首席数据与人工智能官，为何注定会失败？

2023年，首席数据官（Chief Data Officer，CDO）、首席数据与分析官（Chief Data & Analytics Officer ，CDAO）和首席数据人工智能官（Chief Data and AI Officers，CDAIO）本已岌岌可危的岗位，变得更加摇摆。许多公司都出现了数据和人工智能负责人的离职和重新调整。

这些职位依然相对较新。为了应对2008至2009年的金融危机，许多大银行设立了CDO，随后这一职位扩展到了制药、医疗保健、消费品、娱乐和联邦政府等多个行业。调查数据显示，2012年到2023年，任命CDO的公司从12%增长到了82.6%，之后这些岗位的职责范围扩大到了包括分析（CDAO）和人工智能（CDAIO）。然而，只有35.5%的大公司报告说该职位是成功且完善的，只有40.5%的公司表示CDAIO的职位在本公司得到了充分理解。这中间明显有问题。

对于一些数据和分析领导者来说，2023年这个角色似乎回到了最早的平淡岁月：金融动荡和生成式AI的爆炸式增长，迫使他们专注于防御性的风险和监管任务，而不是增长、获取客户，以及创造新产品和服务的前瞻性举措。企业领导层要求CDAIO部署生成式AI的潜在变革能力，同时避免受到其伤害。要平衡这一技术同时带来的巨大风险和机遇，CDAIO压力非常大。

在越来越多公司想要和需要CDAIO的当下，这个角色与往常一样具有挑战性，而且经常注定失败。公司可以采取以下五个步骤来解决这个问题。

本文两位作者亲眼见证并参与了CDAIO职位的兴起和演变。兰迪曾在知名公司担任数据和分析顾问超过二十年。艾莉森曾担任行业CDO五年，现在为CDAIO和公司提供如何交付业务价值的咨询。虽然我们都认为这个角色看似难以成功，但我们也相信，目前的迭代会为创建更好、更有效的此类职位奠定基础。

第一代CDO通常受聘于医疗和金融等高度受监管行业的大公司。最初，这个职位被理解为一个专注于控制与风险防御角色，而不是一个商业角色，尽管这两个功能使用了相同的数据和分析技能。银行用于检测欺诈模式的交易数据，也会被用于发现现有或潜在客户的需求，但公司往往会投资于前者。随着重点转向数据的商业化，企业往往会将其视为技术和人才问题，而不是商业问题。他们在技术和人员上投入了大量资金，建立数据基础设施，组建数据工程师和数据科学家队伍，却没有足够关注商业关系的重要性和最关键的商业问题。

结果就是，公司并没有从数据项目中得到理想结果。虽然91.9%的公司报告说，从数据和分析方面的投资中获得了一些可衡量的价值，但只有23.9%的公司表示已经建立了一个数据驱动的组织，仅20.6%的公司报告已经建立了数据文化。CDAIO一直被置于需要巨额投资并涉及公司所有部门的重大项目上，却往往无法带来可衡量的效益。即使他们完全按照要求做了，也很难说他们取得了成功。

我们认为有两个因素导致这种情况：关注点错误和缺乏信任。

这个职位关注的焦点不应是技术和基础设施问题，而是商业结果：无论目标是商业还是风险控制，或者两者兼有，确定你正在尝试为客户解决的问题，优先考虑具有最高商业回报的案例，以及交叉赋能功能。谷歌首席决策科学家、决策智能领域的先驱卡西·科泽尔科夫（Cassie Kozyrkov）说：“这份工作最难的部分，就是知道你要为客户解决什么问题。”

另一个主要因素是缺乏信任。企业领导者需要相信，他们在数据、分析和AI方面的投资正在带来商业回报，这些钱花得值。如果没有清晰地交付商业价值，这种信任就会受到侵蚀，企业领导者将不愿进一步投资。特别是在大公司中，CDAIO已经建立了人员、政策、流程和管理模型治理的基础设施，将整个公司对数据的信任联合了起来。这些工作很复杂，往往不受欢迎，而且收益难以量化。由于数字经济中几乎所有问题都可以被描述为数据问题，因此除非有得到一致认同的进展衡量指标，否则很难取得成功。

所有新时代的创新都是断断续续，很难衡量的。可以说，数据和商业战略没有协调一致，没有成为C级高管和董事会的优先事项，治理工作过于笨重，无法广泛采用和衡量，相关纪律也不够完善。生成式AI的出现放大了这些问题，并引发了新的信任、品质和道德问题，这些问题已经登上新闻，引起了高管和董事会的注意。

公司可以而且必须纠正自己管理数据、分析和AI的方式，并为CDAIO的成功打好基础。这一要求只会更高，特别是当83.9%的公司计划明年增加对数据、分析和AI的投资时。对于改善CDAIO岗位，并从数据、分析和AI投资中创造商业价值，以下是公司可以采取的部分具体建议：

让数据成为每个人的工作。虽然CDAIO长期以来一直在宣传数据能力的重要性，但对诸如强有力的治理、政策和标准等做法的采用并不一致。在数据方面最成熟和规范的领域，通常是与财务和合规相关的职能部门。这些领域的成功，加上C级高管和董事会的参与，可以作为企业的模板。

施耐德电气（Schneider Electric）是能源管理和数字自动化领域的全球领先企业，其首席人工智能官（chief artificial intelligence officer）菲利普·拉姆巴赫（Philippe Rambach）讲到了施耐德电气如何建立一种人人有责的企业文化：

认真对待数据管理需要一个专门的组织。为了支持这一目标，我们决定将数据从IT部门中分离出来，将数据集中在整个公司的治理、业务和绩效议程上。然后我们决定设立两个职位：CDO和首席人工智能官。在以数据为中心的过程中，关键是努力在公司中拥有单个真实数据来源，并使公司内所有决策者都能轻松访问高质量的数据。

让领导者成为数据项目的拥护者。企业领导者需要成为数据和分析投资的拥护者和倡导者。成功的数据领导者是企业领导者的关键合作伙伴，企业领导者会依赖他们，将他们作为提供关键数据和决策点的得力助手，从而推动成功的商业结果。无论初衷多好，CDAIO都不应该试图强加一个议程（“数据和AI很好”或“我们应该做得更多”）。寻找愿意在自己业务部门支持数据和AI的领导者，通过达成结果来建立信任，成为值得信赖的合作伙伴。

审查所有数据和AI投资，确保用得其所。区分“有了也不错”和“必须有”的投资。只保留正在为企业提供可衡量商业价值，或表明可以在短期内快速实现价值的方法的投资。公司必须重新将投资重点放在增长和竞争必需的重要能力上。数据分析与AI领导者需要时间、关注、清晰有效的沟通和讲故事的技巧来表达需求，建立现实预期，并获得支持。

转向生态系统思维。为了充分利用数据和AI，与供应商、大学和其他合作对象建立伙伴关系并进行协作，非常重要。施耐德的拉姆巴赫还说：

竞争的新本质与技术无关；AI发展得太快，重要的是你为客户提供的价值。无论你提供了什么价值，都可以通过合作伙伴关系将其增强。我们为第三方创新开放了物联网平台，因此合作伙伴可以使用我们的软件开发工具包开发新的应用程序，以提升搭建的效率和可持续性。

谨慎行事。虽然生成式AI提供了改变游戏规则的机会，但拉姆巴赫重申了理解风险和谨慎行事的重要性，因为这些模型：

使公司暴露于新型漏洞，特别是让更多用户更容易、更快地访问更大量、更多样化的数据。现在需要建立数据管理和网络安全措施，以负责任地使用这些新功能了。企业和用户始终应该谨慎对待生成式AI，并注重保密性，比如用户不应在可公开访问的AI聊天机器人平台，上传任何机密信息。应优先考虑安全/私人版本的大语言模型。

许多CDAIO领导着企业委员会，这个委员会由来自风险、财务、技术、网络安全、法律/道德、隐私、人力资源和业务部门的领导者组成。这些团队需要更高的地位和问责制。公司还应在董事会中增加数据、分析和人工智能专家。只有23.8%的企业表示所在行业在应对数据和人工智能伦理问题上已经做到足够。如果不对AI和数据隐私、治理和道德问题进行负责且有效的管理，这些问题就会对公司构成威胁。

现在许多公司都在认真考虑CDAIO职位，数据和人工智能领导者必须站出来展示自己会如何为公司的商业价值做出贡献。明确知道自己要怎样从数据和人工智能投资中创造商业价值的公司，最有可能在未来十年乃至更长时间内，占据主导地位。