，优先聚焦最重要、最频繁的业务流程。变更管理方面，要充分发挥 AI 优势，尽可能实现自动化执行，优先选择并行处理，减少串行流程；简化流程步骤，通过数据驱动替代人工填单，实现流程与组织的解耦。
关键要求包括对 PRM 图纸变更、VC 升级等场景的管理，核心目标是最小化交互熵增。随着企业规模扩大，流程模板数量往往呈爆发式增长，变得愈发复杂，因此需要通过解耦架构实施和强化学习，降低流程复杂度。
二、智能化时代流程变革
在自动化水平方面，传统数字化基于规则进行审批，常见方式包括人工处理或 RPA 模式。而在智能化时代，流程节点的设计和运行逻辑发生了根本性变化。
流程弹性方面，需要根据流程实际情况进行动态评估，识别瓶颈环节。例如，审批流程应根据业务金额大小进行灵活调整，采购 100 元与采购 1000 万元的流程不应相同。同时，绩效管理也应从事后评估转向实时监控，一旦出现异常，自动流转至下一环节。
实现智能化流程管理的路径包括：建立流程组件库，将模型和节点进行标准化管理；开展决策建模，深化流程孪生应用；部署智能路由层，借助 AI 总结和优化规则。
试点场景可以选择全球工程服务和采购审批流程。全球工程服务涉及众多供应商、法务等多方协作，流程复杂；采购审批流程则需要在效率提升、成本优化、弹性增强和风险控制等方面进行改进。例如，通过 AI 可以及时识别数据异常，避免因人为疏忽导致的重大错误，如采购价格错误录入等情况。
三、智能化时代数据管理
在数据管理要求上，智能化时代的数据必须保证及时、完整和准确。以往数字化时代，常出现 “三张皮” 现象，即系统数据、业绩数据和实际业务数据不一致。通过 AI 建立数据血缘关系，能够清晰呈现图纸变更对供应链、营销等环节的影响，打破流程之间的孤立状态，避免单纯依靠个人经验决策。
此外，还应减少人工干预，实现数据驱动的自动化决策；提升数据的可解释性，就像 DeepSeek 具备推理能力一样；加强语义理解，整合分散数据源。在数字化时代，由于系统流程引擎跨系统能力有限，我们强调系统简化。而在智能化时代，通过建立数据湖，不仅可以实现数据批量更新，还能借助 AI 开发平台，通过 API 调用外部数据，实现高效数据交互。例如，海外供应商认证流程，以往可能需要耗费一个月甚至两个礼拜的时间，通过 API 连接后，几秒钟即可完成。
数据服务、智能语言服务以及认知型数据治理也是重要方向。AI 能够对历史数据进行深度分析和预测，例如分析汇率波动对国际贸易的影响，帮助企业规避风险。在运维领域，将 AI 模型轻量化后应用到一线，能够帮助刚毕业、经验不足的工程师快速解决问题。传统风机运转依靠基于规则和工程策略的软件，未来通过机器学习，可以实现智能调整偏航和变桨。虽然目前不同企业在智能化进程中所处阶段不同，但智能化时代已经到来。
回顾 AI 发展历程，从 20 世纪 50 年代提出至今已有七八十年，互联网兴起和大数据发展为 AI 爆发奠定了基础。从神经网络、机器学习、深度学习，到谷歌 Transformer、2022 年的 ChatGPT 和 DeepSeek，AI 技术不断突破。未来，企业的竞争将体现在模型后训练能力、算力以及数据应用等方面。
在数据架构方面，智能化时代与数字化时代存在显著差异。数字化架构以批量处理为主，而智能化时代更强调实时 API 调取。企业可能拥有多个大模型，分别适用于财务、风机运转、运维等不同场景，数据消费模式也发生了巨大变化。以 BI 报表为例，AI 在数据分析和处理方面具有强大优势，例如微软的 Copilot 和国内类似的 office AI，能够快速完成历史数据分析和推理。
治理模式上，智能化时代的数据治理更加动态化，能够根据业务变化实时调整。技术栈方面，大数据是 AI 发展的基础，数据的质量和规模直接影响 AI 模型的效果，这就如同不同医院的诊断水平差异，关键在于数据积累和应用能力。
前面提到的数据中枢，需要整合多个系统数据，形成数据湖和知识库。未来还可以推行数据自治引擎，实现分层存储，并建立数据免疫系统，及时感知和分析数据异常。开展数据量子化，能够让数据更好地形成知识，辅助人和设备完成协同工作。
通过以上措施，可以实现流程管理的加速、风险控制和成本优化，并形成闭环，通过反向训练不断优化模型。在这个过程中，要始终坚持统一语义层，逐步推进流程管理的智能化转型。
以上就是我今天分享的全部内容，感谢大家的时间！
