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
随着AI技术不断发展,交通运输行业正迎来重大变革。MIT研究显示,AI将很快自动化价值650亿美元的交通工作,大幅提升运输效率。从陆地到海空,AI正在推动全方位的交通创新。斯坦福专家强调,AI将通过基础模型、合成数据和数字孪生等技术,实现从单一车辆自动化到整个交通网络优化的跨越式发展,同时解决可持续性、安全性和公平性等关键挑战。
香港科技大学团队发表重要研究,开发GIR-Bench测试基准评估统一多模态AI模型的推理与生成能力。研究发现即使最先进的AI模型在理解与生成之间也存在显著差距,无法有效将推理过程转化为准确的视觉生成,为AI行业发展提供重要警示。
波兰研究团队开发ORCA数学基准测试,对五个主流大语言模型进行评估。结果显示ChatGPT-5、Gemini 2.5 Flash、Claude Sonnet 4.5、Grok 4和DeepSeek V3.2的准确率均低于63%。测试涵盖生物化学、工程建筑、金融经济等七个领域的500道数学题目。研究发现模型主要在四舍五入和计算错误方面存在问题,表明自然语言推理进步并未直接转化为可靠的计算能力。
Meta超级智能实验室联合麻省理工学院开发了SPG三明治策略梯度方法,专门解决扩散语言模型强化学习训练中的技术难题。该方法通过上下界策略为AI模型提供精确的奖惩反馈机制,在数学和逻辑推理任务上实现了显著性能提升,为AI写作助手的智能化发展提供了新的技术路径。