Lauri Kien Kotcher，Different Day 首席执行官兼联合创始人 – 访谈系列

Lauri Kien Kotcher，Different Day 的 CEO 兼联合创始人，是一位经验丰富的商业领袖、品牌建设者、董事会成员和战略顾问，职业生涯横跨人工智能、消费品、零售、医疗保健、金融服务和私募股权。创立 Different Day 之前，她曾担任 quip 的 CEO 和董事会成员，推动公司从口腔护理向口腔健康的更广泛转型，推出新产品，重新设计公司的直销订阅模式，并降低运营成本。她此前曾领导 The Shade Store 和 Hello Products，带领后者实现显著增长并于 2020 年被高露洁收购。她早期的领导职务包括在 L Catterton、Godiva Chocolatier、Lehman Brothers 和 Pfizer Consumer Healthcare 的高级职位，以及在 McKinsey & Company 工作 15 年，期间晋升为合伙人并共同领导公司北美消费品业务。Kotcher 还在 Freshpet 的董事会任职，拥有在增长战略、创新、营销、并购和组织转型方面的丰富经验。

Different Day 帮助中型市场组织将运营挑战转化为实用、定制的人工智能应用，并与其现有技术环境集成。公司不专注于实验性 AI 项目或通用软件，而是开发端到端解决方案，旨在减少人工工作、提升可视化、加速收入增长、强化利润率并发掘有价值的业务洞察。其业务覆盖需求预测、供应与库存规划、销售情报、助学金对账、合规、合同分析、客户关系管理以及绩效报告等领域。Different Day 将其团队定位为从问题发现到部署和知识转移的合作伙伴，使客户能够自行运营并持续改进这些应用。

在共同创立 Different Day 之前，您在麦肯锡、Godiva、hello products、The Shade Store 和 quip 等公司花了数十年推动转型。是什么让您相信中型市场公司需要一种全新的 AI 合作伙伴？您认为现有的技术供应商和咨询公司未能解决哪些运营问题？

令人震惊的是，许多商业领袖常常处于信息盲区。作为一家高速增长的中型市场消费品牌和零售商的 CEO 与 CMO，我从未能够清晰了解业务所有运作环节的全貌。我们的数据往往按渠道、地域和职能所有者分散在各自的孤岛中。我的直觉是，AI 能够最终把这些点连起来，帮助我们发现缺失的部分，但我并不知道该找谁或从何入手。Different Day 正是对这个问题的答案。

中型市场公司资源不如大型企业丰富，但它们的官僚主义和技术债务可能也更少。它们在 AI 实施方面的做法应如何区别于企业的常规方案？

中型市场公司拥有一项需要充分利用的非凡超能力。它们应当力争超越更大的竞争对手，因为速度是它们真正的优势。我们的观点是，我们可以将大多数中型市场企业转变为 AI 原生组织，就像在 2026 年从零起步一样。大型企业悄然担心 AI 会让小型竞争者通过 AI 同事加速行动而无需增加人手，从而实现竞争平衡。人员更少意味着决定做什么、如何做以及目标是什么的人也更少，因此更小的组织结构成为资产，而非限制。

在评估公司运营时，您如何区分真正受益于 AI 的工作流与更适合通过传统自动化、改进软件或流程再设计来解决的工作流？

我信奉裸露法则：把工作流剥离到最基本的层面。简化流程应先于 AI。先在一张白纸上思考——如果没有遗留软件和变通办法，你会怎么做？大多数现有流程都是为绕过笨拙的工具而构建的，并非最佳的工作方式。合同即将续约时，询问你使用的功能，除少数例外，AI 能够构建出比现有更贴合需求的方案。虽然仍有一些系统需要保留，例如你的 ERP 或 CRM，但我们只设计你真正需要的插件，绝不多余。

Different Day 表示可以在 72 小时内完成原型并在数周内交付可投产的成果。这种速度如何实现？哪些技术、安全或组织因素可能会拖慢实施进度？

这看似夸大其词，却反映了我们公司的独特优势——由懂业务又懂技术的人创立。我们的团队本身即为 AI 原生，因此构建速度远快于传统软件开发。唯一不变的是发现阶段：谁拥有流程，谁需要认同，目标是什么以及需要达到多少，之前哪些地方失败过。若前期跳过这些工作，后续在集成、实施时会以更高成本重新出现。之所以能够保持如此速度，正是因为我们在编码前先把理解工作前置。

许多中型市场企业在分散的电子表格、遗留系统和不一致的数据源之间运作。通常需要进行多少数据准备，AI 才能产生可靠的运营结果？

大多数中型市场公司所面临的碎片化数据其实是机遇，而非障碍。我们的工具能够精准定位缺口，企业自行决定是否以及如何填补。AI 介入前，这些缺口是不可见的；有人仅凭电子表格做出决策，或在未意识到数据不完整的情况下作出判断。现在团队可以看到缺口并据此权衡决策，而不必假设数据是可靠的。

在启动 AI 项目之前，管理层应设定哪些指标？他们应多快能看到实施带来有意义的投资回报证据？

AI 可能是新事物，但传统的商业纪律依然适用。AI 出问题的地方在于人们误以为所有旧规则都已失效。每个 AI 项目都需要在开始时设定一个明确目标，无论是销售额、品牌曝光、利润率、决策速度，还是在不增加人手的情况下提升产出，并配以实现该目标的现实时间表。时间表会因数据连接数量、涉及的内部外部系统以及工具需要学习的程度而异。通常在三个月左右即可看到某种结果；更复杂的项目则需要更长时间。关键是将项目分阶段设计，避免只等一次性的大爆发结果。

Different Day 强调的应用范围包括需求预测、供应规划、合同智能、助学金对账和实时销售信号。哪些用例目前产生的可复制性最高，哪些仍高度依赖公司所在行业和运营模式？

不要低估 AI 的可复制性因素。很多方面，企业在结构上比我们想象的更相似，从通用合同到匹配客户需求与内部能力。合同智能和助学金对账是目前最具可复制性的，因为它们拥有明确的参数和输出，工具能够精准知道要解决什么。需求预测和供应规划则更困难：涉及更多数据集、更多渠道，并且各公司运营模式之间差异巨大。实时客户通知则介于两者之间，取决于企业当前的技术堆栈和渠道。

企业应如何决定是购买现成的 AI 产品、内部自行构建还是与外部合作伙伴开发定制应用？哪些问题有助于揭示不必要的复杂性或供应商锁定？

避免 AI 点击诱饵，对那些声称内部构建复杂工具很容易的 LinkedIn 帖子保持怀疑。只有当工具真的非常简单时才考虑内部构建，例如一个把少量电子表格汇总成干净视图的仪表盘，供少数同事使用。一旦需要实时从内部和外部系统抽取数据，非技术团队使用 DIY 工具就无法实现。现成的 AI 与现成的 SaaS 一样有天花板，只能提供对通用数据的洞察，却无法提供针对贵公司及竞争对手的细微差别。

您在公司从令人印象深刻的 AI 演示转向员工每天必须信任并使用的系统时，看到的最常见错误是什么？

我看到一种“原型病”流行：公司只关注冰山可见的 10%。原型看起来很炫，但真正的工作在表面之下：数据测试与回测、每个系统链接的验证以及数据安全。随后是变更管理：教会员工如何使用、了解其局限、何时需要人工介入以及该向输出提出哪些问题。AI 应该是为特定目的而设计，而不是取代人类判断，尤其在中型市场公司中，这种判断需要多年才能建立。

随着 AI 深度嵌入核心运营，您预期管理者和一线员工的角色将如何变化？中型市场的领导者现在应做什么，才能确保 AI 提升团队而不是单纯增加技术层？

“管理者”过去指的是指挥人员。如今，它已转变为对代理和系统的管理。首先绘制团队最大的痛点并剔除手动、重复的工作；这正是 AI 首先应介入的地方，随后再交付更复杂的决策。在中型市场公司中，信任必须通过一次次胜利来建立，务必先学会走路再奔跑。

感谢这次精彩的访谈，想了解更多的读者请访问 Different Day。