重塑技术领导者使命-2026 年技术领导者调研

全球最高管理层调研系列2026年技术领导者调研2026年第一季度，IBM商业价值研究院与牛津经济研究院合作，高管理层技术领导者开展了调研。其中，大中华区有导者接受了调研。本研究探讨企业在AI从试点迈向生产应用的过程中，如何应对随之而来的财务、运营和治理挑战。我们的分析结合分群与建模方法，评估组织的准备度、管控能力和效率，包括云基础设施适应力：赋能AI规模化落地8设计内嵌治理：让AI管控成为可能投资组合管理：重塑AI投资效率2523序言基础设施适应力序言基础设施适应力力持续、条件实时变化的环境中，作出事关重大的决策。如今，这些决策决定关键制约因素在于适应能力。多数组织围绕管控、标准化和效率构建。然而，在AI驱动的格局下，架构、治理和投资决策才真正决定企业能以多快的速度行望拥有自主权，各方对问责的要求也在不断提高。然而，许多组织仍在使用为人工决策节奏而设计的架构、管控机制和资金投入模式，来运行如今已达到机在IBM，我们也不得不直面这些现实：保留选择权需要成本，人工监督无法规模化，而当模型以月为单位迭代时，面向多年资产生命周期的投资逻辑已不再本报告揭示了技术领导者当前面临的问题。如果您感到AI的变化速度与组织响4基础设施适应力基础设施适应力并非发展愿景或技术能力，而是企业IT基础设施能否以机器级响应速度适对于CIO、CTO及其他最高管理层技术领导者而言，真正的挑战不在于部署新工具，而在于对原本为更缓慢、更可预测的环境而构建的企业技术底座进行重新设计。AI正在打破任何可预测节奏其决策量之大，任何以人为中心的治理模式都无自主程度和频率的变化，以及这种变化对企业系当然，这并不是技术第一次重塑决策方式。互联网如此，云计算亦然。此次不同之处在于速度――架构、治理和投资选择正以前所未有的速度成为菲利普莫里斯国际全球首席数字与信息官(CDIO)革。不同于以往的创新，AI会加速自身发展，几因此，技术领导者的职责范围正在扩大，而且往是为业务战略赋能，他们越来越多地参与界定哪些战略真正可行。具体路径因环境而异――受监管行业、重资产行业和对主权高度敏感的地区面临不同挑战――但为适应机器速度的变化而重新职责范围的扩大已带来切实影响。IBM商业价值预测，到本十年末，竞争压力将迫使企业作出重大押注。1但仅有雄心并不能构成战略。在AI驱动型企业中，随着量子能力逐步显现，差异化优势不在于是否大胆，而在于组织能否快速、严谨“最大的变化，是变化本身的速度。长期路线图和单体项目，已无法适应当下的节奏。”基础设施适应力基础设施适应力结构性准备度建立在三大支柱之上。这些是技术领织中构建的能力。IBMIBV与牛津经济研究院联合开展的最新研究显112设计内嵌治理，让AI管控成为可能。当AI代理每天作出数千2项决策时，管控手段已不能再单纯依赖人工审批节点。技术领导者必须在系统架构设计阶段就预先划定并内置约束规则，明确智能代理的数据访问权限、强制终止触发条件，同时保障所3投资组合管理，重塑AI投资效率。面对更短的AI模型生命周模型、清退收益不达预期的项目，规模化落地成熟方案，且不3而在于把技术转化为商业模式，创造积极的财务影响。”56基础设施适应力基础设施适应力“2026年的技术领导力，核心在于为团队提供跟上变革节奏所需的‘氧气’。”当融入AI为先的运营环境时，这三大支柱会相互强化（见图1）。基础设施适应力为行动创造空间，但前提是从一开始就将治理工程化嵌入系统架构。投资组合分配云资源，并扩大已验证能力的规模。缺少任何一项，都会削弱另外两项――在AI规模化阶段，仅看部署数量已无法有效衡量进展。关键在于，组织能否预先明确预期成果，并持续据此衡量绩效。缺乏这种管控，适应力、管控能力和投资争优势。我们的分析显示，技术领导者已经建立基础设施适应力、设计内嵌治理然而，对大多数组织而言，差距仍在扩大。许多技术领导者仍在使用以稳定性为优化目标的IT架构、依赖人工审核的治理模式，以及面向多年资产生命周期的投资框架。这些做法无法跟上AI的速度。在我们对全球19个行业、33个地区的2,000位及大中华区的170位技术领导者开展的调研中，尽管80%表示转型任务直接来自CEO，但仅有11%表示已为未来一年预计的AI代理部署规模做好充分“适应日新月异的技术发展格局，是企业的核心竞争力。企业要遵循技术自身的底层逻辑，在产品、生产方式、组织架构与盈利模式四大维度持续创新，方能持续领跑行业。”基础设施适应力基础设施适应力这是结构性错配，而不是意愿不足。正在取得进展的重构IT，而是通过定向投资，消除制约速度、管控能力或资本效率的最大结力、设计内嵌治理和投资组合管理，构建结构性准备度；并指出随着AI在企“我的职责不是提出每一个转型构想，而是搭建基础，让组织内更有才智的人把这些构想变为现实。” 序言引言基础设施适应力8基础设施适应力“我们不知道未来五年谁会胜出、谁会落后。适应格局的变化。”过去，准备度意味着稳定性――整套体系遵循成熟的既定运行模式，以业务连续性、成本可控和结果可预测为优化目标。在技术能力迭代节奏缓慢、拥有充足规划窗口期的时代，这套定义完全成立。但在机器级速度变革的当下，该逻辑已然失效。模型、平台和工具的变化速度一旦快于规划周期，稳定性反而如今，准备度取决于是否拥有选择权：能否在不引发大规模中断的情况下，调度工作负载、轮换模型和吸纳全新技术能力。按这一标准衡量，许多组织的准备程数字化准备度不仅取决于技术可迁移性，同样关键的还有数据本地存储合规能力与跨地域业务抗冲击韧性。在重资产行业，适应力通常需要围绕长生命周期的运这种灵活选择权并不仅限于基础设施，还包括：无需重构新平台即可集成全新技10基础设施适应力“我们在架构和安全层面本应已经完成的所有工作，现在变得更加关键。如果这些基础尚未到位，我们就已经处于风险之中。”随着组织把AI代理从数百个扩展到数千个，架构迁移受限就不再只是技术层面研究发现，企业实际云成本平均比初期预算高出48%，且全球80%及大中华区79%的技术领导者表示数据传输成本高于预期。根本原因在缺陷：虽然全球88%的组织正在尝试或计划把业务负载迁移到其他云服务商，但技术领导者坦言，其中仅25%的业务负载是易于迁移的。大中华区的比例与全球接近，分别为87%和24%。尽管在云上投入巨大，许多组织的灵活应变能力仍不及预期。那些导致业务负载难以迁移的架构方案，同样也会拖慢企业采用更入全新技术能力的速度。准备度不只关乎基础设施，更决定了企业的业务响应如今显现的架构僵化的局面，往往源自早期看似合理的选择。本次受访的CIO“在复杂性不断增加的情况下维持传统系统，就像坐在一枚定时炸弹上。今天我们或许能应对一场危机，但明天未必如此。如果不加以简化，复杂性本身就会成为韧性风险。”11基础设施适应力当企业尝试迁移工作负载时，架构灵活选择权不足带来的各类弊端就会彻底凸显。研究显示，制约工作负载可移植性的因素集中于几类行业常见瓶颈：最常属服务的依赖(全球61%、大中华区58%)以及技术复杂性高(全球52%、大问题不再是工作负载最终能否迁移，而是当成本结构变化、绩效预期调整或新市场响应变慢、对供应商的议价能力减弱、更优模型迟迟无法采用，以及资本使用量/工作EQ\*jc3\*hps20\o\al(\s\up2147483645(跟踪),站流)量使用量/工作基础设施适应力“模型和硬件应当是可替换的。而构建于其上的数据和企业智能，才是必须留存的核心资产。”1213基础设施适应力在最关键领域保留架构灵活选择权的组织，对准备度有不同的理解。它们会主这类顶层决策会前置指导系统架构、集成方案与资金投入规划，而非等到外部研究显示，从项目初期就围绕架构弹性开展设计的企业――保障业务负载可迁移、严控强耦合依赖、支撑AI模型快速迭代更新――2025年的AI投资回报率高出10%。当模型组合能够持续更新、工作负载保持可移植时，企业获取新能我们不知道下一步会发生什么，因此底层基础必须能够承载持续变化。”略风险划分优先级；而明确的资金投入决定了当外部条件变化时，组织是否真“我们采用模块化架构设计，使各个组件能够随着技术进步而独立演进，同时不破坏整体系统的稳定性。这种方法让我们既能吸纳快速迭代的创新成果，又能支撑那些生命周期长达数十年的产品。”14基础设施适应力“从长远来看，我们需要一种后端架构，能够在不必重建企业系统的前提下，灵活地替换模型。”要真正参与其中，必须具备长远视野――在业务价值显现之前，就开始培养在这里，准备度呈现出不同形态。选择权来自与具备广泛技能和专业知识的选择权也来自尽早判断量子计算将如何影响未来，并提前据此进行布局。IBMIBV的最新研究显示，89%投资量子计算的技术领导者希望确保其计算战略面向未来。这进一步说明，必须以长周期视角进行投资，因为这一领域启示在于：既要快速行动，也要认识到哪些领域的准备度必须先于部署。推基础设施适应力准备度要求组织做出明确的战略选择：哪些领域需要保留选择权，可以接受多-不再把所有工作负载都视为同等重要的迁移对象。-不再默认批准任何新的技术锁定。-不再把数据传出费和迁移超支称为“意外”。-为新增依赖设定规则。新的AI部署不应默认造成难以逆转的锁定；使用-有意识地为灵活性投入资金。可移植性、韧性和模型轮换是战略能力，-明确哪些领域最需要架构选择权。并非每个工作负载都必须具备可移植性；应聚焦那些一旦锁定就会限制未来业务选择的平台、工作负载和数-梳理基础设施、数据和AI模型层面的锁定风险，并优先实施2-3项高价-建立数据传出和传输费用的成本透明度，使可移植性决策基于真实经济-为高度依赖专有平台服务的新AI部署，建立轻15设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力1617设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力“传统治理职能在设计流程时，往往以自身工作便利为出发点，迫使业务部门去适应。AI正在颠覆这种模式，推动治理、IT和安全团队像服务提供商一样思考，其职责是赋能业务，而非拖慢业务。”架构的灵活选择权带来速度，速度也会伴随风险敞口――除多年来，企业技术主要通过政策、审批、委员会和评审周期实施管控。当系统随着AI代理从试点迈向生产应用，它们会持续作出决策，数量之大，任何升级AIAI代理的定义本研究中的“AI代理”是指能够在有限人工干预下发起、协调或执行多“这就像驾驶一架飞机在10,000英尺高空飞行，却被要求爬升至12,000英尺，并在飞行途中更换两台发动机，还要确保全程毫无颠簸。没有人会愿意驾驶这样一架飞机――但这恰恰是企业如今正在做的事。”18设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力规模化正在加速到来。到2027年，全球企业预而大中华区预计将部署2596个AI代理，比当前增加34%。如果每个代理每天作出数百甚至数千项决策，技术领导者每天就要管理数十万项自主研究显示，这种压力已经显现。多数组织（全球77%，大中华区80%）表示，AI采用速度正在超过现有治理能力。近60%的技术领导者把安全和合规顾虑列为规模化部署AI代理的主要障碍；三分之二表示，他们必须对自己无法完全管控的系统结果负责。与此同时，全球70%及大中华区78%的技术高管表示，业务团队部署技术的速度与此同时，压力也在持续攀升。尽管80%表示转型任务直接来自CEO，但全球和大中华区仅有11%的CIO和CTO表示已为未来一年预计的AI在机器速度下，政策文件和审批委员会跟不上节奏。适用于季度软件发布的流程，在代理持续部治理必须从审查已经发生的事情，转向在系统上数人关注机遇，但它也带来了新的脆弱性，而且许多组织面临的风险敞口比自己意识到的更大。”每项部署决策都依赖人工监督，会迫使技术领导者作出无法两全的取舍。他们通常采取两种做法一类组织优先追求速度。业务部门先行，治理随后跟进。局部推进速度提高，但可见性和管控能部门会绕过IT采用AI。去年，全球54起AI代理事件，其中17%严重程度较高，需要四小时以上才能遏制,而大中华区平均发生了69起AI代理事件，其中18%严重程度较高（见37%导致数据暴露或安全事件33%造成级联系统故障17%触发合规问题13%削弱利益相关方的信任37%导致数据暴露或安全事件32%造成级联系统故障19%触发合规问题13%削弱利益相关方的信任另一类组织优先保障安全。更严格的审查和审批会减慢部署速度。短期风险敞口虽有所下降，但学习停滞、竞争地位削弱，人工监督也变得难以维系――尤其是当企业需要应对数十套彼此重叠一条路径以安全换速度，另一条以速度换安全。19设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力人工治理难以规模化管控AI事件△AI代理事件5454起69起24%26%59%56%17%18%11数据暴露/3合规/监管管控并不是把所有决策集中起来，而是从企业层面设计边界和可见性，使联邦也在相应重塑治理。他们不再依赖事后审查，而是把管控嵌入架构本身。护栏在AI为先的环境中，治理内嵌于系统的运行方式之中：以机器速度运行，同时20设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力被归类为具备“统筹式管控”的组织，部署的AI式管控的实践方式”）。与此同时，AI预算支出内嵌管控需要前期标准化和工程投入，但随着自内嵌管控并不意味着集中指挥，而是一种联邦式运营模式：平台、风险、架构和领域团队分别负责管控系统的一部分，使自主能力能够在共同边-平台团队负责共享护栏，包括遥测、模型注册表、身份管理、日志记录、回滚和运行时-风险与合规团队负责定义政策阈值、证据要-架构团队设定参考模式、管控点和互操作性-业务和领域团队负责用例成果、流程集成、-事件响应团队负责维护预先定义的关停、遏的战略资产，尤其是核心平台和云基础设施，因为我们对它们有着绝对依赖。”将管控嵌入架构的组织，能以更低风险部署更多AI代理“架构，是韧性的根基。”AI“架构，是韧性的根基。”AI代理部署增加16倍18%AI预算支出仅为21设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力治理成熟度决定AI能否安全规模化AI代理的应用正在各地区、各行业快速增长。但决定成败的不是部署速度，而是治理成熟度。在技术领导者扩大AI代理部署却未同步强化治理的组织中，事各地区AI代理预计增幅（2026至2027年）+71%+71%+87%+71%+71%+87%事件增幅相差近2倍。在治理薄弱的组织中，AI代理越多，事件数量也会按比例增加；在治理成熟的组织中，即使部署加速，事件发生率也会保各行业AI代理预计增幅（2026至2027年）+71%+71%+83%+71%+71%+83%规模化成效差异显著。制药、能源、电信和零售银行等运营复杂、监管严格的行业中，治理成熟技术领导者应当认识到：治理投入必须与运营风险相匹配。在高风险环境中，如受监管行业、主权敏感市场、和面向客户的运营，治理投入不足会把AI增长推移，信心不断增强，成熟度也会随之提升。”设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力真正的管控，需要把治理重新设计成一个工程化系统—明确AI代理可以做什-不再把政策文件当作实际有效的管控手段。-不再批准缺乏回滚、日志记录和明确责任人的自主系统。-不再假设增加审查和委员会就能让治理规模化。-制定最低生产环境标准。AI代理或模型如果未登记、无明确负责人、不可观测或无法停止，-选择一个高风险领域，端到端重新设计治理。可选择理赔、客户服务或代码生成，然后建立-把一项人工管控工程化嵌入平台。将访问边界、漂移检测、升级阈值或紧急停止开关，从委-为生产环境中的所有AI代理和模型建立统一注册表，跟踪已部署内容、负责人、访问对象和-在整个AI生命周期中自动化一项治理管控。可选择模型评估、部署审批或合规检查，将其固-开展事件模拟，检验治理设计。模拟一次AI代理故22设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力作为拉丁美洲历史最悠久的银行，同时也是一家肩负监管职责和公共使命的公立金融机构，巴西银行在AI加速应用于关键银行职能时面临一项核心挑战：如何以负责任、透明且可信的方式规模化应用AI。在一个信任和问责不容妥协的监管环为应对信任、问责和监管合规方面日益严峻的挑建立了相关框架，明确从模型设计到关键环境部署各环节的角色和责任，并对基础模型实施严格为支持持续监督、可解释性和合规，巴西银行实施实时监控、主动告警和定制指标，形成统一的管控与信任体系。这种集成式方法也在生成式AI用例中进行测试，以确保方案符合合规、性能和风险管理如今，该行在统一的AI治理模式下运营，能够更精准、透明、可控地管理AI举措，并确保部署的模型组织敏捷性和机构信任均得到提升，证明内建管控-实现AI全生命周期治理自动化，减少人工监督并-建立实时监控和可解释性机制，支持主动风险与-实现AI资产可追溯和版本可控，提升可见性和问2324设计内嵌治理基础设施适应力设计内嵌治理基础设施适应力在生成式AI带动全球金融产业加速革新的关键时刻，玉山银行携手IBM咨询宣布完成领先台湾各写专为金融业场景应用的《AI治理白皮书》。这项成果标志着台湾金融业正式从单点探索，跨入在这项合作中，IBM参考欧盟AIAct、ISO42001等具前瞻性的国际AI治理监管框架与精神，协助玉山银行完整设计企业级AI治理框架与落地步骤，提供清晰的治理全景图，让玉山银行明确掌作为台湾率先完成导入企业级AI治理架构的商业银行，玉山银行亦肩负产业示范的责任与角色，期望以实际成果为同业建立参考标竿，推动台湾除了核心治理框架，IBM与玉山银也协作设计与制订了一套有逻辑可依循、有凭据可审核的治理操作方法，编纂为《AI治理白皮书》，弥补现行法规指引与企业执行之间的落差。这套方法将法规条文“翻译”转化为可直接操作的流程步骤，让业务单位、模型开发团队、资安、法遵等跨职能部门，都能依循一致的步骤选择治理控制项，在技术层面，这份《AI治理白皮书》提出近百种以相对客观、量化的做法，提高治理的准确度与效率。将技术嵌入业务流程，让治理从过往被视为是限制与禁令，转变为让企业无后顾之忧、全本次成果也为玉山银行未来大规模导入AI奠定了基础；通过清晰的规范、可复制的流程与可延展的治理框架，玉山银行已具备导入审查、测试、自动化治理工具的优良环境，能支持更多AI应用 序言引言基础设施适应力2526基础设施适应力基础设施适应力“此前，我们一直专注于自动化现有流程的部分环节。现在真正的挑战，是基于AI带来的可能性端到端重新设计流程，而不只是自动化已有流程。”长期以来，效率一直等同于成本管控。当技术投资可预测、经久耐用、随时间折旧并以稳定性为优化目标时，这一定义成功难以预测，时间窗口也更短。价值越来越少取决于成本最小化，而更多取在这种环境下，不能只用成本管控来定义效率。技术领导者必须把AI投资作为保障系统韧性所需投入的成本，与系统故障造成的业务损失之间始终存在权衡取舍。企业体量越大，故障带来的负面影响就越不容忽视。”27基础设施适应力基础设施适应力但并非仅由技术驱动。”AI模型的老化规律不同于传统软件。研究显示，其平均有效使用寿命约为14个月――短到必须持续作出更新决策，而驱动因素更多是迭代改进，不是故障。这一现实削弱了以3-5年资产生命周期为基础的传统商业案例逻辑。如今，多数AI模型退役并非因为发生故障，而是因为组织在学习过程中找到了更有效的方案。研究表明，全球及大中华区71%的技术领导者均把更优模型的出现列为退役或替换模型的首要原因，全球60%及大中华区59%的技术领导者则提到对技术领导者而言，这意味着传统资本规划――一次性批准投资、部署后在多年内折旧――已不再适用。CIO和CTO必须建立机制，持续更新模型，把资本从表现不佳的投入中转出，并加大对有效方向的投入；不再按年度节奏，而要随着试点逐步成熟，技术领导者会更清楚AI在何处创造最大价值，而这种判断“让公司为未来做好准备，意味着要实现业务与技术协同。技术不再是可选项，而是创造业务价值的核心资产。”28基础设施适应力基础设施适应力传统的总拥有成本(TCO)逻辑对运营基础设施仍然至关重要。经过验证并已规模化运行的系统――包括成熟的AI用例――仍需持续优化、监控和严但探索性AI投资的运行逻辑截然不同。许多AI举措本就以试验为目的，价值呈现并不均衡。有些投入很快失败，另一些则迅速规模化并重塑业务绩效。若仅以单一的成本优化视角评估所有项目，就会系统性低估那些高潜力创新投资的真实当CIO和CTO把AI投资作为而不是逐项优化时，企业能更快学习，无需等待传统审批流程，就能规模化推广已验证的能力。从2024年到2025年，全球及大中华区AI投资回报率处于高位的组织，回报率均从约200%提升至250%；全球处于低位的组织仅从-35%小幅改善至-20%，而大中华区处于低位的组织仅从-32%小幅改善至–15%。差距正在扩大，不是因为领先组织花得更多，而是因为它们以不同AI投资回报率的上限增长得比下限更快AIROI上限AIROI下限全球250%大中华区250%250%200%200%200%200%-15%-15%-32%-20%-20%-35%-35%2024202529基础设施适应力基础设施适应力成本管控并未消失，但技术领导者运用它的方式已经发生根本变化。运营型AI――即经过验证并已规模化运行的用例――仍需严格管控成本。支撑AI代理的基础设施仍需优化、监控和加强供应但战略性AI投资则不同。试验、能力建设投入和模型更新决策需要采用投资组合逻辑：明确负责人、成功标准和退出节点，并能够根据成效变化重新配置资本。组织可以接受更高的单位成本，以换取更快的速度、更大的选择权和非对称上行潜力。投资组合管理确实会增加管理复杂性，但这是为了跟上AI经济节奏重新配置资本所必需的的项目，放大有价值的投入，淘汰无效的部分，”实验性损耗是不可避免的――但这是快速学习的代价。”AI正成为投资组合级投资2027年2027年2026年2025年14.5%14.7%19.0%19.7%25.3%24.9%“我们开始意识到成本失控的速度有键问题是：每个代理实际花费了我们多少成本？”30基础设施适应力基础设施适应力正确管理这一转变的压力正不断加大。全球及大以上（见图6）。这意味着数亿美元将流入一个务可见性，并与财务部门紧密协作，以便随着新证据出现重新配置资本。一方面优化基础设施，另一方面主动调整投资组合――这种双重职责，正是成功区分AI规模化的技术领导者与其他领导在AI规模化阶段，效率不再只是少花钱，而是更然而，大多数组织尚未建立这样的管理机制。研究发现，全球84%及大中华区72%的技术领导者尚未全面落地AI财务管理体系，全球85%及大中华区76%仍无法完整了解实时AI支出。缺乏这种可见性，投资组合决策会变慢；即使AI支出加速增长，效率管理也会退回到削减成本的旧“真正的挑战在于，理解技术举措如何影响业务流程的端到端成本。”技术领导者已建立严格财务管控的组织表现优于同行，因为它们更早建立可见性、协同更紧从云迁移初期就建立成本跟踪机制的可能性在AI/IT预算并未增加的情况下，部署的AI代基础设施适应力基础设施适应力投资组合管理要求区分运营效率与战略选择权，并建立能够同时管理二者的可-不再只用基础设施投资回报逻辑评估探索性AI投入。-不再为没有明确责任人和清晰成功标准的试点提供资金。-不再只在预算周期内审视AI的经济性。-把AI支出分为两类：以严格的TCO方法管理运营型AI；把战略性AI-要求具备用例级可见性。如果无法按用例查看支出、负责人、模型、-建立IT与财务共同遵循的协作节奏。资本重新配置应成为日常运营节-与财务部门就区分运营型AI和战略性投资的明确标准达成一致。-