2026-2027年企业技术现状报告

企业技术状态 2026-27 前言 当前对企业领导者而言，最关键的力量是那些毫无预警、从意想不到方向袭来的力量。它们并非商业周期的波动，而是另一种类型的冲击，需要领导者和与他们并肩作战的顾问采取不同的应对措施。 前通用电气公司CEO杰克·韦尔奇曾说：“我知道有列火车要经过这栋楼，只是不知道什么时候来，也不知道从哪个方向来。” 艾利克斯帕特纳斯（AlixPartners）颠覆指数深入、量化地分析了企业如何应对这些不可预测的力量，涵盖了不同行业、职位和地域。这本姊妹出版物，即我们第二份《企业技术发展报告》，则采取了不同的方式。它派出由我们的技术专家和顾问组成的专家组深入实地，近距离捕捉这些响应的具体情况，并呈现只有亲身体验才能提供的细节。在这里，我们重点关注企业及私募股权（PE）环境中高级技术领导者所面临的关键趋势、挑战和机遇。 我们所看到的是一个日益扩大的差距。人工智能几乎存在于我们审视的每一个问题背后，它既是创造新能力的事物，也是扰乱企业已依赖的成本、安全及供应商安排的事物。正在赶超的企业正在投资对运营模式的全面转型——而且越来越多地，是对商业模式的转型。与此同时，那些仍将人工智能视为一个独立的程序或自成一体的项目组合的人，却在投入大量成本和复杂性的同时，鲜有成果可见。始终区分这两类群体的，与其说是预算或雄心，不如说是面对不确定性时采取行动和适应的意愿，而非等待不确定性解决。 接下来的章节将揭示价值被捕获之处、风险积聚之地以及领导者们所采取的不同举措。我们希望这些来自未来当下的艰难报道能激发您建设性的思考。 内容 1 人工智能应用：从生产力工具到运营模式转型1.1 实践中的AI：转型前的效率1.2 AI“魔法尘”与过渡阶段问题 2 成本格局：代币、云服务与软件定价机遇2.1 从云智到云主权2.2 软件定价的机遇 3 遗产清算 4 角色与领导者：转型中的组织 4.1 CIO：从IT运营者到业务架构师4.2 新使命下的新指标 5 规范AI风险：安全、安全、隐私5.1 边界后时代的安全防护5.2 技术主权，新的前沿阵地 引言 人工智能正从多个层面塑造企业技术议程——它既作为一股颠覆成本、安全、软件定价和供应链的力量，也作为一种组织们竞相部署的能力。 但更大的图景更为深刻：人工智能不仅改变技术能为企业做什么，它还有潜力改变企业的组织方式、决策方式，甚至其根本的业务性质。 我们的专家见解涵盖了所有方面，从人工智能原生工程的机制，到云和供应商合同中的财务风险构建，再到日益紧迫的软件和数据主权问题。 在上一版本报告中，我们的专家辨识出企业技术发展的一个转折点。人工智能已从概念验证和在某些情况下向董事会展示的表演阶段，进入到了生产环境；对云的狂热正在被云的规范所取代；长期被推迟的与技术债务的清算终于开始影响董事会议程。贯穿该报告的问题是，这一切是否能够转化为可衡量的商业价值。 但他观察到，约束力很少是技术本身。关键在于领导层的协同一致、治理机制，以及当系统规则发生变化时，人们愿意重新思考决策是如何制定的。 本报告在多个方面证实了这一见解。尽管对人工智能转型潜力的信心从未如此高涨（第一章），但获得切实回报却愈发困难。领先的企业已拥抱真正的运营模式变革。在一些领域，如商业服务、软件和媒体，重大的商业模式变革也正在进行中。然而，在许多其他领域，许多公司购买了工具、运行了试点项目，并宣称取得某种进展，结果却发现自己面临成本更高（在最坏的情况下不受控制）、期望落空以及前路更加迷茫的局面。 罗布·霍恩比（Rob Hornby），AlixPartners公司联合首席执行官，谈及英国企业对人工智能的采用时表示， 进步是真实的，但它循序渐进、参差不齐，并且仍然集中在运营层面的收益上，而非组织数十年来的运营方式发生的根本性转变。 霍恩比 全球联合首席执行官 协调2025 与2025年存在一些明显的重叠。云治理已成熟，FinOps 1如今已成为主流，但治理问题并未消失；它只是从云支出转移到了AI支出（见第2章）。技术债务仍然是转型的一个隐形阻力，那些尚未解决此问题的组织发现，AI不仅增加了成本和复杂性，并未弥补这些成本和复杂性。去年备受关注的ERP现代化困境已日益紧迫，目前存在争论，即老旧系统是否需要在AI规模化部署前进行修复，或者一个构建良好的数据层和代理式架构是否能够规避这些问题（第3章）。 与此同时，网络安全风险已显著提升至公司议程的核心位置，这得益于零售业及其他领域发生的一系列重大事件。这些事件生动地揭示了数据泄露的后果，其冲击力是多年抽象的CISO风险警告所无法比拟的（第五章）。 这些对比同样引人注目。软件工程从以人为中心的、通过敏捷等仪式进行管理的技艺，转变为面向AI的学科，其转型速度比大多数观察者预测的要快，其影响既关乎文化也关乎运营（见第1章和第4章）。更引人注目的是，技术主权在2025年几乎未引起关注，而如今它已成为一个活跃的会议室议题和日益增长的国家安全问题。 少数美国总部提供商集中了AI基础设施，这是其中一个驱动因素；中国自身AI基础设施的快速发展是另一个因素，这创造了一种平行的依赖风险，具有其商业和地缘政治维度。现在，依赖任何单一地区——无论是华盛顿还是北京——都已成为需要积极管理的风险（第5章）。 1.FinOps 是一项通过集中式工具、标签标准和使用模型，将财务治理和问责制应用于云和科技支出的学科，旨在使成本在团队、产品和工作负载层面可见且可控。 企业科技发展 2026-27 部署、响应或准备 本报告并非所有内容都与部署人工智能有关。目前，一些最重要的企业技术决策是对人工智能的回应，而这个区别是有意义的。 部署人工智能意味着构建新能力：重新设计软件构建方式，自动化后台流程，并将智能嵌入产品和服务中。应对人工智能意味着应对其在现有环境中造成的颠覆：在人工智能驱动的价格压力下重新谈判云和软件合同，根据人工智能辅助现代化现在所能实现的情况重新评估技术债务，针对人工智能赋能的威胁重塑网络安全态势，并出于主权关切而重新配置技术供应链。为人工智能做准备通过建立数据准备状态和解决遗留基础设施问题，为人工智能发挥最大影响力奠定基础。 这些决策需要不同的方向、时间表和准备姿态。在响应议程尚未制定的情况下，我们观察到，完全专注于部署是导致交付失败的一个常见原因。有效应对这些挑战，与其说是与人工智能预算的大小或转型计划的雄心有关，不如说是与在具体情况下判断是部署、响应还是准备才是正确方法，并据此采取行动有关。 下图解释了我们如何在报告中深入探讨各项决策的具体细节。 部署新的AI功能 部署 自动化后台流程和常规工作流（第1.1章）• 利用AI原生工程团队重塑软件构建方式（第1.3章） 回应 应对您现有环境中的AI颠覆 根据人工智能驱动的定价压力重新协商云服务和软件合同（第2.1、2.2节）• 在代币成本失控前进行管理（第2.3节） 准备好那些决定部署是否划算的基础。 准备 在这些问题成为瓶颈之前，解决遗留基础设施和技术债务问题（第3.1、3.2节）• 将数据准备作为前提条件，而非事后考虑（第3.1节） 人工智能应用：从生产力工具到运营模式转型 人工智能的采用已分为两条路径：一类组织围绕该技术重塑其运营模式，另一类组织则在为不同且已逝去的时代构建的流程上叠加工具。前者实现收益的复合增长，而后者则导致成本的复合增长。 12至18个月前，高管们所关注的问题是AI能否真正创造价值。当然，在编程、内容和客户支持等方面确实存在有形的改进实例。但更困难、且尚未解决的问题在于，AI能否在企业规模上实现变革性价值，以及为何如此多的组织仍未能实现这一跨越。 答案始终与技术无关，而在于技术被投入其中的运营模式。我们所说的运营模式，是指人员、流程、技术和治理之间日常互动的复杂性。根据2026年AlixPartners颠覆指数，增长领先者正广泛部署自主AI（该群体中有51%），而增长滞后的公司中仅有14%采用，中间地带正在消失。在探讨那个运营模式问题之前，值得先建立一个关于AI当前使用情况的诚实基准。 1.1 实践中的AI：转型之前重效率 根据2026年AlixPartners颠覆指数，65%的高管将收入增长视为其人工智能投资的主要目的。但那些能带来可衡量回报的部署则讲述着不同的故事：效率提升、成本削减和流程改进占据主导地位。布赖恩·卡尔姆斯（Brian Kalms），合伙人兼总经理表示：“企业常说要使其人工智能专注于客户增长，但当你看他们实际把钱花在哪里时，却是后台自动化。”这是否因为虽然增长是一个更具吸引力的叙事，尤其对那些在企业内部工作的人来说，但组织在短期内更容易看到后台的胜利？ 这种实用主义与电气化的进程有着历史相似之处。从19世纪80年代开始，电力首先改进了现有的工业流程，然后高管们才开始重新构想整个行业。人工智能正处于同等阶段，市场已经围绕这一现实进行了自我修正。“企业买家对多年转型的承诺已经失去了耐心，现在他们寻求的是诸如易于集成和年内投资回报率之类的东西，”卡尔姆斯说。“为了让人工智能项目通过预算审查，它们必须在几个月内，而不是几年内展示可衡量的回报。” 但效率提升也带来了新的机遇，这些机遇指向了AI未来的应用场景。例如，在与一家大型零售商的合作中，Kalms描述了流程分析发现的情况：预测员的工作日有50%被无价值的任务所消耗——移动文件、重新格式化数据、手动确认来自一个无人信任的系统的输出。客户随后必须面对的问题根本不是技术问题：“这是削减人员的机会，还是解放人们去做创造真正价值的工作——与供应商合作并将创新产品推向市场——的机会？” 正如Kalms所阐述的：“我希望人工智能能自动为我编程洗碗机，这样我就能去画画，而不是生成一幅画，从而有更多时间来装载我的洗碗机。” 这句话，在人工智能自动化日常生活的每一个功能中反复出现，正是转变之旅的起点。 然而，抵达那里却遇到了一个位于人工智能层之下的制约因素。 “通常，企业最先需要审视的，并非某种花哨的AI解决方案。”托马斯·莫林诺克斯（Thomas Morineaux）总监表示。 这是从A到B再到C最后到D的数据流。问问自己：你有什么质量的数据？在接触那些聪明的AI玩意儿之前，先理顺你的数据架构。 人工智能无法弥补零散、不洁或无法访问的数据——它只会放大底层架构所允许的一切。数据问题将在第三章进行深入探讨。 1.2 “人工智能魔法尘”与过渡方案问题 艾利克斯·帕特纳斯（AlixPartners）估计，大约80%的人工智能相关项目未能达到可扩展的生产阶段，这一数据与高德纳（Gartner）最近的一项发现基本一致，即59%的人工智能计划根本未能投入生产。组织者未能关注他们试图解决的商业问题，或者他们无法从有前景的试点项目跨越到受监管的企业级部署。 我们观察到，引入人工智能后，客户的实际生产力反而下降了，因为那只是一群人各自为政地处理零散任务。他们彼此不分享，缺乏协同。由于缺乏必要的监管机制，他们正承担额外的风险。 当组织试图超越有限的效率提升，迈向更广泛的AI应用时，一个常见的失误是采用AI工具，并将其叠加在现有的工作方式之上，而不是重新思考这些工具存在后工作应该如何完成。“将AI像魔法粉一样撒在现有流程上只会带来有限的结果，甚至可能降低生产力，”Mike Crisanti，合伙人兼总经理表示。“这不是一项技术变革——这是一次运营模式变革。” 威廉·奥厄勒曼 合伙人 实现人工智能应用的可见进展意味着要认识到，这其实是一项流程再造工作，其中人类角色的转变是从执行者变为评判者，从动手者变为指导者。这种转变需要耐心和组织承诺，而许多领导团队尚未完全具备这些，部分原因是董事会和投资者对展示人工智能进展的压力是真实且紧迫的，而要实现这一进展所需的运营模式转型则需要数月甚至数年才能完成。斯图尔特·米切尔（Stuart Mitchell）总监表示，很容易将速度误认为进展。“你可以几个小时，甚至不到一