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年技术领导者调研重塑技术领导者使命为规模化智能体

AI

筑牢

IT根基大中华区洞察关于本研究2026年第一季度，IBM

商业价值研究院与牛津经济研究院合作，对来自全球33个地区和19个行业的2,000位CIO、CTO

及其他最高管理层技术领导者开展了调研。其中，大中华区有170名技术领导者接受了调研。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，包括云可移植性、AI财务管理和治理成熟度，从而形成可供比较的洞察，揭示组织如何以韧性和严谨的管理推动

AI规模化。详见第32页“研究方法”。1目录序言

3引言

4第一部分基础设施适应力：赋能AI

规模化落地8第二部分设计内嵌治理：让AI管控成为可能

16第三部分投资组合管理：重塑AI投资效率252序言技术领导力，决定速度与可能当前正是引领技术变革的决定性时刻。随着

AI加速发展，首席信息官

(CIO)与首席技术官(CTO)正在信息不完整、压力持续、条件实时变化的环境中，作出事关重大的决策。如今，这些决策决定着企业前进的速度以及可以追求的目标。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动、能承受多大的风险、以及哪些机会仍然可行。这一转变把CIO和CTO的角色推向全新的战略高地。我们的职责，不仅是守护韧性、安全、成本和信任，更在于主动塑造业务本身。技术决策不再被动响应战略，而是直接界定战略的边界。压力只会进一步加剧。首席执行官

(CEO)希望更快地规模化

AI，业务领导者希望拥有自主权，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器速度的系统。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适用。这些都是结构性问题，且正逐渐成为决定成败的关键。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应能力之间的差距正在扩大，应当认识到，这不仅是运营差距，更是战略差距。要弥合这一差距，就必须重新设计企业本身—包括架构、管控机制和运营模式。IT

投资组合管理基础设施适应力设计内嵌治理序言引言3菲利普莫里斯国际全球首席数字与信息官(CDIO)Michael

Voegele表示：“AI不只是又一次技术变

革。不同于以往的创新，AI

会加速自身发展，几乎像一个自我驱动的有机体，不断加快创新步伐。”因此，技术领导者的职责范围正在扩大，而且往往比企业自身变化得更快。CIO和CTO已不再只

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

设计IT底座，同样迫在眉睫。职责范围的扩大已带来切实影响。IBM

商业价值研究院（IBMIBV）近期发布的《2030年企业展望》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

且有把握地作出重大押注。“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。”RohanKapoor英国北爱尔兰电力网络，首席信息官如今，制约企业经营业绩的最大瓶颈，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配业务快速迭代，同时兼顾管控能力、系统韧性与成本管控规范。如今，技术架构决策直接决定企业能够追求什么，以及能够以多快的速度推进。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的表象，也在暴露那些无法快速适应的运营模式。随着

AI规模化应用，系统持续、自主地作出决策，其决策量之大，任何以人为中心的治理模式都无法有效监督。本报告以“机器速度”概括决策规模、自主程度和频率的变化，以及这种变化对企业系统提出的要求。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业务战略的结构性约束。引言IT架构定义业务战略IT

投资组合管理基础设施适应力设计内嵌治理序言引言4“CIO首先必须是业务领导者。真正的价值不在于交付技术，而在于把技术转化为商业模式，创造积极的财务影响。”GavinWood澳大利亚APA集团，首席信息官设计内嵌治理，让AI

管控成为可能。

当

AI

代理每天作出数千项决策时，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，同时保障所有决策全程可审计追溯。投资组合管理，重塑AI

投资效率。面对更短的

AI

模型生命周期和不对称回报，技术领导者必须重构IT投资组合，快速更新模型、清退收益不达预期的项目，规模化落地成熟方案，且不必受制于传统预算周期。结构性准备度建立在三大支柱之上。这些是技术领导者如今必须在组织中构建的能力。IBMIBV与牛津经济研究院联合开展的最新研究显示，这在实践中意味着：基础设施适应力，赋能AI规模化落地。对CIO和CTO而言，这意味着构建这样的基础：即便切换云服务商、轮换AI模型或引入新能力时，也无需迁移至新平台或进行大规模重构改造。IT

投资组合管理基础设施适应力设计内嵌治理312序言引言5“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’。”GrahamRobinson英国SmartDCC，首席技术官当融入

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

管理为二者提供资金支持，使CIO

和CTO能够依据可量化证据更新

AI模型、重新

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

――

速度会变成风险敞口，管控会成为阻力，投资会陷入惯性。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

组合管理的严谨性就只能停留在愿景层面，无法转化为运营能力。当CIO和CTO同步构建三大支柱时，就能把相互强化的循环从制约因素转化为竞争优势。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

和投资组合管理的组织，预计2026年营收增长率高出

38%，营业利润率高出7%

，目前部署的

AI

代理数量也已达到其他组织的2.6

倍。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准备。“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。”杨勇赛力斯汽车有限公司，产业研究首席专家IT

投资组合管理基础设施适应力设计内嵌治理序言引言6基础设施适应力IT结构性准备度设计内嵌治理这是结构性错配，而不是意愿不足。正在取得进展的技术领导者并未试图全面重构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构性障碍。本报告将重点说明，CIO、CTO及其他技术领导者如何通过建立基础设施适应力、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

在企业范围内规模化，应优先从何处着手。@1CIO与

CTO

必须同步构建三大支柱，才能有把握地规模化部署智能体

AI“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。”ChadJones美国BaylorScott&WhiteHealth，首席信息官投资组合管理IT

投资组合管理基础设施适应力设计内嵌治理序言引言7第一部分基础设施适应力，赋能

AI规模化落地 序言引言基础设施适应力设计内嵌治理

IT

投资组合管理8“我们不知道未来五年谁会胜出、谁会落后。因此，我们让AI模型保持即插即用，以随时适应格局的变化。”DaltonGouws英国VWGUK有限公司，IT总监兼董事会成员过去，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

会变成发展桎梏。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

度低于自身预估。选择权的具体落地形式因环境而异。在强监管行业和数据主权高度敏感的环境中，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

营系统和参差不齐的基础设施现状来构建，而非从零开始打造灵活性。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术能力，无需重写工作流即可替换模型，以及避免局部优化造成企业级技术锁定。要保有这种灵活性，企业必须提前进行专项规划投入。基础设施适应力IT

投资组合管理设计内嵌治理序言引言9“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。”FrancescSuero西班牙AudaxRenovables，首席信息官多数企业已丧失自身所需的架构灵活选择权。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的麻烦，而是逐步演变为制约企业发展的战略短板（见图2）。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。根本原因在于底层架构存在缺陷：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优AI模型、更新工作流和引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速度。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和CTO表示，最初迁移上云主要是为了优化成本

(60%)和创新赋能(59%)。这些选择虽然创造了业务价值，却也埋下了技术依赖的隐患。“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。”TawatchaiCheevanon泰国KrungthaiBankPCL，首席产品与业务解决方案官基础设施适应力IT

投资组合管理设计内嵌治理序言引言10昔日的成本优化，束缚当下的架构弹性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：最常见的是数据传输成本/

出站流量费用(全球69%、大中华区64%)、对服务商专属服务的依赖(全球

61%、大中华区58%)

以及技术复杂性高(全球52%、大中华区51%)。具体项目可能暴露问题，但架构决定了迁移的成本高低。问题不再是工作负载最终能否迁移，而是当成本结构变化、绩效预期调整或新模型优于旧模型时，企业能否足够快地作出调整。如果不能，代价就会体现为：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，以及资本重新配置时阻力更大。图2架构僵化使云成本演变为战略制约云成本增长的主要驱动因素

量站流跟踪/出性/源输限视资传有可化用据力本优费数能成未使用量/工作负载增长基础设施适应力IT

投资组合管理设计内嵌治理序言引言11“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。”YasuoKawai日本本田公司，副总裁兼数字部门负责人基础设施适应力IT

投资组合管理设计内嵌治理序言引言12适应力成为衡量准备度的新标尺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。它们会主动权衡取舍：那些场景可以接受技术绑定，哪些场景的可逆性能够创造战略优势。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，而非等到外部环境倒逼变革时再被动调整。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，企业获取新能力的速度更快，AI投资回报也更高。准备度不再只由稳定性定义，而取决于是否消除了阻碍变化的结构性障碍。StaplesCanada的首席信息官ConorMlacak表示：“最关键的架构能力是集成。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。”对CIO和CTO而言，核心考量并非所有业务负载都要实现可迁移，而是依据战略风险划分优先级；而明确的资金投入决定了当外部条件变化时，组织是否真正拥有灵活性。“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。”BorisAlexandre加拿大AirbusARP，项目负责人基础设施适应力IT

投资组合管理设计内嵌治理序言引言13量子计算，规则之外的例外量子计算带来的准备度挑战与

AI有根本区别。与可即插即用的

AI应用不同，量子计算需要开发算法和应用，并通过试验验证组织能够如何从中获益。要真正参与其中，必须具备长远视野――在业务价值显现之前，就开始培养技能、建立合作伙伴关系并构建运营模式。一旦启动，这些投入就会不断累积，而且难以逆转，尤其是在业务价值案例逐步出现之后。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合作伙伴协作，以明确哪种量子计算模式最适合执行特定工作负载。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，因为这一领域的准备度无法事后迅速补齐。2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。推迟结构性选择，将限制未来的战略路径。“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。”BenediktSchraik奥地利维也纳市，首席技术官基础设施适应力IT

投资组合管理设计内嵌治理序言引言14立即行动：-

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”。从明天开始：-

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；使用云服务商专有服务时，必须提供合理说明。-

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，而不是成本优化自然带来的副产品。-

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、工作负载和数据域。本月内：-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项高价值的可移植性举措，在不造成大范围中断的前提下实质性提升灵活性。-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成本，而非假设。-

为高度依赖专有平台服务的新

AI部署，建立轻量级审核机制。如何打造适应力，而非一味追求优化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，可以接受多大程度的依赖，以及愿意投入多少资源来维持灵活性。基础设施适应力IT

投资组合管理设计内嵌治理序言引言15第二部分设计内嵌治理，让

AI管控成为可能IT

投资组合管理基础设施适应力设计内嵌治理序言引言16“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。”CharlesNewhouse英国LeidosUK，副总裁兼首席技术官架构的灵活选择权带来速度，速度也会伴随风险敞口――除非管控机制内嵌其中。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。当系统以人工节奏运行时，这套方法行之有效；到了机器速度下，它便不再适用。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，任何升级处置流程都无法有效治理。在这种环境中，

管控不再是权限问题，而是设计问题。“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。”Afonso

Eça西班牙BancoBPI，执行董事会成员AI

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、协调或执行多步骤操作的

AI赋能系统。IT

投资组合管理基础设施适应力设计内嵌治理序言引言17以人工节奏运行的治理，无法承载机器速度的决策规模化正在加速到来。到2027年，全球企业预计平均部署1,661

个

AI

代理，比当前增加

38%。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决策。人工治理无法应对这样的数量级。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快于IT的追踪能力。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代理部署规模做好充分准备。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，在代理持续部署、决策实时累积时会失效。对技术领导者而言，治理必须从审查已经发生的事情，转向在系统上线前工程化界定系统可以做什么。“AI

既有光明面，也有阴暗面。大多数人关注机遇，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。”VictoriaMedina西班牙AllianzSpain，首席技术与数据官人工治理会造成规模化陷阱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之一，但两者都无法规模化。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，但可见性和管控能力下降。超过三分之二的CIO和CTO表示，业务部门会绕过IT采用

AI。去年，全球组织平均发生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（见图3）。其业务影响包括：全球：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大中华区：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的

AI监管框架时。一条路径以安全换速度，另一条以速度换安全。两者都无法规模化，而且都会积累战略债务。IT

投资组合管理基础设施适应力设计内嵌治理序言引言18“必须让团队快速行动，但前提是规则清晰界明确。”FaridBoutaghane瑞士菲利普莫里斯国际，首席技术官管控不再只是流程问题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，使联邦式团队能够在安全范围内快速行动。正在安全规模化部署

AI

代理的技术领导者，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。护栏变得可执行，决策保持可观测，系统有明确边界且可随时停止。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，同时受到明确边界约束。ADNOC集团首席技术与创新官Dena

Almansoori解释道：“管控已从审批输入，转向持续监督输出和成果—从设置关卡，转向建立护栏。”<10分钟24%26%<4小时59%56%>4小时17%

18%1

数据暴露/安全事件2

级联系统

故障54起

69

起过去12个月内检测到的AI代理事件图

3人工治理难以规模化管控

AI

事件3

合规/监管问题4

利益相关方信任受损△AI

代理事件

全球

大中华区主要业务影响IT

投资组合管理基础设施适应力解决用时设计内嵌治理序言引言19“架构，是韧性的根基。”AI代理部署增加<1/4营业利润率提升18%统筹式管控的实践方式-

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

管控。-风险与合规团队负责定义政策阈值、证据要

求、评审触发条件和升级规则。-架构团队设定参考模式、管控点和互操作性

标准。-

业务和领域团队负责用例成果、流程集成、

例外处理，以及在护栏内开展可问责的运营。-

事件响应团队负责维护预先定义的关停、遏

制和恢复流程。“对我们而言，管控意味着保护我们的战略资产，

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。”JoséOvidioSilva意大利Campari集团，技术与服务负责人图

4内建管控让规模化更快、更安全将管控嵌入架构的组织，能以更低风险部署更多AI

代理这一转变使规模化成为可能（见图4）。分析显示，被归类为具备“统筹式管控”的组织，部署的AI代理数量是依赖人工治理组织的16倍（见“统筹式管控的实践方式”）

。与此同时，AI

预算支出减少

4倍，并实现高出18%的营业利润率。这类内嵌管控需要前期标准化和工程投入，但随着自主能力规模扩大，可降低后续风险和摩擦。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界内规模化。RaúlCals西班牙Unicaja，首席信息官16倍AI预算支出仅为IT

投资组合管理基础设施适应力设计内嵌治理序言引言20“你需要设置安全护栏，

引导AI

作出适当决策。随着时间推移，信心不断增强，成熟度也会随之提升。”RafaelSalcedo西班牙Bankinter，技术平台负责人治理成熟度决定

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，事件数量会随采用量同步上升；治理成熟的组织则能在规模化过程中管控风险。各地区的

AI代理增幅介于60%至87%之间，但事件增幅相差近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，事件发生率也会保持相对平稳。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增长转化为运营风险敞口。各行业的

AI代理增幅介于63%至83%之间，但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，治理成熟度越高，AI

代理规模化过程中风险事件就越少。+87%+83%+71%+71%+71%+71%各地区

AI

代理预计增幅（2026至

2027年）各行业

AI

代理预计增幅（2026至

2027年）能源、化工与石油医疗保健与生命科学交通运输与旅游中东和非洲IT

投资组合管理基础设施适应力亚太地区设计内嵌治理欧洲序言引言21立即行动：-

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。从明天开始：-

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，就不得部署。这一点不容妥协。-

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，然后建立一个角色清晰、监控自动化、升级路径明确的治理模式。-

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，从委员会监督转化为可执行代码。本月内：-

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、访问对象和绩效监控方式。-

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，将其固化集成至底层平台，并配备实时监控和警报。-

定义并执行自主系统的最低标准。明确可观测性、可审计性、回滚和责任归属要求，并建立机制，确保部署前满足这些要求。-

开展事件模拟，检验治理设计。模拟一次

AI

代理故障，验证检测速度、遏制流程和恢复流程。如何内嵌管控，而非只做事后监督真正的管控，需要把治理重新设计成一个工程化系统—明确

AI

代理可以做什么、何时必须停止，以及如何确保整个

AI生命周期中的决策可解释。IT

投资组合管理基础设施适应力设计内嵌治理序言引言22案例研究巴西银行：将管控内嵌于AI，以企业速度规模化构建信任3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境中，随着AI在关键职能中的应用不断扩大，原有治理方式已不足以应对。为应对信任、问责和监管合规方面日益严峻的挑战，巴西银行制定了稳健的AI治理战略，推动治理模式演进，把管控嵌入整个

AI生命周期。该行建立了相关框架，

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评估，包括基准测试和漏洞评估。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、性能和风险管理要求。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，并确保部署的模型符合严格的伦理、安全和性能标准。由此，

监督能力、组织敏捷性和机构信任均得到提升，证明内建管控能够支持安全规模化。主要成果包括：-

实现

AI

全生命周期治理自动化，减少人工监督并加快部署。-建立实时监控和可解释性机制，支持主动风险与合规管理。-

实现

AI

资产可追溯和版本可控，提升可见性和问责能力。IT

投资组合管理基础设施适应力设计内嵌治理序言引言23案例研究玉山银行：携手

IBM

建立领先台湾业界的企业级

AI

治理框架

4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界的金融业「企业级AI治理框架」，同时制定编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，跨入大规模、安全导入AI的全新阶段，为建构更为可信任、有效率的

AI

金融服务奠定重要基础。在这项合作中，IBM参考欧盟

AI

Act、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，让玉山银行明确掌握现行治理的成熟度，及未来可持续发展的路径。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，推动台湾金融生态系提升

AI风险管理能力。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，使治理不再只是抽象的概念，而是可执行、可控管、可持续改善的具体行动。在技术层面，这份《AI

治理白皮书》提出近百种辅助合规监管的技术方法，使

AI治理能借力技术，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、全力加速创新的重要利器。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应用快速可靠地上线，加速推动全行

AI规模化。IT

投资组合管理基础设施适应力设计内嵌治理序言引言24第三部分投资组合管理，重塑

AI投资效率 序言引言基础设施适应力设计内嵌治理

IT

投资组合管理25“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。”SergioSánchezGallego西班牙TelefónicaEspaña，首席技术与信息官长期以来，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，这一定义行之有效。但IT投资的特征已经改变。AI带来了一类生命周期短、回报不均衡的资产，其成功难以预测，时间窗口也更短。价值越来越少取决于成本最小化，而更多取决于学习速度和资源重新配置速度。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投资作为投资组合来管理，让资本基于实际成效调配，而非遵循年度预算周期。“随着企业规模持续扩张，系统韧性的重要性与日俱增。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。”AtulBhardwaj丹麦乐高集团，执行副总裁兼首席数字与技术官IT

投资组合管理基础设施适应力设计内嵌治理序言引言26“数字化转型最终将成为业务转型，

由技术赋能，但并非仅由技术驱动。”ChristopheMario西班牙MutuaMadrileña，首席信息官短生命周期需要不同的投资模式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

业务需求和用例不断变化。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

随着学习加速实时调整。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，而这种判断必须直接影响资本决策。“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。”RafaelGonzález西班牙Logista，企业

IT总监IT

投资组合管理基础设施适应力设计内嵌治理序言引言27成本管控不可或缺，但已不足以制胜传统的总拥有成本(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、监控和严格的财务管理。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价值。当CIO和CTO把

AI投资作为投资组合来管理，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。这些差异最终会体现在绩效结果中。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方式分配和更新资本（见图

5）。-32%图

5AI

投资回报率的上限增长得比下限更快 AI

ROI

上限 AI

ROI

下限

全球

大中华区2024

2025250%250%IT

投资组合管理基础设施适应力设计内嵌治理200%200%-15%-20%-35%序言引言28投资组合管理重新定义现代效率成本管控并未消失，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、监控和加强供应商管理。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取舍。一些组织已经开始建立机制，主动管理这一问题。“我们正在构建

AI管控平面，以此识别高生产力的项目，放大有价值的投入，淘汰无效的部分，”培生集团首席技术官David

Treat表示，“一定的实验性损耗是不可避免的――

但这是快速学习的代价。”2027年2026年2025年14.5%14.7%19.0%两年内增长71%

全球

大中华区“我们开始意识到成本失控的速度有多快。构建AI代理固然强大，但关键问题是：每个代理实际花费了我们多少成本？”MiguelSantos西班牙MasOrange，首席技术官图6AI

正成为投资组合级投资数字表示

AI支出占IT预算的比例IT

投资组合管理基础设施适应力设计内嵌治理19.7%25.3%24.9%序言引言29财务管控在哪些方面创造优势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、协同更紧密，并更有意识地配置资金。从云迁移初期就建立成本跟踪机制的可能性高出+17%T与财务联合决策、共担责任的可能性高出+16%云项目表现超出预期的可能性高出1.5

倍在AI/IT预算并未增加的情况下，部署的AI

代理数量达到2.4

倍表示已为

AI激增做好充分准备的可能性达到3

倍正确管理这一转变的压力正不断加大。全球及大中华区

AI支出预计将从2025年占IT预算均略低于15%，增至2027年接近

25%，两年增长70%以上（见图6）

。这意味着数亿美元将流入一个与传统IT截然不同的投资类别。对CIO和CTO而言，管理这一转变意味着提高财务可见性，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者的分水岭。在

AI

规模化阶段，效率不再只是少花钱，而是更精准地分配资金。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模式。“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。”JavierRevuelta西班牙CAF，首席信息官IT

投资组合管理基础设施适应力设计内嵌治理序言引言30立即行动：-

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。从明天开始：-

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投资作为投资组合来管理。-

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、业务目标和预期回报，就谈不上投资组合管理。-

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奏，而不是一年一次的活动。本月内：-

按用例、负责人、模型和预期价值，

建立

AI支出的初始投资组合视图。-

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。-启动定期投资组合复盘，

随着成效变化重新评估资金安排、模型更新决策和