红利的消失已经成为不可逆转的趋势,但今年Gartner带来的《全球首席信息官议程调查》却将主题定为《驾驭时势 再创红利》。
Gartner研究副总裁陈勇(Owen Chen)给出的解释是,疫情的三年间,CIO正在使用像远程办公、电子商务等各种方法帮助企业正常开展业务,无论是CEO还是业务部门都认为,投入数字化确实能够帮助业务正常运行,也看到了红利。

Gartner研究副总裁陈勇
当然,还有一部分人认为,在疫情初期投入数字化确实带来了红利,但现在的经济形势依旧没有很大改观,是否还要继续在数字化上进行投入。
企业的投入是有限的,产品、人才,现在数字化也要进行更多的投入,就势必会减少其他部分的投入。Gartner调查显示,目前全球企业IT预算增长达到了5.1%,中国则只有0.7%。
全球IT预算从2008年金融危机后就节节高升,增长率已经攀升到历史最高点,中国则成相反的态势,从2014年开始就逐步走低。

“IT预算和通货膨胀其实是息息相关的,经合组织对2022年全年的通货膨胀进行预期,预计2022全球通货膨胀达到6.5%,中国是2%,所以中国和全球是保持一致的。”陈勇说道。
调研还显示,大部分数字化举措是延迟交付的,59%的企业出现了产品交付的延迟,52%的企业价值实现的延迟,这两种延迟也是企业在数字化转型投入上的顾虑。
所以做什么样的工作才能看到红利,Gartner给出的建议是打通孤岛、建立融合团队、重新平衡。
打通孤岛
企业中一直有部门各自为政的现象,所以就需要考虑怎么打通孤岛,过去两年数字化投资目标可以分为营收和净利润两大类。营收是对外,净利润是对内,对内通过降本方式增加效益,对外通过增收的方式增加效益。
陈勇也给出一些建议,CIO要及时识别从CEO/董事会“放”出的一些信号,同时要把“信号”和市场对于我们的预期做一个结合,这样就能找到谁是CIO推进数字化的最佳合作伙伴。
同时,CIO推进数字化可以把业务指标拆解变成IT的指标,这就是IT的工作和CEO关切指标的联系,通过这种方式将能够帮到企业的地方用“指标”的方式呈现出来。
建立融合团队
调查显示,67%的CEO和企业高级业务领导者希望有更多的技术工作直接由业务部门完成,而不是在IT部门内完成,73%IT部门以外的管理人员希望目前或不久的将来,有更多技术人员加入他们自己的团队。
这也是我们常说的影子IT,陈勇说,能够让这些事成为现实的关键技术就是无代码/低代码开发,但事实上数字化交付主要还是需要依赖IT部门。
所谓的“融合团队”,是指团队中既有IT,又有业务,大家一起工作。Gartner认为,融合团队目的就是从“项目管理”变成“产品管理”,从“时间点交付”变成“持续交付”,从“关注技术”到“关注业务能力”。
“融合团队”在前端,“纯粹IT团队”在后端,两个团队统称“数字平台的团队”,实现前端和后端的互通,用反馈机制协同工作。
重新平衡
“重新平衡”首先是人才的重新平衡,考虑借助外部人才帮助企业进行数字化的工作,“非传统资源”包括高校学生、消费者、资源职业者等。
其次是技术的重新平衡,新兴技术走向成熟需要一定的时间,中国企业在新兴技术上的热情高于全球,像元宇宙。
在中国技术的投资上可以看到,商业智能/数据分析还是排在第一,而全球排在第一的是网络信息安全,中国则排在第二。陈勇认为,对于安全的投资主要有三种驱动,事件驱动、政策驱动和业务驱动,现在基本处在“事件驱动”往“政策驱动”进展的过程当中,离“业务驱动”还有一段距离。

最后是业务领域的重新平衡,企业可能需要重新寻求平衡点的领域包括:后台操作自动化、定价优化分析、战略采购和类别管理、运营自动化、详细的运营规划和调度、先进的需求预测和库存优化分析、供应商协作和绩效管理。
Gartner认为,只要做好打通孤岛、融合团队、重新平衡,企业就一定能够“驾驭时势、再创红利”。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。