CIO们仍在努力应对生成式人工智能的炒作，以取得丰硕成果。有些人可能缺乏清晰度，而另一些人则在应对棘手的跨职能风险、培训和数据不成熟。但只要应用得当，这项技术可以改变格局，为陷入POC的项目注入新的动力。
根据Foundry最近的《2025年CIO现状调查》，42%的受访者表示，人工智能是今年全球CIO最受关注的技术投资领域。
兴趣遍及各行各业和地区。尤其是在EMEA地区，76%的CIO表示他们被董事会特别指派研究和评估潜在的AI产品，以加入其技术栈。刚刚超过75%的人表示他们正在与企业更紧密地合作开发人工智能应用，64%的人表示IT和企业在采用和使用生成式人工智能方面达成一致。
但这种兴奋并不总能转化为可衡量的生产力。CIO们在问的关键问题是如何从理论走向实践。即使是最相信人工智能潜力的人，也希望确保能够实施能够带来真正变革和收益的项目。
一位不愿透露姓名的CIO表示：“在公司中应用人工智能并不像厂商所说的那么容易。”“拥有足够的提示工程以通过提出正确的问题与生成式人工智能进行最佳互动，以及为人工智能项目提供足够高质量的数据，是两个障碍。”
另一个因素是向董事会展示人工智能的潜力，通过精准的投资回报率指标和案例证明其有效性。
“人工智能代表了一个重要的转折点，潜力巨大，”Banca Popolare Etica信息系统主管朱塞佩·里杜尔福说。“但像所有深远的变化一样，这需要谨慎和警觉，尤其是在处理敏感数据时。这就是为什么许多银行业的CIO都在思考如何从理论走向实践。”
一、数据的纵向观察
不仅仅是银行业在问这个问题。对于各类CIO来说，能够回答问题、加快搜索速度并总结文档的人工智能表面上可能有用，但并不完全确定。
Sirti Digital Solutions业务网络服务主管Gianni Sannino表示：“行业需要一个杀手级应用，而要实现这一点，就需要经过认证的数据来运行AI算法。”他说：“人工智能的真正实际应用应该是提升人类行动效率或生产线的部分。”“如今，所有产品都被宣传为人工智能，但我们必须警惕口号。事实是，行业仍在寻找真正的实际应用，关键在于输入数据质量不足。”
据Sannino说，问题在于没有联邦机构能够认证和标准化训练和供给AI的数据。需要标准化机构来认证数据并创建垂直数据湖，即行业部门针对的湖泊。
他说：“超大规模企业显然不想处理这些问题，因为他们的在线数据占主导地位，但欧洲也应该通过企业研发中心和大学来应对。”
所以以抽象而热情的方式谈论人工智能毫无意义。CIO们希望获得动力和切实的变革，而要找到这些，Sannino补充了，垂直人工智能以及专业的代理和数据是必需的，而非通用AI。
开源人工智能也是如此。“它可以使用，但它也应能够提供认证的垂直化数据湖，”他补充道。“数据，而非软件，是人工智能的基础。否则，我们怎么能指望用人工智能来做决策呢？归根结底，今天的人工智能仍然从根本上讲究RPA。”
二、变革管理与战略
一般来说，从理论转向AI实践取决于行业、公司规模以及投资水平。小型公司或高度垂直的制造业往往在内部流程中采用人工智能，因为他们通常对Copilot和虚拟助理等产品感到满意。但从理论转向实践需要预算超出平台购买或授权的成本。
“我们需要投资变革管理，以确保采纳并产生收益，”一家金融公司的首席信息官说。“要从人工智能投资中提取价值，人们必须真正使用产品，充分利用所有可用工具。”
因此，需要培训和采用计划，包括用例和最佳实践。这些工作在资金、时间和人员方面都付出了代价，但对于将人工智能引入商业实践至关重要。
如果模型需要从零构建，也必须准备好数据，并咨询外部提供者。投资更为可观，而该模型所依赖的云端运营成本也大幅攀升。因此，人工智能的实施总是依赖于策略。
“人工智能不能临时应变，”这位金融首席信息官重申。“你需要先清楚自己需要的产品、如何实施以及与哪些供应商合作。战略同样至关重要，因为它必须考虑治理和合规的需求，比如《人工智能法案》，以及技术不断发展的事实。”
许多大型公司，尤其是受监管行业，尽管资源充足，仍处于实验阶段，这绝非巧合。他们高度关注成本和合规，设计用例以融入生产流程，但对扩大规模持谨慎态度。换句话说，他们距离建立能够支持这些用例并降低成本的内部基础设施和治理模式还很远。
“目前，我们也暂停在各个项目上，等待技术的发展，”他补充道。
三、专门负责人工智能的部门
Ridulfo认为人工智能既是IT也是人力资源问题，需要培训并让人们了解其潜力和风险，比如数据暴露甚至技能流失。
Banca Etica目前正在与Google Gemini合作开展试点，测试会议转录、文本生成和文档摘要等一系列用例。目标是识别对银行员工最有用的实际应用，并将其限制在这些具体案例中，设有受控的利益和风险，并提供人力资源培训支持。
Banca Etica还设立了数据分析与人工智能办公室，隶属于组织部门，里杜尔福担任副负责人。该项目主要用于数据治理及基于数据分析的内部数据仓库项目的专业资源。此外，它还负责监督人工智能、机器学习和角色扮演自动化等新兴技术的采用，进行测试和实验。
该银行的数据分析和人工智能办公室目前也在开发信贷授予的定价模型。该模型将传统信用数据分析与ESG因素相结合，实现个性化和客户定制化的定价。在这次试点中，银行与一家意大利人工智能技术提供商合作，并由其内部开发团队支持——Ridulfo表示，这一举措已被证明非常有效。
“供应商为我们提供了对技术的接近和控制权，”他说。“关于内部开发，我们带来了两位比萨大学的资深学生，他们在我们这里完成了博士学位：一位从事RPA，另一位从事算法建模。”
四、生成式人工智能的转折点
生成式人工智能解决方案的可用性在从试点到实施的过渡中至关重要。公共实体支持者Abaco的IT经理Giuliano Rorato描述了他们的经历。
“我们开始逐步推进，因为人工智能是一条需要谨慎对待的道路，”他说。“我们开始尝试机器学习等人工智能应用，最终创造出原型。”
大约四年前，罗拉托团队开发了一种工具，用于预测催收办公室的活动。这一领域是在分析结果显示其最受人工智能影响后选定的。在这里，软件的任务是制定预测，以优化从阿巴科地方政府客户处的债务催收。然而，这台由一名高年级学生制造的原型机从未投入生产，因为所需的工作在时间和资源上都非常繁重，他说，工作重点转向了其他被认为优先的领域。
然而今年，得益于生成式人工智能的发展，该项目得以恢复并进入实施阶段。
罗拉托说：“生成式人工智能不仅为实际实施提供了具体的新模型，更因为它使人工智能成为所有企业不可或缺的技术。”“不采用的人会失去竞争力，但它不会改变我们投入的时间、人力或资金。但如今可用的技术工具似乎保证了更好的效果。此外，现在每个人都在使用生成式人工智能，即使是在公司高层，投资人工智能似乎比几年前更具战略性和优先事项。”
为实施该项目，Abaco聘请了一名资深和一名初级专家，并组建了专门负责AI及此类项目开发的内部IT团队。
“找到他们并不容易，”他承认。“但专门的资源至关重要。”
五、是时候超越POC了
人才对于AI项目从理论走向实践至关重要，有助于识别能带来回报的用例。但一些分析师强调需要加快从测试到生产的过渡，采取更敏捷、更有勇气的方法。
Wimbee Tech欧洲首席客户经理Michele Caruso说：“我观察到的是，AI是通过实践学习的。”这当然取决于你的行业和生态系统，但人工智能，像所有颠覆性创新一样，无法长期学习。初期采用阶段的成功率较低。与原型和实验相比，企业能够大规模工业化的AI项目数量较少，但通过采用测试与学习的方法，更容易理解哪些用例有效，哪些有效弥补了所有失败的测试，最终释放了业务价值和实质增长。”
基于此，他补充道，从理论转向实践，摒弃刻板思维，在工作中学习，避免被炒作所左右或过度谨慎，因为人工智能在某些领域带来了许多好处，从而获得竞争优势。
最终，理论与实践应当携手并进，而非相互牵连。如果失败发生，必须学会建设性地运用教训，或者用Gartner的话说，失败向前。在这条路上，持续拥有高质量的数据是将测试转化为有用经验、将理论转化为实践而非代价高昂失败的关键。
