AI越強，企業越迷茫：頂尖CIO們的十大真實之問

作者 | 凌敏、籍云

AI 個人工具每天都在創造奇跡，企業 AI 落地卻像陷入泥潭。阿里云 CIO 與十大行業 40 余家頭部企業 CXO 深度碰撞數月，打撈出十個鮮少被公開討論的真實之問。這不是一份標準答案，而是企業“向內看”的一面鏡子。

一邊科幻，一邊泥潭

AI 的冰與火：工具級和企業級的兩極境遇

AI 工具高熱兩個月了，OpenClaw 反復刷屏。一個人，一臺電腦，給 AI 開放本地權限，它開始自主搜索、寫代碼、調文件、發郵件——有人用它幾小時完成了過去一周的工作量。漫天的 AI 應用，讓個人的生產力可以擴張 50 倍。“AI 時代，一個人完全有可能創辦一家估值 10 億美元的獨角獸公司。”Open AI 聯合創始人山姆·奧特曼說。

與個人 AI 的畫風相反，企業級 AI 冷熱不均，戰線也更長一些。2025 年的一場小型閉門會上，一家知名化妝品公司 CIO 表示，他幾乎與所有做 AI 智能營銷的廠商聊了一遍，都沒有結果，他甚至立場鮮明地反對數字人產品進入零售公司，認為這是偽需求。同年 9 月的另一場 CXO 閉門會，一位知名企業的 CEO 甚至當場發問：“AI 到底是不是一場騙局？”

去年大家對 AI 半信半疑，至少在企業落地層面，AI 還遠沒有看起來那么確定。今年，態度肯定了，但心態迷茫了。

2026 年有一些公開的企業案例：某保險公司開發的 AI 理賠系統上線后準確率僅 60%，因數據格式混亂、內容過時，需額外花 2 個月清洗數據，項目嚴重延期；某制造企業 AI 質檢系統誤判率 15%（而人工僅 3%），因產線數據無法實時接入，三套老舊系統打通需半年且預算超支，系統上線三個月后“休眠”；某連鎖超市巨頭引入 AI 動態補貨系統，覆蓋 1200 家門店，上線后，華東區門店缺貨率飆升 40%，而華南區卻庫存積壓。

管中窺豹，以上這些，只是 AI“試點煉獄”的一些樣本。

觀察發現，2025-2026 年 AI 大模型發展最詭異的處境是：個人用 AI 越來越像科幻，企業用 AI 越來越像泥潭。個人工具級和企業組織級的 AI 價值兌現進度條，完全不在一個配速上。

MiniMax 在最近一次財報電話會上表示，Agent 已經覆蓋其90% 員工所在的工作場景，這是其能以 400+ 名員工同 OpenAI 以及其他國際巨頭競爭的底氣之一。這一數據指向的是，行業內最先進的公司正成為所謂的 AI-Native 組織。而據 MIT 針對 2025 年商業人工智能現狀的研究顯示，全球 54% 的頂級企業將 AI 列為優先投資，但真正實現轉型價值的，還不足 5%。即使到今年，這一局面并未出現明顯改善。據普華永道今年 1 月發布的數據顯示；僅有約 12%的 CEO 認為，企業 AI 已經實現成本與收入兩端的價值兌現。當然，企業對 AI 的投入，依舊升溫，但實現價值兌現的進程，持續緩慢。

圖 1: AI 境遇對比（圖片由 AI 理解生成）

在這組冰與火反差巨大的數據背后，一個群體被推到了聚光燈下——企業 CIO。

站在 AI 時代風口上，CIO 成為這場 AI 賽事最直接的承壓者，他們是企業技術戰略的制定者，是 AI 落地的第一責任人，也是在愿景與現實之間不斷拉鋸的緩沖帶。

企業級 AI 的錨點：CIO 的十個集體追問

當“AI 一日，人間一年”演繹得愈發劇烈，讓 CIO 猶如"鋼絲上跳舞"。

理性去看 CIO 這種時代性壓力，背后并非一時之癥，是深在腠理、盤根錯節的歷史包袱，與當下 AI 迎面接壤之后，問題更加錯綜復雜。解鈴更須系鈴人，或許只有局內人，才更懂這場 AI 局的解法。

為了給企業找到 AI 落地路徑，阿里云 CIO 已經探索 AI 幾年了，從無數個坑點中爬出來，總結矯正再去嘗試，始終不停。去年，他找到了 RIDE 的落地方法，但方法的打磨和迭代，不是孤軍一人閉門造車，而是和更多頂尖企業的 CXO 深度碰撞，去驗證問題和答案。

這個驗證過程，最關鍵的是真實。

袒露真相才能找到問題，定義問題才能領悟解題，于是，很多 AI 落地答案是從真正的“Bug”里走出來的。事實證明，阿里云 CIO 在與十大行業、40 家頂尖企業深度對話之后，大家表現出來的困惑背后，并非“AI 能不能”，而是更為根本的 What 和 How 兩個方向：

1. 我們到底在用 AI 做什么？—— 所謂做什么

2. 企業的 AI 為什么總是做不成？——所謂怎么做

歷經 AI 發展最快的這半年多，從大量的管理者對話中，阿里云 CIO 團隊試圖找到問題的真實錨點，并梳理成一份AI 時代的紀實性報告：《企業智變下的 CIO 集體之問》（以下簡稱《CIO 之問》）。

報告橫跨十大行業的關鍵共性問題，并歸納為企業級 AI 的十大經典之問，一定程度上也代表了 AI 大模型時代下，CIO 的集體之問。

• 一問：當企業做 AI 數字人時，究竟在做什么 ？

• 二問：AI 來與否，CIO 與組織都面臨一樣的老問題 ？

• 三問：當下 AI 機會迷思，如何分辨大模型“能做”與“慎入”的業務 ？

• 四問：為什么，大多數企業都搞不定“企業知識庫” ？

• 五問：怎么搞定高品質的“AI 燃料”：知識工程 ？

• 六問：Agent 的工程落地，“品味”是關鍵 ？

• 七問：AI 數字員工上線，和誰比、歸誰管 ？

• 八問：企業如何應對“AI 替代”的群體抵觸，推動組織轉型 ？

• 九問：AI 時代的組織權責：IT 與業務，緣何矛盾？怎樣融合 ？

• 十問：AI 推動的“10X”研發效能，真相如何 ？

前三問追問本源， 后七問深入內里。下面，我們逐一把問題展示出來。我們相信，從企業內里找到真正的問題，離答案就不遠了。

圖 2: 報告歸納十大經典問題（圖片由 AI 理解生成）

我們到底在用 AI 做什么 ？

當下有個頗為矛盾的現實：一面是，全球企業都在以前所未有的速度加大投入 AI，據 Gartner 預測，2026 年全球 AI 總支出將達到 2.5 萬億美元，同比增長 44%；另一面是，很多企業在回答“到底用 AI 在做什么”時，價值卻格外模糊，也帶著不自信。

這是當下企業 AI 推進中典型的反常識現象。

在阿里云 CIO 與 40 多家頂尖企業的深度交流中，這樣的時刻反復出現。表面上看，這些企業的 AI 項目并不少，推行也很積極甚至激進。但當視角從具體的項目中抽離出來，回歸到最根本的那個內核上時，很多 CIO 會突然停頓一下。目標、路徑與預期好像彼此錯位，甚至，也許連“問題”都沒有發現。

世界的運行秩序，往往是由 20% 的根本性力量決定的，企業也一樣。所以，報告的第一問，先從第一性原理出發，回歸企業級 AI 的本質。

CIO 一問：當企業做 AI 數字人時，究竟在做什么？

過去一年，數字人幾乎成了企業 AI 最火的關鍵詞之一。從客服數字人、銷售數字人，到運營數字人、招聘數字人，幾乎所有行業都在嘗試把 AI 放進業務流程里。

The Business Research Company 今年 3 月發布的一份數字人市場報告顯示，近年來數字人市場規模呈指數級增長。預計 2026 年數字人市場規模將從 2025 年的 477.2 億美元增長至669.8 億美元，到 2030 年，數字人市場規模將達到2581.5 億美元。

與市場的“高熱”形成鮮明對比的是，不少企業在認知層面仍處于“混沌期”。

主體的混沌是階段性的，就像龍蝦潮演變成全民養蝦，數字人流行演變成企業數字員工全面上陣，但當我們大量使用工具時，究竟是在做什么？這是必要的本源性拷問。

這是在《CIO 之問》的形成過程中，被意外暴露出來的，一個看似基礎的問題，比如：數字人和 AI 服務、智能外掛，是不是一回事？

很多企業的第一個 AI 項目，大多是基于 AI 技術的服務或是“外掛型 AI”，比如翻譯服務、營銷工具等。但這些往往只停留在工具層面，并不承擔完整的生產任務和業務責任，也幾乎無法度量價值。企業用了，卻很難說清楚它到底有沒有用。

數字人則不同。它的輸入 / 輸出和人類員工完全一致，可以作為“人”來抽象，它執行原來人類員工在現實中執行的任務，甚至比人類做得還好。企業也可以像度量人類員工一樣，度量數字人的質量和效率。其背后的邏輯在于，數字人是把原本依賴個人經驗完成的知識與操作過程，線上化、數字化，進一步產品化。比如，一個電銷數字人的本質，就是垂直知識 + 電銷服務的 SOP。

從這個角度，《CIO 之問》也推理出要點：當下企業級 AI 所做的事情，本質上是“一場知識工作的線上化補課”，AI 也讓知識工作第一次可以“被管理”。這是 AI 數字員工的根本起點。

過去幾十年里，知識工作（如法務、HR、銷售、設計）是“離線的”，知識和判斷都在人的腦子里，企業大量的知識工作由于非結構化特征，很難被傳統 IT 系統數字化，也就沒辦法被洞察和改進。

AI 第一次歷史性地，讓知識工作的過程和結果可以被在線化、被度量、被優化，也由此派生了數字人。報告流出的一組對話中，一家科技公司 CEO 認同感慨：“以前我們管流程，現在我們終于能管知識了。”

這里，阿里云 CIO 也同步延展了一個認知：與傳統系統相比，數字人首先要解決的，其實是一個生產關系問題。意思是，數字人的一大核心職能，就是承接原本由人類執行的知識工作，解決真實世界因人類固有約束，而形成的生產關系問題。

因此，企業做數字人，要先定義出“有價值的重復執行的任務”，讓數字員工先承擔起來。通過這樣的方式，IT 部門與業務部門可以圍繞具體任務形成共識，而不是把 AI 當作許愿池，造成無法落地的矛盾。

在這個過程中，數字人往往是先以效率工具的形態進入企業，隨著數字人承接的任務不斷擴大，原本圍繞人力組織起來的業務流程也會隨之改變。從落地順序來看，效率工具是入口，價值重構是結果。

早在 2025 年 9 月，阿里云內部就已落地了 28 個數字人項目，在內部工作系統中，這些數字人與普通員工一樣，擁有工號和頭像。關鍵的是，數字人的業務任務是真實的，度量是完整的。

圖 3: 企業級 AI 的本質（圖片由 AI 理解生成）

當然，數字人能順利承擔任務的前提，是企業內部的系統、數據和流程能夠配合它的工作。如果缺乏相應的流程支撐，再先進的數字人也無法真正融入業務。

這正是《CIO 之問》第二問探討的核心。

CIO 二問：AI 來與否，CIO 和組織都面臨一樣的老問題 ？

在大模型能力幾乎每隔幾個月就上一個大臺階的當下，很多人都會產生一種強烈的錯覺：AI 已經這么強了，企業里的很多效率與業務問題都能快速解決。但源源不斷的風險事件和數據困局，揭露的卻是另一個截面：AI 能力越強，越容易暴露企業原本隱藏的問題，尤其是數據這類地基問題。

Informatica 今年 1 月發布的《2026 年首席數據官洞察》研究報告中指出，69% 的企業已將生成式 AI 嵌入到業務流程中，但 91% 的數據領導者表示，數據可靠性仍然是 AI 項目從試點走向生產的主要障礙。報告將這種現象稱為“信任悖論”：雖然員工普遍信任 AI 使用的數據，但數據領導者深知數據質量和治理結構的短板。

《CIO 之問》用一個極其準確的比喻——AI 是面鏡子，照出 IT 系統的歷史——來描述這種現象。鏡子不會讓一個丑的人變美，也不會讓一個美的人變丑。同樣，AI 也不會創造出新的問題，它只是把企業原本就存在的問題照亮了，讓企業第一次必須認真面對這些歷史問題。

以數據分析為例，很多企業都在嘗試構建 BI 或商分數字人，通過自然語言進行提問，AI 自動生成 SQL 查詢并返回分析結果。看似簡單，但它隱藏一個巨大的前提：企業原來的數據指標要完善。如果原來的 SQL，人都寫不出來，那么換成 AI 之后，問題依然不會消失。

也有企業提到 AI 時代的業務指標體系怎么建？但《CIO 之問》討論認為，指標的問題，本質上和 AI 沒關系，它是上一代數字化要解決的問題。理論上，企業應該有一套清晰的核心指標體系，團隊圍繞這些指標迭代，就像圍繞北極星指標觀察業務異常。但如果企業在上一輪數字化轉型中，沒有解決好數據拉通、業務決策、業務數字化、數字業務化等一系列問題，到了 AI 時代，大家以為拿到了一盞“阿拉丁神燈”，開始期待 AI 能夠自動解決所有問題，這是不現實的。

阿里云 CIO 一直把企業原來的系統與數據基礎比作“蛋糕坯”，AI 更像是蛋糕坯上的櫻桃。老板想要的是一塊漂亮的櫻桃蛋糕，如果沒有蛋糕坯，再漂亮的櫻桃也無法做成櫻桃蛋糕。換句話說，如果底層數據結構混亂、指標體系不清晰，再先進的 AI，也無法生成真正有價值的結果。

如果把企業技術發展路徑放在更長的時間軸上看，很容易理解背后的根因。

過去二十多年，企業技術體系大致經歷了三輪演進：信息化、數字化和智能化。信息化關注的是把業務搬到系統里；數字化關注的是用數據理解業務，通過數據做解讀、做決策；智能化關注的是讓 AI 參與到生產中，涉及到對數據的評測。從難度上來看，智能化>數字化>信息化。

理想的演進順序是逐步遞進，但現實情況卻是，在很多企業里，這三件事幾乎交疊著同時發生。

《CIO 之問》在交流中觀察到，“在飛行中換發動機”來形容企業狀態的，大量存在。也就是說，企業一邊補信息化時代的作業，比如系統整合、流程線上化；一邊補數字化轉型的作業，如數據治理、指標體系建設；同時還要融入 AI 快速進入智能化階段。這難度可想而知。

圖 4: AI 是蛋糕坯上的櫻桃（圖片由 AI 理解生成）

于是，一個很微妙的局面出現了。AI 看起來“無所不能”，但在企業真正落地時卻又“落不下去”。這種尖銳的反差，也是 CIO 在這一輪技術變革中的最大壓力來源。問題的癥結，也許需要重新審視 IT 系統的本質。

《CIO 之問》 給出一個本源的思考：IT 里的信息系統，本質是物理世界的一個抽象，是企業業務歷史社會關系的總和，CIO 終歸是要戴著歷史所有的鐐銬，去支持新業務的。

于是，AI 時代的 CIO，到了跳出單純技術視角的歷史時刻。

CIO 的關鍵詞“I”，從信息化的 Information，擴展到數字化的 Data，又進入智能化 Intelligence。分析機構也在重新定義 CIO， 從 IT 智能負責人向戰略制定者，從技術維穩者向生態協調者。

阿里云 CIO 也給出他的經典理解，從“系統交付者”變成“組織翻譯官”。這個翻譯有兩個方向：一是“向上”，把技術的現實約束翻譯給業務高層，讓他們的 AI 期望值落地；二是“向下”，把業務的真實需求翻譯給技術團隊，讓工程師知道自己做的東西真正有人用、有人評、有人負責。

AI 在不斷降低技術生產的門檻，過去，CIO 的不可替代性很大程度上來自“只有我們懂技術”，但當下，CIO 真正要當作自己第一衡量標準的，是“業務結果”，而不是“技術交付”。

Asana CIO Saket Srivastava 也談到，未來的 CIO 將不再以管理系統為榮，是以“如何編排工作在整個業務中的流轉”為考核標準。也許，無論哪種角色轉身，這本就是 AI 這面“鏡子”照見 CIO 群體的結果。

圖 5: AI 的發展與 IT 的本質，決定 CIO 的角色變遷（圖片由 AI 理解生成）

當企業逐漸看清這些老問題之后，新難題也隨之出現：在大模型幾乎無所不包的能力面前，企業到底投入在哪兒，才是對的？

這也引出了《CIO 之問》的第三個問題，這幾乎是所有企業的集體之迷。

CIO 三問：如何分辨 AI 大模型“能做”與“慎入”的業務？

過去幾年，大模型能力不斷刷新外界想象，幾乎每個行業都在討論新的應用機會，希望找到可以被 AI 改造的環節。但現實卻是，企業對 AI 的期待已經遠遠超出技術本身，AI 炒作與價值回報之間存在巨大的鴻溝。

根據普華永道今年 1 月發布的第 29 屆全球 CEO 調查，大多數首席執行官表示，他們的公司尚未從 AI 投資中獲得財務回報。更具反差的是，盡管 AI 被視為拉開企業差距的關鍵變量，但 CEO 們對營收增長前景的信心卻跌至五年來的最低點：僅有 30% 對未來 12 個月的營收增長持樂觀態度，遠低于 2025 年的 38% 和 2022 年的 56%。

表面上看，大家失去的是對 AI 價值回報的信心，實際更隱蔽的癥結，是企業在 AI 項目起點上的判斷偏差。

但并非所有的企業都意識到這一問題。 AI 掀起的這股技術熱潮下，很多公司把 AI 當作“萬能鑰匙”：客服用 AI、銷售用 AI、數據分析用 AI、商場排班用 AI、庫存管理用 AI、金融交易系統用 AI、對賬系統用 AI、服裝設計用 AI、一線導購用 AI……為了不錯過，企業好像什么都能用 AI 重新做一遍。

這也是當下企業在 AI 落地過程中，非常典型的一個認知誤區：不是先定義問題，而是先決定用 AI。

《CIO 之問》發現，這種誤區的根源性在于，企業可能沒有認清這輪 AI 革命的核心 LLM（large language model）的本質。所謂大模型，是“大語言”模型，很多企業忽視了這個“大語言”究竟擅長做什么。它必然是一個圍繞 language 構建出的系統。只要是有 language 關鍵字的業務范疇，大模型都非常擅長。

但現實卻是，一些并非以 language 為中心的工作，也被一股腦兒地丟給 AI。

以行業常見的排班規劃和庫存管理為例，這類典型的規劃場景，本質上是最優化調度問題，屬于重度規劃，它的重復性不高。并不是一個以自然語言交互為基礎的應用，而是一個結構化的求解，可度量、可觀測。對于這類能結構化的場景，一旦引入 LLM 用自然語言去操縱它，反而會犧牲精準性。在《CIO 之問》報告呈現的一組對話中，某制造行業企業坦言，從一個小的具體場景做起來會發現，對于結構化場景，“大模型是做不過傳統手段的”。

能精準解決的問題，就沒必要引入模糊能力。像金融行業的交易系統、對賬系統這類場景，道理也是如此。這類業務的核心是交易精準，任何細微誤差都可能帶來嚴重后果。因此，這類場景更適合采用原來傳統的 OLTP，用精準的數據模型和對賬校驗系統來完成。

這類場景上的判斷偏差，根源在于企業未能分辨大模型“能做”與“慎入”的業務究竟是什么。所以簡單總結來看，《CIO 之問》從多輪問題討論中，給出三個關鍵點：能做、慎入、和邊界。

先看“能做”。如前文所說，這一輪 LLM AI 的本質是 language（語言交互的知識工作）。這意味著，以 language 為中心的工作，都將被大模型深刻影響。比如電銷、客服、招聘、OKR、文檔、翻譯、合同審核，還有研發類的 C language、Java language、SQL language 等等。

再看“慎入”。與 language 為中心相反，那些不以自然語言交互為基礎的應用，比如重度依賴規劃、不經常重復，比如高度結構化且需要高度精準化的場景，當下的 LLM 并不擅長。并且，當下的 LLM 對物理世界的場景幫助也有限，也許未來，具身智能技術會在最后一公里的物流服務上帶來效率顛覆。

在“能做”與“慎入”之間，這里，還存在一個模糊的“邊界”。比如有企業拋出很有意思的問題：“有些模糊的地帶既可以用 AI 做，也可以用傳統系統做，到底該用誰來做？”

對這個問題，《CIO 之問》給出這樣的考慮原則：能垂直專業化，就先做垂直專業化。

一方面，這涉及到技術部門的一個長期問題：它永遠是“大一統”邏輯（統一 IT 、統一信息、統一數據中臺、統一智能化平臺），經常會有橫向的技術團隊來承接這件事，但它最終無法形成專業化。

另一方面，涉及到“世界知識”與“垂域知識”的問題。本質上，人工智能，其實是由人去教它的，但如果人都搞不清楚的問題，就不能企圖讓 LLM 搞清楚。更進一步來說，對于物理、數學等標準化的“世界知識”，AI 能夠進行訓練；但對于企業業務領域的知識，AI 是很難獲取的，也就對這些知識無法評測。這是個關鍵的可度量問題。

圖 6: 分辨 LLM AI 的能力邊界（圖片由 AI 理解生成）

當企業能夠定義問題，分辨能與不能時，下一步真正卡住脖子的，往往不是技術，是落地過程中那些更深層、也更棘手的問題：為什么 AI 項目做了很多，卻始終難以兌現價值？

為什么 AI 項目總是做不成？

很多企業的 AI 項目往往立項時聲勢浩大，高層重視、預算到位、試點匯報時數據亮眼，但幾個月后卻驟然降溫，使用率下降，管理層陷入懷疑。這是很多企業在當下的普遍狀態。麥肯錫在 2025 年末發布的報告解讀中指出，大多數企業的 AI 項目仍停留在 PoC 或試點階段，只有 7% 的組織實現“全組織部署整合”。

在傳統的信息化項目中，系統的邏輯相對確定、清晰，大家更多是在既定規則上實現自動化。AI 項目則完全不同，它依賴大量高質量的數據，需要專門的人構建知識、定義評測標準，需要組織內部形成新的協作方式。

很多企業在復盤 AI 項目時，最初的直覺往往將問題歸結于技術：是不是模型能力還不夠強？算法效果不穩定？算力成本太高？AI 項目之所以停在 PoC，并不是因為技術做不出來，而是組織本身還沒有為 AI 的工作方式做好準備。

因此，《CIO 之問》的后七問，選擇將視角拉到企業系統與工程內部，從企業真實落地難題出發，逐一拆解那些在 AI 項目落地中繞不開的關鍵。

問題的第一站，是企業知識庫。這是幾乎每個企業在啟動 AI 項目時，都會面對的課題。鋪天蓋地的教程讓企業快速構建知識庫成了一件看起來容易的事情，但現實卻是，企業知識庫往往是最早立項、也最容易陷入停滯的項目之一。

《CIO 之問》的第四問，深入探討了企業知識庫失敗的根因。

CIO 四問：為什么，大多數企業都搞不定“企業知識庫”？

在企業的 AI 項目規劃里，知識庫通常會被放在一個非常核心的位置，不少企業也愿意為其投入資金、物力和人力。但往往知識庫建了兩年還是一塌糊涂，好像 ChatBI 上線即終結。

公開信息顯示，某國有銀行信用卡中心曾投入 300 萬元上線智能知識管理系統，希望通過系統化沉淀內部知識，提升員工查詢效率。但系統上線后，實際使用率持續低于 25%，大家寧愿請教同事或用自己整理的 Excel 知識庫，也不愿意打開系統檢索。

投入打了水漂，知識庫成了擺設，這只是企業知識庫困境中的一個縮影。

為什么看似成熟的知識庫，卻在企業內部頻頻“翻車”？

其中的一個重要原因是，企業對知識庫的期待已經發生了根本改變。過去，知識庫是給人用的，員工查資料、做決策、寫報告，即便信息不完整，人也可以依靠經驗進行判斷和補充。但在 AI 時代，知識庫的使用對象是 AI，AI 需要根據知識庫自動回答問題、生成報表、輔助決策。也有不少企業嘗試通過 ChatBI 等方式，把原本只有數據分析師或管理層才能使用的數據能力開放給更多人，讓員工通過自然語言就能完成數據分析。

這本是一件非常有價值的事情，它意味著數據走向平權。《CIO 之問》也觀察指出：正是因為這些“大而全”的期待，讓企業知識庫陷入盲目建設，暴露出更多的問題。比如，很多企業在推進 ChatBI 項目時發現，自然語言轉成 SQL 并不難，難的是，企業原有的數據體系是否足夠清晰、可靠。如果原來的 SQL 不完整、不準確，ChatBI 項目推進自然會遇到瓶頸。

此外，這種“大而全”的期待也會讓企業知識庫建設邏輯出現偏差。比如，很多企業以為，只要把散落的文檔、報表和郵件收集到一個系統里，就完成了知識庫建設。甚至有些企業還期待，AI 能夠自動補全那些缺失的歷史知識。但正如《CIO 之問》第三問中已經強調的，AI 有其能力邊界，對于物理、數學等標準化的“世界知識”，可以利用 AI 進行補充，對于實質知識、垂域知識，只能靠企業自身積累。

因此，報告給出建議：企業在建設知識庫時，需要聚焦垂域場景，從具體的業務任務出發，先識別出該場景的“意圖空間”，再根據“意圖空間”識別需要用什么樣的半結構化數據來支撐，再去有針對性地進行知識庫建設。這是一個從應用垂直視角重新建設的正向邏輯。

但在現實中，很多企業走的路徑完全相反。比如，在大量的 CIO 交流中，企業看似在討論如何管理散落的非結構化知識，實際的潛臺詞是，企業存量的 Word 文檔是一個全量的、支離破碎的收集邏輯。這些知識本身并不完整，甚至和現實業務脫節，有錯有漏。用這樣的知識做地基，無異于“浮沙筑高臺”。這也是為什么，大多數企業都搞不定“企業知識庫”。

當企業開始以聚焦垂域場景的思路，推進知識庫建設時，很多看似復雜的問題，尤其是大家普遍關心的知識庫數據安全問題，都會找到答案。

在這之上，另一個問題隨之出現：當企業真正把知識庫收縮到具體業務場景之后，如何保證供給 AI 的知識燃料是“精品煤”，而非“粗煤”？這直接關系到能否讓 AI 產生真正的業務價值。

《CIO 之問》第五問，試圖尋找的正是這一問題的解。

CIO 五問：怎么搞定高品質的“AI 燃料”：知識工程？

知識即數據。如果數據本身存在問題，知識質量也不會高，AI 效果更不會好。

臺灣 CIO 雜志在今年 1 月發布的《CIO Insight 年度調查報告》中提到，38% 的 CIO 承認 AI 導入后的效率不如預期，原因是公司內部的資料太臟、太亂了。超過 40% 的企業直言，手上超過一半的數據都需要清洗。報告將這一現象稱為“數據的贖罪”，并預測 2026 年，很多企業將被迫停下腳步，花大價錢去進行數據治理。

這聽起來很不性感，但如果不做，之前的 AI 投資就會變成財務黑洞。

不過，數據治理還只是第一步。再往上走，是知識工程。阿里云 CIO 在去年的《C 位面對面》欄目中曾做過一個形象的比喻：“我們這一輪 AI，假設它是引擎，那知識就是燃料。”

撐起 3000 多億美元市值的 Palantir 提出的“本體論”，本質上就是建立知識工程能力，把業務知識結構化建模。不過，很多人把“建模”當成了終點，其實它只是起點。關鍵需要先想清楚，到底要建哪個領域的“本體”？這個“本體”是誰定義的？能不能被驗證？能不能跑出結果？這是《CIO 之問》探討本體論時給出的挑戰。

阿里云 CIO 坦言，這兩年團隊的工作，實際上就是用 AI 逼著人把腦子里那些“只可意會”的經驗，變成可執行、可校驗的結構。真正的本體，不是畫出來的，而是跑出來的。要想落地 Palantir 的“本體論”，很難靠咨詢公司畫個圖去實現，而是要把 AI 當員工，逼著業務部門一起去定義“什么是好”，用真實數據和結果反推結構，每次迭代都看“客戶是否真的用起來了”。

《CIO 之問》探討認為，做好知識工程，就先做“意圖空間”。這里有幾個關鍵點：做垂域的有限空間，否則“起步即死亡”；在垂領里，倒過來還原意圖；要警惕智能補償的欺騙性。

因此，討論的建議是：在構建知識空間時，企業需要先從不可能到可能，從無限空間到有限空間，如果恰好在某個垂域有比較規整的數據，就可以將其當做切入口。

從選定切入口，到真正構建起可用的知識空間，企業還會遇到一些實際落地問題，比如：

1. 知識空間究竟該由哪個團隊來主導？很多企業的第一直覺往往是“IT 團隊主導，業務團隊配合”，但報告挖掘出的真相是，業務團隊必須成為驅動者。 2. 知識空間另一個難點，是隱形知識如何顯性化？報告探討認為，AI 做的，只是將原來的“知識”翻譯成“技術語言”，這并不是 AI 時代才出現的新工作，是知識工作者原來就應該做、但一直沒有真正做好的本分。 3. 數據涉及核心機密時，企業內部 AI 中臺提出的安全等級挑戰如何應對？報告認為這涉及到 一個常見誤區： 不該問“AI 權限怎么辦”，AI 應該是基于原來的系統去做，尊重原來的系統也許就不存在權限問題。

《CIO 之問》從一系列的知識問題中發現：很多問題本質上透露的，是需要改變的思維范式——企業需要把 AI 視作新的渠道，而非新的功能。如果將 AI 視為一個新的功能，將數據、API 獨立于原有的業務系統，重新做一遍，那么管理成本會迅速失控，架構復雜度也會飆升。

圖 7: 知識工程的認知轉變（圖片由 AI 理解生成）

回到主線，當企業的意圖空間和知識空間都建立好了，才有可能開展評測，度量 Agent。這也是 Agent 工程落地的關鍵。

《CIO 之問》第六問，探討的核心就是“評測”二字。

CIO 六問：Agent 的工程落地，品味才是關鍵？

要想找到 Agent 工程落地的答案，需要先認清 AI 工程的關鍵。

《CIO 之問》將新 AI 時代的工程比作“殼”，數據和評測工程比作“肉”。當前，很多企業陷入的誤區是，是把大量資源投入在“殼”上——用通用模型快速做個“殼”出來，實現所謂的提效。但在垂域里，“肉”才是最重要的——數據和評測工程所代表的 know-how，才是企業真正的護城河。

更直白地說，企業要想實現 AI 項目的成功，首先要重視評測的人，這和“品味”大為相關。

1995 年，記者在一場采訪中問喬布斯：“你怎么知道什么是正確的方向？”喬布斯回答道：“最終，這歸結于品味。要主動去接觸人類創造過的最杰出成果，再試著將這些融入你正在做的事。”

三十年后，這句話在 AI 時代顯得格外鮮活。《CIO 之問》也給出一個有意思的推斷：AI 以前所未有的速度降低技術門檻，技能大規模通脹，真正的品味開始通縮，異常稀缺。這里所謂的品味，不是抽象的審美偏好，是指對“什么才算真正好”的判斷力，這與這一輪 AI 的關鍵問題——評測——高度相關。

聽上去也許有些反常識。今天談 Agent 工程落地，大家最常討論的是數據、模型、算力、工具鏈，仿佛只要這些條件具備，落地就是水到渠成。與之相比，真正愿意深入討論“評測”的人卻不多。但評測，恰是這一輪 AI 里最難、最關鍵的部分。

這要回歸到本質去理解。與上一輪以深度學習為代表的 AI 革命相比，這一輪 AI 革命最大的區別就在于，度量數據、評測沒有標準答案。這也是強調品味的根因。比如，深度學習時代做數據評測相對直接，圖片是交通燈還是汽車，都可以通過打標建立標準答案。但這一輪 AI 革命，大模型輸入 / 輸出都是“小作文”，在企業專業場景里，更是沒有標準答案，很難直接度量，這也間接帶來了成本增高等落地難題。

從這個角度來看，企業實現 Agent 工程落地，要由有品位的人，來構建知識與定義評測標準，這直接決定了大模型應用能達到的高度。

更深層地講，《CIO 之問》給出了經典的討論：對 AI 的品味，本質上是人類對復雜世界的經驗、抽象能力和責任感的結晶。AI 可以提升下限，但上限，永遠靠人來定義。

品味之后，是具體的執行。

這也是很多企業很關心的具象落地問題，像企業 AI 開發的腳手架工程、小模型與大模型的使用，數字員工與數字員工的交互設計……從問題能觀察出一些需要警惕的誤區：

報告探討認為 “AI 開發平臺不是預先規劃、構建出來的，一定是“打”出來的”，源于真實的業務碰撞，而非技術空想； 一些訓練場景下的基本原則是 “能不用小模型就不用、能不去微調就不去微調”； 在單一數字員工落地就很難的情況下，很多企業還企圖再用 Multi-Agent 一起來，這無異于從一個草臺班子變成兩個草臺班子加起來，等等。

每個話題都可以延展出一項課題，這里不做贅述，更多可詳見完整報告。

圖 8: AI 時代的殼與肉、技能與品味（圖片由 AI 理解生成）

當 Agent 開始真正在工程中落地，數字人的管理，直接影響 Agent 能否真正產生價值，《CIO 之問》第七問，試圖探討這個被高頻提及的問題。

CIO 七問：AI 數字員工上線，和誰比、歸誰管？

很多企業在討論 AI 數字員工時，最先想到的往往是能力：模型夠不夠強，回答準不準，能不能真正接流程、替人干活。但真正到了上線那一步，才發現最大的問題出現在組織層面——

AI 數字員工上線后，到底該和誰比？ 是和專家比，還是和原來崗位上的普通員工比？ 它歸技術部門管，還是歸業務部門管？ 出了問題，“鍋”算誰的？ 傳統的金字塔結構會徹底改變嗎？ ……

這些問題之所以難，是因為過去大多數組織的管理體系，不是為“非人類員工”設計的——組織本身還沒有為 AI 的工作方式做好準備。

管理學中公認的一大信條是：如果你不能衡量它，就不能管理它。所以《CIO 之問》探討的，是對數字員工的度量和管理。報告認為：AI 數字員工難以管理的根本原因在于，它是知識型員工。正如“現代管理學之父”彼得·德魯克所說，知識型員工是最難管理的，因為難度量。因此，AI 數字員工進入企業之后，首先沖擊的不是某個崗位，而是企業原有的管理方式。

但在大多數企業中，組織結構、崗位職責和 SOP 依然停留在舊體系里。在這種錯位中，自然暴露出了前文所探討的和誰比、歸誰管等問題。

先看“和誰比”。這里最常見的誤區是，很多企業將 AI 數字員工直接拿來和專家比，期待它能達到專家的水平，甚至把 AI 視作神來比較。

但在現實中，企業是一個金字塔的能力模型：塔尖是少數專家，塔底則是大量重復執行標準化任務的人。企業之所以能擴大規模，不是因為專家越來越多，而是因為專家把經驗沉淀成 SOP，再交給更多普通員工、基層員工或者外包去執行。從這個意義上說，當下 AI 數字員工最現實的落點，并不是先替代專家，是優先接管金字塔底部那些人的“真實任務”。

再看“歸誰管”。有不少企業提出這個疑惑：過去，出了問題可以直接找到具體的負責人，但現在有了 AI 數字員工，出問題是不是就甩鍋給 AI 了？答案顯然是否定的。《CIO 之問》探討認為，“鍋”一定都是在正式員工身上，AI 是外包性角色，談不上“鍋”的責任。而很多企業普遍存在這個誤區的根因在于，并沒有一個清晰的責任結構。

比如，這里有一個認知錯位：很多企業會下意識地將 AI 數字員工交給技術部門來管，但一旦它真正進入業務流程，具體崗位任務，它的價值就和業務結果掛鉤。因此，AI 數字員工更適合交由業務部門管理，同時，業務要與技術部門一同合作去度量，去確認 AI 數字員工是否合格。這個過程中，IT 部門擔當了“數字員工提供商”的角色。這是《CIO 之問》給出的建議。

當然，不同崗位的 AI 數字員工，落地后的管理方式和注意點也不盡相同。在《CIO 之問》中，不同企業探討了多個場景下的數字人落地經驗：

在當下應用數字人最廣泛的客服場景，企業需要解決的不只是“怎么管”，還需要明確問答背后的知識體系是如何構建與保障的； LLM 最擅長的文檔場景，過去需要人工六個月才能完成一輪的驗證工作，文檔驗證數字人只需要一個星期； 服裝設計師這類復合型崗位，數字人最適合接管的是“單一任務”，把設計師從“畫圖工”里解放出來，用 AI 當作“精英放大器”來放大人類員工的帶寬。等等。

這里，在對數字員工進行度量和管理時，《CIO 之問》討論出有幾個原則：首先，AI 服務于真實、具體、可驗收的任務。第二，AI 的價值需要 E2E 業務價值的指標來度量。再者，組織關系和管理模式也需要隨之調整。

圖 9: AI 數字員工的管理要點（圖片由 AI 理解生成）

當這些基礎問題理順之后，隨著數字人應用場景越來越多，人機協同矛盾將不斷擴大：哪些任務該交給 AI，哪些仍需保留給人類？如果沒有想清楚這個問題，很容易在組織內部引發群體恐慌。

《CIO 之問》的第八問，探討的正是群體恐慌下的管理之道。

CIO 八問：企業如何撫平“AI 代替”的群體恐慌，推動組織轉型 ？

在這輪 AI 掀起的風暴中，全球科技行業關于裁員的消息愈發猛烈。

今年 2 月，美國知名金融科技公司 Block 宣布計劃裁員 40%，員工規模從 1 萬人縮減至 6000 人以下。該公司創始人杰克·多西在致股東的一封信中提到，AI 工具是此次裁員的原因。“核心邏輯很簡單，智能工具已改變了創建和運營一家公司的意義。”

據路透社今年 3 月報道，Meta 也在醞釀一輪前所未有的大裁員，裁員比例可能高達公司總人數的 20% 以上。按照 Meta 在 2025 年底公布的約 7.9 萬名員工總數來算，這場裁員意味著將有大約 1.6 萬人失去工作。

AI 沖擊的不僅是普通員工，也包括 CEO。今年 3 月，擔任 Adobe CEO 長達 18 年的 Shantanu Narayen 宣布將在找到繼任者后卸任 CEO 一職。有分析人士指出，Adobe 近年來被市場視為“AI 時代的落后者”，盡管 Narayen 曾帶領 Adobe 完成向訂閱制的成功轉型，但在生成式 AI 浪潮中，投資者對其戰略方向和創新能力產生嚴重懷疑。

這些新聞在企業內部，往往會引發另一種情緒，一種越來越普遍、卻又難以公開討論的焦慮：AI 究竟是增效工具，還是“裁員利器”？硅谷的精簡敘事是否會復制到中國？

事實上，AI 替代已經是一個公開的秘密，每個人都心里在想，它什么時候會發生。

面對這種群體性擔憂，答案或許就藏在企業組織的金字塔結構變化里。傳統的金字塔結構是一個正三角，當 AI 接管金字塔底部那些人的“真實任務”后，組織結構會發生深刻變革——金字塔底的工作幾乎全部用 AI 替代，形成精英工作制，精英核心角色也許有兩個：高價值工作者 + AI 訓練師。

《CIO 之問》還給出進一步的探討內容：

金字塔雖然不會徹底消失，但它的“含人量”會發生結構性的重組：金字塔底層的大量重復性知識任務，會首先被數字員工接管；中層的管理幅度會發生變化，比如過去一個主管管理 10 個人，現在可能需要管理 3 個人和 7 個數字員工，對主管的能力要求也更高了；頂層的精英短期內不會被替代，但他們的工作方式會發生變化，人的價值集中在“判斷力”和“品味”上。

總之，金字塔的形狀會變：底部收窄、中部變薄、頂部對能力要求更高。當然，成熟的大型組織金字塔會是漸進式的收縮，而非顛覆式的重構。

在此之上，人與 AI 的協同關系也會發生變化。要想理清這種協同關系，可以從 Copilot 和開發者兩個維度來看待問題。

從 Copilot 維度來看，AI 數字員工作為輔助工具，相當于提升了一個人的產出效果和產出量。從組織管理的角度看，這或許不算 credit，也不算拓展了 HC。以阿里云 CIO 團隊的電話外呼數字人為例，它屬于售中輔助，并沒有因此減少一個人力編制，只是同樣的任務做得更好了，通話輪次多了，客戶滿意度也增加了。組織的核心能力并沒有本質變化，只是同樣的人做事比原來更靠譜了。

從開發者維度來看，以某大型企業的觀察，內部使用 Cursor 后，開發人員的產出并沒有明顯增加，不少人反而開始“摸魚”。也有管理者提出，應該給開發人員額外增加 20% 的工作量。這背后是一個管理邏輯。

如此來看，人和 AI 數字員工的關系，本質上不是一個“誰替代誰”的問題，而是一個“知識員工”的質量與管理命題：AI 釋放出來的時間和精力，能不能被有效地重新投入到更有價值的任務中去？一個工程師帶 5 個數字員工是否可以晉升高級工程師？數字員工的 AI 賦能后，怎么去評判真實員工的 KPI 完成度？……真實的課題還是要留給企業管理者。

圖 10: 金字塔的“含人量”結構化重組（圖片由 AI 理解生成）

當企業逐步從“AI 替代”的恐懼走向“AI 協同”的組織策略時，IT 與業務之間的張力便愈發難以回避。《CIO 之問》的第九問，試圖理清的就是 IT 與業務之間的矛盾與融合。

CIO 九問：AI 時代的組織權責：IT 與業務，緣何矛盾？怎樣融合？

IIoT World 與 HiveMQ 今年 1 月聯合發布的一份數據報告顯示，跨職能部門的協調不力正在扼殺 AI 項目。在一篇報告的解讀文章中，作者描繪了一個極具代表性的會議場景：

OT 總監剛經歷一場由軟件更新引發的生產危機，要求新系統遠離生產網絡；IT 負責人擔心數據治理，上一個試點項目把未經驗證的傳感器數據直接推給云端模型，既無訪問控制也無模式規范；數據科學負責人已經等了八周才能訪問六臺壓縮機的振動數據——數據存在，但被 OT 控制，由 IT 管理防火墻，雙方都沒有文檔記錄。三個人都對，但項目寸步難行。

那篇報告的作者將這種現象定義為“組織摩擦”，并直言：這是工業 AI 項目的無聲殺手。

這種矛盾不是個別現象，AI 在企業里全面開花，但企業里的 IT 部門和業務部門，似乎比任何時候都更具對抗性。表面上看，AI 是工具，實際上，它放大了長期存在的摩擦：誰做“蛋糕坯”，誰做“櫻桃”的矛盾被無限放大。有技術管理者更是直言：“我們做蛋糕坯的，經常被做櫻桃的人挑戰。”

兩個團隊的這種對抗，幾乎是流淌在毛孔里，但影響的是最終的櫻桃蛋糕越來越難。

原因很簡單，當下的智能化階段，創造了一定程度的技術平權，業務團隊也能自己搭建簡單的數字員工、AI 應用和自動化流程，用 demo 快速展示成果；而 IT 團隊依舊要背負基礎系統的穩定、數據安全和隱性責任，卻總是不容易被看到。交流中，有的 CIO 甚至苦笑發問：“ IT 部門該如何讓業務部門明白，他們做出來的 demo 和系統性做出來的，是不一樣的！”

由此，甚至萌生出一種叫做“ITBP”（ IT Business Partner）的新物種崗位，來嘗試化解業務與 IT 部門的沖突。

回過頭看，阿里云 CIO 發現，這依舊不是 AI 時代帶來的新問題，而是歷史中本就存在的老問題，只是在 AI 時代被無限放大。從企業信息系統發展的歷史來看，信息化到數據化再到智能化，本質都是如何用信息技術去幫助業務提效、創新。這中間牽涉三種角色：第一種角色叫做“業務”的物理世界；第二種角色是所謂的“產品經理”，把業務物理世界的語言，翻譯為 PRD；第三種角色是“研發”團隊，把 PRD 這個自然語言再翻譯成 Java 或者 C 代碼。

很多人以為，第二次翻譯——從需求到代碼——才是技術難點。但是，真正的瓶頸往往出現在第一次翻譯：現實業務與系統需求之間的映射。業務與 IT 的協同本質上是“翻譯”過程，一般情況下，是個單向道關系，如果技術不往“業務”多去理解，科技與業務是永遠銜接不上的。

《CIO 之問》探討認為，要想解決業務與 IT 斷層，需要的是“雙語人才”，這也是 ITBP 的真正價值，這在當下尤為關鍵。

從企業 IT 系統的變化來看，可以更清晰地理解這一角色的必要性。從第一輪信息系統的在線化，到第二輪數據中臺的數字化，再到第三輪的智能化，特征都是將企業物理世界中的業務語言，翻譯成 IT 系統能夠理解和執行的語言。如此看來，業務與 IT 的協同，本質上是“翻譯”過程，需要既懂業務又懂技術的復合型人才，用雙向語言彌補掉“翻譯”鏈條上信息丟失造成的協作困境。

圖 11: IT 與業務的對抗性與融合路徑（圖片由 AI 理解生成）

當 IT 與業務之間的矛盾逐漸化解、協作步入正軌之后，AI 的工具高速迭代也在配合這種組織的提效演進，但 AI 究竟能在多大程度上提升生產力，這是單純的 AI 技術驅動，還是要回歸到軟件工程的老問題？

《CIO 之問》的最后一問，來做探討。

CIO 十問：AI 推動的“10X”研發效能，真相如何 ？

“AI 讓研發效率提升 10 倍”——這是過去一年技術圈最誘人也最危險的敘事。

AI 編程工具熱度始終不減。從各類代碼助手密集發布，到 Vibe Coding 掀起氛圍編程熱潮，再到崇尚技術規格的 Spec-Driven 大火……新詞與 100 倍、1000 倍的提效案例齊飛，讓研發領域格外熱鬧。

今年 2 月，前谷歌、亞馬遜資深工程師 Steve Yegge 在《The Anthropic Hive Mind》博文中，揭示了一個驚人事實：Anthropic 的工程師，按核心功能迭代速度、代碼產出質量綜合測算，效率是如今使用 Cursor 和聊天工具的工程師的 10 到 100 倍，大約是 2005 年谷歌員工的 1000 倍。

弗雷德·布魯克斯關于軟件工程管理的奠基之作《人月神話》，提到的開發人員之間的生產效率差異還只是 10 倍，如今，“1000x 程序員”似乎已經成真。

但在企業的真實落地中，情況往往比較“骨感”。撇開泡沫去挖掘內核就會發現，Vibe Coding 同時也是垃圾代碼高速生產器，甚至讓技術團隊“死”得最快。至于 Spec-Driven，它的本質是拉通、對齊、左移，Spec 正是那個拉通對齊的核心錨點。于是，問題又回到了原點：Spec 變成了知識工作，這個 Spec 寫得好不好、對不對，需要精英員工去跨職能度量。

也就是說，無論企業怎么圍繞 Spec 做文章，最終指向的都是同一個邏輯——精英前置。需要由精英在前面解決 Spec，同時，后面也不能完全交給 AI 去 coding。代碼中大約有 20%-30% 的核心部分，必須經過人的調整和把關之后，才能交給 AI 去執行。而這 20%-30% 的代碼，往往恰恰是整個系統中最難的部分。

如果把互聯網應用的開發工作拆開來看，會發現真正在寫代碼的時間其實只占 20%。這 20% 的編碼時間里，真正復雜的業務邏輯代碼又只占 20%——也就是說，真正 AI 難以替代的“硬骨頭”，只占整體工作量的 4% 左右。剩下的 96%，都是簡單重復的代碼、注釋文檔、概念驗證之類的腳手架工作。AI 能替代的恰恰是這些。

但問題是，即使代碼采納率高達 80%，最后的人月效率卻可能毫無變化——因為那 80% 的非編碼時間（需求討論、方案設計、溝通對齊、測試返工），AI 一點都省不掉。

從這個角度來看，報告給出的觀點是，Spec-Driven 的確是一條比較難走的路，它高度考驗的是一個團隊“精英化”的軟件工程能力，也就是在“左側”，一次把事情做對的規劃能力，這本質上和 AI 沒關系。

因此，企業需要重新審視“人月神話”——軟件工程度量的復雜度，并不是簡單的線性關系。過去在復雜的工程項目中，盲目增加人手反而會拉長工期；AI 時代更是如此，增加 AI 同樣會增加溝通鏈路的消耗。

阿里云 CIO 實踐中得出的結論是：實現研發效能提升，一定要用“同類的需求”，去看 E2E 的“人月消耗”是否能夠減少。要解決掉這些真正的“人月效率”，從更深處來看，AI 能幫到的部分并沒有想象中那么大，企業還是需要從根上出發，看待自己的組織架構。AI 并沒有打破軟件工程的基本規律，它只是把很多原本隱藏的問題提前暴露了出來。

此刻，每個技術管理者都可以反問自己，1000 倍的程序員誕生了，但企業的“人月效率”變了嗎？

這也呼應了《CIO 之問》后七問所揭示的一個共同現實：在 AI 項目落地過程中，企業遇到的困難往往看似是工程難題，實際真正卡住的往往不是技術。 即便技術方案成型、工程能力補齊，但必要的基石跟不上，AI 依舊會在“最后一公里”熄火。

圖 12: AI 在研發效能中的權重角色（圖片由 AI 理解生成）

《CIO 之問》：
不是標準答案，是企業內鏡

AI 落地從來都不是一個公式可解的題。因為每家企業的欠賬不一樣，每個 CIO 面對的組織土壤不一樣。同樣的 AI 技術，在不同企業里會長出完全不同的結果。這也是為什么，今天的大多數企業仍然若隱若現地停留在 AI 落地的迷霧之中。

于是，阿里云 CIO 團隊嘗試整理了這部《CIO 之問》報告，它絕不是一份數據堆砌的行業白皮書，是一次真正“局內人對局內人”的深度打撈：它不約束每個問題的標準答案，開放式的探討讓更多企業看清問題本身。報告中，阿里云 CIO 與來自十大行業 40 余家頭部企業的同行展開長達數月的對話，以問答對撞的方式，打開那些鮮少被公開討論的技術決策困境、組織博弈隱痛與認知誤區。

報告的初衷，嘗試做一件更本質的事情——照見外表看不見的現實，為企業提供一面“向內看的鏡子”。

而它的起點，來自一個非常樸素的疑問。

在大模型時代下，阿里云定位為“全棧人工智能服務商”，作為阿里云 CIO，必須先蹚出一條路來，讓 AI 在企業內部跑通。在企業內部推動大模型應用落地的過程中，經歷了大量真實而復雜的困難，雖然這些問題最終都得到了解決，但這和外界很多近乎完美的 AI 落地敘事截然不同。于是，這位 CIO 心中產生了一個困惑：是不是只有他遇上這些坑？

帶著疑問，阿里云 CIO 開啟了這場對話之旅。過去幾個月里，在與來自金融、零售、汽車、物流、消費電子、制造、能源、互聯網服務、服飾等十大行業的大量 CXO 不斷深度交流。話題天南海北：傳統企業 AI 錯過的恐慌、LLM 的能力邊界、知識工程的困境、Agent 的落地、數字員工的績效核算、業務與 IT 部門的對抗性、Vibe coding 的危險性、IT 系統的歷史鐐銬、AI 基礎設施與應用建設的矛盾……

對話沒有劇本，真誠又真實。

隨著對話的深入和累積，阿里云 CIO 發現，自己不只是在找答案，更是在與一群同樣困在 AI 落地迷霧中的同行人，相互取暖、相互校驗、分享經驗、共同成長。

在做這份報告的過程中，看到的是：越來越多的 CIO，開始愿意把自己踩過的坑講出來，而不是只講光鮮的成功案例；越來越多的企業，開始把“AI 數字員工能不能上崗接管一個真實任務”作為第一個考核點。

AI 大模型時代的 CIO，不該是孤獨的技術管理者，而是推動企業有機會走出迷霧的同行者。這份報告的意義，如果能讓更多人少走一段彎路，便已足夠。

阿里云《AI 大模型時代的 CIO| 企業智變下的 CIO 集體之問》完整報告即將發布，報告中會有多維的對話、鮮活的問題、真實的探討、豐富的思考、認知的轉折、共識的圖譜，讓讀者帶走各自所需。

正如這份紀實報告自述，這是一場沒有預設終點的對話之旅，也是對后來者的邀請。

AI 的迷霧依然存在，但同行的人多了。

敬請關注，完整報告。