AI浪潮下企业数字化将走向何方

老杨与一些CIO朋友们交流后总结如下： 

首先，技术迭代过快。

AI技术日新月异，新的算法、框架和应用不断涌现。信息部门需要不断学习和掌握这些新知识，但往往难以跟上技术发展的步伐。例如，从传统的机器学习算法到深度学习，再到最近的大模型技术，每一个阶段的技术变革都需要信息部门投入大量的时间和精力去适应和学习。

 其次，业务需求多变。

企业的业务需求随着市场环境的变化而不断调整，信息部门需要及时响应业务部门的需求，但又无法准确预知未来的业务方向。比如，业务部门可能会突然提出利用AI进行个性化推荐的需求，而信息部门可能还在忙于维护现有的系统，没有足够的时间和精力去研究和开发新的应用，而业务部门则认为是信息部门能力不足。

 最后，人才短缺与技术更新的压力。

AI领域需要具备深厚专业知识和实践经验的人才，而这样的复合型人才在市场上相对稀缺。信息部门既要承担技术更新的压力，又要面临着人才短缺的困境，特别是在当前降本增效的模式下，这使得信息部门在推进企业数字化建设工作时倍感艰难。

当前让信息部门苦恼的一个问题就是：企业领导对AI的高期待！ 

领导对 AI 的高期望，很大程度上源于外界对 AI 的广泛宣传以及行业趋势的引导。在各种自媒体不切实际的宣传中，让企业领导以为AI 似乎是无所不能，能够瞬间颠覆企业的业务模式，带来爆发式的增长。但外行看热闹内行看门道，信息部门心里都很清楚：AI 技术虽强大，但在企业实际应用中，有着诸多限制，难以在短时间内达到企业领导降本增效的要求。如果贸然引进AI项目可能面临烂尾的风险，如果不引进则被领导视为其能力有问题，这一现象反映出企业领导对AI技术缺乏全面、客观的认知，同时也没有充分考量企业自身的业务特性、所处的行业环境以及 AI 技术发展的阶段性，就盲目跟风，将 AI 视为万能钥匙，最后期望过高自然失望越大。

此时很多CIO朋友们还有一个担忧就是：AI是否会重蹈当年中台的覆辙！ 

曾几何时，中台概念横空出世，备受追捧，众多企业纷纷投身中台建设，期望借此整合资源、提升效率。但一段时间后，不少企业发现中台建设难度远超预期，投入巨大却收效甚微，热度逐渐冷却，最后被边缘化甚至无人问津。那么当前爆火的AI技术，也有类似的风险，会步此后尘吗？ 

当前在很多企业中，数字化基础尚未夯实。如果企业的数字化化系统还处于混乱状态，数据标准不统一、数据质量低下、系统之间缺乏有效的集成等问题突出，那么AI就如同无本之木。因为AI的发展高度依赖数据，没有良好的数据基础，AI模型的训练效果就会大打折扣，其应用价值也难以体现。例如，一个企业内部的客户数据分散在多个不同的系统中，而且数据字段定义不一致，那么基于这些数据构建的AI客户画像模型就很难准确反映客户的真实特征，进而影响营销决策等相关业务。

 还有一个比较现实的问题就是：如果管理的转型跟不上技术的发展，也会让AI面临困境。企业管理往往是复杂的体系，涉及到组织架构、流程、人员的管理等多个方面。如果企业管理模式仍然停留在传统的层级制、命令式管理，缺乏灵活性和创新文化，就很难适应AI带来的变革。例如，AI的应用可能需要打破部门之间的壁垒，实现数据的共享和协同，但传统的部门管理边界和绩效考核机制可能会阻碍这种协同的发生。 

所以从以上的技术及管理风险都不难发现如果企业仍以传统的旧思路来进行AI项目建设，那么AI重蹈中台的覆辙只是时间问题。

此时问题来了，谁来背锅？ 

数字化基础没做好，管理不转型，AI会成为企业管理的新“背锅侠”吗？

AI的落地离不开扎实的数字化基础。如果企业的数据质量差、系统孤立、业务流程混乱，AI的应用效果将大打折扣。此外，管理转型也是AI成功的关键。AI不仅仅是一项技术，更是一种新的工作方式和决策模式。如果企业仍然依赖传统的经验驱动决策，而不是数据驱动决策，AI的价值将难以发挥。因此，企业需要在技术投入的同时，推动管理文化的转型，培养数据驱动的思维模式。

 老杨认为AI它不是万能解药，它不能解决企业所有的问题。企业需要明确AI的定位，避免将其视为“救世主”。否则，当AI无法达到预期效果时，它可能会成为企业管理的“背锅侠”。

老杨认为企业除了夯实数字化基础，正确认知AI的价值，最关键的要提升AI新能力！

 AI的普及正在改变工作的本质。

在之前，专业知识和专业能力是职场的核心竞争力。而在AI时代，我们需要重新理解“能力”的构成：专业知识+专业能力+AI=AI新能力。 

专业知识：这是基础，AI无法替代人类对行业的深刻理解。 

专业能力：包括分析问题、解决问题的能力，这是人类的核心优势。 

AI工具：AI可以辅助人类完成重复性、计算密集型任务，提升效率。 

需要注意的是AI并非万能！我们需要警惕“AI幻觉”——即过度依赖AI工具，忽视其局限性。例如，AI生成的内容可能存在错误或偏见，需要人类进行审核和修正。

因此，在今后的工作中，我们应该提升AI能力，而不是完全依赖AI工具。