分析当前领导力培训项目是衡量企业应对变革效果的良好指标。Harvard Business Publishing 在其 2024 年全球领导力发展研究中进行了相关评估,识别出了现有核心课程的多项变化。领导力培训项目的范围已经扩大,包含了自动化和机器人项目管理,以及掌握将生成式 AI 和机器学习技术融入业务运营的方法。
此外,40% 的受访者强调文化作为有效领导力的基础的重要性,38% 的受访者强调培养领导者的创新能力。报告还强调,现代领导者必须满足动态市场的不断变化的需求,这要求他们持续学习和适应。
新型 IT 领导力:预见趋势
随着挑战增加,领导者在实施新技术时的行动必须与业务目标的雄心相称。根据创新咨询委员会最近的调查,IT 领导者的一个关键特征是预见技术变革的能力。高达 71% 的受访者认为他们应该具有战略眼光,不仅能够对趋势做出反应,还能预测趋势的变化方向。几乎相同数量的受访者认为,他们应该具备快速实施新技术以实现可衡量成功的能力。
但采用创新技术只是其中一部分,调整持续改进的心态并在必要时愿意转向同样重要。因此,半数受访者认为跨学科协作能力是技术领导者的关键特征,而约三分之一的受访者将创新、创造力和专家级的网络安全知识列为优先事项。
剧烈的转型
理论上,这种思维模式有助于组织稳定。但只有在实践中付出努力,在新兴技术和文化转变方面更加敏捷,才能实现更理想的业务成果。研究中描述的新型 IT 领导力旨在激发那些可能阻碍进步的、某种程度上疏离的各类转型老将的新热情。但在进行更多转型项目的组织中,C 级管理者的任期是否更短?考虑到根据 2023 年 EY 和牛津大学赛德商学院的研究,85% 的高管在过去五年中至少参与过两次重大转型,而 67% 的受访者表示至少有一个转型过程未能实现预期结果,他们还能继续自我建设多久?
在未能实现转型目标的组织中,表达负面情绪的员工比例显著增加。对 50% 的员工来说,转型等同于裁员。即使在实现目标的公司中,这一比例仍为 34%。
在高层管理人员中,成功的转型过程仅使负面情绪降低了九个百分点。然而,在未能达到预期目标的情况下,这一比例增加了 45 个百分点,从 19% 上升到 64%。
走向数字化领导力
在研究 IT 新型领导力时,尝试比较领导者和员工之间的特征,而不仅仅是领导者之间的比较,这并非偶然。变革的本质在于这些关系。哥本哈根 IT 大学和哥本哈根商学院的研究人员试图系统化他人关于技术领导力变革的论述。一篇文章分析了几篇包含数字领导力、IT 领导力或电子领导力参考的出版物。
技术变革为传统领导力模式创造了太多障碍,需要定义新的数字领导力概念。哥本哈根的作者将其定义为一个由技术调解的社会影响过程,旨在改变组织中的态度、思维和行为,数字领导力可以在组织的任何层面发生,包括一对一和一对多的互动。
分析各种文章揭示了数字领导者与其他领导者和员工相比,在特征和角色方面的变化。这尤其体现在通过技术影响变革的能力上。情感在这种沟通中也起着关键作用,这要求领导者发展自己和团队的情商。
保持动态的责任
数字领导者的角色正在从传统管理者角色演变为更复杂的角色。在数字化企业中,员工拥有更大的自主权,可以组织自己的工作,领导者需要调整他们的方法来支持这种自主权。工作也越来越多地围绕较小的协作网络组织,所以领导者必须能够在网络化环境下工作,而不仅仅是在层级结构中。因此,在数字时代需要一个描述数字领导者角色重大变化和特征集合的框架,以实现有效管理。因此,需要打破孤岛,增加员工自主权,发展动态合作网络。
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。