AI转型实践者Afshean Talasaz和Zar Toolan就实现从“应用AI”到驱动业务产生实际影响所需的领导思维模式和战略细节发表了看法。

在过去12个月里，我与数百位CIO进行了交流，了解他们在AI转型之旅中所处的阶段。在这一过程中，出现了一些有趣的模式。

首先，企业大致可分为AI成熟度曲线的三个层次。少数企业处于“101水平”，它们应用了AI副驾驶，有一定程度的采用，并向董事会宣称自己“正在应用AI”。

处于更广泛的“201水平”的企业，则制定了基于成果的战略，获得了预算和董事会的支持，并专注于推动业务发展的用例，这些用例不仅限于试点项目，而是考虑了规模化应用。

处于顶端的则是那些领先的企业，它们享有先发优势，正在推动能够产生业务影响的AI转型，而且，这些企业有一位以AI优先为议程的CEO引领前行。

近期的研究证实，这批处于金字塔顶端的企业属于特例。AI软件公司Metal发现，85%的《财富》500强公司如今在年度10-K报表中提及了AI，但对大多数公司而言，AI仍只是一种运营工具，而非创收驱动因素。普华永道对CEO的调查发现，只有12%的人表示AI同时带来了成本和收入方面的益处。

为了帮助IT领导者推动其企业在AI成熟度曲线上不断前进，我与两位行业实践者进行了交流，他们正凭借多年领导实际、实用且能产生业务影响的AI转型的经验，帮助企业规划AI转型与创新之旅。

Afshean Talasaz曾担任Colonial Pipeline公司战略项目与创新高级副总裁及首席技术与数据官，Zar Toolan曾担任Edward Jones公司首席数据与AI官，他们是一个名为“实践者对实践者”网络的一员，该网络汇聚了经验丰富的技术高管与CIO，旨在基于他们的亲身经历、成功经验和教训，提供指导和实用见解。

在此，Talasaz和Toolan揭示了关键细节、许多人容易忽视的盲点，以及IT领导者需要提出的问题，以推动AI从一种运营工具转变为对业务产生切实影响，我们的对话已就篇幅和清晰度进行了编辑。

Dan Roberts：CIO需要如何转变思维模式，以推动AI转型?

Afshean Talasaz：领导者需要具备创新者-运营者的思维模式，我认为这在过去并非硬性要求，创新者思维考虑的是如何应对外部压力——业务需求的变化和技术能力的快速变化——进行演变和适应，运营者思维则是在内部创造清晰度和稳定性，以实现一致的执行，过去，你可以将这两者分开，而如今的商业环境要求将这两者结合起来。

Zar Toolan：另一个维度是CIO如何面向未来思考，想想经典的“运营、增长、转型”方法，有很多运营业务的事情是必须持续做的，AI如何帮助提高运营效率和效果?至于增长，如何以新的方式利用数据来开拓新市场、创造新的业务增长方式?然后是第三个方面——转型，这三者应该同时进行，但转型领域需要以新的数据、新的架构和新的思维方式为锚点。思维模式转变的一部分就是要进入第三阶段：持续的转型、重塑和重新构想，同时也要运营好最初让你获得转型资格的业务。

对于在实践中难以做到这一点的CIO，你有什么建议?

Toolan：我做了很多“从到……以便……”的建模：从我们现在的位置，到我们想要达到的位置，以便业务能够实现X、Y、Z等战略业务成果。

以Edward Jones为例，在2023年至2024年，我们审视了业务中各个具有数据要素、洞察与分析要素以及流程要素的部分的现状，由此，我们能够阐述当时的“从”陈述，其中一些陈述包含了“残酷的事实”要素，例如：我们没有将数据视为有价值的资产，我们在多个知识中心进行搜索时不可靠且效率低下，我们的数据有限，内容管理碎片化，我们的数据没有一致的分类法。在分析方面：我们的洞察是周期性的，它们描述了发生了什么以及为什么发生，而不是将要发生什么以及何时发生。在风险方面：我们的流程是分散的，它们没有为了高效的信息流动而集成。

“到”则与成果相关联，我们通过将“从”转变为四个领域来确定这些成果：信任、业务价值、价值实现时间，以及围绕数据和AI的思维模式和技能，因此，“到”的陈述变为：持续关注构建基础信任的数据质量，数据和AI将产生有意义的业务价值，有针对性的投资和行为将缩短价值实现时间，采用数据驱动、知识赋能的思维模式使每个人都能参与进来。

这些最初的“从……到……”陈述成为了2025年的目标，也是我们高层管理团队的记分卡，所有关于数据和AI的目标和关键结果都围绕这四个主要优先事项展开，实现了360度的对齐和问责。企业AI转型是一项团队运动，它不能是CIO的“推动”模式，而需要是一种包括整个高层管理团队对齐的“拉动”模式。

你在全国各地和不同行业为企业提供建议，那些成功的企业有哪些不同的做法?

Toolan：从整体基础设施的相对投资来看，成功者和失败者一目了然，成功者将资金投入到与长期业务战略相一致的AI投资上，也许他们尚未在12个月内看到成果，但随着这些转型投资的生效，他们将在18至24个月内看到成果。

尤其是在上市公司中，存在一定的定位问题，即“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，而且，很难深入表面说：“嗯，它就在那里，你只是还看不到而已。”成功者既展示了在市场上的短期胜利，又为未来进行了长期的数据和AI基础设施投资。

Talasaz：补充一下Zar的观点，那些在AI方面取得成功的企业认识到存在风险，但会评估他们需要做什么，以使企业能够专注且有目的地前行。

降低AI应用风险的一部分在于准备，战略、规划、评估和路线图制定——问题是：在深入推进之前，是否进行了足够的准备?因为准备是一种降低风险的机制，你进行准备以提高成功的概率。

但最终发生的情况是，团队想要“试水”，通过摸索来代替准备。需要明确的是，你应该通过几个概念验证项目来试用这项技术，了解它擅长和不擅长什么，在可管理的小规模范围内进行，但“试水”并不是为规模化应用做准备，如果我不会游泳，踏入大海并不会让我准备好游到远离海岸的地方，这可能是一个好的开始，但并不能转化为能力。

在AI战略上投入资金是一回事，但如何确保将资金投入到正确的事情上呢?

Toolan：你必须确定你正在寻求的业务目标，我以Jones公司CRM数据中的一个例子来说明，我们从名为JCMS(Jones Contact Management System)的遗留、内部开发、使用了二十多年的系统中切换出来，该系统是一个丰富的信息宝库，不幸的是，它是一个无法大规模个性化的丰富信息宝库，我们说的是大型机和DB2，一旦数据在那里，就永远在那里了——更不用说在上面应用AI了。

当我们从JCMS切换到Salesforce时，我们必须进行艰苦的数据清理工作，没人愿意做数据清理，但就业务价值而言，Edward Jones每周在北美各地有超过50万次对话，想想这些信息的丰富性和稳健性，如果我们能够在这个数据上应用AI，实时了解我们的客户和市场上正在发生什么，会怎么样呢?最终，我们花了18个月的时间来清理、企业和现代化数据基础设施，以便能够在其上应用可规模化的AI。

这是一项艰巨的任务，我不得不提醒各分支机构我们为什么要这么做，我们给他们提供了一个数据记分卡，并有数据支持团队与他们合作，我们必须达到一个临界质量，这就涉及到了思维模式的转变，我们创建了一个由约200个顶尖分支机构团队组成的先锋小组，让他们首先使用新系统，我们告诉他们：“一开始，你们的体验可能不会很好，但你们正在开辟道路，这将帮助你们更深入地与客户交流，帮助他们实现人生目标。”

当分支机构团队告诉我们“我有一个家庭要来访，以前，我必须按照旧的标准操作程序走18个步骤，而且我可能甚至得不到正确的答案，但现在，你实际上提供了我甚至没想到要问的洞察，因为现在数据以某种方式进行了整理，当我搜索时，我得到了更好的回复”时，我们正在边前进边开辟道路，然后，你开始建立一种全新的机制，从20000个分支机构团队那里学习，这就是对问题进行众包的经典定义，你提取数据，思考主题，然后创建原型，猜猜看，你可以对这些原型应用AI，但在你了解这些真正的用例是什么，以及你如何转型这些系统之前，很难将AI应用到你甚至无法访问的东西上。

这段经历凸显了变革管理的重要性，变革方面存在哪些关键挑战，IT领导者如何应对这些挑战，尤其是在大规模情况下?

Talasaz：改变行为和改变技术都很难，重要的是，技术领导者不要低估自己、团队和技术挑战。

要实现业务变革、人员变革和技术变革的正确结合，就要回到创新者-运营者思维模式，以及你如何必须同时做到这两点，这些事情很复杂，确实很困难，有很多变动部分，你需要详细的成果陈述，然后你需要将事情分解为创造这些成果的能力。在Zar的例子中，这些能力包括从如何输入数据、清理数据到分支机构如何使用数据的一切。下面可能还有十几件事情在发生，所以你必须知道这些是什么，然后下面你还必须知道技术是什么，然后你才能谈论技能和行动。

这些都是非常详细和微妙的事情，而人们经常忽略的一点是，当他们想到规模化时，对我来说，最重要的是要规模化细节，如果不把细节做好，就无法实现规模化，在这些抽象的对话中，我们谈论这些宏观的大事，而真正重要的是细节。

你不能只是说，我要让我的供应商或其他人来处理这些细节，高层管理人员必须深入了解这些细节，因为它们会影响战略，业务和技术执行的细节以及在更抽象层面制定的大型目标和战略是直接相关的，它们相互影响，你需要了解这些事情是如何协同工作的。

在很多情况下，我认为人们不知道这些细节是什么，这就是为什么他们规模化了错误的事情，如何找到最重要的细节?

Toolan：如果你将所有这些信息分解为子组成部分，你可以创建原型和用户画像：谁在使用我的东西，出于什么目的?然后你可以创建主题和趋势：基于这些原型和这些人，他们实际上在做什么?这就是你可以用来指导你作为企业如何应用AI，以及如何围绕你的AI战略制定可衡量结果的信息，然后这又会回到用户画像，再回到数据。

Afshean的评论非常精妙且简单：你需要细节来实现规模化，而且，要想将这些未来的数据流视为未来的收入流，你必须追踪：你如何对你的业务采用时间序列方法或纵向方法?而且，数据和信息的提取是非线性的，它必须在理论上无限的维度中进行编排。有很多方法可以对你的数据进行转置和使用推理，以服务于那些用户画像、那些驱动未来成果的主题，并最终实现大规模的超个性化，但如果没有远见和将数据放在那里的能力，你就做不到这一点，未来智能企业的将依赖于以我们今天才刚刚开始想象的方式使用大量数据，CIO，以及CFO，需要加大对使用其“主权企业数据”作为战略资产和竞争壁垒的投入。

拥有一位技术前瞻、AI优先的CEO，并将此作为首要任务，这有多重要?

Talasaz：高度支持的CEO不是成功的属性，而是必需条件，没有它，你也可以取得一些单打成绩，但你打不出全垒打。你可以做一些自下而上的事情，产生积极影响并创造价值，但要在业务中真正整合和规模化这种变革，则需要CEO的支持。

我们经常谈论外部环境的易变性、不确定性、复杂性和模糊性(VUCA)，但公司也存在创造内部VUCA的风险，领导者需要做些什么来最小化这种风险?

Talasaz：当你进行任何变革时，都有可能在内部创造VUCA，因为当你周围的事物快速变化时，你很容易在如何选择应对时在内部造成混乱，然而，一旦内部出现VUCA，你就处于非常艰难的境地，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，在内部尽可能合理地最小化它，并刻意避免增加它。

我如何减少不确定性?花时间详细讲述故事和叙述，帮助人们理解，波动性呢?在信息和规划上尽可能保持一致，准备可以减少VUCA，领导者必须真正承担起减少内部VUCA的责任，因为这是成功的关键原则之一。

数据、AI和数字化都关乎一致的执行，它们关乎提高下限，而不仅仅是上限，成功的企业将提高下限，而提高下限的唯一方法是通过一致的执行和交付，不需要完美，只需要一致。

世界上的VUCA正在增加，人们很难应对这么多不确定性，你无法完全消除VUCA，随着责任的提升，模糊性是自然存在的，但尽你所能减少它是非常重要的，因为你不想让内部和外部的VUCA同时上升。