Gartner近日发布2025年及未来,针对中国首席信息官(CIO)数字领导力的重要预测,探讨了中国企业机构如何利用技术创新实现业务增长。
中国市场在严格的监管下,仍受到大量AI投资的鼓舞,许多企业机构都渴望利用新技术实现业务增长。在快速发展的技术生态系统中,中国CIO及其团队正在探索与增长和创新机会相关的不确定性。对此,Gartner分析师提出了以下五大战略预测。
到2028年,55%的中国CIO将负责利用代理型AI和多功能机器人取代人工,提高生产力。
在自动化需求的推动下,中国的代理型AI和多功能机器人市场正在大幅增长。先进的代理型AI系统可以自主完成复杂的决策任务,减少日常运营对人力的依赖。将代理型AI和多功能机器人集成到现有流程中可以帮助CIO降低成本、提高生产力。
Gartner研究副总裁高挺表示:“从长远来看,代理型AI和多功能机器人的采用将导致人类因自动化而丧失部分岗位。AI和机器人驱动的自动化将加剧收入不平等。从短期来看,未来人类可能会作为合作伙伴,而非竞争对手,与AI系统并肩工作。人类与AI的合作能够提高生产力,同时在决策过程中保留必不可少的人类监督。”
到2027年,60%的中国大型企业机构将在安全运营中心(SOC)采用暴露面管理技术,以提高事件响应效率并减少漏洞。
开源、第三方和国产软件(包括AI应用)的广泛使用增加了现代网络攻击的复杂性。安全攻击不仅会瞄准漏洞,还会利用无法以补丁修复的暴露面,如错误配置和数字供应链弱点。越来越多的中国企业机构认识到,割裂地进行暴露面管理以及威胁检测、调查和响应(TDIR)会导致效率低下。
Gartner高级研究总监赵宇表示:“中国企业机构正越来越多地通过攻击模拟、配置评估、渗透测试和攻防演练来验证暴露面的影响。这种积极主动的做法正在整合到TDIR策略中,以更有效地预测威胁行为并优化响应计划。”
到2026年,10%走向全球的中国大型企业将在中国市场采用全球供应商的应用,以最大限度地提高效率并简化运营。
在国内经济低迷的情况下,大型企业正积极寻求从全球市场获得增长。在海外市场当地搭建业务是扩张的主要途径。海外子公司通常更倾向于使用全球供应商的应用,尤其是企业资源规划(ERP)和客户关系管理(CRM)应用。与在中国使用的本土应用相比,这些应用能更好地支持其海外业务需求。
Gartner研究副总裁沈哲怡表示:“当海外业务达到或超过中国业务规模时,母公司可能会考虑在所有市场(包括中国)实现全球应用标准化,以提高效率和简化运营。这需要企业在业务流程、治理、工作方式和协作方面进行调整。”
到2028年,50%构建于2023年之前的中国D&A平台,将因为与生态系统脱钩而过时。
宏观经济的不确定性,促使中国企业机构强调其数据和分析(D&A)投资的直接业务价值。数据中台等纯粹由技术驱动的端到端定制化D&A平台无法确保切实的商业回报,正在失去利益相关者的支持。
Gartner高级研究总监顾星宇表示:“为应对价值实现和技术可组装性的挑战,一种以D&A平台供应商、AI供应商、服务供应商和云服务提供商生态系统合作为基础的新部署方法正获得市场的青睐。”
到2028年,90%的中国企业将采用托管而非自建AI基础设施,以实现更高的可扩展性、成本效益和运营灵活性。
出于数据隐私和安全方面的考虑,许多企业倾向于使用企业数据对模型进行微调,或在企业本地部署GenAI解决方案,这就要求基础设施和运营(I&O)团队构建AI基础设施,以支持此类业务计划。
然而,AI基础设施的生产运营需要长期投资,大多数企业最终将放弃自建的想法或停止投资现有AI基础设施。
Gartner研究总监张吟铃表示:“未来I&O的工作重点将不再是资源规划和维护,而是供应商的选择和管理、云平台的运营和资源利用的治理。”
好文章,需要你的鼓励
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。