正如奥斯卡·王尔德所观察到的:"最坏的工作总是在最好的意图下完成的。"任何看过精心策划的AI战略突然分崩离析的CIO都会证明,良好的意图并不能保证成功。
没有CIO愿意损害或延误重要的AI计划,但这种情况发生的频率远比许多领导者愿意承认的要高。因此,对AI计划的强有力控制现在已成为CIO的首要任务。
云技术和软件开发公司Zoi North America董事总经理丹尼洛·基希纳表示,为了AI而做AI可能会烧掉很多钱却没有取得任何实际成果。"这就是为什么在制定AI战略之前,应该评估期望的业务成果和实施AI的贡献价值,"他在在线采访中观察到。
系统和流程现代化公司iTech AG解决方案架构执行副总裁劳拉·斯塔什在邮件采访中表示,CIO可能通过允许风险规避的利益相关者(通常是CISO或安全团队)施加过度限制性控制来无意中破坏AI创新,这些控制会阻碍实验和业务主导的用例。"此外,仅仅依赖现成的AI附加产品,如微软Copilot,而不将其深思熟虑地集成到核心业务工作流程中,可能会限制影响。"
谷歌美洲AI基础设施实践负责人艾伦·布罗肯观察到,CIO破坏AI战略最简单的方法之一是在问题实际上出现在人员或流程上时强制转型,而不是技术问题。"现在,随着模型和能力的爆炸式增长,很容易被下一个重大公告或能力所困扰,而失去对人员和流程基础的关注,"他表示。"当组织中的现有技术已经带来了有希望的进展时,这一点尤其如此。"
数据和数字工程服务公司Altimetrik AI和数字业务高级副总裁汤姆·格西奇表示,AI不是一个独立的计划。"让AI成为更广泛业务转型努力的一部分,衡量产出与结果是至关重要的,"他在在线采访中说。
布罗肯说:"保持AI战略正轨的关键是让团队成员分析最新发展,但只有当它真正推动战略向前发展时才有行动的纪律。"
确保部署的AI解决方案实际上节省时间或增加明确的业务价值;减慢工作流程的可选工具注定要失败,斯塔什表示。"CIO应该鼓励协作,为业务用户提供持续的AI培训......并投资于提升IT团队在提示工程、偏见检测和测试最佳实践方面的技能。"
格西奇建议,要求所有关键利益相关者重新审视项目的战略目标。"审核数据质量和访问权限,定义快速胜利以恢复信心。"他认为展示早期成功也很重要。
虽然AI战略影响许多利益相关者,但有效的路线修正只需要一两个负责任的领导者,有权推动决策并迅速行动,斯塔什说。"没有明确所有权的过多协作往往导致'分析瘫痪'和进展停滞。"
斯塔什说:"战略的负责任领导者——通常是CIO、首席AI官或指定的AI战略负责人——必须拥有协调业务、IT和安全团队的权威和授权。"这些人必须愿意做出艰难的决定并执行明确的计划来修复或替换现有战略。
不要害怕失败,斯塔什说。灾难性的失败可能是职业杀手,但小的AI用例失败不应该是。她指出,关键是要快速失败并向前发展。"识别真正的问题——无论是数据、人员还是安全——并正面解决它们。"公开解决挑战并转向有效用例的CIO将建立可信度和韧性。"害怕失败的领导者面临停滞风险。"
AI不是魔法——它混乱、迭代,需要愿意快速失败和更快修复的勇敢领导,斯塔什观察到。"如果你的AI战略不能让工作变得更容易或快速提供可衡量的价值,它就只是昂贵的门面装饰。"
获胜的CIO专注于采用、可用性和使命影响——而不仅仅是技术规格或流行词,斯塔什说。他们大胆投资于人员、数据和真正的变革。"其他人,"她指出,"会被抛在后面。"
Q&A
Q1:CIO如何避免无意中破坏AI战略?
A:CIO应该避免为了AI而做AI,确保在制定AI战略前评估期望的业务成果和贡献价值。避免让风险规避的利益相关者施加过度限制,不要在问题出现在人员或流程时强制技术转型,而是专注于人员和流程的基础。
Q2:AI战略失败的主要原因有哪些?
A:主要原因包括:仅依赖现成AI产品而不深思熟虑地集成到核心业务流程;被新技术公告分散注意力而失去基础关注;将AI作为独立计划而非业务转型的一部分;以及缺乏明确所有权导致的分析瘫痪。
Q3:如何让AI战略重回正轨?
A:需要重新审视项目战略目标,审核数据质量和访问权限,定义快速胜利来恢复信心。指定一两个有权威的负责领导者推动决策,避免过多协作导致停滞。不要害怕小失败,要快速失败并向前发展,专注于采用、可用性和实际价值。
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。