【经管讲堂·AI经管实践】海康威视被低估的AI转型：标签化困境与第二曲线突围

事件与实践

2024年8月，海康威视发布半年报，营收与利润均超出市场预期。然而，市场分析人士指出，资本市场对海康威视的估值长期受”安防设备制造商”这一标签的制约，未能充分反映其在AI领域的技术积累和战略转型成果。事实上，海康威视早已从传统视频监控硬件供应商转型为以视觉AI为核心的智能物联（AIoT）解决方案提供商，其业务已覆盖智能制造、智慧交通、智慧医疗、企业数字化转型等多个赛道。半年报显示，其创新业务（包括智能家居、机器人、汽车电子等）营收占比持续提升，AI相关产品和服务的毛利率显著高于传统安防硬件。

海康威视的转型路径具有独特性。与互联网巨头从软件算法切入AI不同，海康威视依托在感知硬件领域二十余年的深厚积累，选择”硬件+算法+场景”的垂直整合路线。其自研的AI开放平台已支持碎片化场景的算法定制，使中小企业也能以极低成本获得专属AI能力。然而，这一转型战略面临的核心挑战是：市场认知的调整速度远滞后于企业战略的实际演进。投资者仍倾向于将海康威视归入”安防板块”，以硬件制造商的估值模型进行定价，导致其AI技术价值在股价中未能充分体现。这种”标签化困境”并非海康威视独有，而是众多传统企业转型AI时面临的共同难题。

分析

一、战略定位与品牌认知的错位：波特竞争战略的再审视

迈克尔·波特的竞争战略理论强调，企业的竞争优势来源于其在产业价值链中选择的位置和差异化能力。海康威视的战略定位已从”安防设备商”演进为”智能物联解决方案商”，但外部利益相关者——包括投资者、客户和行业分析师——的认知框架仍停留在旧有定位上。这种”认知惯性”（Cognitive Inertia）在战略管理文献中被视为战略变革的主要阻力之一。根据Porter的五力模型分析，海康威视在转型过程中面临的双重困境在于：在传统安防市场，价格战加剧导致硬件毛利率承压；在新兴AI市场，又面临互联网巨头和AI创企的跨界竞争。海康威视的破局策略是选择”差异化聚焦”——不与纯算法公司比拼通用大模型能力，而是深耕碎片化场景的视觉AI应用，利用硬件感知能力和行业know-how构建竞争壁垒。然而，这种差异化战略的有效性取决于市场是否能够正确解读其战略意图。认知错位的直接后果是估值偏差：市场以安防硬件行业的市盈率（约15-20倍）对海康威视定价，而AI解决方案企业的合理估值倍数应在30倍以上，这意味着海康威视的AI转型价值在资本市场中被系统性低估。

二、动态能力与核心能力迁移：Teece框架的实践验证

David Teece提出的动态能力理论（Dynamic Capabilities Theory）为企业转型提供了核心分析框架。动态能力包括三个关键维度：感知能力（Sensing）——识别新兴机会和威胁；抓住能力（Seizing）——开发新产品和服务以回应机会；重构能力（Reconfiguring）——调整组织结构和资源以维持竞争力。海康威视的转型路径清晰展现了这三个维度的运作。在感知层面，海康威视早在2015年就前瞻性地布局AI算法团队，识别到视频数据从”记录”向”分析”的价值跃迁趋势。在抓住层面，其通过持续高强度的研发投入（研发费用率长期维持在10%以上），构建了从感知硬件、AI芯片到算法平台的全栈技术能力，并推出了AI开放平台以降低场景化AI部署门槛。在重构层面，海康威视进行了组织架构的深刻调整，从以产品线为中心的职能型组织，转向以行业解决方案为中心的事业群架构，并设立创新业务孵化机制，将机器人、汽车电子等新业务独立运营，赋予其更灵活的决策机制。这一转型路径验证了Teece理论的核心命题：在快速变化的技术环境中，持续竞争优势不来源于静态的资源禀赋，而来源于企业不断感知、抓住和重构的动态能力。

三、第二曲线创新与品牌叙事重构

查尔斯·汉迪提出的”第二曲线”理论指出，企业必须在第一曲线（现有核心业务）达到巅峰之前，就开始培育第二曲线（新增长引擎）。海康威视的创新业务布局正是第二曲线战略的典型实践：在传统安防业务仍保持行业领先地位时，即已启动智能家居、机器视觉、汽车电子等新兴业务，形成多极增长引擎。然而，第二曲线的成功不仅取决于技术和产品的成熟度，还取决于”品牌叙事”（Brand Narrative）的有效重构。海康威视面临的”标签化困境”本质上是一个品牌传播问题：企业在技术层面已完成转型，但在心智层面仍被旧标签锁定。科特勒的品牌定位理论指出，品牌认知一旦在利益相关者心智中形成定位，改变所需的时间远超技术转型本身。海康威视需要在投资者关系管理、行业话语权和客户认知三个层面同步推进品牌叙事重构：在投资者沟通中强化AI技术指标和创新业务增长数据的披露；在行业层面积极参与AI标准制定和技术白皮书发布；在客户层面通过标杆案例展示AI解决方案的商业价值。

启示

海康威视的转型经验对传统企业具有广泛的借鉴价值。第一，AI转型不是”弃旧从新”的割裂式变革，而是核心能力的延伸与跃迁——企业应审视自身在传统业务中积累的数据资产、场景理解和客户关系，将其作为AI转型的”起跑线优势”，而非转型的包袱。第二，认知转型的速度往往慢于技术转型，企业管理者必须将”品牌叙事重构”纳入战略转型的核心议程，而非仅视为公关层面的辅助工作。第三，碎片化场景的AI应用虽不如通用大模型引人瞩目，但往往是传统企业实现AI商业化的最优路径——它以低成本、高频率的方式将AI嵌入业务流程，在解决实际问题的同时积累数据飞轮效应。第四，第二曲线的培育需要战略耐心和制度保障，企业应建立与创新业务特点相匹配的考核机制和激励机制，避免用成熟业务的管理框架束缚新业务的发展。

思考

1. 如果一家传统制造企业希望向AI转型，它应如何识别和利用自身的”起跑线优势”？哪些传统能力可以迁移为AI竞争力？
2. 市场认知调整滞后于企业战略转型，这一”认知时差”对企业管理者意味着什么？应如何在转型过程中管理投资者预期？
3. 碎片化场景AI与通用大模型AI，哪条路径更适合传统企业？两者之间存在竞争关系还是互补关系？

关键词：AI转型战略、动态能力、第二曲线创新
来源：上海证券报 | 整理：经管讲堂