人工智能的世界既充满兴奋也伴随着恐惧。创新的快速步伐让一些人思考潜在机会,而另一些人则担忧会因自动化而失去工作。无论人们对人工智能的看法如何,它都不会消失,而是正变得无处不在,迫使 CIO 与其他组织领导人必须通过扎实的变革管理实践来应对这些变化。
“在 2025 年,人机合作关系正变得更加微妙,人工智能将越来越多地负责数据驱动的重复性任务,而人类则专注于创造力、情感智能和伦理决策,”保险公司 MetLife 全球技术与运营执行副总裁兼主管 Bill Pappas 说。“对于 C-suite 来说,这一转变要求拥抱组织变革,培养适应性文化,并在各个层面推广人工智能素养。”
具体而言,CIO 和其他 C-level 同行需要对人工智能所扮演的角色保持透明,同时解决偏见和隐私等伦理问题。情感智能、数字素养和变革管理至关重要,同时必须培养对人工智能驱动决策的信任,并确保用户有权质疑和解读人工智能的输出。
“人工智能擅长快速处理大规模数据,而人类则能提供情境解释、创造力和伦理监督。关键在于设计能够最大化这些互补优势的工作流程,”Pappas 说。“我最好的建议是优先打造一个让人工智能增强而非取代人类能力的工作环境。培养学习心态、投入再技能培训计划,并以包容性和透明度为核心设计人工智能实施。那些能将人工智能视为提升人类潜能工具的组织,必将蓬勃发展。”
为组织成功奠定基础
人工智能驱动的网络自动化公司 Extreme Networks 的 CTO Nabil Bukhari 认为,人类与人工智能的紧密合作将带来颠覆性影响,但并非许多人所预期的那样。
“很快,每个职能部门都将把人工智能作为一个基本要素。虽然人工智能确实会替代部分工作,但它也会创造新岗位,并降低许多传统上仅面向技术或专业群体的市场准入门槛,”Bukhari 说。“人工智能融入日常生活也将迫使我们比以往更加拥抱人性,因为那些人工智能无法替代的软技能,将在职场及更广领域中变得尤为关键。”
CIO 和其他高管必须具备数据和人工智能素养,这样才能更好地应对复杂法规、引领团队经历人工智能驱动的变革,并确保人工智能实施与业务目标和价值观相一致。跨职能协作同样至关重要。
“在考虑在职场引入人工智能代理时,最好从岗位描述和组织结构的角度出发,”Bukhari 说。“正如管理人类员工一样,在实施前为人工智能代理制定岗位描述和明确职责与责任规范,有助于为人工智能设定边界,避免其在未经提示的情况下执行超出范围的任务。”
一个大错误在于认为人工智能仅仅是技术问题,实际它是一个更广泛的商业问题。这要求我们必须思考人工智能的演变及其可能为组织带来的益处。对人工智能以及组织领导层的信任同样至关重要。
“我们已经开始明显看到,那些理解人工智能与人类关系的组织与那些不理解的组织在产出质量(如用于营销或商业的内容)上存在巨大差异,”面向消费者产品公司的 Productsup 首席创新官 Marcel Hollerbach 说。“将员工的专业知识、技能与经验与人工智能工具相结合,正是加速上市进程并提升业绩的关键。”
为此,CIO 应专注于促进透明度和人工智能工具的伦理使用,树立起组织内负责任的人工智能采纳标准。这意味着在使用人工智能进行决策、生成沟通内容或分析员工表现时,必须做到完全透明。
以信任型人工智能加速发展
员工在信任方面面临两个层次的挑战:一是担心被人工智能替代,另一是对公司领导在人工智能目标上的信任不足。
“我们预见未来会更加重视自然且令人感同身受的人机互动。Sesame.com 的人工智能模型 Maya 就是一个例子,它通过有意融入类似人类的不完美特征(如自然的语音停顿和真实的语言模式)来提升用户舒适感,”IT 与商业咨询公司 CGI 的人工智能创新专家服务主管、副总裁 Frederic Miskawi 说。“到 2026 年,这种自然化设计将会变得普遍,大幅提升用户体验、信任与采纳率。”
同时,他预期 agentic AI 将在人企业流程中变得更为核心,自动化那些以往由人工完成的复杂任务,并重塑 IT 以及运营格局。这些变化将尤其影响软件开发,因为 agentic 框架能够加速创新与部署。
“当今高管面临着由人工智能加速应用(尤其是 agentic AI)所驱动的变革性决策,这将从根本上改变传统业务运作和人员管理模式。现如今,高管们可能花费大量时间讨论人工智能,” Miskawi 说。“CIO 和 CTO 将逐渐演变为类似首席人工智能官的角色,因为几乎每个关键业务流程将越来越依赖或由 agentic AI 生态系统驱动。”
人工智能创新的步伐已远远超出组织的准备程度,因此持续学习、前瞻性战略对齐和迭代实施方法变得尤为重要。CIO 必须在基础设施投资(如 GPU 资源分配)与计算策略灵活性之间找寻平衡,以保持竞争力而又不损害财务稳定。
“随着企业环境日益融入人工智能驱动的流程,高管层必须培养一系列能有效传递到各级管理结构和全体员工的具体技能,”Miskawi 说。“其中关键包括高级沟通能力、明确的战略愿景、目标导向思维以及强大的协调能力。清晰表达预期结果至关重要,因为人工智能代理在很大程度上依赖于精准且情境丰富的指令。”
关键结论
CIO 需要帮助组织应对不断变化的人机合作关系,因为组织中的人们很容易被恐惧所左右,而看不到对他们自身和整个组织更为宏观的全局视角。不断加速的人工智能创新要求整个组织实行扎实的变革管理和保持高度透明。
虽然整个 C-suite 的对齐和参与至关重要,但 CIO 及其他负责人工智能的人员必须率先明确未来趋势、原因以及组织应如何应对,因为他们更清晰地了解什么是真实的,什么只是幻象。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。