双模式IT:模式1保护现有发展,模式2则是发展应对外部威胁或机会的项目,Gartner的研究员George Spafford说。 关于双模式IT的讨论,在某些圈子里引发了愤怒。
批评人士认为,这一由Gartner在2014年提出的概念,将IT员工划分为富人与穷人。批评者认为,那些分配到模式1任务的员工,完成无聊的、维持现状的工作;而分配到模式2任务的员工,则因为从事涉及新兴技术的创新项目,而成为焦点。其他的批评还包括,双模式IT过于简化当今企业的需求。
且传递了,后端系统可以保持不变,这样的信息。 几周前,在奥兰多佛罗里达州的Gartner Symposium/ITxpo上,Gartner试图调整这些对于双模式IT的看法。
在主题为 “By 2021, Bimodal IT Practices Will Be for Digital Losers,”的对话中,Gartner IT运营研究总监George Spafford解释说,模式1是非常重要的,因为它保持公司现有的盈利模式。
现有模式至关重要,不仅因为它们维持公司的运行,并且是它们为那些旨在应对由新兴企业,比如Airbnb, Uber和Kickstarter带来的威胁而进行的创新项目,提供资金。
模式1和模式2是共生关系。如果企业没有投资模式2的项目,那拥有创新概念,成功的初创公司,可能会威胁到企业模式1旨在保护的现有项目。“如果一些我们没有预想到的企业,想出了很棒,很好的概念,获得了大量的风险资本,开始夺取我们的盈利项目,我们该怎么办?”Spafford说。
“随着我们的盈利项目萎缩,我们投资的能力真的会受到重创。这就是丧钟。” Spafford期望纠正另一个对于双模式IT的误解。这一模式和速度的关系不大,Spafford说,更多的是关于不确定性。
“关于业务和IT,有很多事情我们都充分理解,”他说。这些充分理解的事情属于模式1。 “如果你知道你在做什么,非常确定,那么,这就是最佳方案。你有原因,你有效果,你知道你可以做什么。你也可以进行自动化。”
而另一端则是模式2:IT并不完全理解的技术和想法,所以,有更多的不确定性。IT需要进行试验和测试不同的方法,据Spafford说。“大多数情况下,你必须尝试,然后看一下结果。也许可以起作用,也许不会起作用,”他说。 这两种方法都是必要的,因为“一刀切的方案,并不适合所有人,”Spafford说。
Spafford还认为,随着时间的推移,双模式IT将扩展到超过两种模式,将这种模式比喻为山地车的齿轮。“你的山地车只有2个变速吗?不是,对吧?我们使用(齿轮),不是为了更快。我们是为了有更好的配比……在不同的高度时。这不仅仅是关于速度,是为了能够骑上山,”他说。
另一种看待双模式IT的方式:模式1和模式2是关联的,他说。“模式1和2听起来像是对立的。我想说的是,其实是这些模式之间的连续体,”Spafford说。 双模式IT的最终目标是成为一个自适应的部门,Spafford认为其具备以下特点: 理解其业务涉及的生态系统,并进行相应调整。一种自适应部门,根据其业务需要,定制解决方案,而不是反其道而行之。
盈利产品的任何部分都不是单体的。 “我每个星期都和企业对话,他们的发展能力,他们创新的能力,都受制于他们的遗留架构,”Spafford说。
IT已摆脱中央控制的错觉。“IT开始意识到并不是他们说了算,需要一个生态系统,并且有多方参与,”他说。
产品速度可以轻松改变,这样公司可以快速创新,以应对威胁和机会。
基础设施为产品团队,提供了一个平台。“你不想让每个团队,都重复劳动,都要从头开始创建一个服务器或一个环境,”他说。
标准和规程应用于其平台和工具链,以减少复杂性。 “如果你允许复杂性,你的成本就会走向错误的方向。你的风险会向错误的方向发展。你的准时表现,会向错误的方向发展,”Spafford说。
企业的各级强调学习和持续改进。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。