103
0《灯下白》EP56 孙杰
🎙️嘉宾｜孙杰
企业数字化转型、数据治理与AI实践专家。
拥有二十余年计算机与企业数字化相关从业经历，职业路径从高校计算机讲师开始，先后经历运维工程师、运维架构师、云计算架构师，再进入大型央企数字化转型、云计算、数据治理等真实业务场景。
长期参与大型企业云平台、数据湖、数据治理与业务数字化实践，也持续关注FDE、企业级AI、智能体如何真正进入生产环境。
主持人：吴熳
在得到直播讲过AI应用，在WaytoAGI北京切磋分享，代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学，AI牛马库导航科普网站 ka21.org 主理人
本节目由人类与GPT共同策划，剪映处理音频中水词，千问处理剪辑时间轴，GPT撰写Shownotes，Banana Pro生成播客logo，即梦生成播客封面，Suno生成片头片尾音乐，同时由声湃和中关村科学城公司提供录音场地，由罗德麦克风提供录音设备。感谢中关村科学城的政策支持！
《灯下白》坚持100% Human，真人真聊真AI，对白坦白灯下白。
🪝本期故事
孙杰最早是一名大学计算机老师，教C语言，教计算机网络。
如果人生一直按照原来的轨迹走，他可能会留在高校。
后来爱人到北京读研究生，新婚不久，他也从新疆来到北京。
一次生活里的选择，让他的职业人生彻底换了一条线。
他开始做运维，那时技术人的工作很具体。
服务器挂了，要修。系统卡了，要修。访问量突然上来，网页崩了，还是要修。
做运维工程师的时候，人像一个救火队员，哪里着火，就冲到哪里。
可做得越来越久，他开始觉得，光会救火不够。
系统为什么会宕机？流量为什么来了就扛不住？为什么每次都要等故障发生以后才去解决？
于是他开始做架构。
从“出了问题怎么修”，慢慢走到“怎样让这个问题尽量别发生”。
再后来，他接触云计算。
原来一台服务器归一个系统。这个部门有自己的机器，那个部门也买自己的机器。
有人买多了，资源长期空闲。有人真正需要资源，却没有足够预算。
云计算把它们放进一个池子。
谁需要，就拿。不需要了，就释放回去。
孙杰也在这个过程中越来越清楚地意识到一件事：
技术从来没有真正离开过业务。
页面打开快一秒还是慢十秒，会影响用户。
系统能不能自动扩容，会影响业务。
资源有没有浪费，会影响成本。
一个技术人如果一直只懂技术，迟早会碰到一堵墙。
因为企业真正关心的，是技术最后创造了什么价值。
后来，他进入大型央企的数字化场景。
这里的问题更复杂。
一个集团可能有几百套甚至上千套系统。
同一类办公系统，各个部门可能都曾经建过一套。
数据散在不同设备、不同部门、不同电脑、不同数据库里。
云可以统一资源，数据湖可以汇集数据。
系统可以重新整合，可到了真正做企业数字化时，他发现最难的一关出现了。
技术上，两周可以把数据打通。
真正把各个部门的数据拿到手，却可能要几个月。
为什么？
因为你必须回答另一个问题：我为什么要把我的数据给你？
一个一线部门负责采集，另一个部门负责分析，第三个部门拿结果去做业务。
最后被领导看到的，可能只是后面的报表和大屏。
那前面辛辛苦苦采数据的人会问：这里面有我的什么价值？
于是孙杰他们开始重新设计规则。
数据的所有权归采集部门，使用权归业务场景方，最后产生的收益，需要共享。
因为企业里的数据孤岛，很多时候并不只是技术问题。
背后是人，是部门，是利益，也是组织怎样理解数据的价值。
AI来了以后，技术继续向前跑。
油气生产里，过去一套数据从现场采集、IT清洗、专家解释，再送给管理者决策，可能需要十二个小时。
现在，AI可以按照规则完成清洗、汇集、分析，再把专家经验预置到智能体里。
十二个小时，可以缩短到二十分钟。
这个变化放进真实生产环境里，意味着管理者能够更早判断哪些井需要增加资源，哪些产量不理想需要调整，哪些设备可能提前出现问题。
甚至一次预防性的判断，就可能避免巨大的生产损失。
听起来很美好，可AI真正进入工厂、油田、生产线以后，另一个问题又出现了。
我们日常用AI写一段文字，它错一句，大不了改掉。
生产环境不一样，一个错误判断，可能意味着设备停机。
可能意味着数百万元损失。
于是今天很火的FDE，也就是前线部署工程师，在孙杰看来，其实特别容易理解。
模型越来越强，行业壁垒依然存在。
懂AI的人未必懂油田，懂油田的人未必懂模型。
数据工程师看到的是字段，业务专家看到的是压力、温度、设备状态和生产风险。
中间需要有人把这些东西真正翻译到一起。
甚至还需要一个“本体”层，设备的数据是什么意思？它对应哪个业务状态？什么时候应该触发判断？
什么时候应该交给人？
所有这些关系需要被重新建模。所以AI时代对人的要求反而变高了。
孙杰说了一句话：
有了知识，并不代表认知提高了。
你可以下载一千份资料，收藏一百门课，电脑里放满视频。
如果没有理解、没有判断、没有真正进入业务，它们都还没有成为你的能力。
AI可以成为放大器，前提是，先有东西可以被放大。
所以聊到最后，这期节目出现了一个特别有意思的反转。
一个做了二十多年数据治理的人，说自己也有一个困扰：
资料太多了。
微信群里的文件，企业微信里的信息。
电脑里的资料，看过的文章，突然冒出来的灵感。
过几天想找的时候，自己也找不到。
吴熳听完忍不住笑：原来数据治理专家自己的电脑，也需要数据治理。
孙杰说，他未来最期待的一件事，就是把自己“数字化”。
让散落在不同终端里的信息真正串起来。
让AI理解自己过去二十年的知识、经验和判断。
从给企业做数字化，到最后想把自己也变成一个可以被持续整理、理解和调用的数据系统。
二十年绕了一圈，问题又回到了人，企业真正稀缺的，是那些能把模型带进业务，把数据连起来，把组织推动起来，同时又知道什么时候必须由人做判断的人。
💡本期你会听到
一个大学计算机老师，为什么后来会离开高校去北京做工程师？
从运维工程师到架构师，一个技术人看待“故障”的方式发生了什么变化？
云计算究竟解决了企业什么问题？
为什么技术做得越久，反而越需要理解业务？
大型央企为什么愿意自己建设私有云？
云平台、数据湖和企业业务之间究竟是什么关系？
为什么企业的数据和业务必须逐渐标准化？
FDE为什么会在AI时代突然变得重要？
为什么一个懂大模型的人，进了油田以后可能依然不知道该怎么做？
AI在个人办公里出现一点幻觉可以忍，进入生产环境以后为什么完全不同？
什么是“本体”？它为什么会成为连接数据和业务的重要一层？
公交车“车来了”的实时预测，为什么能帮助普通人理解企业数据本体？
怎样从设备坏了再维修，走向提前预测设备什么时候可能出故障？
一个真实生产场景里，数据决策为什么可以从12小时缩短到20分钟？
为什么企业数字化项目交付完成以后，真正重要的工作可能才刚开始？
“重建设、轻运营”为什么是很多企业数字化项目的问题？
孙杰总结的数字化转型三句话是什么？
什么叫“从线下到线上，从手工到自动，从单兵到协同”？
一个需要19个审批节点的流程，数字化到底怎样改变它？
为什么企业差旅、报销、预算这些日常小事，也属于数字化转型？
企业为什么会拥有几百套甚至上千套系统？
AI办公入口未来有没有可能把ERP、财务、项目、办公系统全部串起来？
为什么今天很多企业真正的“数据孤岛”，根源在人和部门？
技术两周就能完成的数据打通，为什么拿数据可能反而花几个月？
数据的所有权、使用权和收益权为什么需要分开？
为什么孙杰认为数据治理不能只被看成一个项目？
FDE时代，拥有很多知识为什么仍然不代表拥有真正的能力？
AI究竟是怎样成为个人能力放大器的？
企业数字化最大的坑，为什么是以为“靠技术就能搞定”？
一个普通人想在30天内理解数据治理，可以从什么小切口开始？
连数据治理专家自己，都遇到了什么样的个人信息管理难题？
AI时代企业真正稀缺的，到底是更强的模型，还是能够把业务、数据、组织和技术粘起来的人？
🔥本期金句
“技术发展越来越快，但技术和业务之间始终还存在一定的鸿沟。”
“不能只做一个懂技术的工程师。”
“业务需要技术支撑，技术也可以反哺业务。”
“做运维的时候是在救火，做架构以后，你会开始想为什么会着火。”
“在生产环境里，差那么一点，造成的损失都可能非常大。”
“你不仅要懂AI，还要对业务有很多理解。”
“以前重建设、轻运营，现在应该边建边运营。”
“从线下到线上，从手工到自动，从单兵到协同。”
“技术上两周可以把数据打通，但真正拿到这些数据可能要几个月。”
“所有权归采集部门，使用权归场景方，收益需要共享。”
“数据治理不能只看成一个项目，它是一个持续运营的产品。”
“有了知识，并不代表你的认知就提高了。”
“AI只是个人能力的放大器。”
“你不仅拥有知识，还要真正用知识创造价值。”
“所有企业的事情都是人做出来的，所以人的思想很重要。”
“如果你只有三板斧，被别人学走就会害怕；如果你还有十八般武艺，你的心态就不一样。”
“从一个小切口看到数据治理的价值，再不断把它放大。”
“把分散在各个端的数据汇总起来，变成知识体系里的一块砖。”
⏱Shownotes
00:15 从高校计算机老师，到企业数字化一线
孙杰二十多年的职业变化，几乎跟着企业技术发展的轨迹一路向前。
02:08 为什么企业数字化总是这么难？
技术越来越强，模型越来越强，可技术与业务之间那条鸿沟一直存在。
03:44 因为爱人来北京读研，他的人生也换了轨道
原本没有计划离开高校，一次家庭选择让他从新疆来到北京，也进入新的职业世界。
04:56 做运维以后，他第一次真正理解什么叫“稳定”
用户只看到网页和APP，工程师看到的是后面无数服务器、数据库、网络和资源。
06:33 一个网上卖书的公司，为什么最后搞出了云计算？
资源有高峰、有低谷。怎样让闲置机器重新被利用，是理解云计算非常直观的入口。
08:22 一个技术人的第一次认知升级：技术必须理解业务
当技术开始影响体验、效率和收入以后，技术和业务已经无法分开。
09:27 从“救火队员”变成架构师
工程师关注怎样尽快恢复系统，架构师开始追问故障为什么发生，以及如何提前避免。
11:19 大型企业上云，真正解决了什么问题？
把零散资源放入统一资源池，需要多少取多少，用完再释放，减少大量重复建设与资源浪费。
15:40 大型央企为什么还要自己建私有云？
数据安全、合规和隐私决定了，一部分核心业务数据无法直接进入公网环境。
16:21 云平台和数据湖为什么经常一起建设？
资源统一之后，数据也需要统一。只有数据被清洗、治理和标准化，业务才更容易协同。
17:27 企业数字化里的“秦始皇统一度量衡”
不同部门各有一套规则和系统，就像“七国八制”。标准化，本质上是在建立共同语言。
20:50 FDE为什么会成为AI时代的新角色？
模型进步得很快，行业的知识壁垒却没有消失。真正落地，需要有人懂AI，也懂业务。
22:37 AI幻觉到了生产环境，问题会突然变得很严重
办公场景里一个小错误可能无关痛痒，生产场景里一次错误判断就可能造成巨额损失。
23:55 想做FDE，第一关可能连数据都拿不到
不同设备、不同厂商、不同格式的数据，必须先被整理成AI能够理解的统一语义。
25:00 “本体”到底是什么？
孙杰把它解释成一个语义建模层，把设备数据、业务过程和实时状态真正对应起来。
27:04 用“车来了”理解企业实时数据
公交车还有几站到站，本质上也是实时数据、交通状态与预测模型共同作用的结果。
28:18 从“坏了再修”走向“坏之前就知道”
当设备数据能够实时分析，企业开始从事后维修走向预防性维护，一年可能节约数千万元成本。
29:33 数字化项目交付以后，真正重要的是运营
系统建出来没人用，数字化就很难产生价值。孙杰强调，企业需要“边建边运营”。
30:49 一个油田的数据，为什么过去要十二小时才能走到领导面前？
现场采集、IT清洗、专家解释、管理决策，一份数据要穿过多个部门。
32:36 AI来了以后，十二小时缩短到二十分钟
数据按照规则自动入湖、清洗、分析，专家经验也可以提前进入智能体。
34:36 AI为什么还能让数据精度提高？
自动清洗、多轮校验、专家反馈和算力提升，使过去大量人工工作可以更加细化。
39:01 企业数字化的三句话
从线下到线上。
从手工到自动。
从单兵到协同。
43:09 系统建好了，员工为什么还在复制粘贴Excel？
数字化如果保留原有冗余流程，甚至会出现线上走一遍、线下再走一遍的情况。
43:48 一个审批为什么能经过19个节点？
企业流程本身也需要重新设计，单纯把旧流程搬到线上无法真正提升效率。
45:38 连报销都能看出一家企业数字化到了什么程度
票据验证、差旅标准、预算控制和付款都可以通过规则提前自动处理。
50:04 什么叫“穿透式监管”？
当集团、分子公司、项目、部门和人员的数据真正串起来，管理才能从上到下一直看到业务末端。
51:01 一个大型集团到底有多少套系统？
几百套，上千套，都可能存在。
企业数字化很大一部分工作，就是逐渐减少重复系统，让数据重新流动。
52:40 为什么所有AI大厂都盯上“办公入口”？
办公是企业里最高频的场景。只要这个入口继续连接财务、ERP、项目等系统，就可能逐渐进入业务深处。
55:51 未来有没有可能，一个入口处理所有工作？
孙杰判断，未来不同角色可以从同一个AI办公入口进入自己需要的不同企业系统。
59:26 数据治理真正理想的状态是什么？
系统入口统一，数据真正贯通，一个人不再需要每天登录几十个不同系统。
59:57 数据孤岛为什么经常是“人的问题”？
原始数据来自一个部门，价值可能在另一个部门体现。如果贡献数据的人完全看不到收益，他自然缺乏持续维护动力。
01:00:58 技术两周能打通的数据，为什么企业花了几个月？
真正耗时间的是和不同部门沟通：
我为什么要把数据给你？
它对我有什么价值？
01:01:37 所有权、使用权、收益权，需要重新讲清楚
数据采集者、业务使用者和最终获益者之间需要一套清晰的价值分配机制。
01:03:51 真正做好数字化的企业有多少？
孙杰判断，当前做得比较好的主要集中在一部分头部企业，整个数字化进程仍然远没有结束。
01:05:38 把数据治理当成项目，为什么容易失败？
项目有结束的一天。
数据却一直变化。
所以数据治理更适合被当成一种持续运营的产品。
01:12:31 快问快答：孙杰日常最常用哪些AI工具？
办公类、编程类，以及一些个人探索类工具，都已经进入他的实际工作。
01:13:36 FDE最重要的能力是什么？
复合。
技术、业务、AI和认知需要真正长到同一个人身上。
01:14:45 “拥有知识”与“拥有能力”之间还隔着什么？
你收藏的资料再多，如果没有变成判断、行动和创造价值的能力，它依然只是信息。
01:15:47 做数据治理最大的坑是什么？
以为技术部门把系统做出来，这件事就完成了。
真正决定结果的，还有人的认知、利益和组织机制。
01:17:22 为什么AI时代人的思想反而更重要？
害怕经验被拿走，往往意味着自己只有“三板斧”。持续创造新经验的人，面对AI的心态完全不同。
01:19:21 普通人30天怎么开始理解数据治理？
从自己的工作开始。
找到一个小场景，让数据先在真实生活中产生一次价值。
01:20:56 《灯下白》其实也可以做数据治理
选题、播放、听众反馈、同类播客，都可以变成数据，用来帮助下一步内容决策。
01:22:15 一个数据治理专家未来最想解决的问题：把自己数字化
微信、企业微信、电脑、读书笔记、文件和灵感散落在不同地方，他也希望AI能把这些东西重新串起来。
01:25:10 原来数据治理专家也会找不到文件
资料越来越多，真正难的是让它们形成一个随时可以调用的知识体系。
01:25:53 “您是想把您本人数字化？”
从帮助企业整理数据，到最终希望AI帮助整理自己，一个非常有意思的闭环出现了。
01:26:19 二十年技术生涯最后回到了同一个问题
计算机怎么用，系统怎么稳定运行，资源怎么上云，数据怎么流动。
今天的问题变成：
怎样让AI真正理解企业的业务？
01:27:03 AI时代企业真正稀缺的人是谁？
能够把业务、技术、数据和组织真正连接起来的人。
💬听众互动
你所在的公司有没有这样的场景：
系统已经建了很多套，真正干活的时候，大家最后还是把Excel发来发去？
或者技术部门说“两周就能做好”，最后真正推进却花了几个月？
如果让你重新看自己每天产生的数据，邮件、聊天记录、会议、文档、项目资料、AI对话，你觉得它们现在是一堆散落的信息，还是已经成为了可以反复调用的资产？
还有一个问题：
AI时代，一个企业最稀缺的究竟是什么？
更强的大模型，更好的数据，还是能够把业务、数据、组织和技术真正连起来的人？
欢迎在评论区告诉我们。
也欢迎把这一期分享给正在做企业数字化、AI落地、数据治理、FDE，以及正在思考AI如何真正进入业务的人。
真人真聊真AI，对白坦白灯下白。
我们下一盏灯见。
