导语：AI智能体正在从试点走向生产，但大多数IT团队的技能储备仍停留在"写代码"和"运维系统"的时代。当AI接管执行，人的价值在哪里？答案不是更多培训，而是重新定义每一类角色的核心能力——从业务洞察到治理、从质量验证到智能体运营。

CIO必须重塑IT培训和职业发展规划，为智能体企业奠定基础。以下是值得培养的技能和值得拥抱的战略转变。

图源：Shutterstock

关于AI智能体时代的员工队伍，存在两大主流观点。一种认为组织应为AI自主智能体做好准备：在该模式下，“人在回路”角色本质上是过渡性的，作用是争取时间来提升智能体的准确性，并建立对其决策的信任。另一种认为AI智能体将在很大程度上增强人类能力，但预期工作流程会发生巨大变化——从基于任务的流程转变为更异步、协调化的运营模式。

企业最终可能同时拥有自主智能体和人机增强型AI智能体的混合模式，目前多数仍处于试点阶段。在这场转型中，CIO需要思考如何发展IT组织，并为未来提升IT员工的技能。根据Deloitte（德勤）的《2026 Global Technology Leadership Survey/2026年全球科技领导力调查》，75%的IT领导者认同其运营模式和流程必须在未来12到18个月内转型，以驱动更大价值。

“为AI智能体员工队伍提升技能需要的不仅仅是培训，更需要行为改变，因为当AI承担更多常规开发活动时，技术专业人员将越来越多地聚焦于验证、治理和引导AI生成的输出，”CGI的咨询服务副总裁兼全国AI与联盟团队负责人Doug Vargo（道格·瓦戈）表示，“经验丰富的工程师根深蒂固的认知习惯难以撼动，因此他们需要发展新的工作方式，聚焦于审查输出、界定意图，以及梳理管理确保输出准确、安全且与业务目标保持一致的上下文。”

CIO提升组织技能的方式将遵循多条职业发展路径。以下是最需要考虑的几个方面。

一、培养IT领导者的业务洞察力与AI素养

AI正要求更多IT专业人员转型为转型领导力和转型推动者角色。这些领导者将就何时使用AI而非其他技术来自动化任务向业务管理者提供建议，以及何时考虑基于AI能力对工作流进行自上而下的重新设计。

Lucid Software（视觉协作软件平台）的首席产品与战略官Jamie Lyon（杰米·里昂）表示：“领导者需要帮助团队理解业务中的工作流如何运转，AI在该流程中适配在哪里，哪些环节需要人类继续承担责任。随着AI智能体承担更多执行工作，批判性思维变得更加重要，因为人仍然需要提供上下文、定义流程，并做出AI无法做出的决策。”

实现AI价值落地的首要障碍之一是员工接受度。CIO需要更多转型推动者来激发热情，并帮助部门领导者重新构想新兴岗位职责。提升IT领导者的转型推动者角色通常需要将他们嵌入业务部门，以便学习其流程并建立关系。

提升重点：AI素养、批判性思维、业务关系管理以及转型管理是四项核心技能。为将问题与解决方案连接起来，还需要发展架构、设计思维和分析技能。

二、为全员扩展AI与数据治理能力

根据Adobe的《2026 AI and Digital Trends/2026年AI与数字化趋势》，78%的技术领导者表示数据集成与质量是首要AI挑战，52%表示数据统一度不足正在拖累AI项目进展。面临数据治理、集成和管理挑战的CIO，其企业可能落后于积极追求AI驱动机会的竞争对手。

MariaDB（开源数据库公司）的产品管理副总裁Adam Luciano（亚当·卢西亚诺）表示：“为AI智能体员工队伍提升技能，首先要明白最大的挑战在于模型本身底层的数据和运营层。IT团队需要知道如何连接碎片化数据，构建能让AI智能体更可靠的上下文和记忆，并在统一平台上支持事务型、分析型和向量工作负载，同时不超出预算。他们还需要理解治理、安全和可观测性，使自主系统能够安全地执行真实业务流程，并扩展到更高价值的用例，而非仅仅生成建议。”

数据治理过去是合规团队的责任，但AI现在要求IT中更多人熟悉相关政策、实践和相关技术。

Sutherland（全球数字化转型服务商）的CIO兼首席数字官Doug Gilbert（道格·吉尔伯特）表示：“随着AI智能体开始在跨企业环境中执行工作，IT团队需要构建治理技能，而不仅仅是AI素养。他们应当懂得如何分配责任、监控数据访问、执行符合人类审批逻辑的工作流，并保留完整审计轨迹，确保AI在与任何员工相同的管控下运行，而不是成为规则例外。”

提升重点：一是数据治理、DataOps（数据运维）、数据工程和数据管理领域。二是数据风险管理问题，如数据安全和AI治理。

三、扩展知识管理以构建AI的上下文层

希望从数十个AI智能体扩展到数千个AI编排工作流的CIO，需要为组织构建一个AI大脑，包括知识图谱、语义层和上下文层。

Monte Carlo（数据可观测性平台）的联合创始人兼CTO Lior Gavish（利奥尔·加维什）表示：“CIO和CISO（首席信息安全官）需要聚焦的一个关键提升方向是构建信息层，以替代每个人都试图压缩掉的人工管理层。管理者的核心工作本质上是信息工作，包括传递上下文、明确优先级、确保决策与全局目标保持一致。如果在精简组织架构的同时没有替换这一职能，就会导致人员或智能体基于不完整信息做出局部最优决策。”

组织需要跨学科团队来开发和改进其上下文层。需要培养的数据技能包括拓展非结构化数据治理、演进数据编织以及构建数据产品。

Tungsten Automation（自动化软件公司）的首席AI官Adam Field（亚当·菲尔德）表示：“如今的挑战不再仅仅是教会员工如何使用新工具，而是要确保团队掌握如何构建、管理和治理支撑这些工具的知识。这将需要在上下文AI训练、知识管理和信息管护方面培养新技能。能够有效将AI系统连接到可信的组织知识库，同时维护适当的安全和访问管控的组织，将在加速产品开发、改善协作和增加关键信息获取方面占据优势。”

提升重点：为开发AI智能体所需的上下文层，CIO应当在培养核心数据管理、集成和治理技能之外，推动协作和沟通技能。此外，敏捷数据团队需要强大的业务洞察力，以便与部门领导和领域专家合作。

四、建立AI质量卓越中心

DevOps团队在加速部署周期的同时，如果对持续测试投入不足，将面临两种糟糕的选择：要么让业务用户进行大量用户验收测试，要么以最低限度测试部署应用，寄望于可观测性和监控在用户上报问题之前捕获错误。在测试上投入不足以及对AI智能体的自动化评估不足，可能导致严重后果，包括成本增加、合规违规和运营影响。

Kosmos（AI质量评估平台）的CEO兼创始人Sanjay Gidwani（桑杰·吉德瓦尼）表示，比构建AI智能体更重要的是确认其准确率的技能。“智能体越来越多地基于跨孤立系统得出的相关性采取行动，而未经人工验证的相关性，就是极易快速出故障的决策。要提升团队技能，让他们在智能体采取任何行动之前，充当智能体动作的验证层。”

CIO应当从三个维度考量AI智能体质量：

1.处于实验和试点阶段的AI智能体，何时能达到足够高的质量，可以投入生产环境发布？

2.进入生产环境后，如何利用质量指标建立对AI智能体可自动化的决策的信任，以及哪些决策需要人工介入？

3.如何在生产环境中对AI智能体质量进行基准化，以检测模型何时发生漂移和性能何时下降？

提升重点：CIO应在数据质量、测试自动化和分析方面提升团队技能。规模化扩张生产环境中AI智能体数量的组织应考虑建立AI质量卓越中心。

五、重新审视产品与项目经理所需技能

在建立卓越中心之前，先考虑AI如何改变团队协作的本质。以下三个例子：

1.CIO正在构建基于产品的IT组织，以从AI投资中交付业务价值。

2.团队正在重新审视AI时代的敏捷实践，以确保开发者的产出转化为更快的功能交付和更少的技术债务。

3.DevOps在AI智能体可观测性和智能体部署风险方面面临新挑战。

IT领域内部这三大承载不断演进的AI能力的核心流程，是诸多CIO重新思考AI时代IT组织架构的核心原因之一。根据Atlassian的《The State of Teams 2026/2026年团队现状》，AI增强团队需要更多而非更少的协调：77%的受访者表示期望组建更多层级更少的横向团队，73%的团队已经拥有融合混合职责的复合角色。

Zeb（AI人才平台）的CEO兼创始人Mal Vivek（马尔·维韦克）表示，CIO能为智能体员工队伍构建的最有价值的能力是判断力。“教会团队将工作分解为清晰的目标、约束和反馈。这些技能不会来自一次性课程或认证；它需要重新设计角色，使人的判断力不断沉淀强化。”

提升重点：CIO将需要更多面向业务的岗位来牵头讨论AI投资方向。需要发展的技能包括六西格玛流程技能、产品管理方法论和敏捷规划实践。

六、提升初级开发人员除编码之外的技能

如果全球41%的代码已由AI生成，CIO还需要工程师吗？

根据Karat的《AI Workforce Transformation Report/AI员工队伍转型报告》，73%的受访者表示，优秀工程师现在的价值至少是其总薪酬的三倍。这可能是因为顶级工程师从来不仅仅是编码员；他们是软件开发生命周期的管理者、合理架构的推动者，也是解决技术债务的倡导者。

Temporal（分布式系统平台）的CEO Samar Abbas（萨马尔·阿巴斯）表示：“智能体验证应成为CIO和CISO的首要任务，需要培训专业人员不能只看AI的原始输出，并提前应对AI使用增加带来的审查负担。随着智能体编写更多代码，技术人才需要转变为核心评估者，质疑智能体的设计决策，在质询中捍卫生成的架构，并自信地证明其正确性。”

提升重点：CIO应考虑采用学徒制项目，推动初级开发人员快速晋升到高级岗位，承担入门级架构职责。起步阶段，初级开发人员需要接受系统思维和解决代码审核工具标记问题的培训。在这些基础之上，引导开发者在两到三个聚焦领域构建技术领域专长，如测试、数据、身份管理、应用性能、API开发、集成和安全。

七、让AgenticOps（智能体运营）在IT运营中走向成熟

虽然许多组织仍处于AI智能体的试点阶段，另有部分组织已经将数千个智能体部署到生产环境，并使用AI编排平台构建复杂工作流。

Cribl（数据可观测性平台）的AI研发负责人Nikhil Mungel（尼基尔·蒙格尔）表示：“随着应用从传统软件演进为自主AI智能体，IT的角色从维护系统转向管理数字化员工队伍。IT团队需要学习如何接入和监管AI智能体，确保其遵守公司政策，并监控异常或有害行为。成功的组织将是那些投入资源教IT团队在生产环境中治理和管理AI系统的组织。”

提升重点：AgenticOps（智能体运营）需要聚焦的技能包括身份管理、根本原因分析和AI智能体监控。部署数百个AI智能体的CIO应计划将站点可靠性工程扩展到包括跟踪AI智能体可靠性和诊断其性能问题。

打造世界级IT部门不仅仅是交付业务价值。顶尖CIO认识到，他们需要规划IT组织以支撑未来需求，并更新其技能和学习发展项目。AI能力正在快速演进，CIO需要引导员工掌握实现AI智能体员工队伍所需的新技能。

💡 技术名词速览（Tips）

AI自主智能体（Agentic AI）：能够自主感知环境、做出决策并执行操作的AI系统。与被动回答问题的AI不同，自主智能体能够调用工具、编排工作流并在业务流程中采取行动，是当前企业AI从试点走向生产的核心形态。

人在回路中（Human in the Loop）：AI治理框架中的概念，指在AI决策流程中引入人工审核环节。在AI智能体语境中，这一角色被认为是过渡性的——旨在争取时间提升智能体准确率并建立信任，最终目标是实现更高程度的自主运营。

上下文层（Context Layer）：为AI智能体提供任务背景和领域知识的信息架构层，包括知识图谱、语义层等组件。当组织压缩管理层时，上下文层旨在替代管理者承担的信息传递、优先级排序和决策对齐等功能。

AgenticOps（智能体运营）：DevOps在AI智能体时代的演进形态，涵盖AI智能体的引入、监管、身份管理、根因分析、行为监控和可靠性保障等运维实践，是IT运营从维护系统转向管理数字化员工队伍的核心能力。

数据编织（Data Fabric）：跨异构数据源统一数据访问、集成和治理的架构模式，为AI智能体提供可靠的数据基础。在AI智能体语境中，数据编织帮助连接碎片化数据，支撑智能体所需的实时上下文。

智能体编排平台（Agent Orchestration Platform）：用于管理大量AI智能体、构建复杂工作流并协调智能体间协作的技术平台，是企业从单个AI智能体扩展到规模化AI智能体部署的关键基础设施。