数智化时代汹涌而来，弄潮儿们已经初尝红利：某跨境女装电商，销售额从2016年的约40亿元人民币攀升到2021年的近千亿元，它爆发式增长的秘诀之一就是凭借智能算法实现了服装潮流的精准洞察、敏捷生产和高分口碑营销[1],[2];某"全球灯塔工厂"通过数字化工厂项目深入推广数字化系统与人工智能技术，旗下产品上市时间缩短50%[3];此外，各类造车势力纷纷布局L4自动驾驶，抢占千亿美元级别新市场[4]……

　　有一种观点认为，数智化的核心价值是代替重复性的劳动，难以承担企业业务链中创意性强的工作，但我们认为这类观点是值得商榷的。在我们看来， 数智化的核心价值之一在于对企业创智型活动的赋能。从用户需求趋势预测到创意快速验证，数智化应用具有巨大的价值前景。因此，尽管研发的复杂性高、不确定性大，数智化研发具有极大的潜力。迎向数智化的研发潮流，企业亟需理解的是数智化时代自身的研发规划、数智化的适用性，以及关键管理要素。

　　数智化时代企业研发的三阶段演进趋势

　　企业的研发可以分成三种模式：流程驱动、用户驱动和数据驱动。三种模式分别依托信息化和数智化技术次第发展。值得注意的是，一个企业基于其业务运营的特点或技术的成熟度，可能同时兼容几种研发模式的特征。　　

　　图1. 研发分为流程驱动、用户驱动、数据驱动三种模式次第发展 (来源：德勤管理咨询)

　　流程驱动研发：所能即所得

　　流程驱动模式在企业实践已久。自21世纪以来，以IPD(Integrated Product Development，集成产品开发)为代表的研发流程体系已在中国企业中广泛应用，成为研发体系优化时耳熟能详的标杆。流程驱动的核心是以规范化、标准化的流程指引工程师完成所有研发相关工作。它打造了一个高度结构化的研发体系：通过有序、高效的流程厘清多部门跨团队的职责，定义研发里程碑并明确每个里程碑的考核内容与评审内容，从而在流程框架下井然有序，节省因冗余的、重复的、不配合的、频繁变更的业务活动导致的开发时间，更重要的是在各里程碑把控研发进度与成本，以支撑业务规划要求。

　　从其特点来看，流程驱动有利于规范大团队跨领域的协作，适合大规模商业化产品的开发，以及版本的稳定迭代。例如，一个车型的开发升级，将基于贯通的、严密的流程体系统筹产品规划、技术储备、产品开发和发布等研发环节，融合企业过去的经验积累和技术方案创新，并以产品为导向带动规划、研发、生产乃至市场、采购各部门的协同。

　　然而，流程驱动模式存在两个明显的挑战。首先，聚焦流程的执行无疑会降低对客户需求的敏感度和响应速度。这样的代价是，产品经历一个完整的开发周期后与起始的需求相差甚远，或者开发流程中客户的需求发生重大的变化导致之前的投入变成沉没成本。其次，面向成熟产品开发的流程管理难以定义创新技术在早期研发的风险与价值，因此需要增加容错的创新鼓励与技术变现机制。

　　用户驱动研发：所需即所得

　　用户驱动模式释放了流程框架的灵活性，强调精准实现用户需求。它的核心思想要求精准洞悉用户的需求作为研发输入，并将用户需求植入到产品全生命周期管理的全链条。此外，研发不再封闭，企业以开放的姿态引入用户以及其它行业相关者参与到在研产品的共创中。行业实践表明，不仅To C的互联网企业广泛运用此类模式研发，To B的企业研发也有深度融入用户体验的空间。很多汽车零部件供应商不再拘泥于传统的定位，探索与主机厂联合开发智能网联和电动出行新技术，或者共同承担产品全生命周期维护与升级的职责，深度融合主机厂乃至终端消费者的定制化需求。

　　相比流程驱动的标准化与严格分工，用户驱动模式在管理上实现两点创新：首先，流程和资源配置留有灵活调整的余量，产品开发得以迅速响应用户需求;其次，团队目标始终围绕用户需求，这有利于企业高效和精准的配置资源。

　　用户驱动的关键意义在于明确用户需求是研发工作的核心目标。越来越多实践表明，为了真正做到用户驱动，企业必须引入数智化技术，指引和支撑研发全过程的各个环节不偏离用户需求。这要求研发管理掌握4个关键要素：

　　业务场景定义：企业应从业务场景的顶层设计出发，梳理业务的效益目标、数智化诉求，以及与数智化应用的契合点。某汽车企业以用户共创开发为提升用户体验的着力点，搭建基于云架构的C2B研发协同平台。其推出某车型定制化开发模式，用户可参与60个节点的开发，从而满足个性化需求5;

　　数据治理：进行数据规范化管理，包括明确数据对象、整理数据格式、进行数据分类、规范数据质量等步骤，使得数据能够精准、透明地在研发业务链中传递，并以此构筑数据体系化、价值化的基础;

　　基础设施建设：推动数字化系统与工具的部署和集成。例如，一体化的研发协同管理平台，通过集成需求管理软件、数据平台、仿真平台、项目管理系统于一体，形成研发活动一体化，准确地分解和实现研发需求;

　　管理体系适配：研发管理的"软环境"与数智化技术的"硬环境"应拧成一股绳，在管理中引入数智化技术，在业务效率提升的同时提升管理的效能。例如，流程管理引入RPA(Robotic process automation，机器人流程自动化)实现业务流程处理的自动化，大幅度减少研发团队在财务、采购上花费的时间。基于数智化技术的革新，研发管理还可以将文档的需求清单数字模型化，确保需求在整条业务链的准确传递。

　　然而，企业研发进行数智化转型并非都是一帆风顺。一旦转型缺少规划，或者规划与业务现实不相符时，数智化转型往往会产生"水土不服"的现象，研发人员也习惯回到用老办法解决问题。

　　这种"水土不服"在成熟企业尤为常见。尽管成熟企业积累的研发技术与管理经验更多，但往往面临更大的变革阻力。相比之下，初创公司弯道超车的目标更明确(形成颠覆性竞争优势)，包袱更小(没有沉没成本桎梏)。所以，初创企业研发数智化的积极性更高，收益也更大。

　　而对成熟企业来说，管理者必须综合考虑多方面意见：已有投入的沉没成本、财务上的投资压力、员工对新模式的接受程度，以及由人向机器转移的知识的定价等。因此，成熟企业适合通过阶段性成果获得内部的支持，循序渐进地完成数智化转型的目标。　　

　　图2. 不同类型企业数智化研发转型优劣势(来源：德勤管理咨询)

　　数据驱动研发：所想即所得

　　数智化技术正从单点应用向整个研发链条的赋能渗透：它为企业研发构建了一个由数据驱动的、高度自动化的研发模式。在这个研发蓝图下，企业将使用数智化技术实现技术趋势预测、快速产品定义、快速原型验证、真实世界验证条件模拟、需求和质量一致性管理、风险自动预警等。例如，AI制药企业利用AI模型预测潜在治疗靶点、芯片行业开发融合设计和仿真的研发元宇宙、食品行业开发预测消费者对配方反馈的美味感和购买的心理因素的技术加速配方验证和商品化的速度……

　　我们将这个未来的研发蓝图称之为数据驱动模式。数据驱动的核心思想是基于数据和算法，降低对人员经验和知识的依赖，将创意迅速、准确地转化为成果。这一模式下，数智化系统广泛应用在研发的方方面面，让专业人员聚焦在业务改进与决策上。

　　某些行业已经展示出数据驱动研发的广阔前景。例如，AI赋能的研发药品已经进入临床检验阶段，并已获得资本市场的青睐。截至目前，全球已有10多家AI制药公司成功上市[6]。汽车从交通工具逐渐转向智能交通网络节点，要求产品开发围绕生态系统、云集群、数据链路和万物终端等数智化核心概念展开[7]。因此，数据驱动模式并非空中楼阁，可以认为，随着创新驱动的企业战略在中国进一步推广，未来会有更多高科技制造企业向数据驱动研发转型。

　　但是，即使是最乐观的AI支持者也必须承认，数据驱动还需要很长的路才能全面实现对企业研发的变革。当前智能化研发落地的痛点很明显：数据质量不高、算法效率低、商业模式不清晰、研发人员抵触、研发伦理受到挑战等等。我们认为，数据驱动模式成熟的标志，在于技术应用、运营模式、商业模型三类条件的可行性得到论证。

　　数智化为企业研发带来的不仅仅是技术的进步，更重要的是体系框架、管理理念的革新。站在现有研发体系的起点，结合对下一阶段研发规划，以及转型路径的认知，企业应最大程度发挥数智化的价值，塑造创新驱动的竞争力，在新时代的浪潮中屹立不倒，生生不息。

　　尾注

　　陈奇锐，"中国跨境电商独角兽SHEIN估值已是优衣库市值的两倍?"，《界面新闻》，2022年4月6日。

　　Packy McCormick和Matthew Brennan，"深扒中国最神秘的百亿快时尚巨头SheIn"，《新零售商业评论》，2021年8月11日。

　　西门子官网。

　　德勤分析。

　　王岳，《汽车数字化转型白皮书2.0：AI时代下的汽车业数字化变革》，中国电动汽车百人会、阿里云研究中心，2019。

　　Jessie，《Biotech拓荒者Flagship，以确定性技术终结机会性游戏》，海外独角兽，2022年4月12日。

　　沈逸超，"数字化转型浪潮下一汽红旗做了些什么?"，《盖世汽车》，2022年4月20日。