目前,首席数字官、首席技术官、首席信息安全官、首席转型官、首席数据官等职位有什么共同点?这些职责过去都由一个人承担:CIO。
如今,CIO 的角色正在不断被克隆并分割成多个迷你 CIO 角色。以至于很难界定这些高管各自负责什么,他们的明确职责界限在哪里。事实上,这些分工有些显得人为刻意。
这种现象是 CIO 的失职,还是对这个职位的期望呈指数级增长?我认为两者都存在。
CIO 克隆的崛起
在我看来,CIO 的角色正在被分割成越来越多的部门,这值得关注。同时,也有呼声要求这些新角色直接向 CEO 汇报。
这是有道理的,因为技术、数据、AI、网络安全等对业务都具有战略重要性。但事实是,CEO 既没有足够的精力,在很多情况下也没有足够的经验来有效管理所有这些领域。
目前我们看到一些企业设立了首席 AI 官这一新职位。这与 10-12 年前首席数字官职位的出现是同样的职责分割现象。
同样,数据是另一个经常与 CIO 分开的领域。在许多组织中,CIO 并未积极推动这一议程,结果我们都聘请了首席数据官来主导这项工作。
此外还设立了首席转型官,一些企业选择将推动变革的重任交给另一位 C 级高管。
大多数企业会认为他们需要所有这些角色来运营和推动变革议程。然而这种方法并未总能带来完美的结果。那么前进的方向是什么?
IT 和网络安全韧性
IT 韧性和网络安全值得关注,这是专业化可能需要下放的领域。这些在企业中通常是独立的领域,CISO 认为网络安全是他们的责任,而技术韧性应该由同级负责。
但正如我们在 2024 年 7 月 CrowdStrike 事件中所看到的,IT 和网络安全韧性是紧密相连的,这种情况在可预见的未来可能会持续。事实是,在企业内部,现有架构过于复杂,通常包括与传统系统互连的新数字系统。
这种"混合"架构结合了最佳实践和不良实践。当发生中断时,新的数字平台通常可以恢复以支持业务流程。但因为它们不是孤立运行,而是与传统技术相连,如果传统系统继续受到中断影响,业务运营本身可能无法完全恢复。
对于大多数陷入这种混合状态的企业来说,前进的道路是在架构方面更加严格。作为 CIO,我经历过许多企业都有强大的架构规范,拥有良好的治理实践和与各种 IT 战略紧密结合的路线图。然而,IT 和网络安全战略的强力协同往往是例外而非常态。
保持 IT 简单
在企业层面简化架构是 CIO 和 CISO 应该共同努力的目标。这样做的好处会随时间累积而不是立即显现,因此可能会有人不愿优先考虑。
但如果你衡量企业内使用的组件数量,你很快就会同意简化是必要的。"少即是多"这句话在 IT 领域很难实现,因为我们都会被新事物吸引。我们的业务伙伴也同样如此,羡慕竞争对手实施的内容,渴望快速的数字化变革。
这种急躁可能导致"业务"项目实际上变成由供应商或系统集成商负责的技术项目。没有 CIO 能控制 100% 的技术支出,但他们必须要求任何变更或添加都要与 IT 架构路线图保持一致,因为保持企业朝着更大的集成和简单性发展是关键。衡量库存并同意逐年减少的目标是解决复杂性的方法。
CIO 和董事会应该就这些目标达成一致,并承诺推动这种转变和简化。不幸的是,这更多是例外而非常规。
转向集成解决方案
我们都喜欢最佳品质的"同类最佳"技术解决方案,但追求单点解决方案意味着增加而不是减少架构的复杂性。
CIO 和 CISO 必须共同领导这种降低复杂性和推进集成解决方案的变革。他们也是最可能收到预算削减目标的领导者。
但预算削减提供了一个探索运营和变革支出的好机会。现实是 IT 预算很大,而财务管理并不总是技术团队的强项。
我指的是战略层面的财务规划和管理。在这方面,与通常非常关注支出失控和管理不善的 CFO 合作至关重要。
让我们回到开始
这一切与我开头讨论的 CIO 和相关 IT 高管角色有什么关系?如果将 CIO 角色分割成越来越小的部分能带来更好的结果,那也无妨。但我认为,像上面的例子显示,多位高管的方法并不是一个值得炫耀的成功故事。
有什么替代方案?不是将 CIO 角色分成几个技术高管角色,而是仅分成两个,例如按以下方式:
CIO #1: 技术转型、数字化项目、网络安全
CIO #2: 数据和信息、AI 和模型、技术运营、企业和应用支持
在这种结构中,两位 CIO 将共同拥有 IT 战略。职责将大致平衡工作量,但这种设计自然形成明确的"运营"与"变革"重点。
你会选择哪个角色?有些人可能自然倾向于其中一个 CIO 角色,而且经验要求也会有所不同。我认为对于承担这两个职位的任何 CIO 来说都是一个"拓展"机会,因为他们将明确拥有目前较不熟悉的领域。
关于构建 IT 领导团队以解决这个问题,你有什么想法?
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。