IT 帮助台常被视为大多数 IT 组织中的"地牢"部门:那些在 IT 领域无法在其他更有意义的岗位上脱颖而出的人被留在这里,或者刚踏入 IT 行业的新人必须在这里证明自己的能力,才能开启他们"真正"的 IT 职业生涯。帮助台也可能成为一种 IT "炼狱",如果没有 IT 内部的人脉帮助你转移到被认为对组织更重要的职能部门,很难逃离这里。
IT 的态度不应该是这样的。IT 帮助台不仅是开启令人满意的 IT 职业生涯的绝佳起点,而且还是 IT 和终端用户之间日常主要的"接触点"——因此,它是 IT 部门评估其部署的应用程序和系统业务成功与否的宝贵且可能是唯一可靠的方式。
以下是 CIO (以及 IT 部门的其他人) 可以从帮助台学到的战略情报,以及 CIO 如何利用帮助台创造更大的业务价值——前提是他们首先要将帮助台视为战略资产。
1. 从帮助台挖掘业务痛点
CIO 需要既懂业务又精通技术。IT 员工也正被那些对 IT 感到沮丧而开始开发自己的公民 IT 的用户所绕过。
这时帮助台就派上用场了,因为没有人比帮助台人员更了解业务痛点在哪里。帮助台每天都会收到投诉。不幸的是,一旦这些投诉被记录并希望得到解决,它们通常就被归档了,每个人都忘记了它们。
CIO 可以通过将帮助台的"投诉情报"转化为战略输入来改变这种运作模式。帮助台活动报告应该每月总结并向高层 IT 管理人员汇报。通过这种方式,CIO 和 IT 经理可以了解主要的业务痛点和客户沮丧的领域,从而主动制定解决这些问题的工作策略。
2. 在未来的应用程序设计中纳入帮助台的意见
每当提出新的 IT 应用程序时,资深帮助台人员都应该在战略讨论中占有一席之地。帮助台人员对用户的喜好有深入的了解。他们可以为有效的应用程序设计提供见解。这可以避免开发出用户觉得繁琐的过于复杂的用户界面,或者不符合业务运营流程的应用程序工作流。
3. 从前线开始推动 IT 文化变革
CIO 被要求使 IT 更加面向服务,但对于那些更喜欢编写代码或解决系统问题而不是与终端用户打交道的员工来说,实现文化变革并不总是容易的。
CIO 可以通过为那些希望在帮助台发展事业的人提供晋升阶梯来提高帮助台的地位,从而促进向服务的转变。让开发人员和业务分析师轮岗进行为期六周的帮助台"轮班"也可能是有益的,这样他们可以提高对用户的同理心,并从与业务的一线经验中了解主要的业务和系统痛点。
4. 将帮助台视为人才孵化器
由于 IT 人才短缺的问题依然存在,几乎每家公司都有 IT 职位的空缺。因此,CIO 不得不想出新的方法来"培养"人才,比如从外部雇佣原始和缺乏经验的个人。
社区学院和大学教学生如何编码和使用 IT 系统,但他们无法教学生你自己 IT 环境的细节。一个很好的培养新人才的地方就是让他们从帮助台开始。他们将获得对用户、IT 员工和公司系统的实际了解。再加上强有力的技能提升计划,IT 帮助台可以转变为满足业务需求的战略人才管道。
5. 从这里开始 IT 的自助服务战略
用户希望能够自主安排 IT 服务,并通过用户友好的在线门户获取相关信息,使他们能够立即解决许多自己的问题。这就是为什么一个有效的用户自助服务门户应该是每个 CIO 列表上的帮助台计划。帮助台应该成为这个项目的战略领导,因为它是 IT 为终端用户提供服务的主要点。
6. 实施 AI 诊断隐藏的问题区域
随着 AI 的部署,一个可以有益使用的 IT 领域是应用程序一致性。这是帮助台专业人员可以提供帮助的领域。
AI 可以做的是使用 IT 定义的业务规则,主要是由帮助台定义的规则,帮助台应该发挥主导作用。任务将是识别经常遇到故障和错误的系统中不一致的区域。然后可以使用 AI 来识别任何其他容易受到问题影响的下游系统和功能。从战略上讲,最终目标是开发全面的 IT 解决方案,在改善所有系统方面具有深远的影响。这可以减少用户的挫折感,减少 IT 维护积压,并提高系统性能。
改变对 IT"地牢"的看法
从历史上看,帮助台一直是一个被低估和未被充分利用的 IT 资源——然而在 IT 即服务的时代,没有哪个 IT 功能比帮助台更贴近日常的终端用户。
现在是 CIO 和整个 IT 部门"耳贴地面"倾听帮助台所说的话,并将帮助台视为富有战略意义的洞察力和机会领域的时候了,这对当今 IT 的"更重要"工作至关重要。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。