在 2025 年，数字化转型的重点将从单纯的技术部署转向更加全面的业务变革。组织需要培养具备 AI 能力的变革型领导者，加强数据和 AI 治理，提高安全培训力度，从而确保 AI 技术能够真正为业务创造价值。首席信息官们将更加注重培养具备人工智能能力的员工、改善数据治理和加强培训力度，而不是采取临时性的方法来实现人工智能转型。
来源：Jacob Lund / Shutterstock
有人认为，人工智能的出现让“数字化转型”过时了。人工智能转型就是他们的代名词。另一些人则认为，一切都应该称为“业务转型”——或者简称为“转型”。
你应该使用什么术语？最能激发董事会、高管和员工行动的术语 — — 因为维持现状必然会导致混乱。
组织总是在不断转型，无论是受增长机会驱动，还是因疫情迫使进行远程工作，亦或是因经济衰退而优先考虑自动化效率，以及现在代理人工智能（AI Agent）如何改变工作的未来。
无论转型的驱动力是什么，您公司的文化、领导力和运营实践都必须不断改进，以满足全球竞争、更快节奏、技术支持、安全和其他运营风险不断增加的世界的需求。
一、2025 年数字化转型的重点驱动因素
数字化转型不是为了部署最新技术、解决技术债务或提高基础设施敏捷性，而是为了这些战略举措如何推动增长、改善客户体验、扩展工作流程、提高质量并实现其他重要的业务成果。转型CIO 通过开发产品管理、设计思维、敏捷、DevOps、变更管理和数据驱动实践，不断投资于其运营模式。
但今年有三大变化可能会推动CIO的运营模式转型和数字化战略：
2024年，企业SaaS嵌入AI代理来推动工作流程演变，而领先组织开始开发自己的AI代理。
美国当选总统承诺做出许多对企业有影响的改变，包括进口关税、移民驱逐出境、能源政策变化以及放宽其他商业法规，这些改变将影响供应链、劳动力资源和其他全球后果。
推动好奇、协作和实验的文化对于推动变革管理计划至关重要，但有证据表明，由于DEI 计划受到攻击，并且过去两年中几家大型企业结束了远程工作，因此出现了强烈反对的现象。
基于这些和其他标准，以下是CIO 可能希望在 2025 年重点关注的三种数字化转型实践，以及三种值得用其他策略或实践取代的实践。
【睿观：DEI 计划，即 Diversity, Equity, and Inclusion（多样性、公平性和包容性）计划，旨在通过一系列战略和行动来促进组织内部和外部的多样性、公平性和包容性。这些计划通常由企业、教育机构、非营利组织和其他类型的组织实施，目的是创造一个更加公正、公平和支持性的环境，让所有成员都能充分发挥其潜力。
DEI计划的主要组成部分
1.多样性（Diversity）
定义：多样性指组织中不同背景、文化、性别、种族、年龄、能力、宗教信仰等方面的多样性。
目标：吸引和保留来自不同背景的员工，确保组织的多样性。
2、公平性（Equity）
定义：公平性指确保每个个体都有平等的机会和资源，无论其背景如何。
行动：通过政策、培训和资源分配来消除偏见和不平等。
3.包容性（Inclusion）
定义：包容性指创建一个让所有成员感到被重视、尊重和参与的环境。
措施：鼓励开放的沟通、参与决策过程，并确保所有员工都能感受到归属感。】
一、主流1：培养变革型领导力和具备 AI 能力的员工
我们为 CIO 提出的 2024 年数字化转型三大重点任务之一是培养变革型领导力，以帮助增加 IT 可以支持的战略计划、实验和变革管理计划的数量。
2025年，人工智能将继续推动编码、内容生成和工作流程编排方面的生产力改进，影响敏捷创新团队所需的人员配备和技能水平。但首席信息官需要提高数字化转型领导者的商业敏锐度，以确保正确的举措得到优先考虑，愿景声明与业务目标保持一致，团队验证人工智能模型的准确性。首席信息官还必须推动知识管理、培训和变革管理计划，以帮助员工适应人工智能支持的工作流程。
Boomi首席产品和技术官 Ed Macosky 表示：“随着人工智能代理的兴起，以及高管层对保持领先于新技术发展的热情，IT 领导者将面临越来越大的压力和工作量——而普及人工智能和提升员工技能将成为比以往任何时候都更重要的优先事项。”“到 2025 年，有意提升技能的企业将最大限度地发挥人工智能的优势，获得竞争优势，而那些在团队做好准备之前就急于采用人工智能的下一个重大技术的企业将阻碍其创新努力。”
二、过时1：赞助缺乏商业驱动力的 AI 创新
董事会和高管们对正在进行的AI 实验和长期投资能有多大的耐心？Gartner 最近表示，AI 正走向幻灭的低谷，两份报告暗示 AI 蜜月期即将结束：
德勤的《企业生成人工智能现状》报告显示，近70% 的受访者表示，他们的组织已将 30% 或更少的生成人工智能实验投入生产。
沃顿的《Navigating Gen AI》早期报告称，57％的受访者预计人工智能支出增长将放缓，“这表明企业仍在寻求其初始投资的投资回报。”
Teradata首席技术官 Louis Landry 表示：“2025 年将是生成式人工智能需要创造价值的一年。这意味着，随着企业不再仅仅关注进入人工智能领域，而是更多地关注能够创造真正价值的现实世界机会，生成式人工智能的投资热潮将会放缓。”
由于许多早期的人工智能胜利推动了生产力和效率的提高，首席信息官应该寻找真正的成本节约机会，以推动进一步的创新和基础设施投资。
TCS北美总裁 Amit Bajaj 表示：“通过削减技术、数据和流程债务，并采用 AIOps 和支持 AI 的软件开发，实现以 AI 为主导的业务重塑，从而实现自筹资金。”“实现业务价值和跟踪能力，这样节省下来的资金就可以用于资助创新、改变客户体验、重塑成本结构，并实现企业敏捷性。”
SAS首席信息官 Jay Upchurch 表示，2025 年成功的首席信息官将构建一个综合的 IT 路线图，将生成式 AI 与更成熟的 AI 战略相结合。“随着生成式 AI 的光环逐渐消退，我们开始寻找其最佳应用，首席信息官和 IT 领导者比以往任何时候都更需要确保 [他们] 以特定的方式使用 AI 来推动业务成功，”他说。
三、主流2：加倍重视数据和人工智能治理
让企业领导者了解、投资和协同数据治理一直以来都是首席信息官和首席数据官面临的挑战。定义政策和其他AI 治理是许多组织的首要任务，这些组织试图引导员工如何使用副驾驶，同时保护敏感数据不泄露给公共 LLM。2025 年，首席信息官应整合他们的数据和 AI 治理工作，专注于数据安全以降低风险，并通过提高数据质量来推动业务收益。
Proofpoint DSPM的 GVP 兼 CTO Ravi Ithal 强调了协同数据和 AI 治理策略的重要性，他将数据视为燃料，将 AI 视为引擎：“如果你将随机类型的燃料投入高性能引擎，那么如果适得其反，也不要感到惊讶。为了让 AI 提供安全可靠的结果，数据团队必须在将数据提供给那些渴望成功的 LLM 之前对其进行正确分类。”
专注于对数据进行分类和提高数据质量是进攻策略，因为它可以提高AI 模型的准确性并带来业务成果。那些难以仅凭这一驱动力就提出商业案例的 CIO 还应该提出防御策略，并分享2024 年影响企业的 AI 灾难，作为投资动机。
Celebrus 首席执行官比尔·布鲁诺 (Bill Bruno) 表示：“我们将看到 AI 不当使用的故事越来越多，这将促使品牌稍稍踩刹车并重新审视其数据策略。品牌很难以有意义的方式激活 AI，因为他们的大部分数据都是非结构化的、不完整的，并且由于数字数据在其网站和应用程序上随着时间的推移而捕获的方式而充满偏见。”
为了让员工和管理者认识到这些问题，首席信息官必须解释暗数据和其他数据债务问题将如何影响人工智能时代的企业竞争。
Cyber haven 首席产品和开发官 Nishant Doshi 表示：“暗数据通常隐藏在电子邮件、电子表格、过时的系统中，通常是主要数据源的衍生品，可能包括敏感的知识产权或个人数据，因此很容易受到泄露。人工智能工具通过暴露这些数据集加剧了这一问题，带来了新的安全风险。”
四、过时2：直接迁移、应用迁移和愚蠢的自动化
人工智能的一个积极结果是，更多的企业领导者将认识到转型运营的重要性，而不是用更新、更好的技术来改变现有的工作方式。希望这能让更多的CIO 避免将工作负载转移到云端、在不改善体验的情况下对应用程序进行现代化改造，以及实施纯粹的机器人流程自动化，而不是更多的业务转型方法。
例如，将工作负载迁移到云并不总能降低成本，而且通常需要进行一些重构以提高可扩展性。Nobl9 的首席产品官兼联合创始人 Brian Singer 表示：“到 2025 年，组织将抛弃将一切迁移到云的思维模式，随着公司加倍控制成本，他们将开始明白静态工作负载在本地运行可能更便宜。迁移到云而不考虑成本和复杂性的细微差别是不切实际的，因为人工智能工作负载增加了运营复杂性，是导致云成本失控的重要因素。”
仅解决技术问题的应用程序现代化也应该被淘汰，因为使用AI副驾驶、升级到新一代 AI 测试功能以及转向平台工程都简化了构建更好的应用程序的过程。重点将转向增强用户体验、嵌入 AI 功能以及迭代改进业务成果。
Copado推广高级副总裁 David Brooks 表示：“人工智能助力开发意味着用户体验设计师的愿景最终将按要求实现，而不是因为开发工作量增加而受到损害。人工智能将收集和总结用户反馈，为下一轮改进提供参考，从而完成良性循环。”
其他编码效率和开发人员体验的改进应该为CIO 提供新的激励，以推动更强大的软件开发实践并减少技术债务。当组织寻求利用 LLM 中的专有数据、开发 AI 代理并安全地将功能与其合作伙伴生态系统集成时，这种技能提升将至关重要。
IBM产品管理应用程序开发和集成总经理 Jason Gartner 表示：“应用程序的未来是可组合的，因为 API 是 AI 集成的渠道，而 AI 通过提供智能来增强 API 接口的功能和效率，从而支持 API。在现代开发工具和技术的卓越性能推动下，新一代可组合应用程序将帮助组织加速交付新产品和解决方案，以推动增长并改善体验。”
【睿观：应用程序的未来发展趋向于“可组合性”，这一理念近年来在软件架构和开发社区中获得了广泛关注。可组合应用程序的核心在于构建灵活、敏捷且高度适应性的系统，使组织能够快速响应市场变化和客户需求，提升业务竞争力。接下来，我们从几个方面来解释这一概念及其背后的技术支持——API（应用程序编程接口）和AI（人工智能）的作用。
（一）可组合应用程序的概念
可组合应用程序是指那些由不同组件或服务动态组合而成的应用程序。这些组件通常是独立开发、部署的微服务，通过标准协议如REST、gRPC等相互连接。这种方式允许开发者在无需重写整个程序的情况下，添加新功能或改进现有功能。与传统的单体式架构相比，可组合架构更加灵活，易于维护，支持更快的迭代周期。
（二）API的作用
API是实现可组合应用程序的关键技术之一。它作为一种契约或接口，定义了不同软件部分之间的交互方式，使得外部开发人员可以访问应用程序的某些功能。通过API，不同的服务或组件可以无缝地集成到一起，形成一个新的应用程序或增强现有应用程序的功能。例如，一个电商网站可以调用天气预报API来预测某些商品的销量，从而优化库存管理。
（三）AI在可组合应用程序中的角色
随着AI技术的发展，它不仅在数据处理、分析和预测方面展现出了巨大的潜力，也在提升API接口的功能和效率上发挥了重要作用。例如，通过AI算法，API可以实现更智能的数据过滤、排序和推荐。AI还可以用于自动化API的某些部分，比如自动生成文档、错误检测和性能优化，从而提高开发效率。更重要的是，AI能够使API更加自适应，根据用户的行为和偏好自动调整服务，提供个性化的用户体验。
（四）现代开发工具与技术
现代开发工具和技术，如云计算、容器化（Docker）、微服务架构、持续集成/持续部署（CI/CD）等，为可组合应用程序的发展提供了强有力的技术支持。云计算使得资源的弹性和灵活性得以极大提升，容器化技术简化了应用的部署过程，微服务架构促进了应用程序组件的解耦，而CI/CD则保证了快速迭代的同时保持高质量输出。这些技术共同作用，降低了可组合应用程序的构建成本，提高了开发效率和应用的可维护性。
（五）对组织的益处
对于采用可组合应用程序架构的组织而言，这意味着能够更快地推出新产品和解决方案，对市场变化做出更迅速的反应。此外，这种方式还能够促进内部跨部门的协作，减少重复开发工作。最重要的是，通过集成AI技术，组织可以提供更加个性化的服务，增强用户体验，从而推动业务增长。
综上所述，随着技术和市场需求的不断发展，可组合应用程序将成为未来应用程序开发的一个重要趋势。通过实现API与AI的有效集成，组织不仅能够提高应用的开发效率和维护性，还能够在激烈的市场竞争中保持领先地位。】
五、主流3：加强安全、保障和信任方面的培训
如果首席信息官和首席信息安全官发现教育员工识别恶意电子邮件并培训他们不点击来自未知来源的链接是一项挑战，那么新一波的人工智能威胁将需要加倍努力。
Intuit首席信息安全官兼首席信息官 Atticus Tysen 表示：“到 2025 年，日益复杂的深度伪造技术将开始对数字内容和在线互动的信任构成重大威胁。随着深度伪造变得越来越容易获得且更难检测，个人和组织将需要制定新的策略来验证信息并确保数字时代的真实性，包括教育和提高员工的意识。”
NinjaOne首席信任官 Mike Arrowsmith 表示，随着人工智能的发展，它将在数据归因方面做得更好，使组织更难区分真实和恶意角色。“到 2025 年，IT 和人工智能员工培训将得到更多关注，教育员工识别人工智能风险，确保组织做好准备，解决人工智能激增的安全漏洞。”
Telos安全运营主管 Law Floyd 在考虑安全、保障和培训计划时补充了第三个维度。“内部威胁将继续成为组织面临的问题，而应对这些威胁的最佳方法之一是通过有效的培训计划。”
六、过时3：期望员工跟上人工智能的步伐
数字化转型的根本错误在于对变革管理的投资不足或等到最后一刻才进行规划。在最近的Spark高管论坛上，我主持了一个小组，讨论了由于人工智能有机会影响生产力，接受一切如常的思维模式如何成为 CIO 需要解决的障碍。人工智能功能正在加速变革的步伐，导致许多员工在采用新技术和适应人工智能支持的工作流程方面落后。
变革的步伐要求组织支持终身学习，并超越基于技能的培训，形成一种支持实验、教学和持续改进的文化。首席信息官需要在2025 年大力发展其文化，因为新一代人工智能、政治变化、法规和文化挑战的影响可能会破坏或加速企业的竞争力。
| 主流实践 | 描述 |
|---|---|
| 1.培养变革型领导力和具备 AI 能力的员工 | 重点培养能够支持战略计划、实验和变革管理的领导者，提高员工的 AI 能力，确保 AI 模型的准确性，并推动知识管理和培训计划。 |
| 2.加倍重视数据和人工智能治理 | 整合数据和 AI 治理工作，重点关注数据安全以降低风险，提高数据质量以推动业务收益。通过正确分类和管理数据，确保 AI 提供安全可靠的结果。 |
| 3.加强安全、保障和信任方面的培训 | 针对日益复杂的深度伪造技术和其他 AI 威胁，加强员工的网络安全和 AI 风险识别培训，确保组织能够有效应对内部和外部威胁。 |
| 过时实践 | 描述 |
|---|---|
| 1.赞助缺乏商业驱动力的 AI 创新 | 避免投资那些缺乏明确商业价值的 AI 实验，而是寻找能够创造真正价值的现实世界机会，确保 AI 投资的回报。 |
| 2.直接迁移、应用迁移和愚蠢的自动化 | 避免将工作负载直接迁移到云或仅进行技术层面的应用程序现代化，而是采用更全面的业务转型方法，确保迁移和现代化的实际效益。 |
| 3.期望员工跟上人工智能的步伐 | 避免假设员工能够自行适应快速发展的 AI 技术，而是积极支持员工的终身学习，形成一种支持实验、教学和持续改进的文化。 |
重要性：随着 AI 技术的快速发展，组织需要领导者和员工具备相应的 AI 能力，以支持战略计划和创新。这不仅包括技术培训，还涉及商业敏锐度和变革管理能力。
具体措施：组织可以开设 AI 和数据科学培训课程，与外部培训机构合作，或建立内部知识管理系统。同时，通过明确的愿景声明和优先级设置，确保 AI 项目与业务目标保持一致。
预期效果：提升团队的 AI 能力，加快项目交付速度，提高业务效率，增强组织的竞争力。
原因：许多早期的 AI 投资未能产生预期的商业价值，导致管理层对 AI 实验的耐心减少。未来，组织需要更加注重 AI 投资的实际回报。
具体措施：避免盲目追求最新 AI 技术，而是寻找能够解决实际业务问题的应用场景。通过试点项目和逐步推广，确保 AI 投资的有效性。
预期效果：避免资源浪费，确保 AI 技术真正为业务增长和优化提供支持。
重要性：数据是 AI 的基础，良好的数据治理可以确保数据的质量和安全，从而提高 AI 模型的准确性和可靠性。
具体措施：建立综合的数据治理框架，明确数据分类和管理政策，加强数据安全措施。同时，与业务部门紧密合作，确保数据治理与业务需求同步。
预期效果：降低数据泄露风险，提高数据质量，提升 AI 模型的性能，增强组织的信任度和合规性。
原因：简单的技术迁移或自动化往往无法实现预期的业务效益，甚至可能增加成本和复杂性。
具体措施：采用更加全面的业务转型方法，例如局部重构以提高云迁移的效率，结合 AI 副驾驶和新一代 AI 测试功能来优化应用程序，而不是单纯的迁移或自动化。
预期效果：实现真正的业务优化和成本节约，提高用户体验和业务成果。
重要性：随着 AI 技术的发展，新的安全威胁不断出现，组织需要确保员工具备识别和应对这些威胁的能力。
具体措施：开展定期的安全意识培训，特别是针对深度伪造等新型威胁。建立内部培训计划，提升员工对 AI 安全风险的认知。
预期效果：增强组织的防御能力，减少安全漏洞，提高员工的信任和满意度。
原因：快速发展的 AI 技术导致许多员工难以自行适应，组织需要主动支持员工的持续学习和发展。
具体措施：建立终身学习的文化，鼓励员工参与培训和实验，提供教学资源和支持。通过变革管理计划，帮助员工逐步适应新的工作方式。
预期效果：提升员工的适应能力和创造力，增强组织的创新力和灵活性。
在 2025 年，数字化转型的重点将从单纯的技术部署转向更加全面的业务变革。组织需要培养具备 AI 能力的变革型领导者，加强数据和 AI 治理，提高安全培训力度，从而确保 AI 技术能够真正为业务创造价值。同时，避免盲目投资缺乏商业驱动力的 AI 实验，摒弃简单的技术迁移和愚蠢的自动化，支持员工的持续学习和发展，这些都将有助于组织在数字化转型中保持领先地位。
