技术无知——我们对技术的未知领域——正在拖慢全球经济增长。技术无知在生活的各个方面都在增加,而在关键利益相关者的思维中增长最快,造成的破坏性影响也最大。
为了充分发挥当今即将实施的技术奇迹的全部潜力,首席信息官必须了解利益相关者对技术的认知程度,因为让利益相关者在IT方面变得更聪明具有巨大的上升空间。
以下是IT领导者必须回答的关于整个组织利益相关者的三个关键问题。
用户是否理解他们每天使用的技术
从法国回来后,我在那里研究了文森特·梵高在普罗旺斯期间的心理和艺术演变过程——这对职业中期的首席信息官来说有许多优秀的经验教训——我试图整理我的个人技术环境(就像文森特试图通过自愿入住圣雷米精神病院来整理他的心理状态一样)。
由于缺乏精通技术的年轻亲戚或高质量机构技术支持的优势(在我看来,这是许多资深高管不愿退休的唯一原因),我最终花了大量时间与向我销售个人技术设备的供应商的辛勤一线员工打交道——例如苹果天才吧、百思买极客小队和Verizon/AT&T/T-Mobile支持人员。
这些极其有才华且被严重低估的技术专业人员具有圣人般的耐心,他们都认为当今与技术相关的大部分焦虑都是"操作错误"的结果。而绝大多数操作错误都源于技术无知。我们必须解决这个问题。
每个组织都有一群"懂"技术的人。他们知道如何让现有技术和新技术为他们服务。首席信息官需要确保这种"有用知识"——这是最近诺贝尔奖得主乔尔·莫基尔推广的经济学术语——得到分发、共享、质疑和补充。
用户是否知道他们在技术方面想要什么
作为一名未来学家,我首先承认前进的道路明显是非线性的。为《金融时报》撰稿的"卧底经济学家"蒂姆·哈福德同意这一观点,他指出"心理上现实的人类在数学上是不可预测的"。人工智能——无论算法多么强大或模型训练得多么好——都无法告诉我们未来会如何。
话虽如此,我们需要明确理解我们对Gartner估计人类在2025年将在IT上花费的5.43万亿美元的期望。正如我在之前的文章中提到的,占主导地位的MANGO和FAANG科技公司首席执行官想要的和你的利益相关者想要的并不相同。
你的利益相关者希望AI为他们做什么?在消费者领域越来越突出的一种思想流派认为,AI是一种认知工具——正如一位商学院教授总结的"类固醇版计算器"。其他人看到更大的影响,预测AI可能成为21世纪的洗衣机——让个人从日常任务中解脱出来,比如为孩子的生日预订场地、安排水管工、为亲戚生成讣告或安排度假行程。我们离人类存在的基本要素被转换为由AI工具优化的任务还有多远?
你有什么流程来理解对AI的需求信号?你有什么流程来理解关键利益相关者对技术的需求?伦敦经济学院教授彼得·塔马什·鲍尔确信"经济发展需要思维的现代化"。首席信息官今天如何塑造和引导技术愿望?
你的组织如何处理那些无法从技术变革中受益的利益相关者
在《增长文化:现代经济的起源》一书中,莫基尔承认"技术变革的特点是……即使它让社会变得更富有,总是有输家。……社会必须想出一些机制,让那些不一定受益的人……不会抵制增长过程。"
作为首席信息官,你是否已经识别出那些不会从技术变革中受益的利益相关者?你是否制定了某种补救措施?
利益相关者需要知道如何从现有技术中获得最大价值。首席信息官需要知道利益相关者对技术的需求。每个人都需要有一个宽泛的保证,即接下来发生的事情不会很糟糕。
Q&A
Q1:什么是技术无知?为什么它会影响经济增长?
A:技术无知指的是我们对技术的未知领域,它正在各个生活方面增加,特别是在关键利益相关者的思维中增长最快。这种无知导致技术使用中的"操作错误"增多,阻碍了技术潜力的充分发挥,从而拖慢全球经济增长速度。
Q2:首席信息官应该如何处理组织中的技术知识分布?
A:首席信息官需要识别组织中"懂"技术的人群,确保他们的"有用知识"得到有效分发、共享、质疑和补充。这种知识分享机制能够帮助更多员工更好地使用现有技术和新技术,减少因技术无知导致的问题。
Q3:如何处理那些无法从技术变革中受益的利益相关者?
A:首席信息官需要主动识别那些可能在技术变革中成为"输家"的利益相关者,并制定相应的补救措施。这是确保技术变革能够顺利推进的重要环节,避免这些群体对变革过程产生抵制情绪。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。