在过去的12个月里，业界观察到了一个有趣的现象：几乎所有的企业都在谈论人工智能，但它们在“AI成熟度曲线”上的位置却大相径庭。
大部分企业还停留在“101阶段”——买几个AI副驾驶（Copilot）工具，然后在董事会上宣称自己正在“做AI”。而真正站在金字塔尖、享受先发优势的企业，已经将AI从“运营工具”转变为“收入驱动力”。
那么，CIO和技术领导者们如何才能带领企业跨越这道鸿沟？两位资深的AI转型实战专家 Afshean Talasaz 和 Zar Toolan 给出了他们的破局之道：
领导力迭代：成为“创新者”与“运营者”的结合体
在过去，创新（应对外部技术变化）和运营（保持内部稳定执行）是可以分开的。但在AI时代，CIO必须将两者合二为一。不仅要维持现有业务的运转（Run），还要利用数据开拓新市场（Grow），更要将企业带入一个持续重塑的阶段（Transform）。
告别盲目试水：用“From-To So-That”推演商业价值
很多团队喜欢用“试水（做几个小POC）”来代替严谨的准备。但这就像“在浅水区泡脚并不能让你学会去深海游泳”一样。企业需要明确的建模：我们今天在哪里（From），我们要去哪里（To），以便企业能实现什么战略结果（So-that）。
魔鬼在细节：没有痛苦的数据清洗，就没有AI的规模化
想要实现规模化的AI效益，必须直面最脏最累的活——数据清洗与现代化。以Edward Jones公司为例，他们花费了整整18个月重构底层CRM数据。只有把细节做对，打通真实的使用场景，你才能把“主权企业数据”变成真正的护城河。
警惕内部 VUCA，CEO的绝对支持是“必需品”
外部世界充满了VUCA（波动性、不确定性、复杂性、模糊性），但在AI转型期间，企业最怕的是制造“内部VUCA”。技术领导者必须通过一致的沟通和规划来稳定军心。更重要的是，一位以AI为先的CEO不是成功的“加分项”，而是击出全垒打的“必需条件”。
总结
在AI时代，提升底线（Raise the floor）的唯一途径是持续、一致的执行力。你的企业，目前正处于AI成熟度曲线的哪个阶段呢？【详见文末自评问卷】
人工智能转型从业者 Afshean Talasaz 和 Zar Toolan 就领导力思维和战略细节发表看法，探讨如何从单纯地“做 AI”转向真正推动业务影响力。
图片来源：PeopleImages.com - Yuri A / Shutterstock
在过去的12个月里，我与数百位CIO进行了交流，以了解他们在AI转型旅程中所处的阶段。在这个过程中，一些有趣的模式逐渐浮现。
首先，企业在AI成熟度曲线上通常分为三个层级。少数组织处于基础的“101层级”，他们实施了AI副驾驶（Copilots），看到了一些初步采用，并向董事会宣称他们正在“做AI”。
在更广泛的“201层级”中，组织拥有以结果为导向的战略，获得了预算和董事会的支持，并专注于能推动业务发展的用例——他们不只是把这些当做试点，而是带着规模化的思维在推进。
而在金字塔顶端，是极少数遥遥领先、享受先发优势的组织。他们正在推动具有深远业务影响力的AI转型。而且，他们都拥有一位以“AI优先”为核心议程、亲自带头冲锋的CEO。
近期研究证实，这个处于顶端的群体仍然是少数例外。AI软件公司Metal发现，如今85%的财富500强企业在年度10-K报告中提及了AI，但对大多数企业而言，AI仍只是一个运营工具，而非收入驱动力。普华永道对CEO的调查也显示，仅有12%的人表示AI带来了成本和收入的双重收益。
为了帮助IT领导者沿着AI成熟度曲线不断推进，我与两位正在帮助企业规划AI转型和创新历程的行业专家进行了交流。他们凭借多年领导真实、落地且具备业务影响力的AI转型经验，分享了他们的见解。
Afshean Talasaz（Colonial Pipeline 前战略项目与创新高级副总裁兼首席技术与数据官）和 Zar Toolan（Edward Jones 前首席数据与AI官）同属于一个名为“从业者为从业者（P4P）”的新网络。该网络将经验丰富的技术高管与CIO汇聚一堂，基于他们的亲身经历、成功经验和失败教训，提供务实的指导与见解。
在这里，Talasaz 和 Toolan 揭示了那些至关重要的细节、许多人容易忽视的盲点，以及IT领导者需要提出的关键问题，从而将AI从运营工具转变为对业务产生切实影响的利器。为了清晰紧凑，我们的对话经过了编辑整理。
Dan Roberts：CIO们需要如何转变思维方式，才能真正推动AI转型？
Afshean Talasaz：领导者需要具备“创新者-运营者（innovator-operator）”的双重思维，我认为在过去这并不是硬性要求。创新者思维关注如何演进并适应外部压力——即业务需求的变化和技术能力的快速更迭。而运营者思维则在内部创造清晰度和稳定性，以确保执行的一致性。在过去，你完全可以把这两者拆分开来。但当今的商业环境要求必须将这两者合二为一。
Afshean Talasaz 阿夫谢·塔拉萨兹
Zar Toolan：另一个维度是CIO如何着眼于未来。想想经典的“运营、增长、转型（run, grow, transform）”方法论。有很多维持业务运转（run）的事情你必须继续做，那么AI如何帮助提升其运营效率和效果？在增长（grow）方面，你如何以全新的方式利用数据来洞察新市场、创造业务增长的新途径？第三点则在于转型（transform）空间。这三者应当同时发生，但在转型空间里，必须扎根新的数据、新的架构和新的思维方式。思维转变的一部分就是进入这第三个阶段：保持一种持续转型、重塑和重新构想的状态，同时还要运营好当下为你赢得转型资格的现有业务。
针对在实践中难以做到这一点的CIO，你们有什么建议？
Toolan：我经常使用一种“From-To So-That（从当前-到目标-以便于）”的模型：从我们今天的现状出发，到我们想要达到的目标，以便于企业能够实现X、Y、Z等战略性业务成果。
Zar Toolan 扎尔·图兰
我举个Edward Jones的例子。在2023到2024年间，我们审视了业务中涉及数据、洞察分析以及流程的各个环节的现状。由此，我们梳理出了当时的“From（现状）”陈述。其中包含了一些“残酷的真相”，比如：我们没有将数据视为有价值的资产；我们在跨多个知识中心搜索时既不可靠又低效；我们的数据受限且内容整理零散；我们没有统一的数据分类法。在分析方面：我们的洞察是周期性的，只描述“发生了什么和为什么”，而不是“将要发生什么和什么时候发生”。在风险和流程方面：我们的流程是分散的，缺乏整合，无法实现高效的信息流。
“To（目标）”则与结果挂钩，我们通过将上述痛点转化为四个领域的重点来定义目标：信任、业务价值、价值实现时间（time to value），以及围绕数据和AI的思维与技能。于是，“To”的陈述变成了：持续关注能建立基础信任的数据质量；数据和AI将创造有意义的业务价值；集中投资和行为将缩短价值实现时间；采用数据驱动、知识赋能的思维方式，让每个人都能参与其中。
这些最初的“From-Tos”成为了2025年的目标，也成为了我们C级高管的计分卡。所有关于数据和AI的目标与关键结果（OKR），都围绕这四大优先事项展开，实现了360度的对齐与问责。企业AI转型是一项团队运动，它不能是CIO单方面“推（push）”的模式，而必须是一个包含整个C级高管层协同一致的“拉（pull）”的模式。
你们为全国各地不同行业的公司提供咨询。那些转型成功的“赢家”做对了哪些与众不同的事？
Toolan：当你观察他们在整体基础设施上的相对投资时，赢家和输家一目了然。赢家会用真金白银兑现承诺，将AI投资与长期业务战略紧密结合。也许他们还没有看到12个月内的短期回报，但随着这些转型投资生根发芽，他们一定会在18到24个月时看到成果。
尤其在上市公司中，经常会面临一种质疑：“你最近为我做了什么？你花了这么多钱，我得到了什么？”股东和董事会期望看到ROI（投资回报率）。要透过现象看本质并告诉他们“价值就在那里，只是你还看不到”是非常困难的。而赢家的做法是：在展示市场短期胜利的同时，也为未来的长期数据和AI基础设施下注，两者取得了完美的平衡。
Talasaz：补充一下Zar的观点。在AI领域获胜的人认识到了风险的存在，但他们会评估需要做些什么，以确保业务能够专注且有目的地推进。
帮助降低AI使用风险的一个重要环节就是“准备”。战略、规划、评估和路线图制定——关键问题是：在你走得太远之前，是否做足了适当的准备？因为准备本身就是一种去风险机制。你做准备是为了提高成功的概率。
但实际情况往往是，团队想要“试水（get their feet wet）”，试图通过摸着石头过河来替代正规的准备工作。明确地说，你确实应该通过几个POC（概念验证）来在小而可控的范围内尝试这项技术，了解它擅长什么、不擅长什么。但这不叫为规模化做准备。如果我不会游泳，走到海边踩踩水，并不能让我准备好游向深海。试水是很好的一步，但它不能直接转化为能力。
为AI战略投入资金是一回事，但你如何确保把钱投在了正确的地方？
Toolan：你必须明确你所追求的业务目标。我再用Jones的CRM数据举个例子。我们从一个叫JCMS（Jones联系人管理系统）的、有着20多年历史的内部自建旧系统迁移出来。那是一个信息宝库，但不幸的是，你无法利用这个宝库进行大规模的个性化定制。我们谈论的是大型机和DB2，数据一旦存在那里，就成了一潭死水——根本别想在上面叠加AI。
当我们从JCMS向Salesforce迁移时，我们必须做极其艰苦的数据清洗工作。没人喜欢做数据清洗。但在商业价值方面，Edward Jones每周在北美有超过50万次对话。想想这些信息的价值和丰富程度。如果我们能用AI处理这些数据，实时了解客户的情况和市场的动态会怎样？最终，我们花了一段长达18个月的艰苦历程，才完成了数据基础设施的清理、组织和现代化，从而能够在上面部署可扩展的AI。
那是一段非常煎熬的日子。我不得不反复提醒各个分支机构我们为什么要这么做。我们给他们提供了数据计分卡，并派驻数据支持团队协助他们。我们必须达到一个临界规模，这就回到了“思维转变”的问题上。我们挑选了大约前200名最优秀的分支团队作为“开拓者”，我们告诉他们：“一开始体验可能不太好，但你们正在开辟一条新路，这将帮助你们更深入地了解客户，帮他们实现人生目标。”
当分支团队开始反馈时，我们必须边走边照亮前方的路。他们告诉我们：“以前如果有家庭来咨询，我得在旧的SOP里走18个步骤，最后还不一定能得出正确答案。但现在，系统竟然提示出了我连想都没想到的深刻见解，因为数据经过了特定方式的梳理，当我搜索时，我得到了更好的反馈。”然后，你就开始构建一种从20,000个分支团队中持续学习的全新机制。这就是“众包解决问题”的经典定义。你提取数据、思考主题、创建用户画像，然后，猜怎么着？你就可以将AI应用在这些画像上了。但在你真正理解这些实际用例，以及如何改造这些底层系统之前，你很难把AI硬加到你连访问都困难的数据上。
这段经历凸显了变更管理的重要性。在变革中（特别是大规模变革），存在哪些关键挑战？IT领导者应如何应对？
Talasaz：改变人的行为和改变技术架构都很难。技术领导者绝不能低估自己、低估团队，也不能低估技术挑战的难度。
要妥善处理业务变革、人员变革和技术变革，又得回到“创新者-运营者”思维，以及你必须如何兼顾两者。这件事情很繁琐、很复杂，而且确实会变得非常困难。其中包含太多动态因素。你需要详细的结果陈述，然后需要将其拆解为能创造这些结果的具体能力。在Zar的例子中，这些能力涵盖了从如何输入数据、清理数据，到分支机构如何使用数据的方方面面。底层可能有十几件事在同时进行以支撑这一切，你必须知道这些具体是什么，而在这些之下，你还得清楚支撑它们的技术是什么，然后你才能谈论所需的技能和具体行动。
这些都是极其细致入微的工作。人们在考虑规模化时经常忽略的一点是：对我来说，规模化最重要的一点就是“细节”。没有把细节做对，你根本无法实现规模化。在那些抽象的会议中，我们大谈特谈宏观愿景，但真正起决定作用的其实是细节。
你不能简单地说，“我会让供应商或其他人来处理这些细节”。C级高管必须亲自下场理解这些细节，因为它们直接影响战略。业务和技术执行的细节，与在更抽象层面上制定的战略和宏大目标是直接相关的，且相互反哺。你需要深刻理解这些元素是如何协同运作的。
在很多情况下，我认为人们甚至不知道那些细节是什么，这也是他们规模化方向错误的原因。你们是如何触及最核心的细节的？
Toolan：如果你把所有这些信息拆解成子部分，你就可以创建“原型（Archetypes）”和“用户画像（Personas）”：到底是谁在使用我的系统，出于什么目的？然后你可以提炼出主题和趋势：基于这些画像和人群，他们实际在做什么？这就是你可以用来指导企业AI战略方向的依据，也是你如何围绕AI战略设定可衡量结果的抓手。这会带你回到用户画像，最终回归到底层数据。
Afshean的评论极其精辟：你需要通过细节来实现规模化。要将未来的数据流视为未来的收入流，你必须紧盯目标：你如何运用时间序列或纵向的方法来审视业务？引入数据和信息是一个非线性的过程，它必须在理论上无限的维度中进行编排。你可以用无数种方式在数据中进行转换和推演，针对那些驱动未来结果的画像和主题，最终实现大规模的“超级个性化（hyper-personalization）”。但如果没有前瞻性，没有能力把数据部署到位，你就做不到这一切。代理式企业（agentic enterprise）的未来，将取决于在那些我们今天才刚刚开始设想的路径上使用海量数据。CIO和CFO们需要加倍努力，将他们的“主权企业数据”同时作为战略资产和竞争护城河来利用。
拥有一位技术前瞻、以“AI优先”的CEO把这当作首要任务，有多重要？
Talasaz：一个高度支持的CEO不是成功的“加分项”，而是“必选项”。没有它，你也许能击出几个一垒安打，但你绝对打不出全垒打。你可以自下而上做一些能产生积极影响、创造价值的事情，但要真正将AI整合并规模化到你的业务中，这种级别的变革绝对需要最高执行官的支持。
我们经常将VUCA（波动性、不确定性、复杂性、模糊性）视为一种外部因素，但企业同样存在制造内部VUCA的风险。领导者需要怎么做才能将这种风险降到最低？
Talasaz：当你经历任何变革时，都存在在内部制造VUCA的风险。因为当周围环境快速变化时，你在选择如何应对时，很容易在内部制造混乱。一旦内部出现VUCA，你就陷入了极其艰难的处境。并不是说在变革时期复杂性和模糊性不会增加，它们确实会增加。但你要做的是采取积极措施，在合理的范围内尽可能减少内部的VUCA，并刻意避免去加剧它。
如何减少“不确定性”？花时间详细梳理故事和叙事逻辑，帮助大家真正理解。如何应对“波动性”？在你的信息传达和规划中保持高度的“一致性”。准备工作能够显著降低VUCA。领导者必须真正将减少内部VUCA视为己任，因为这是取得成功的关键原则之一。
数据、AI和数字化，核心都在于一致的执行力。这关乎于“提高底线（raising the floor）”，而不仅仅是“拔高上限（raising the roof）”。成功的企业都会提高底线，而提高底线的唯一途径就是保持执行和交付的一致性。不需要完美，但必须一致。
全球范围内的VUCA正在不断增加，人们很难应对如此庞大的不确定性。你无法完全消除VUCA；随着你承担的责任越大，模糊性是很自然的。但尽你所能去减少它真的非常重要，因为你绝对不想看到内部和外部的VUCA同时朝着同一个陡坡急剧攀升。
睿观：“AI 战略一致性与就绪度诊断问卷”
专为 CIO 及技术高管设计，旨在通过 10 个直击痛点的核心问题，快速给您的企业做一次“X光体检”。
建议您采用 1-5 分制进行打分（1分 = 完全不符合/未开始；5分 = 完全符合/已成为日常规范），并邀请您的 CEO 和业务高管共同作答，看看你们的认知是否存在“温差”。
AI 转型是一项“自上而下”的团队运动，缺乏最高层的绝对支持，再好的技术也只能沦为玩具。
[ ] 1. CEO 的绝对站台：我们的 CEO 公开且明确地将 AI 列为企业的核心战略基石，而不仅仅是把它当成 IT 部门的一个“实验项目”。
[ ] 2. C级高管的认知对齐：整个高管团队对 AI 应该达成的最终业务目标（To 状态）拥有高度统一的愿景，不存在各自为战的“部门级 AI”。
[ ] 3. 隐性成本的预算支持：管理层不仅愿意为购买 AI 工具或 API 掏钱，更愿意为背后极其耗时、枯燥的“数据清洗”和“员工培训”提供充足的预算支持。
没有干净的数据喂养，再聪明的 AI 也只会产生幻觉。主权企业数据是唯一的护城河。
[ ] 4. 数据孤岛与清洁度：我们的核心业务数据已经过系统性清洗和组织，打破了部门孤岛，具备统一的分类标准和数据字典。
[ ] 5. AI 安全与权限继承：我们具备在底层基础设施中严格控制数据访问权限的能力，确保 AI 接入后，不会越权抓取或泄露企业的敏感合规信息。
[ ] 6. 数据资产的战略化：业务部门已经不再将数据视为“IT 部门的服务器垃圾”，而是将其视为可以用来训练内部模型、驱动超个性化服务的“核心资产”。
摆脱“拿着锤子找钉子”的技术自嗨，让 AI 真正解决业务痛点。
[ ] 7. 清晰的价值衡量体系 (From-To So-That)：我们正在推进的每一个 AI 项目，都能清晰地回答：我们要把业务从什么状态（From）变成什么状态（To），以便实现怎样的财务或战略回报（So-That）。
[ ] 8. 超越“初级副驾驶”：我们的 AI 战略不仅限于让员工用大模型写邮件或总结会议（101阶段），而是已经开始规划如何利用 AI 重塑核心供应链、客户体验或产品研发（201/301阶段）。
技术更迭越快，越要警惕内部的 VUCA（波动、不确定、复杂、模糊）。
[ ] 9. 直面“内部 VUCA”：我们有一套结构化的变革管理方案，能够通过一致的沟通和培训，主动消除员工对“AI 会抢走我的饭碗”的焦虑和不确定感。
[ ] 10. 容错与复合学习：组织鼓励在可控的安全沙盒内进行 AI 实验，并将 AI 视为一种“必须通过全员实践来培养的复合型技能”，而不是简单地买来就能用的外包服务。
计算您的总分（满分 50 分）：
40 - 50 分：AI 领跑者 (Leader)
现状：您的企业已经跨越了“炒作期”，具备了强大的 AI 护城河。高管对齐，数据就绪。
下一步：专注于探索“AI 智能体（Agentic AI）”的自主执行能力，拉大与竞争对手的差距。
25 - 39 分：探索与挣扎者 (Explorer)
现状：典型的“中间地带”。您可能买了一些 AI 工具，但底层数据一团糟，或者高管层对 AI 的期望值与实际投入严重脱节。
下一步：立即停止盲目铺开新的 AI 试点。把精力收回到“数据清洗”和“高管对齐研讨会”上。
10 - 24 分：高危滞后者 (Laggard)
现状：企业存在严重的战略脱节或技术负债。如果现在强行引入复杂的 AI 系统，极大概率会引发数据灾难或巨大的沉没成本。
下一步：从最基础的业务痛点切入，打赢一场小规模的“数据治理攻坚战”，用局部胜利去换取 CEO 的信任和资源。
这个问卷最大的价值，在于暴露 IT 部门与业务高管之间的“认知温差”。您可以尝试让您的 CEO 和 CFO 也做一遍，看看大家在“第 4 题（数据清洁度）”或“第 7 题（价值衡量）”上的打分是否一致。
