Ai4
企业摆脱AI试点炼狱的关键不在于发发展示性Demo,而在于建立科研式的残酷门禁纪律,果断停资缺乏明确损益回报的边缘实验并集中资源打造灯塔项目。
AI-assisted summary of Not Every Molecule, Not Every Cross, Not Every AI Pilot Makes It to the Field... with Syngenta Group — original source. Check the original for full context.
Source published:
Detailed notes
## Background 该视频由行业会议频道 Ai4 于 2026 年 8 月在 YouTube 平台发布,主讲人为先正达集团(Syngenta Group)全球 IT 与数字化战略负责人 Jeremy Groeteke。内容主要探讨企业如何借鉴农业科研中严苛的分子筛选与杂交淘汰机制,摆脱泛滥且低效的“AI 试点炼狱”,建立聚焦核心业务价值的 AI 投资组合治理框架。
## TL;DR 先正达分享了其将农业研发中“万中选一”的筛选逻辑移植到企业 AI 治理的实践经验,强调创新的关键不在于广撒网做 PoC,而在于果断砍掉无法规模化落地的项目。公司通过设立明确的 EBITDA 财务门禁与业务技术双轮驱动机制,将分散混乱的探索收敛为 7 个具有实质损益影响力的“灯塔项目”。以供应链“需求确认”先锋用例为例,先正达利用基础机器学习结合智能体工作流(Agentic Workflows)与人在回路(Human-in-the-loop)机制,将耗时数周的手工数据匹配压缩至数小时并大幅释放营运资金。主讲人同时警惕依赖静态数据集的“氛围编程”陷阱,主张由中立的 IT 部门构建跨越研发、生产与销售的端到端数字线程,实现真实的商业回报。
## Atmosphere & style 演讲整体风格务实、沉稳且极具实战洞见,主讲人以幽默风趣的开场迅速拉近与观众的距离,随后转入对企业数字化转型痛点的深刻剖析。叙事中充满农业科研与尖端科技交融的生动隐喻,既坦诚指出中层管理阻力与虚荣指标的危害,又以大刀阔斧的决断力展现出大型跨国企业在剥离炒作、追求底层经济效益时的严谨与魄力。
## Key takeaways - [06:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=404s) 农业研发依赖残酷的淘汰筛选机制(如筛选上万个分子才上市一款产品),先正达将这套“筛选-测试-晋级”的科研门禁逻辑完整移植到了企业 AI 项目管理中。 - [06:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=404s) 企业在探索初期容易陷入技术栈泛滥与“试点炼狱”,必须具备果断停止注资(Defund)未达标项目的组织勇气,学会给少数高价值花朵浇水,让其余枯萎。 - [06:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=404s) AI 项目晋级必须绑定硬性 EBITDA 财务回报指标,并由承担 P&L(盈亏责任)的业务 CEO 与技术负责人双轮驱动,拒绝沦为孤立的纯 IT 试验。 - [10:38](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=638s) 先正达放弃对 50,000 名员工大水漫灌式的全员改造,转而集中优势资源打造 7 个具备显著业务影响力的核心“灯塔项目”(Lighthouses)。 - [10:38](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=638s) 企业推进 AI 规模化落地面临结构性断层:高管层对前景极度乐观,而中层管理人员却在实际执行和适应中痛苦挣扎,构成需要重点攻克的变革阻力。 - [11:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=704s) 先正达以“需求确认”作为滩头阵地,利用基础 ML 与智能体工作流将 60 位规划师耗时两到三周的人工 Excel 匹配压缩至数小时内完成,同时缩短库存周转天数释放营运资金。 - [11:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=704s) 不要将写邮件或做总结等通用打字生产力提升作为核心 KPI,这类模糊效益极难反映在业务损益表(P&L)底线中。 - [14:05](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=845s) 推进 AI 自动化不应以单纯裁员为假设,人类专家应扮演“人在回路”(Human-in-the-loop)的顶层监管与异常决策角色,统筹专业多智能体执行层协同运转。 - [14:05](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=845s) POC 阶段基于静态数据集和“氛围编程”构建的 Demo 容易产生虚假繁荣,一旦接入实时 Data Mesh 或事务性 ERP 往往因真实负载而崩溃,团队必须警惕虚荣指标并勇于淘汰不达标产品。 - [17:02](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=1022s) 通过构建跨越销售、生产供应与研发的端到端“数字线程”,能够将田间病害反馈与定向育种改良无缝串联,显著加速产品生命周期跨越与市场响应。 - [17:02](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=1022s) 企业内部职能孤岛难以彻底消除,IT 与数字化部门应扮演“瑞士”般的中立角色搭建数据桥梁,确保关键数据在跨业务领域自由流动以驱动商业决策。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=4s) 破除“试点炼狱”:先正达在农业与数字化交汇处的定位
Jeremy Groeteke 担任先正达集团(Syngenta Group)蔬菜与花卉业务的 CIO,负责研发、商业、市场、生产与供应(P&S)以及集团全球数字化战略。在演讲开场,他幽默地调侃道,很高兴在拉斯维加斯看到大家没有泡在老虎机或酒吧,而是坐在这里探讨企业面临的共同难题——“试点炼狱”(pilot purgatory),即企业和供应商如何跨越 PoC(概念验证)与生产环境之间的鸿沟。
为阐明先正达的使命与业务广度,现场播放了一段短片。在充满风暴、干旱、病虫害等不可控风险的农业领域,农民的一年收成乃至生计脆弱不堪,进而关乎全球粮食安全。先正达通过在实验室与农田中融合生物学、化学、数据与 AI 技术,实现跨领域的农业突破,目标是在保护土壤和减少环境足迹的同时,帮助农田提高产量、养活全球增长的人口。
- 先正达集团全球业务覆盖 90 多个国家,年度 R&D 研发投入超过 20 亿美元。 - 其数字生态系统已连接全球约 1 亿公顷农田(全球可耕作农田总量约为 2.5 亿至 2.8 亿公顷,不含牧场)。 - 业务横跨植保产品、生物制剂、种子基因及数字化解决方案,深入消费端: - 墨西哥与百事公司(PepsiCo)合作的薯片(乐事、品客)供应链,从田间土豆采收到切片入袋可在 12 小时内完成。 - 市场上 90% 的抱子甘蓝(Brussels sprouts)以及 70% 的西瓜种质资源(germplasm)均源自先正达。
---
[03:01](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=181s) 农业并非低科技:从传统 AI 到跨业务领域的智能体协同
很多人误以为农业是科技落后的行业,但 Jeremy 指出,早在 1996 年他的家族农场联合收割机上就已安装了测量产量的 IoT 传感器;如今田间价值数百万美元的农机已具备类似无人驾驶出租车的全自动驾驶能力。在实验室与 R&D 方面,机器学习、计算机视觉、全基因组预测模型早已深度应用,传统 AI 对先正达而言并不新鲜。
真正的突破在于生成式 AI(Generative AI)与智能体工作流(Agentic Workflows),它们能够打破研发(R&D)、生产与供应(P&S)、商业营销(Commercial)之间的孤岛。过去企业往往局限于单点优化(如仅优化 Salesforce 的销售拜访,或仅优化库存周转与营运资金的需求预测),而通过智能体打通跨业务域(Cross-domain)的数据与流程,才能在 EBITDA 和利润率(Bottom-line margin)层面释放巨大价值。
```mermaid flowchart LR accTitle: 跨领域智能体协作架构 subgraph S1["传统单点孤岛"] A1["研发 R&D"] A2["生产供应 P&S"] A3["商业销售 Commercial"] end subgraph S2["协同整合"] B["智能体工作流 & 生成式 AI"] end subgraph S3["业务回报"] C["打通端到端流程"] D["解锁 EBITDA / 利润增长"] end A1 -.-> B A2 -.-> B A3 -.-> B B --> C C --> D ```
---
[06:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=404s) 沿用科研的淘汰逻辑:从“百花齐放”到严格的门禁笑脸筛选
农业研发本质上依赖残酷的淘汰筛选机制:在植保化学领域,评估 10,000 个分子可能仅有 1 个能最终装瓶上市;在育种领域,成千上万次杂交中只有具备抗病性、抗脆性、耐旱性的精英种质才能晋级。先正达将这套严格的“筛选-测试-晋级”科研逻辑移植到了 AI 项目管理中:
- **从失控到收敛**:ChatGPT 推出仅两个月,先正达就组织了黑客松,开启“百花齐放”(thousand flowers bloom)阶段。随后出现了技术栈泛滥(Tech stack proliferation)——不同的模型、LLM 与代码库各自为政。虽然这极大提升了组织的认知曲线,但在有限资本下,必须学会“给部分花朵浇水,让其余花朵枯萎”。 - **晋级标准与硬性指标**: 1. **硬性 EBITDA 目标**:各业务单元的 AI 项目必须给出明确的财务回报商业案例,无法达标者直接砍掉预算。 2. **业务负责人与技术负责人双轮驱动**:业务 CEO 与 CTO 必须紧密绑定,并一同被送往 MIT 参加为期一周的“AI 与商业”培训,确保双方使用同一种业务语言沟通。 3. **拒绝做成纯 IT 项目**:项目主导权必须由承担 P&L(盈亏责任)的业务领导者掌控,避免沦为单纯的 IT 内部试验而导致落地困难。
```mermaid flowchart TD accTitle: 先正达 AI 项目筛选与淘汰漏斗 subgraph Exploration["探索阶段"] A["百花齐放 / 快速黑客松"] --> B["技术栈与模型广泛探索"] end subgraph Gating["门禁筛选 (Selection Criteria)"] B --> C{"硬性商业与组织指标"} C -- "未达 EBITDA / 缺乏业务主导" --> D["果断淘汰 / 停止注资 (Defund)"] C -- "达标" --> E["进入核心资源支持"] end subgraph Focus["灯塔工程"] E --> F["7 大灯塔项目 (Lighthouses)"] end ```
---
[10:38](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=638s) 确立七大“灯塔项目”与直面变革管理挑战
先正达拥有约 50,000 名员工,无法对全员进行一次性的大水漫灌式改造(sheep dip the whole organization),因此公司集中优势兵力打造了 7 个具备显著 P&L 影响力的“灯塔项目”(Lighthouse Initiatives)。
Jeremy 本人亲自挂帅负责蔬菜业务的灯塔项目——代号为“Aiden”的端到端供应链计划协同重构。在推进过程中,他观察到企业变革管理中的普遍断层:**高管层(Senior Leadership)对 AI 的前景极度乐观,但中层管理人员(Middle Management)却在实际执行和适应中痛苦挣扎**。这种中层的阻力构成了推动 AI 规模化落地过程中必须直面并强行攻克的“坚硬砖墙”。
[11:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=704s) 需求确认:先锋用例的选择与智能体工作流重构
先正达在推进 AI 落地时,第一步是寻找一个能快速向全公司证明 AI 价值的“滩头阵地”(Beachhead),而非泛泛而谈。他们直接切入了“需求确认”(Demand Confirmation)业务场景。农业供应链具有独特性——库存是有生命的生物产品(如种子),而非普通工业零件,存在质量随时间衰退的风险,因此需要实时与销售订单进行精准匹配。在过去,全球有 60 位规划师在数十个庞大的 Excel 表格中耗时两到三周,手动比对多达 35,000 行数据;而现在,通过部署 AI 智能体工作流(Agentic Workflow)与监督机制,这一流程被大幅压缩至数小时内自动完成。
这一变革并非全盘依赖大语言模型(LLM)或花哨的概念,传统的机器学习模型在其中依然发挥着巨大作用。现在规划师每天早晨上班时,繁重的数据匹配工作已经完成,只需扮演“人在回路”(Human-in-the-loop)的角色,专注于审核异常情况并进行决策确认。
```mermaid flowchart LR accTitle: 需求确认业务流程升级对比 subgraph Old["传统模式(耗时 2-3 周)"] A1["销售订单流入"] --> B1["60 位全球规划师"] C1["生物库存变动"] --> B1 B1 --> D1["人工筛查 35,000 行 Excel"] end
subgraph New["智能体工作流模式(数小时完成)"] A2["销售订单流入"] --> B2["基础 ML + 智能体工作流"] C2["实时库存数据"] --> B2 B2 --> D2["自动完成大批量匹配"] D2 --> E2["规划师人工复核异常项"] end ```
- **业务成果与财务影响**:除了节省海量人力时间,公司还成功缩短了库存周转天数(Days on Inventory),直接释放了原本沉淀在库存中的营运资金,在损益表(P&L)底线上体现出真金白银的价值。 - **销售端正向协同**:销售团队对订单履约有了极大信心,减少了因担心缺货而超额虚报下单的博弈行为。 - **度量指标的警示**:不要把“写邮件变快了”、“文档总结更好了”等通用生产力提升当作核心 KPI,这类模糊效益极难反映在业务损益表中。
---
[14:05](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=845s) 规模化陷阱、人机协作模式与果断下线机制
在探索初期,“百花齐放”式做实验有助于组织学习,但企业必须清醒地认识到,最终只能将资源聚焦浇灌在少数能切实拉动营收或净利润的项目上。实施 AI 自动化不应以“裁员”(Headcount Reduction)为出发点,许多基于裁员假设的商业计划最终都被证明不切实际。人类的专业洞察在监督与异常处理中至关重要。未来的人机协作将形成层次化体系:基础智能体自主处理需求预测、配额分配及库存补给等具体任务,而人类专家(如同“博士/主治医生”)则在顶层统筹监督,确保多个 Agent 协同运转。
```mermaid flowchart TD accTitle: 未来多智能体与人类专家协同架构 subgraph Oversight["人类顶层监管 (Human-in-the-Loop)"] H["人类专家 / 领域大师<br/>(统一监管与异常决策)"] end
subgraph Agents["专业多智能体执行层"] A1["需求预测 Agent"] A2["配额分配 Agent"] A3["库存补给 Agent"] end
H --- A1 H --- A2 H --- A3 A1 <--> A2 A2 <--> A3 ```
企业在落地 AI 时往往面临“从 POC 到生产环境”的规模化瓶颈: - **概念验证(POC)的虚假繁荣**:许多团队在 AWS S3 中拉取一小块静态数据集做实验,依靠“氛围编程”(Vibe Coding)能做出惊艳的 Demo,但一旦接入生产环境的实时 Data Mesh(如 Databricks/Snowflake)或事务性 ERP 系统,系统便因无法承载真实负载而崩溃。 - **勇于“杀死自己的产品”**:产品经理常常把项目当成自己的孩子,很难客观看清缺陷。团队必须摒弃仅关注使用人数等虚荣指标(Vanity Metrics),紧盯底层经济效益;当项目无法达标时,要具备果断将其退役下线的勇气。
---
[17:02](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=1022s) 打通端到端数字线程,以中立 IT 驱动跨部门价值
要判断哪些 AI 试点值得分配企业资源("Deserve Acreage"),核心在于寻找能撬动 EBITDA 和损益表(P&L)的真正经济杠杆,而非盲目跟风通用的打字类生产力工具。通过将成熟的机器学习模型与自动化工作流相结合,打通销售、生产供应(P&S)与研发(R&D)全链路,构建贯穿全局的“数字线程”(Digital Thread),能释放出巨大的端到端商业价值。
```mermaid flowchart LR accTitle: 跨部门数字线程闭环 Sales["销售团队<br/>(获取西红柿田间表现数据)"] -->|"反馈抗性下降 (褐皱果病毒)"| RD["研发部门 (R&D)<br/>(定向改良基因性状)"] RD -->|"产品生命周期跨越 (PLC 3 -> 6)"| Prod["生产与供应 (P&S)<br/>(快速扩繁制种)"] Prod -->|"现货订单实时确认"| Sales ```
- **全链路协同实战**:当销售团队在田间发现番茄品种因感染新兴的“番茄褐色皱果病毒”(Tomato Brown Rugose Fruit Virus, ToBRFV)而出现表现下滑时,该数据能实时回流至 R&D。研发团队可立即启动性状改良,生产团队将产品生命周期阶段从 PLC 3 跳跃推进至 PLC 6 并加速制种扩繁,迅速将抗性品种推向市场。 - **IT 组织的“中立国”定位**:企业内部的职能孤岛(Silos)难以彻底消除,但数据必须是流动的。IT 与数字化部门应当扮演好“瑞士”般的中立角色,在各个孤立部门之间搭建数据桥梁,让关键数据顺畅流转到做决策的人手中,并始终坚持“衡量真正关键的业务指标”(Measure what matters)。
## Notable quotes > Most enterprises run AI the exact opposite way. They let a thousand pilots bloom, celebrate the experimentation, generate a flurry of proofs-of-concept — and then wonder why so little ever reaches production... — Jeremy Groeteke
> The hard part of innovation was never starting. It's choosing what to kill. — Jeremy Groeteke
> We went from sprawling, scattered experimentation to a focused set of high-impact initiatives, and the shift was less about technology than about organizational courage: the willingness to defund good ideas in service of great ones. — Jeremy Groeteke
> [06:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=404s) 在植保化学领域,评估 10,000 个分子可能仅有 1 个能最终装瓶上市;在育种领域,成千上万次杂交中只有具备抗病性、抗脆性、耐旱性的精英种质才能晋级。 — Jeremy Groeteke
> [06:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=404s) 给部分花朵浇水,让其余花朵枯萎。 — Jeremy Groeteke
> [10:38](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=638s) 高管层对 AI 的前景极度乐观,但中层管理人员却在实际执行和适应中痛苦挣扎。 — Jeremy Groeteke
> [11:44](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=704s) 不要把“写邮件变快了”、“文档总结更好了”等通用生产力提升当作核心 KPI,这类模糊效益极难反映在业务损益表中。 — Jeremy Groeteke
> [14:05](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=845s) 实施 AI 自动化不应以“裁员”为出发点,许多基于裁员假设的商业计划最终都被证明不切实际。 — Jeremy Groeteke
> [14:05](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=845s) 团队必须摒弃仅关注使用人数等虚荣指标,紧盯底层经济效益;当项目无法达标时,要具备果断将其退役下线的勇气。 — Jeremy Groeteke
> [17:02](https://www.youtube.com/watch?v=3KbbRu1aucQ&t=1022s) IT 与数字化部门应当扮演好“瑞士”般的中立角色,在各个孤立部门之间搭建数据桥梁,让关键数据顺畅流转到做决策的人手中。 — Jeremy Groeteke
## Mentioned Jeremy Groeteke, 先正达集团 (Syngenta Group), 百事公司 (PepsiCo), 乐事 (Lay's), 品客 (Pringles), ChatGPT, MIT (麻省理工学院), Aiden, Salesforce, AWS S3, Databricks, Snowflake, 番茄褐色皱果病毒 (ToBRFV)
## Video description Jeremy Groeteke - Global Head of IT and Digital Strategy, Syngenta Group
Not Every Molecule, Not Every Cross, Not Every AI Pilot Makes It to the Field Agriculture R&D runs on a hard truth: most of what you start doesn't make it — and that's the point. In crop protection, we screen tens of thousands of molecules to register a single product. In breeding, we make thousands of crosses to advance a handful of elite lines. Neither pipeline works because of the discovery; both work because of the discipline that comes after it — the stage gates, the multi-environment testing, and the ruthless culling of everything that doesn't earn its place in the field. We are very good at saying no to promising things that won't perform at scale. It's in our scientific DNA. Most enterprises run AI the exact opposite way. They let a thousand pilots bloom, celebrate the experimentation, generate a flurry of proofs-of-concept — and then wonder why so little ever reaches production, why budgets are spread thin across dozens of half-funded experiments, and why "we're doing AI everywhere" somehow hasn't moved the business. The hard part of innovation was never starting. It's choosing what to kill. At Syngenta, we stopped treating our AI portfolio differently from our science and applied the logic we already trust: broad exploration up front, then real selection pressure toward the few "lighthouse" use cases that demonstrably move the business — the ones worth concentrating talent, data, and capital behind until they reach full scale. We went from sprawling, scattered experimentation to a focused set of high-impact initiatives, and the shift was less about technology than about organizational courage: the willingness to defund good ideas in service of great ones. In this session, I'll walk through how we made that transition as a global agricultural enterprise — the selection criteria we use to decide what advances, the stage-gate discipline borrowed directly from our crop development model, the way we define and protect a lighthouse so it actually reaches scale, and the hard culling decisions (and internal resistance) that came with it. I'll be candid about what worked, what we got wrong, and what I'd do differently. You'll leave with a practical framework you can apply to your own AI portfolio on Monday morning — a way to decide which pilots deserve acreage, which to let go, and how to build the organizational muscle to tell the difference. Three takeaways:
A stage-gate framework for deciding which AI pilots advance to scale and which get culled — before they quietly drain budget and attention. Why broad experimentation is the easy half of innovation, and how to build the discipline for the hard half: concentration and the courage to defund. How the screen-test-advance logic that governs both our chemistry and genetics pipelines translates directly to enterprise AI portfolio management.
[Source](https://www.youtube.com/watch?v=3KbbRu1aucQ)