核心摘要：AI Agent（AI 智能体）正在从实验室走向企业核心。对于 CIO 而言，角色正在发生根本性转变：从管理服务器和软件的“技术管家”，进化为编排人类与 AI 混合团队的“劳动力指挥官”。但这不仅是技术挑战，更是关于治理、信任和文化的管理艺术。
几年前，“AI Agent”还只是学术论文里的生僻词。今天，它正迅速成为你团队中的“新同事”。
根据 Dynatrace 的最新报告，26% 的组织已经有 11 个以上的 Agent 项目在运行。从 IT 运维到软件开发，这些能够感知、决策并行动的自主系统正在重塑工作的本质。
对于 CIO 来说，这不仅仅是一次技术升级，更是一场职业角色的重塑。
Wiss 公司的 CIO Hrishikesh Pippadipally 提出了一个精准的定义：CIO 正在成为“混合劳动力设计师”。未来的团队将由人类员工、AI Agent 和外部供应商共同组成。CIO 的核心职责不再是“维护系统稳定”，而是设计这个混合团队的协作模式、权限边界和责任归属。
不是所有工作都适合交给 Agent。Pippadipally 建议使用三个标准来筛选任务：
边界清晰：输入、输出和成功标准必须明确。
风险可控：咨询性或准备性工作优于最终决策性工作。
能力匹配：依赖速度和模式识别的任务交给 AI；依赖直觉、判断和人际关系的任务留给人类。
简单来说：把 Agent 当作不知疲倦的初级员工，而不是全能的决策者。
别只盯着成本节省。如果 Agent 虽然快但经常犯错，导致人类员工不得不花更多时间去返工，那它的 ROI 就是负的。
真正的价值在于：周期时间减少 + 错误率降低 + 解锁高价值工作容量。
MacPaw 的 IT 负责人建议，每个用例节省 50% 的时间是一个不错的及格线。但切记，早期的绩效数据可能具有误导性，那是调优期，不是最终结果。
许多先行者通过痛苦的经历学到了教训：技术选择很容易，但治理很难。
从第一天起就建立反馈循环：无论 Agent 做了多少工作，最终结果必须有人类负责。
把安全和法务拉进来：别等到 Agent 开始处理敏感数据了才想起合规问题。
从小处着手：先在内部低风险用例中试水，验证成功后再扩展。
结语
AI Agent 的推广既是技术挑战，更是人性挑战。CIO 需要像管理人类员工一样管理 Agent——给它们明确的指令（Prompt），监督它们的产出，并为它们的错误负责。
未来的 CIO，不仅要懂代码，更要懂“人机协作的管理学”。
全文：不断壮大的 AI 劳动力如何改变 CIO 的角色
摘要：随着 CIO 们在领导人力与 AI 代理混合团队的基础上不断创新，同时保持治理、问责和信任，他们正逐渐远离仅仅管理技术的形象。
几年前，“AI Agent（人工智能代理/智能体）”这个词对大多数 CIO 来说还是陌生的。它只出现在极少数学术论文中，远离商业现实。如今，AI Agent 正迅速融入企业结构，迫使 CIO 适应一种人类与这些自主系统并存的新工作模式。
AI Agent 的采用速度只会加快。根据 Dynatrace 的《2026 年 Agentic AI 脉动》报告，26% 的组织已经有 11 个或更多 Agent 项目在进行中。虽然大约一半的项目仍处于概念验证 (POC) 或试点阶段，但越来越多的公司已从实验转向大规模部署。AI Agent 主要用于 IT 运营和 DevOps，在软件工程和客户支持领域的采用也在不断扩大。
“如今大多数 Agent 都是增强型的大型语言模型，通过 API 和受控权限访问工具、系统或数据，”卡内基梅隆大学软件工程研究所的 AI/ML 研究科学家 Thomas Serban von Davier 表示，“有效采用更多依赖于与 IT 团队合作制定的明确治理和访问策略，而非技术本身。”
换句话说，CIO 预计在不久的将来将承担更多责任。“该角色正在从系统所有者向劳动力协调员 (Workforce Orchestrator)演变，”会计公司 Wiss 的 CIO Hrishikesh Pippadipally 补充道，“CIO 将越来越多地负责设计由人类、Agent 和供应商组成的混合团队。”
虽然这条路带来了机遇，但也带来了复杂的挑战。CIO 们必须聪明地选择何时以及如何使用 AI Agent，监督它们，以及如何平衡自主与问责，因为这些系统在日常工作中正扮演更积极的角色。
一年前，热情推动组织尝试在任何听起来有趣的自动化领域使用 Agent。但随着这些技术在企业中扩散，CIO 们必须变得更加战略性，专注于这项技术能够带来价值的特定领域。
“目前 Agentic AI 的最佳击球点 (sweet spot) 是自动化跨多个系统的可重复流程，”Rimini Street 全球 CIO Joe Locandro 表示。他说，通过从这些来源提取数据并自动化手工步骤，Agent 可以简化工作流程，减少完成常规任务所需的工作量。
云计算公司 Nutanix 的 CAIO（首席人工智能官）Debo Dutta 表示，需要大量企业背景信息的重复性工作是 AI 发挥优势的地方。他补充说，Agent 也非常适合进行更深入的研究，因为在这些任务中，整合零散信息通常需要大量人力。
在决定是否使用 AI Agent 时，拥有清晰、预先设定的标准会有所帮助。Pippadipally 通常关注三点：
任务边界清晰：必须有明确的输入、输出和成功标准。
风险可控：咨询性或准备性任务比涉及最终决策或监管问责的任务更合适。
能力匹配：任务是否更受益于速度、规模或模式识别，而非人类直觉、判断或关系背景？“如果任务仍需频繁处理例外情况、细致的利益相关者判断或深度领域问责，它应保持由人类主导，依靠 AI 支持，而非完全由 Agent 驱动，”他补充道。
通常，适合 AI Agent 的任务往往有几个共同特征：它们需要大量人工作业，决策风险低（AI 支持而非替代人工判断），能够跨越多个人员、团队或流程交付价值，并且依赖的数据不具有高度敏感性。
通过实验，CIO 们可以理解 AI 的工作原理及其优势所在。“所以如果任务是研究或探索替代解决方案，我们通常从 AI 开始，”软件公司 Obrio 的 CTO Anton Vodolazkyi 说，“如果这还不够，我们就手动介入。”
在评估 AI Agent 生产力时，传统 IT 指标只反映了部分情况。仅仅关注成本会忽略关键的价值维度，比如结果的可靠性以及释放的人力资源容量。
“我们不再仅仅以成本节省来衡量 AI Agent，而是结合周期时间减少、吞吐量、错误率以及解锁更高价值工作的容量，”Pippadipally 说。例如，如果 Agent 将任务从数小时缩短到几分钟，释放出技术员工专注于分析或面向客户的工作，并提供准确结果，这就是有意义的 ROI。
仅仅考虑速度是错误的，因为如果 Agent 犯错、放大风险或给人类团队带来下游返工，更快的结果意义不大。这就是为什么准确性和可靠性应成为组织评估 Agent 绩效的核心。
但衡量 AI Agent 的生产力和 ROI 并不简单，因为它们主要作为赋能人类的工具，Agent 的贡献与人类最终交付成果之间的界限往往模糊不清。
应用开发商 MacPaw 的 IT 负责人 Max Stukalenko 表示，在节省时间方面，每个用例大约节省 50%是一个不错的门槛。“随着这些系统的成熟，我们计划引入更多结构化指标，包括质量、采用率和可扩展性指标。”
软件公司 Intellias 的 IT 与行政副总裁 Oleksii Reshetniak 也提醒不要过早宣布明确的 ROI，指出早期表现可能具有误导性。“最初几周通常是调优和稳定阶段，因此我们将早期结果视为信号，而非确凿证据，”他说。
和所有新技术一样，AI Agent 的引入带来了希望也带来了复杂性，为本已要求极高的 CIO 角色增添了新的层次。CIO 们必须考虑治理、风险、人才和组织变革，同时还要面对源源不断涌现、承诺竞争优势的新 AI 工具。
“鉴于技术和软件发展速度极快，CIO 们选择合适的平台和工具是一项挑战，”Rimini Street 的 Locandro 表示，“同样，许多 AI 仍然嵌入在软件解决方案中，因此挑战在于区分哪些应使用内置 AI，哪些需要定制 AI。”
工具的激增使得保持架构一致性和企业持续监督变得更加困难，增加了复杂性和风险。因此，最大的挑战之一是跟上所有这些变化，并做出“自建还是购买 (build vs. buy)”的决策，Nutanix 的 Dutta 说。
治理、问责和信任也是 CIO 在被问及部署和监督 AI Agent 的挑战时经常提到的问题。“明确定义 Agent 的权限范围、分配结果的所有权、将 Agent 整合进遗留架构，以及管理期望与实际能力，都需要细致关注，”瑞士零售分析公司 Catomize by hidden hint 的 CTO Teymuraz Bezhashvyly 表示，“因此，CIO 角色正朝着更强有力的 AI 治理监督、风险管理和跨职能协调发展，而非单纯的技术部署。”
即使 AI 开始重塑日常工作，并非所有人都准备好改变其运营方式，这种抵制使 CIO 的工作更加艰难。因此，推动采用往往需要对人和文化的关注与技术本身同等重要。
“AI 工作坊、游戏化方法及其他类似活动效果不错，但改变人们的做事方式并鼓励他们采纳这些变化需要时间和精力，”MacPaw 的 Stukalenko 说。
许多组织如果有机会重来，可能会做出略有不同的选择。最早的 Agent 部署往往是出于好奇心或追求速度，根本性的问题被遗漏了。
“根据我们之前的经验，我的建议是做好规划，尤其是针对不同 Agent 类型、目标以及评估 Agent 是否履行职责的方式，”Dutta 说。
CIO 们反复强调的一个主题是从小规模开始的价值。成功的团队往往会先在内部用例中引入 Agent，学习实际应用中的经验，然后才扩大其范围。Dutta 还强调架构灵活性的重要性。他说，设计支持多个 Agent 供应商的企业系统有助于避免过度依赖单一供应商，并随着能力、定价模型和监管要求的不断演变，更容易适应变化。
除了技术选择，组织还通过痛苦的经历学到，问责不能是事后考虑的。“需要尽早建立明确的所有权和治理，Agent 应更多被视为初级团队成员，而非完全自主的替代者，”Bezhashvyly 说。
他补充说，反馈循环和监控应从第一天起实施，且无论 Agent 完成了多少工作，最终输出总有人承担责任。当技术和业务领导者共同参与并审查时，这种监督效果最佳。
“回顾过去，我们会在流程更早阶段就让安全和法律团队参与进来，并避免在真正了解实际使用模式之前过度设计初始实施方案，”Bezhashvyly 补充道。
也有人提醒，AI Agent 的推广既是技术挑战，也是人性挑战，因此拥有合适技能、判断力和权威的人才至关重要。
“如果我们再做一次，我们会更早投资于变革管理和培训，特别是关于管理者如何监督 AI 驱动的工作，”Pippadipally 说，“将 Agent 视为劳动力的一部分，而不仅仅是另一个应用程序，需要一种思维转变，这与技术本身同样重要。”
