在过去三年中,我们已经更新了公司内的几乎所有和技术相关的方面。我们已经将大量服务迁移到云,更换了我们的电话和网络系统,并实施了CRM和联络中心软件的软件即服务版本。 我们将所有生产系统的机械硬盘替换为固态硬盘。
我们实施了超融合基础设施,实现了SOC认证,并通过采用微服务架构,使我们面向客户的遗留应用更现代化。我们在敏捷和DevOps 上也取得进展——我们已经为DevOps中应用级安全性的发明,申请了三项专利——我们已经利用这些专业知识和这些最新的技术开发了一系列的新应用和服务。
所有这一切都需要时间、金钱和人员。那么问题是,我是如何说服企业的其他成员来批准我们在这些领域所需要的投资?这不是反问句。 虽然我们对面向客户的应用进行了更新和重构,但是我们在三年内放慢了产品和服务创新速度。我们在市场上付出了代价,为了更现代化的更新产品平台,为了更加灵活的未来,我们做出了牺牲。
三年前,我强烈地认为这是一个有价值的投资,但企业的其他人员也会这样认为吗——特别是我的同事和老板?
沟通艺术:“为什么”的重要性
我并不是伶牙俐齿的人。如果我成为一个销售,我肯定会饿死。我不会表达。我不是一个优秀的沟通者。然而,我的职位,让我必须定期做出令人信服的业务案例。鉴于我缺乏销售技能,我必须想办法说服他人去做我认为应该做的事情。我被迫去思考技术项目的沟通艺术。
最初几次,我试图为一个项目做案例,我花了几天收集数据和技术事实。我详细介绍服务器容量,生产量指标和周期时间的降低。我练习我的演讲。我设想每个提问。一切都按照我计划的进行。当我完成演讲后,我觉得我能立即获得批准。 但是,我收到的唯一提问是,“我们为什么要这样做?” 同样的情况发生了好几次,然后我意识到听众很容易在数据和技术事实之中迷失。既迷失又迷茫。
在我努力寻求如何让我的案例获得批准时,我读了一本名为“Made to Stick: Why Some Ideas Survive and Others Die”的书。从Made to Stick中,我学到的最重要的教训是人们关注并会记住故事。 我改变了我的方法,并努力掌握讲故事的艺术。当我为我们的遗留ERP进行零定制重做案例时,我讲述了我们创建新条目需要多长时间,添加新税务地区需要多少人员,以及要获得例如产品盈利能力这样简单的问题的答案,有多么困难。 我的听众与这些故事产生共鸣,因为他们是条目创建,财务和盈利能力报告流程的所有人。当他们听了这些故事,我只需要将我的项目与这些流程中的痛点的解决方案相关联。
我没有谈到服务器容量,生产量指标或周期时间的降低。为什么没有?因为这些技术指标,虽然对我的下属有意义,对我的业务同行和老板则没有意义。 要成为一个讲故事的人,我也发现,故事中最重要的元素是“为什么”。事实上,我现在相信这个故事的“为什么”比“什么”要重要得多。而我几乎从来不需要讲到“如何”——“如何”是一个实施细节,不应该是业务案例中的一部分。
沟通艺术:如何收集故事
故事从何而来?
在我处理业务时,我收集那些会在某一时刻构建业务案例的微小故事。例如,对于我们的ERP的零定制重做,我必须克服一个基本的信念,即我们的流程是如此独特,标准的ERP功能不仅对我们无效,而且实际上使我们面临风险。
我如何克服呢?通过收集几个月的例子,证明我们高度定制的ERP,比更换后,更有风险。例如,在一次会议中,我们的内控官要求我们将一个新项目列入我们的名单:他需要我们在供应商名单中添加一个新的供应商。
问题是,这个供应商位于印度一个尚未纳入我们税务结构的地区。在印度,每个地区的税务都不同,所以需要两个会计师和四个IT人员,花费六个星期的时间,将这个印度地区纳入我们的税务结构。如果我们使用的是标准账目图表和税务结构(而不是我们古怪的,高度定制的版本),那么这个工作只需要一个员工不到一天的时间就能完成。我将这些信息添加到我的“重做ERP”理由中,还有其他类似案例。当我们需要解释为什么要重做ERP时,我有几十个故事来做为理由。
收集故事需要耐心。有了一些技术方案,需要几个月的时间收集足够的证据来证明我的案例,当我站在听众面前时,我希望能够得到肯定的答案,他们不但批准项目,还会拥护项目。更好的是,由于他们可以与故事产生共鸣,并记住故事,我的听众还可以向企业的其他成员解释项目的原因。 通过讲故事来建立一个业务案例对我非常实用,我不再需要解释单调的细节,比如投资回报率,服务器速度和生产量。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。