企业AI正处于关键转折点,首席信息官(CIO)必须评估AI能带来的自动化和生产力效益,同时证明AI如何为组织带来投资回报率和商业价值。商业智能公司SAS的首席信息官Jay Upchurch解释说,2026年CIO工作的基本要求将是确定何时停止推出新的AI技术,避免偏离组织建立高效工作流程和降低成本的目标。
Upchurch预测,今年CIO将转变为"首席整合官"的角色,识别如何在组织内整合现有AI技术,而不是持续推出新的AI系统。
"CIO的角色,特别是在2026年,必须更加植根于整合——智能体和系统之间的整合,然后确保我们以安全和受治理的方式进行整合,"Upchurch说。
过去两年中,CIO面临尽快实施生成式AI以及后来的智能体AI的压力。然而,Upchurch表示,证明这些AI技术部署的投资回报率并不容易,这为所有CIO创造了"成本效率困境"。
他将AI部署转化为投资回报率的困难比作云计算和虚拟化的早期阶段。在云转型期间,CIO"必须重构所有工作负载,重新想象我们如何运行"。"AI也是同样的道理——为了自动化而使用AI是不够的。"
现在的重点应该是如何整合现有的AI投资。
AI整合流程管理
基础组件
根据Upchurch的说法,整合AI技术的流程始于识别组织将使用的"智能体基础"。例如,SAS是一个"微软商店",因此使用Microsoft Copilot作为基础组件,确保与现有生产力工具的兼容性。"我们需要那个自然融入我们工作流程的数字助手。"
无论CIO为组织的主要AI平台选择哪个供应商,拥有一个可以跨多个IT系统工作的基础都很重要,他强调说。
整合决策:自建还是购买
一旦CIO选择了基础AI系统,他们就可以开始将该基础AI与组织部署的其他AI技术进行整合。但Upchurch说,CIO应该记住这个过程需要时间,因为AI技术仍在发展中。
"我可能有一个企业系统,它还没有我可以与之通信的智能体,"他说。"这并不意味着我应该急于构建一个。我应该足够耐心,付钱给那个企业软件供应商,让他们提供我可以整合的智能体。我不必自己构建所有东西。"
安全性和治理
Upchurch说,CIO在AI整合过程中应该关注的第三个组件是安全性、数据和访问权限。CIO需要确保员工只能访问与其角色相关的数据。
"所以当智能体整合发生时,要知道角色是什么,从数据角度来看员工有权了解什么——确保所有数据和其他系统上的标签是一致的,这样你就不会看到你不应该看到的东西,"他说。
Q&A
Q1:什么是首席整合官?为什么CIO要转型为这个角色?
A:首席整合官是CIO在2026年的新角色定位,专注于整合组织内现有的AI技术,而不是持续推出新的AI系统。这种转型是因为过去两年CIO面临快速部署AI技术的压力,但证明投资回报率困难,需要将重点从技术部署转向有效整合现有AI投资。
Q2:AI整合流程包括哪些关键步骤?
A:AI整合流程包括三个关键组件:首先是识别组织的"智能体基础"平台,确保与现有系统兼容;其次是决定自建还是购买AI解决方案,建议等待供应商提供成熟的智能体而非急于自建;最后是确保安全性和治理,保证员工只能访问与其角色相关的数据。
Q3:为什么说AI部署很难证明投资回报率?
A:AI部署难以证明投资回报率的原因类似于云计算和虚拟化的早期阶段,需要重构工作负载和重新想象运营方式。仅仅为了自动化而使用AI是不够的,必须将AI技术与业务流程深度整合,才能真正实现效率提升和成本降低的目标。
好文章,需要你的鼓励
Helios Towers供应链总监Dawn McCarroll在采访中分享了公司的数字化转型经验。作为一家在非洲和中东地区运营近15000个移动通信塔站的公司,Helios正通过SAP S/4Hana系统升级、AI技术应用和精益六西格玛方法论来优化供应链管理。McCarroll特别强调了公司Impact 2030战略中的数字包容性目标,计划在未来五年内培训60%的合作伙伴员工掌握精益六西格玛原则,并利用大数据和AI技术实现端到端的供应链集成。
德国弗劳恩霍夫研究院提出ViTNT-FIQA人脸质量评估新方法,无需训练即可评估图像质量。该方法基于Vision Transformer层间特征稳定性原理,通过测量图像块在相邻层级间的变化幅度判断质量。在八个国际数据集上的实验显示其性能可媲美现有最先进方法,且计算效率更高,为人脸识别系统提供了即插即用的质量控制解决方案,有望广泛应用于安防监控和身份认证等领域。
威胁行为者在npm注册表上传8个恶意包,伪装成n8n工作流自动化平台的集成组件来窃取开发者OAuth凭据。其中一个名为"n8n-nodes-hfgjf-irtuinvcm-lasdqewriit"的包模仿Google Ads集成,诱导用户在看似合法的表单中关联广告账户,然后将凭据传输到攻击者控制的服务器。这种攻击利用了工作流自动化平台作为集中凭据库的特点,能够获取多个服务的OAuth令牌和API密钥。
布朗大学联合图宾根大学的研究团队通过系统实验发现,AI医疗助手的角色设定会产生显著的情境依赖效应:医疗专业角色在急诊场景下表现卓越,准确率提升20%,但在普通医疗咨询中反而表现更差。研究揭示了AI角色扮演的"双刃剑"特性,强调需要根据具体应用场景精心设计AI身份,而非简单假设"更专业等于更安全",为AI医疗系统的安全部署提供了重要指导。