组织内对AI的需求如潮水般涌来，这需要一种由紧密结合业务需求的专属团队来驱动的、具有战略性和结构化的方法。
图片来源：Rob Schultz / Shutterstock
几年前，获得高层发起人的支持是启动AI项目的最大障碍之一。如今，业务部门对AI解决方案的需求量之大，足以让任何CIO头疼，但他们正通过对项目采取战略性方法，同时构建高绩效的AI团队来迎接挑战。
例如，动力管理公司伊顿（Eaton）的首席信息官Katrina Redmond创建了一个与特定业务领域挂钩的“AI工厂”，以满足紧迫的需求。AI团队中的主题专家并不直接向IT部门汇报，尽管他们确实密切合作。“我们共同决定根据价值创造来优先处理哪些活动，并据此采取行动，”她说。
Katrina Redmond，伊顿公司首席信息官 图片来源：伊顿
在伊顿，每个团队都由一名AI负责人、产品负责人、机器学习工程师、数据工程师以及云和DevOps工程师组成，他们与业务领域专家合作。Redmond说，拥有一位负责AI和创新的副总裁，对于构建高效团队也至关重要。
但如果领域专家无法将业务问题以技术团队能理解的方式进行阐述，那么仅仅在AI团队中拥有他们是不够的，Principal Financial Group的执行副总裁兼首席信息官Kathy Kay说。需要有人扮演产品经理的角色——即拥有足够领域专业知识来定义业务问题并进行转译的人。“这可能是业务方的产品经理，IT组织内的产品经理，或者是另一位曾有过类似经历并能与需要问题转译的产品经理合作的业务线产品经理，”她说。
安永美洲区的AI自动化与分析负责人Hugh Burgin补充说，数据科学家和AI工程师很重要，但他表示，最大的投资回报率并非来自任何单一技能，而是所有技能结合起来以实现业务转型。
一、AI团队应包含的5类角色
高效AI团队的基本组成部分是什么？Burgin说，你需要涵盖五大类别的专业知识，首先是每个项目的行政发起人。
另一个有时被忽视的关键角色是，尽早让那些将直接使用AI的人参与进来。换句话说，就是终端用户的参与。“大多数AI项目在技术上都可以交付，但这并不意味着终端用户会采纳它，”他说。
然后是转型工程。这些角色是业务流程和AI解决方案两方面的主题专家。有时被称为产品负责人、产品经理或职能领导者，这些人与团队合作开发AI应用，并拥有利用其转型业务的职能知识。
负责产品交付和变革管理的人员构成另一类别。常见的头衔包括项目经理、变革管理专业人员和Scrum主管。
Hugh Burgin，安永美洲区 图片来源：安永
最后，IT领导者需要AI支持专业人员，他们的职责跨越所有用例，以确保在负责任的AI、治理和财务运营方面的一致性。“这些支持角色今天在IT中已经存在，但工作正在发生变化，需要为AI进行技能提升，”Burgin说。
二、每个AI团队都应拥有或至少考虑的关键角色
在核心AI团队中，最关键的角色是数据科学家、数据工程师和AI工程师。但Gartner的杰出副总裁分析师Arun Chandrasekaran表示，企业可能还需要专注于整体AI解决方案架构的AI架构师，以及模型管理员、验证员、测试员和伦理师。Gartner最近刚刚发布了一份关于AI工作角色、职责和技能的研究报告。
在招聘时需要记住，数据科学家的角色正在发生变化。“模型现在都经过大规模预训练，所以数据科学家花更多时间在调整和操作化模型上，”Chandrasekaran说。“模型管理员对现有的大量模型有深入的了解，必须为他们的应用选择最准确、最经济、性能最佳的模型。AI验证员评估AI应用的公平性、偏见、透明度和可解释性，并确保它们符合业务、法规和道德标准。而AI测试员则测试模型、API和管道等AI组件是否存在错误、性能问题或意外行为。”
Arun Chandrasekaran，Gartner 图片来源：Gartner
然后，产品经理充当工程和终端用户之间的中介。“他们与用户交谈，理解需求，并确保产品满足这些用户的需求，”他补充道。
接着，AI伦理师制定并执行AI道德使用的指导方针。“他们监控偏见、病毒和有害输出，”并且对于受监管的行业尤其关键，Chandrasekaran说。
二、平台团队 vs. 产品团队
全球工程、咨询和建筑公司Black & Veatch的执行副总裁兼首席数字技术官Mike Adams说，公司对AI的激活重点跨越了两种不同的模式。平台团队确保公司从其战略平台提供商——微软、Salesforce、Oracle和ServiceNow——提供的原生代理型和生成式AI能力中受益，而数字产品团队则开发能产生持久和差异化价值的、特定于业务的AI能力。
他说，平台团队还通过利用他们提供的一些API，搭上了战略平台AI投资的便车。具体来说，他的团队致力于将战略平台API暴露给Microsoft Teams和Copilot，后者正成为公司的代理型AI用户界面。“我们仍处于早期实验阶段，”Adams说。
角色包括特定平台的架构师、应用组合经理，以及一些平台工程和开发角色。“作为我们战略平台生态系统的一部分，AI能力的重担和投资都在平台提供商那边，所以我们努力关注的很多是管理组织变革以推动适当的采纳，”他说。但是，安永的Burgin说，一旦你开始为改变业务或让AI学习你的业务而定制AI解决方案时，你就需要有一整套技能组合来支持这项工作。
在Black & Veatch，这项创新落在数字产品这边。“我们正处于BV公司数字产品运营模式的早期构建阶段，”Adams说。团队角色包括一名数字产品经理或负责人，以及一名数字产品交付负责人，后者领导一个交付团队，其中包括Scrum主管、质量保证工程师、解决方案和产品架构师、软件开发人员，以及管理数字产品软件迭代开发、构建和发布流程的DevOps和云工程师，这些在许多情况下都包括生成式AI、应用AI和MLOps组件。
Michael Adams，Black & Veatch执行副总裁兼首席数字技术官
如果数字产品包含生成式或应用AI，其他角色可能还包括数据工程师和数据架构师。“成功的AI产品团队与数字产品团队相似，”Adams补充道。“唯一的区别是你拥有围绕数据、分析以及AI工程和架构的领域特定技能组合。”
Black & Veatch的数字产品运营模式尚未完全开发成熟，所以目前，业务关系经理帮助填补数字产品管理的角色。“最终，端到端的数字产品运营模式将扩展以支持第一个BV公司数字产品，BV Ask，一个内部版的ChatGPT，它已经用[内部]数据进行了训练，包括工程最佳实践、来自工程的IP、项目执行、估算和其他非结构化数据，”Adams说。工程师可以通过自然语言或对话界面访问信息，以便在整个工程社区中普及信息访问。
与许多组织一样，该公司的AI团队也仍在演变。“我们需要加强的领域是正式的产品管理和产品所有权，”Adams补充道。“我们在那里需要多一点严谨性，”并补充说，这些角色需要牢固地锚定在客户身上。“机会如此之大，如果我们不以客户需求为基础，我们就有可能在每个AI机会的边缘浅尝辄止，而不是为我们的业务和客户带来实质性的改变。”
三、培养自己的团队：培训 vs. 招聘
核心AI团队角色需求量很大，因此培训IT专业人员转向AI相关职位是一项战略必要。“培养你的内部人才，因为外部人才非常难找，”Principal的Kay说。她的组织通过将IT专业人员与经验丰富的人配对并给他们“挑战性任务”来帮助他们学习新角色。
Black & Veatch也在对工程团队进行AI的交叉培训，而且这并非一项繁重的工作。“他们是技术专家，所以LLM对他们来说并不神秘，”Adams说。“这些能力现在已经深深植根于软件工程、数据工程和分析中。”Adams的策略是通过让IT专业人员在实践中学习来对齐相邻的技能集。
伊顿也在走类似的道路。“我们已经将我们现有的创新团队转型，该团队本已在从事机器人流程自动化工作，并且我们已经将我们首席数据官团队的一个核心领域专注于AI工作，并加速数据稳定性和治理，”Redmond说。这些团队通过试点项目和在沙盒环境中工作来获得经验。
Chandrasekaran说，每个CIO都应该有一个清晰的计划，说明如何为未来重塑技能。“看看你两三年后需要什么技能，并规划如何带领人们走上那条路，”他说。
然而，组织可能仍需要从外部招聘来填补某些角色。在招聘AI工程师时，Kay说要寻找那些喜欢修补（tinker）的人，因为对于这些模型，你必须不断改变你的方法。寻找熟悉你正在使用或希望使用的模型的工程师。并且不要把职位头衔定得太死，因为你需要人们足够灵活以扮演多个角色。“工程师需要保持灵活性，并能够胜任不止一个职能，”她说。
Kathy Kay，Principal Financial Group执行副总裁兼首席信息官
目前，Kay正在一个CIO领导小组中讨论一种战略性招聘方法。“我们需要一个经验非常丰富的开发人员，还是想要一个可能深度稍逊但有创意一面的人？”她问。“那种创造力和一些AI开发经验的结合，会给我们带来更好的结果吗？我们还不知道。”
四、外包选项
当然，并非总能通过培训或招聘获得所需的技能。“数据科学家、数据工程师和AI工程师在市场上极度抢手，而且很难快速培训某人，”Burgin说，因此引入外部合作伙伴可以弥补技能差距，同时也给内部团队成员宝贵的经验。“寻找那些能为你的团队带来所需熟练程度的合作伙伴，”他补充道。“每当你试图建立一个新兴能力时，引入第三方来帮助建立一个能力滩头阵地，”并与你的团队合作并扩展其能力。
Chandrasekaran说，当你的团队在某个领域没有做过很多工作时，就应该让顾问参与进来。虽然许多组织正在外包给传统的咨询公司，如德勤，但模型公司，包括Hugging Face和OpenAI，也正在进入服务领域。“他们拿一个产品，确保它被正确配置和设计，”他说。“他们不是带来领域知识的传统顾问，而是能够为用户定制和优化产品的软件工程师。”
Redmond说，使用内部与外部AI团队之间存在关键差异。“内部团队提供长期利益，如对公司系统的深入了解、更快的迭代以及与业务战略的一致性，”她说。“另一方面，外部托管提供快速原型制作、利基专业知识，并补充带宽。”伊顿采取混合方法，将内部主题专家和AI技能与外部专家相结合。
五、结合好战略和强有力的领导
没有坚实、专注的领导力，任何团队都无法有效。一些组织花时间建立庞大的数据和AI工程团队，但没有真正的业务问题要解决，这些资源可能会退化为纯粹的实验。
“不要建立深度却假设应用会自己来，”Adams说。所以，从与第三方合作几个明确定义的项目开始，以建立势头和团队技能，然后再进行扩展。
“一个清晰的战略愿景和一条可沟通的、使用影响和可衡量指标来实现它的路径是必不可不可的，”Redmond说。
也要让团队通过试错来学习。例如，早期，Principal的一个AI团队在一个项目上没有像他们需要的那样很好地理解数据。系统最终总结了用户不需要的东西，并引入了不相关的文档。“理解数据以及它是如何被管理的，对于避免坏结果很重要，”Kay说。“我们意识到你必须花更多时间来理解数据。”
关于汇报结构，只要每个人都有相同的优先级和致力于转型业务的承诺，一个高效的团队并不要求每个人都向同一个经理汇报，Burgin说。“但你需要一个跨职能的团队，他们共同工作，并致力于那次转型，”他说。
不幸的是，许多公司仍然有僵化的孤岛，这可能意味着AI可能完全属于数据分析团队的专属范围，Chandrasekaran说。在那些情况下，他补充说，与其他团队的合作并不多。
他的建议是，更多地联邦化AI团队，因为拥有一个集中的AI和数据工程团队在许多情况下并不奏效。“有些事情你应该集中化，但AI和数据科学应该分散到AI团队中以获取领域知识，”他说。
由领导层来设定清晰的优先级。“想一想你想用AI转型的10个业务部分，并通过AI驱动的能力从头开始重新构想那个过程，”Burgin说。“对于每个过程，开发一个集成的、共同工作的团队，他们专注于如何转型业务，并尽可能向业务的不同部分汇报，但每天都在一起工作。”
最终，不要只培训你的AI团队。把外部的人也带进来。“我们正在向整个公司推出AI和数据素养，一些角色正在接受额外的培训，”Kay说。但最重要的是，CIO在建立AI团队时应该投资于他们的人员。“这真的非常重要，特别是如果AI是你组织路线图的一个重要部分，”她补充道。“你的团队可以学得很快，并做出巨大的贡献。”
【核心挑战：从“人才稀缺”到“团队构建”的范式转变】
在AI（人工智能）解决方案的需求从高层支持转变为业务部门“爆炸式”涌来的新时代，CIO（首席信息官）面临的核心挑战，已从过去的“如何获得项目批准”，转变为“如何构建一支能够将AI潜力转化为真实、可规模化业务价值的高效团队”。这一挑战不仅在于数据科学家、AI工程师等核心技术人才的稀缺，更在于如何将这些技术能力，与深刻的业务理解、有效的项目交付和负责任的治理框架，有机地结合起来。
【应对策略：结构、角色与人才的系统性“组合拳”】
成功的CIO们正通过一套系统性的“组合拳”来应对。在组织架构上，普遍采用“平台团队”（负责利用并推广微软、Salesforce等战略平台的原生AI能力）与“产品团队”（负责构建能产生差异化竞争优势的、特定于业务的AI应用）相结合的模式。在团队构成上，高效的AI团队远不止技术专家，它必须是一个涵盖了行政发起人、早期参与的终端用户、作为业务与技术桥梁的转型工程师（产品经理）、负责交付与变革管理的人员，以及确保合规与治理的AI支持专家这五大类角色的跨职能综合体。在人才策略上，则采用“内部培养为主、外部招聘为辅、战略性外包补充”的混合模式，通过交叉培训和“挑战性任务”提升现有员工技能，同时引入外部合作伙伴来快速建立“能力滩头阵地”。
【结论与启示：CIO作为“AI工厂”的总架构师】
因此，构建高效AI团队，并非简单地招聘一个“AI部门”，而是要组建一支支与业务需求紧密对齐、由业务专家和产品经理主导的、联邦化的跨职能“特遣队”。CIO的当务之急，是扮演好“AI工厂”总架构师的角色：首先，必须与业务部门合作，识别出真正有价值的业务问题（“不要在没有战场前就先招募军队”）；其次，设计出能够容纳平台与产品两种团队的运营模式；最后，通过灵活的人才策略，为这个“工厂”持续输送具备复合能力的燃料。只有这样，才能确保AI的巨大投入，不会沦为零散的实验，而是能稳定地产出驱动企业未来的核心竞争力。
小结
面对AI（人工智能）需求的爆炸式增长，CIO（首席信息官）需构建能将潜力转化为价值的高效团队。成功的AI团队远不止数据科学家，它需要涵盖行政发起人、终端用户、产品经理、交付管理及治理专家等五类角色。运营上常采用“平台团队”（负责利用现有战略平台AI能力）与“产品团队”（负责构建差异化的业务AI应用）相结合的模式。CIO需通过“培养为主、招聘为辅、外包补充”的混合人才战略，组建与业务对齐的跨职能团队，并以具体项目为起点，解决真实的业务痛点。
在AI时代，最昂贵的错误，就是在没有明确的“业务战场”之前，就先招募了一支庞大的“技术军队”。
专业书籍/文献推荐
书籍名称：Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World(中译：《在AI时代竞争：当算法和网络统治世界时的战略与领导力》)
作者：Marco Iansiti & Karim R. Lakhani
推荐理由：本文探讨了如何构建组织能力以利用AI。这本书系统性地阐述了AI如何重塑企业战略和运营模式，从“AI工厂”的概念到数据驱动的决策，为CIO如何从战略层面思考AI团队的构建和价值创造，提供了深刻的哈佛商学院视角。
文章名称：Building the AI-Powered Organization(中译：《构建AI驱动的组织》)
发布机构：Harvard Business Review (《哈佛商业评论》)
推荐理由：这篇文章深入探讨了企业在AI转型中需要克服的组织和文化挑战，与本文中提到的变革管理、跨职能协作等主题高度相关。它为领导者如何在组织内部署AI、培养人才以及重塑流程，提供了实用的框架和建议。
书籍名称：Team Topologies: Organizing Business and Technology Teams for Fast Flow(中译：《团队拓扑：组织商业和技术团队以实现快速流动》)
作者：Matthew Skelton & Manuel Pais
推荐理由：本文谈到了“平台团队”与“产品团队”的运营模式。这本书是现代技术组织设计的权威指南，它提出的四种团队类型（包括平台团队和业务流对齐团队）和三种交互模式，为CIO如何设计高效、敏捷、能够支持AI快速落地的现代化IT组织结构，提供了非常具体和可操作的蓝图。
有效链接：https://teamtopologies.com/book
【睿观：Black & Veatch数字产品领域的关键英文术语及其精炼中文解释：1.数字产品经理/负责人：定义数字产品愿景、战略和路线图，确保产品满足用户需求和业务目标——“引领数字产品航向成功的远见卓识者。”
2.数字产品交付负责人：监督交付团队，确保产品按计划和质量标准开发和交付。——“指挥数字产品交响曲的总指挥。”
3.Scrum主管：指导和协助Scrum团队，确保遵循敏捷实践和原则，交付高质量产品。——“敏捷大师，引领团队与成功的节奏同步。”
4.质量保证工程师：负责测试软件，确保其达到质量标准，无缺陷。——“质量的守护者，确保数字织物中零缺陷。”
5.解决方案架构师：设计和规划支持产品目标所需的技术基础设施和系统组件。——“数字梦想的建筑师，为产品的未来绘制蓝图。”
6.软件开发人员：编写、测试和维护代码，构建和改进软件应用。——“代码巫师，编织数字创新的织物。”
7.DevOps工程师：在开发和运维之间工作，自动化和改进构建、测试和发布软件的过程。——“DevOps的活力，连接代码与云端的桥梁。”
8.云工程师：设计、部署和管理云基础设施，以支持软件应用。——“云指挥家，编排数字基础设施。”
9.生成式AI：能够基于现有模式生成新内容或数据的AI系统，创造原创输出。——“AI的创意催化剂，生成难以想象的成果。”
10.应用AI：将AI技术应用于解决现实世界问题或增强产品和服务。——“AI的实用先锋，将理论转化为切实解决方案。”
11。MLOps：结合机器学习与DevOps实践，管理AI模型的生命周期。——“AI生命周期的冠军，确保模型精准构建、部署和维护。”】
