2026年AI趋势 - 影响CIO的五大关键AI趋势
快速导航
标签
分享幻灯片
2026年AI趋势 - 影响CIO的五大关键AI趋势
每张幻灯片页面的详细视图，包括布局、关键内容和视觉元素。
标题页，主题为“AI TRENDS 2026”，副标题为“影响 CIO 的五大关键 AI 趋势”，带有 Info-Tech Research Group 品牌标识，背景为渐变色并带有光效
标题采用大型粗体排版，居中布局，Info-Tech 徽标位于右上角，采用从深蓝色到蓝绿色/粉色的现代渐变配色方案
执行摘要，列出五大关键趋势：1) 基础 AI 原则将重塑组织 DNA，2) 从副驾驶到氛围编码：AI 将继续重塑 IT，3) 主动 AI 将走向成熟并为指数型企业提供动力，4) 风险管理将成为 AI 的入场券，5) AI 将在自由和控制之间保持平衡
深色渐变背景，采用基于图标的列表格式，每个趋势都有彩色图标（紫色、绿色、蓝色、橙色、粉色），并附有标题和描述
调查基础概述，来自 2025 年 5 月至 6 月的 700 多名 IT 领导者的回复，主要来自北美，但也包含全球代表，职位为总监级别及以上，涵盖 12 个以上的行业，包括政府、金融服务、教育、制造业、专业服务、医疗保健等
左侧为文本内容，右侧为笔记本电脑模型，显示调查界面，白色背景，深色文本
章节分隔符，介绍第一个趋势，采用紫色主题视觉效果，显示带有城市景观集成的抽象 3D AI 字母，标语为“AI 策略将以一套新兴原则为基础”
全出血艺术视觉效果，趋势图标位于左上角，左侧为大型文本叠加，右侧为抽象 3D 渲染
框架显示 AI 战略由组织战略和价值驱动因素驱动，包含四个关键组成部分：AI 愿景（前瞻性承诺）、业务价值驱动因素（价值识别方法）、战略 AI 原则（业务-AI 对齐）和基础 AI 原则（风险缓解）
中心图表，AI Strategy 中心连接到四个周围元素，白色背景，每个组件都有插图图标
解释说，基础 AI 原则解决了 AI 风险，并与组织指导原则保持一致，是 AI 治理的核心，用于识别风险类别。图表显示了以原子状结构排列的八项原则：可持续性、安全和保障、数据隐私、可解释性和透明度、可争议性、有效性和可靠性、问责制、公平性和偏差检测
左侧为文本，右侧为圆形原子风格图表，显示互连的原则
解释说，基础 AI 原则随着企业治理要求的变化而不断发展。列出了要考虑的候选原则：可持续性（节能）、人类能动性和自主性、环境（积极成果）、可争议性（挑战 AI 决策）、知识产权和其他定制原则
左侧显示与上一页相同的原子图，右侧在紫色框中列出了其他候选原则
调查数据显示，虽然制定正式的 AI 战略是一种日益增长的趋势，但大多数组织尚未建立正式的全组织战略：23% 拥有公司范围内的战略，26% 拥有某些领域的战略，34% 即将制定，13% 将与 IT/组织战略整合，3% 拥有过时的战略，1% 没有计划
左侧为饼图，右侧为淡紫色背景的洞察框，解释调查结果
超过一半的受访者了解需要基础 AI 原则来解决 AI 风险：31% 已经建立并整合了原则，24% 目前正在实施并制定了扩展计划，35% 正在评估并处于早期阶段，6% 知道但没有计划，4% 不知道，0% 认为没有必要（没有受访者认为会损害创新）
左侧为饼图，右侧为浅紫色背景的洞察框
大多数组织认为已准备好将 AI 原则付诸实践：在 5 分制量表上，70% 的人认为已准备好 (3) 到完全准备好 (5)，分布显示出向较高准备水平的强烈倾斜
水平条形图，显示 5 分制量表分布，右侧为洞察框
对 AI 战略影响的平衡视角。机遇：加速部署、改善客户体验、人才吸引/留存、创新和增长、提高生产力。风险：可能的工作岗位流失、过度依赖 AI、用于欺诈的深度伪造、与原则不符、侵犯隐私
双栏布局，包含“机遇”和“风险”部分，深色背景，右侧带有抽象视觉元素
2025 年 1 月 20 日 DeepSeek 发布的态势分析，包括用于复杂推理的 R1 模型和 V3 聊天机器人。亮点：首个与 OpenAI o1 性能相匹配的开源模型，开源且可商用，新的强化学习技术，成本仅为 600 万美元和 2 个月，而 OpenAI 的投资为 66 亿美元，成本比 OpenAI 低 27 倍
双栏布局，带有 DeepSeek 徽标，左侧为态势分析，右侧为模型亮点
由于违反了 AI 的基本原则，美国机构、澳大利亚、印度、意大利、韩国、台湾等组织禁止使用 DeepSeek：安全/保障（国家安全风险）和数据隐私（GDPR 违规）。建议：要求 AI 技术在采用前符合基本原则
左栏为行动和趋势分析，右侧显示基本原则图
建议将基本的 AI 原则确立为 AI 战略和治理的核心组成部分：将原则用作 AI 风险类别，用于风险管理计划，随着战略的变化而发展原则，将重点扩展到价值创造，考虑其他原则，如可持续性和可辩驳性
左侧为项目符号行动项，右侧为带有光条的抽象建筑图像
第二个趋势的分隔部分：“从副驾驶到氛围编码：AI 将继续重塑 IT”，采用绿色主题和抽象的四叶草设计，融入技术图像（电路板、自然、建筑物）
全出血视觉效果，左上角为趋势图标，左侧为文本叠加，右侧为抽象 3D 三叶草
AI技术堆栈的全面视图，展示了五个层级：应用（Amazon Q、Copilot、Workday、Writer、ServiceNow、Glean、SAP等）、数据和AI工具（Bedrock、SageMaker、Azure ML、Vertex AI、LangChain、Hugging Face、PyTorch、Kafka、DataRobot、Domino）、基础模型（OpenAI、Anthropic、Mistral、Stability.ai、Runway、Bloom、Gemma、LLaMA、DeepSeek）、数据平台（AWS、Azure、Google Cloud、Salesforce、Snowflake、Redis、Databricks、Elastic、Pinecone、Stardog、Milvus、Chroma）、基础设施（AWS、Azure、Google Cloud、Nvidia、AMD、Intel、Qualcomm）
五行表格，展示了技术堆栈，每一层都有公司logo
图表显示了从Prompt Engineering/Inferencing（最简单）到RAG（带有知识库）、Fine-Tuning（特定任务数据）到Full Training（最复杂）的演变。 显示了准确性和复杂性的进展，对于更复杂的方法，需要的数据科学家技能也在增加。
2x2网格，显示了四种方法，带有图标和描述，Y轴表示准确性，X轴表示复杂性
两种方法的比较 - Best-of-Breed AI工具（最适合特定任务，成本更低，灵活性更高）与AI开发平台（面向解决方案，更易于管理，降低集成复杂性）。 显示了权衡，包括供应商锁定、集成挑战和成本考虑因素
两列比较，每种方法都有优点/缺点，底部有平衡秤图形
IT部门在AI采用方面处于领先地位，已有70%的部门采用了AI，其次是创意部门（50%）、营销和销售部门（46%）、研发部门（45%）、运营部门（44%）、人力资源部门和财务/行政部门。 显示了到2026年及以后的计划采用情况
堆叠的水平条形图，显示了跨业务职能的采用状态，右侧有见解框
IT部门最流行的AI应用：IT安全（54%）、IT服务管理（44%）、商业智能和分析（41%）、IT资产管理（37%）、服务台（35%）、代码生成和质量（32%）、数据管理（31%）、软件测试（24%）、源代码和构建管理（23%）、基础设施（19%）、合成数据生成（18%）
带有右侧见解框的水平条形图
虽然许多人更喜欢购买现成的产品，但大多数人需要定制：41%购买市售产品，13%通过微调构建，46%既购买又构建。洞察指出，供应商生态系统持续增长，许多人愿意进行微调
左侧为包含三个扇区的饼图，右侧为洞察框
机遇：缩短上市时间、降低初始成本、降低维护成本、提高可扩展性。风险：过度依赖供应商、集成挑战、有限的定制、对新功能的控制有限
双栏布局，深色/绿色背景，右侧为抽象仪表板视觉效果
介绍vibe coding作为2025年2月宣布的新的AI工具类别，无需技术背景即可进行软件开发。显示了传统编码、AI辅助编码和Vibe Coding的比较表，突出了定义、主要目标和人类角色的差异。指出Replit事件，其中AI删除了生产数据库
双栏布局，包含定义表和事件描述
建议：利用现有的软件选择框架，包括基础AI原则对齐，规划供应商退出策略以防止锁定，确定数据迁移路径，包括业务连续性计划
左侧为行动项，右侧为带有光条的抽象架构图像
第三个趋势的章节分隔符：“Agentic AI将走向成熟并为指数型企业提供动力”，蓝色主题显示了业务/技术图像的抽象3D组合，包括握手和电路板
全出血视觉效果，左上方为趋势图标，左侧为文本叠加，右侧为3D合成图像
表格比较了五种自动化方法：业务流程管理（费用报销、结构化数据）、RPA（发票处理、结构化/半结构化）、智能自动化（欺诈检测、增加AI功能）、生成式AI（虚拟助手、生成新内容）、Agentic AI（自主研究和报告、推理和执行程序）。显示了自动化能力、技术和数据处理方面的进展
包含五个列和六行的综合比较表，涵盖用例、能力、技术和数据
显示了围绕中央LLM的循环流程中的四个关键架构组件：感知（收集感官数据、预处理、监控依赖项）、推理（评估/计划任务、反思选项、计划编排、验证AI原则）、行动（编排行动、管理持久性、综合结果、验证）、适应（衡量影响、优化工作流程、更新知识库和策略）。协议包括模型上下文协议和Agent2Agent
带有中央大脑图标的循环流程图，四个组件带有连接箭头
显示了三种常见的设计模式：规划（将目标分解为具有评估反馈循环的子任务）、多代理编排（编排器分配任务，合成器整合结果）、工具使用和反思（利用外部工具，执行自我评估）。包括显示IN/OUT和反馈循环的流程图
三个模式部分，带有显示流程和决策点的流程图
Agentic AI的主要驱动因素：提高运营效率 (70%)、改善用户体验 (61%)、支持增长计划 (48%)、实现创新 (40%)、改进风险管理 (25%)、不追求AI代理 (5%)。洞察指出，运营效率仍然是首要驱动因素
带有右侧洞察框的水平条形图
Agentic AI开发的主要工具：Microsoft Copilot Studio (60%)、Google Vertex AI Agent Builder (37%)、Microsoft AutoGen (28%)、Amazon tools (24%)、Salesforce Agentforce、Botpress、CrewAI、LangChain、Eliza、LangGraph、Fine 以及其他商业/开源平台。洞察指出，预计像OpenAI这样的新工具将会增长
带有右侧洞察框的水平条形图
两个图表显示：1) 对理解 AI 代理的信心，大多数处于 4-5 级；2) 投资计划显示 50% 以上目前正在使用并计划增加，20% 计划在 2026 年底前采用，较小比例计划稍后采用或没有计划。洞察指出，各组织正在投资和发展技能，并期望实现显著增长
两个水平条形图并排排列，底部带有洞察框
机遇：自主运营、自适应系统、超个性化体验、缩短上市时间、指数级增长。风险：可能的工作岗位流失、数据共享带来的隐私问题、过度资源消耗、代理与基础 AI 原则不符、更高的复杂性
双栏布局，深蓝色背景，右侧为抽象仪表板视觉效果
来自 Walmart 首席技术官 Hari Vasudev 的情境分析，描述了针对特定用例的代理 AI 的外科手术式方法。指出两个关键组成部分：客户使用偏好训练他们的代理，以及零售商使个人购物代理能够与内部代理进行通信。讨论了 Walmart 广泛的资源和数据承诺
双栏布局，包含情境分析和行动部分
为指数型组织做好准备的建议：了解最适合代理 AI 的应用程序特征（避免用于固定/重复性任务、确定性结果、低延迟需求、成本受限的环境），实施人工监督，对高风险操作进行审查/批准，使用反馈系统审查性能
左侧为行动项目，右侧为抽象的建筑图像
第四个趋势的章节分隔符：“风险管理将是 AI 的入场券”，橙色主题显示具有网络连接的抽象 3D 几何结构
全出血视觉效果，左上角为趋势图标，左侧为文本叠加，右侧为 3D 几何结构
五个框架的比较表：NIST AI RMF（非监管，侧重于可信赖性）、ISO/IEC 23894:2023（国际标准，侧重于伦理和人权）、ISO 31000（企业风险，适用于 AI）、COSO ERM（企业风险，适用于 AI）、Info-Tech AI RMF（专门为 AI 设计，侧重于基本原则）。比较了重点、监管性质、AI 原则、风险类别、适应性和实施方法。
包含六行和五个框架列的综合比较表
展示了四个关键功能：风险治理（法律/监管要求、基本 AI 原则、风险承受能力、透明度、监控、清单、停用）、风险识别（建立背景、AI 系统分类、价值/收益、风险、影响分类）、风险测量（AI 风险指标、基本原则对齐评估、系统风险监控、测量评估）、风险应对（优先响应、系统风险策略、第三方风险/收益、处理和沟通计划）。包括每个功能的示例工件。
四个框的水平布局，每个框下方都有详细的项目符号和示例工件
四个无人机示例，展示了相同的技术如何根据上下文具有不同的风险级别：最低风险（手动休闲无人机，不收集数据）、有限风险（人工控制的包裹递送，递送确认互动）、高风险（在关键基础设施中运送医疗用品，其中故障会产生严重后果）、不可接受的风险（未经授权的大规模人脸识别监控 - 禁止）。
带有无人机图像和风险描述的四象限布局
AI 治理的领导者：AI 卓越中心或委员会 (31%)、CIO (23%)、由行政级别以下的两个或多个职位分担 (13%)、由两个或多个高管分担 (10%)、CEO (10%)、风险和合规官/高管 (2%)、其他 C 级高管 (5%)、无人 (6%)。洞察指出，AI 治理是一项共同责任，通常由 AI 卓越中心或 CIO 领导。
左侧为饼图，右侧为洞察框
绝大多数人认为风险管理很重要：62% 非常重要，32% 有点重要，6% 略微重要，0% 不重要。洞察指出，风险管理是几乎所有受访者都认可的不可或缺的计划。
带有洞察框的饼图
企业风险管理是首选方法：33% 完全整合的企业风险管理，28% 整合和集中化，26% 领域特定，13% 临时或被动应对。洞察指出 61% 倾向于企业方法，而不是孤立/临时方法
带有洞察框的饼图
机遇：为 AI 系统提供保障，实施基本的 AI 原则，确保准确性和有效性，遵守法规，最大化 AI 的价值。风险：缺乏治理和风险管理方面的专业知识，缺乏高管支持，缺乏企业范围内的教育计划，缺乏有效的风险识别，缺乏有效的监控和衡量
两栏布局，深棕色背景，右侧为抽象的仪表板视觉效果
情境分析指出不同的政府方法（美国/英国的创新驱动型与欧盟的全面立法）以及当前风险计划未能预测 AI 所带来的挑战。讨论了欧盟《AI 法案》的风险分类（不可接受、高风险受监管、有限风险透明、最低风险不受监管）。指出美国行政命令要求联邦机构在 2026 年 4 月之前实施最低风险管理实践
两栏布局，包含情境分析、行动和趋势部分，包括 Info-Tech 框架图
采用基于风险的管理文化的建议：通过教育员工了解 AI 风险/收益并将基本的 AI 原则确立为风险类别，来培养风险管理文化；实施包含定期评估的 AI 风险管理框架；将负责任的 AI 原则付诸实践（考虑自动化工具）；确保该计划能够适应以解决能动 AI 应用程序
左侧为行动项目，右侧为抽象的建筑图像
第五个趋势的分隔部分：“AI 将在自由和控制之间保持平衡”，采用粉色/洋红色主题，显示带有球形元素的抽象 3D 几何结构，标语为“AI 主权将成为监管机构的首要考虑”
全出血视觉效果，左上角为趋势图标，左侧为文本叠加，右侧为 3D 几何艺术
对六个地区的 AI 法规的全面比较表：欧盟（基于风险/权利，欧盟《AI 法案》），美国（市场驱动，行政命令），英国（情境/市场驱动，《在线安全法案》），中国（国家驱动，生成式 AI 监管），加拿大（基于风险/权利，拟议的《AI 和数据法案》），澳大利亚（基于风险/权利，《AI 道德原则》）。包括每个地区的监管方法、AI 法规/倡议和执法细节
带有国家/地区标志的大型比较表，三行结构，涵盖特征、法规和执法
对比方法的详细比较：美国侧重于创新和放松管制，采用自愿性政策和最低限度的处罚，美国的 AI 行动计划和“公正的 AI 原则”（寻求真理、意识形态中立）。欧盟侧重于安全和创新，采用 AI 法规和经济处罚，欧盟 AI 大陆行动计划（AI 工厂、数据联盟战略、AI 技能学院）以及包括多样性/公平在内的七项基本原则。显示了两者的风险分类系统
两栏详细比较表，涵盖关键驱动因素、框架、原则、行动计划和风险管理
显示自适应 AI 治理组件的圆形图：AI 指导原则（中心原子图标）、组织结构（人物图标）、风险与合规（天平图标）、政策/流程/标准（清单图标）、保证（盾牌图标）、问责制（握手图标）、适应性和弹性（大脑图标）。列出了好处：最大限度地降低风险、确保合规性、提供可归因性、实现动态策略管理、提供实时保证、实现实时缓解、促进持续改进、符合 NIST AI RMF 1.0 和欧盟《AI 法案》
左侧为圆形治理图，右侧为收益列表
许多组织正在追求主权 AI：40% 仅使用主权 AI，21% 同时使用主权和非主权 AI，14% 正在积极评估主权 AI 模型，13% 没有立即计划，3% 没有可用的主权选项，9% 不予考虑。洞察指出，国家安全、自主权、数据控制和经济增长是驱动因素
带有洞察框的饼图
大多数组织相信供应商会构建保障措施：72% 的人对 AI 供应商会进行自我监管并实施必要的保障措施感到有信心 (3) 到非常有信心 (5)。分布显示出强烈偏向较高的信心水平（4 是最常见的响应）
带有 5 点量表和洞察框的水平条形图
对引入AI监管的强烈支持：33%强烈支持，45%中度支持（总支持率78%），11%中立，6%中度反对，5%强烈反对（总反对率11%）。洞察强调大多数受访者支持政府监管
带有洞察框的饼图
机遇：由于缺乏监管，美国/英国等地区可能吸引更多资本，AI监管可以根据国家/经济优先事项进行调整，促进独立于大型科技公司的AI寡头垄断。风险：独特的法规可能成为进入壁垒，如果没有AI监管，消费者信任度可能会降低，如果过度监管，创新可能会停滞
双栏布局，深紫色背景，右侧为抽象仪表板视觉效果
各国追求主权AI战略的形势分析，这些战略由国家安全、摆脱大型科技公司的技术独立性、国家身份/文化/语言保护以及经济驱动因素驱动。显示了一个三角形图，三个顶点分别是：LLM主权（战略自主性、国家安全、知识产权、语言支持）、数据主权（国家安全、数据隐私、立法、性能）、基础设施主权（国家安全/弹性、推动当地经济、控制、性能），中心是基础AI原则
左侧为形势分析，右侧为具有三个主权组成部分的三角形图
列出了全球已宣布的AI主权倡议，包括美国的AI行动计划、加拿大的主权AI计算战略、欧盟的AI大陆行动计划、英国的AI机遇行动计划，以及来自德国、法国、西班牙、瑞典、中国、印度、韩国、阿联酋和巴西的战略。指出美国第14320号行政命令，旨在推广美国AI技术堆栈的出口，使其成为全球标准。解释了AI监管发展不协调的趋势以及本地AI模型开发的驱动因素（国家倡议、商品化、地缘政治力量）
双栏布局，包含行动和趋势分析部分
应对AI监管不协调的建议：了解与AI应用相关的新风险，无论政府的观点如何（引入AI风险管理计划，实施风险分类系统），评估开发或利用主权AI模型的可行性（确保候选基础模型满足准确性要求，通过针对本地语言和文化进行微调来提高相关性）
左侧为行动项目，右侧为抽象建筑图像
包含行动项目的五大趋势概要：AI战略（建立基本原则），AI供应商应用（以原则为中心、以解决方案为导向的方法），自主AI（选择以业务驱动、并有人工监督的用例），AI风险管理（培养风险文化并制定管理计划），AI法规（开发适应性治理框架，确保具有竞争力的主权模型）
五个部分的概要，右侧是抽象的未来主义图像，显示人物穿梭于技术领域
列出外部贡献者（Andreu Gomez - 联合国维也纳CDO，Sunil Gupta - CTBTO CITO，Said Ahmed - 联合国技术发展风险，Rick Pastore - SustainableIT.org，Tom Godden和Paul Weiss - AWS）和内部贡献者（Jack Hakimian - SVP Research，Rob Garmaise - VP AI Research，Mark Tauschek - VP Research Fellowships，Brian Jackson - Principal Research Director，Naveli Thomas - AVP Content Marketing，Manoj Atwal - Senior Member Services Director）
双栏布局，列出外部和内部贡献者及其职称，右侧是抽象的技术背景
参考文献的第一页，列出包括《AI法案》（欧盟委员会）、《巴西AI政策和法规》（NewMind AI）、NIST AI风险管理框架、《美国AI行动计划》（白宫）、各种国际AI战略以及关于DeepSeek模型的技术报告等来源
单栏参考文献，采用标准引用格式，抽象背景图像
参考文献的延续，包括M-25-21备忘录（OMB）、《使法国成为AI强国》、沃尔玛AI战略文章、DeepSeek定价文档、瑞典、韩国、阿联酋的国际AI战略、英国AI行动计划以及vibe coding事件报告
单栏参考文献，延续自上一页
推广三个Info-Tech资源：AI Marketplace（通过定制支持释放AI潜力），构建您的AI战略路线图（在管理风险的同时最大化价值），构建您的AI风险管理路线图（将临时流程转变为正式的持续计划）。每个资源都包含简短描述和视觉表示
三个部分，每个资源都有缩略图和描述
关于此幻灯片和基础演示文稿内容的常见问题。
五大关键趋势是：1) 基础AI原则将改写组织DNA - AI战略将以新兴原则（如安全、隐私和公平）为基础；2) 从Copilot到Vibe Coding：AI将继续重塑IT - 用于IT的AI解决方案生态系统将随着新类别的出现而增长；3) Agentic AI将走向成熟并为指数型企业提供动力 - Agentic AI将实现自主运营和指数级增长；4) 风险管理将成为AI的入场券 - 组织必须采用AI风险管理项目；5) AI将在自由和控制之间保持平衡 - AI主权对于全球监管机构至关重要。
Info-Tech AI风险管理框架是专门为AI系统设计的，由四个关键功能组成：风险治理（建立法律要求、基础原则、风险承受能力和AI清单）、风险识别（建立背景、对AI系统进行分类和识别风险）、风险衡量（定义AI风险指标、进行对齐评估和监控系统）和风险响应（确定响应优先级、制定风险策略和实施处理计划）。它基于NIST AI RMF 1.0，并侧重于将基础AI原则作为核心风险类别。
组织应建立八个核心基础AI原则：安全和保障（保护系统和人员）、数据隐私（保护个人信息）、可解释性和透明度（使AI决策易于理解）、有效性和可靠性（确保准确性）、公平性和偏差检测（防止歧视）、问责制（分配责任）、可争议性（允许对AI决策提出质疑）和可持续性（最大限度地减少环境影响）。其他新兴原则包括人类能动性和自主性、环境考虑因素和知识产权保护。
美国和欧盟对AI监管采取截然不同的方法。美国遵循市场驱动、以创新为中心的方法，通过行政命令制定自愿性政策，没有联邦立法，强调最小化监管以促进美国在AI领域的领导地位。欧盟采取基于风险和权利的方法，通过欧盟AI法案、GDPR和其他立法进行全面监管，对不合规行为处以经济处罚。美国侧重于“公正的AI原则”（寻求真理和意识形态中立），而欧盟则强调七项基础原则，包括人类能动性、透明度、多样性、公平性和社会福祉。两者都实施风险分类系统，但欧盟的风险分类系统更具规范性，分为四个类别：不可接受（禁止）、高风险（受监管）、有限风险（透明度义务）和最低风险（不受监管）。
Agentic AI代表可以推理、将目标分解为子任务并在没有人为干预的情况下执行外部程序的自主软件。它是RPA、智能自动化和生成式AI之外最先进的演变。组织应将Agentic AI用于需要适应和决策的复杂、动态任务，例如自主研究、客户服务编排和多步骤工作流程自动化。但是，组织应避免将Agentic AI用于：固定和重复性任务、需要确定性结果的情况、低延迟要求或成本受限的环境。最佳实践包括对高风险操作实施人工监督、建立明确的审查和批准流程，以及使用反馈系统来不断提高Agent的性能。
主权AI是指在特定国家或地区内开发和运营的AI模型和基础设施。根据调查，40%的组织仅使用主权AI模型，21%的组织同时使用主权和非主权模型。组织追求主权AI有几个关键原因：国家安全（保护敏感数据和运营）、技术独立性（减少对其他国家的大型科技供应商的依赖）、民族认同感（保护当地文化和语言）、经济增长（推动当地AI产业和就业）和数据控制（确保数据主权和遵守当地法规）。美国、加拿大、欧盟国家、中国、印度、韩国、阿联酋和巴西等国家都宣布了主权AI计划和战略。
根据调查，41%的组织更喜欢购买市售的现成解决方案，13%的组织通过微调现有模型来构建，46%的组织两者都做。在选择时，请考虑：对于供应商解决方案 - 更快的上市时间、更低的初始成本、更少的维护、更好的可扩展性，但存在供应商锁定、集成挑战、有限的自定义以及对功能的控制较少。对于自定义构建 - 适用于特定任务的最佳工具、更低的长期许可成本、更大的灵活性，但需要多种工具、更高的集成成本和更多的供应商管理复杂性。最佳实践是采用以解决方案为中心的方法，该方法侧重于业务价值，确保与基础AI原则保持一致，并始终计划退出策略以防止供应商锁定。
CIO应关注五个关键行动领域：1) AI战略 - 建立解决风险并反映组织战略原则的基础AI原则；2) AI供应商应用程序 - 采用以解决方案为中心的方法，使用现有的软件选择框架，包括基础AI原则对齐；3) Agentic AI - 选择业务驱动的用例，了解最适合Agentic AI的特征，并对高影响力操作进行人工监督；4) AI风险管理 - 通过教育员工并实施与业务流程对齐的正式AI风险管理计划来培养风险管理文化；5) AI法规 - 开发自适应AI治理框架，以提供保障和自我监管，而不管立法环境如何，并确保主权AI模型与大型科技供应商模型具有竞争力。
Create Your Own Slides
Turn your ideas into professional presentations in seconds with 2slides AI.
参考专业设计，选择您的风格，生成具有完美文本渲染的幻灯片。由 Nano Banana 提供支持——立即开始创建您的演示文稿。
