文章讨论了首席人工智能官（CAIO）这一新兴角色，强调了其在组织中日益增长的重要性。CAIO负责制定人工智能准则，平衡创新与风险，并跨部门扩展人工智能应用。文章还探讨了CAIO的职业发展路径、首要任务以及面临的挑战，如预算平衡和跨职能协作。总之，CAIO是推动企业负责任地采用和扩展人工智能的关键领导者。
译自：Do You Need a CAIO? The Rise of the Chief AI Officer in 2025
作者：Jennifer Riggins
自从智能手机问世以来，还没有哪项技术像人工智能那样具有真正的颠覆性。
这就是为什么有这么多关于人工智能改变劳动力的报道。但许多组织关注的重点都错了：通过裁减初级职位来缩短他们的人才输送管道。
这表明缺乏远见和领导力的巨大缺失，因为人工智能将影响组织内每个层级的每个角色。这意味着人工智能的采用必须是自上而下的战略重点。
首席人工智能官（CAIO）应运而生。
正如首席信息安全官（CISO）和首席数据官（CDO）角色的出现是为了应对2010年代对安全和数据的整体观点的需求一样，CAIO 的出现是为了响应对跨组织、跨职能的人工智能领导力的不断增长的需求，这应包括对安全和数据的考虑。
如果您对以下任何问题的回答是肯定的，那么您可能需要一位 CAIO 或其他中心化的人工智能领导者：
- 您是否正在增加对人工智能的投资？
- 您是否不确定哪些团队正在使用什么人工智能？
- 您是否正在寻找可重用的人工智能用例或工具？
- 您是否正在尝试连接技术和业务？
- 您是否正在寻找跨组织的效率？
根据科技招聘公司 Pltfrm 的一项调查，富时 100 指数公司中现在有 48% 拥有指定的 CAIO 或等同的人工智能领导角色。其中，67% 是在过去两年内任命的，仅在过去 12 个月内就雇用了 42%。
那么，CAIO 的角色到底是什么？CAIO 应该负责什么——或者不负责什么？请继续阅读，从那些已经在从事这项多方面角色的人那里学习，以及为什么您的公司很快会从人工智能领导力中受益。
CAIO 位于何处？
人工智能已经扰乱了公司等级制度。
我为这篇文章采访的每个人都采取了不同的途径来实现这一人工智能领导角色。顶级人工智能角色位于组织内的不同部门，位于组织结构图的不同层级，并且使用各种名称。
根据 Pltfrm 团队的说法，他们进行了上述 CAIO 调查，担任此角色的最常见途径是通过软件工程、数据科学或咨询。拥有博士学位很常见，这可能是因为 CAIO 职位头衔在大约十年前就已出现在医疗、大学和其他研究机构中。
随着该角色成为主流，有什么区别？
“这里的 CAIO 不是在建造下一枚火箭；他们是确保它在发射时不会坠毁。他们的工作？管理与人工智能相关的风险（例如伦理），以及负责任地采用、扩展和集成系统，”Pltfrm 报告写道。
“现实情况是，大多数 CAIO 都需要攻防兼备，”在创新速度与安全性和合规性之间取得平衡。这个角色需要在创新竞赛中保持领先，同时保护您的组织免受负面新闻的侵害。
在科技公司，人工智能领导传统上位于首席技术官 (CTO) 之下。不再建议这样做，因为：
- 首席技术官领导工程组织，而人工智能正在所有部门中采用。
- 人工智能不仅仅是技术。人工智能战略还需要了解人员和流程。
这个首席角色包括更多的战略愿景和治理责任，需要考虑伦理、企业责任、数据隐私和合规性框架。偏向技术利益相关者是有风险的。
CAIO 也越来越成为一个面向公众的角色，与媒体和客户沟通组织的人工智能政策。
Seatd IT 咨询公司创始人 Ben Silverman 告诉 The New Stack：“作为一名经理、副总裁、总监、C 级高管，您可以尽可能地专注于人工智能，直到您被赋予另一项任务。”如果您没有设置好您的系统，那么任何人工智能转型战略都将被抛在后面。
他认为，人工智能领导力需要一个专门的 C 级职位，并且对以下方面有深刻的理解：
- 如何创建自动化系统。
- 如何保留信息。
- 如何以一种不会让人感到不堪重负的方式解释信息。
这个曾经向首席信息官 (CIO) 或首席技术官 (CTO) 汇报的职位现在正在与首席执行官 (CEO)、首席财务官 (CFO) 和整个董事会沟通，定义投资回报率并以非线性方式扩展成本。
如何为人工智能领导做好准备？
10 多年前，SAP 进行了重组，以优先考虑机器学习 (ML)。据 SAP 美洲区 CAIO Jared Coyle 称，此次重组 70% 侧重于人的因素。
然后，大约在 18 个月前，随着该角色从 IT 重点发展到上市和业务赋能，SAP 将其 CAIO 角色从 CIO 办公室转移到直接位于区域总裁办公室。SAP 的 IT 赋能在全球层面运行，但由于人工智能涉及许多区域和本地数据隐私法规，因此其 CAIO 角色本质上是区域性的。
Coyle 的角色考虑了 SAP 产品套件内以及超过 100,000 名员工的用户体验中的人工智能补充。
对他来说，成为首席人工智能官的绝佳职业道路看起来与他自己的职业道路相似：
- 产品： 位于问题所在的位置。
- 咨询： 密切关注客户体验。
- 销售： 了解财务和运营视角。
- 领导力： 全面了解组织，然后将人工智能应用于其中。
Coyle 说：“如果您只在一个垂直领域工作，就会对组织实际做什么产生这种有限的看法。”“人工智能是一个超越法律、政府关系、公共关系和我们实施的话题。”
Naveena Allampalli 在过去的 15 年里一直专注于数据、人工智能和产品开发在监管严格的行业中的交叉。两年前，她加入全球最大的房地产和投资公司 CBRE，担任企业架构和人工智能解决方案的生成式人工智能全球高级总监。
她告诉 The New Stack，她的角色主要围绕回答这个问题：“我们如何通过生成式人工智能 [GenAI] 在业务平台中或在人工智能和软件交付生命周期中提高效率和生产力？”她还确定了“我们可以在企业范围内实施的通用解决方案”。
Allampalli 说，与许多企业一样，这种人工智能领导角色已经从由数据科学团队管理的集中式人工智能战略转变为 CBRE 的四个业务部门，每个部门都在弄清楚人工智能可以在其自己的产品套件中增加价值。
越来越多的人工智能领导角色像这样横向跨部门，优先考虑业务问题，然后与架构、数据和软件团队合作，将人工智能作为解决方案的一部分实施。
Laura Tacho 在 LeadDev 的 LDX3 中说：“人工智能有很大的创新空间。我们可以以新的方式使用它。”。“但是，归根结底，人工智能是一种需要帮助我们改进系统的工具。如果我们真的想看到所承诺的组织收益，我们需要考虑在组织层面使用人工智能。”
这种推动力意味着这个角色越来越提升到 C 级。
CAIO 的首要任务：治理
每个 CAIO 都不一样，但他们通常都有一个早期的优先事项：建立公司范围的人工智能准则。
虽然是前一年的两倍，但根据 Traliant HR Report on AI，只有 60% 的公司制定了人工智能可接受使用政策。任何人工智能领导的首要任务都应该是制定 GenAI 政策，并在整个组织内以及更频繁地向客户和其他外部利益相关者传达该政策。
航空航天制造商 Northrop Grumman 的负责任人工智能负责人 Amanda Muller 在谈到她的角色时说：“我的重点是确保我们制定正确的政策、程序和治理实践，以负责任地开发、采购和运营人工智能。”
2020 年，这促使她创建了这家航空航天制造公司的负责任人工智能工作组。经过几年的研究，她位于首席信息和数字办公室下的团队创建了一套 负责任的人工智能原则，她告诉 The New Stack，其目的是使客户利益相关者与行业最佳实践、合规性和法律要求以及公司价值观保持一致。
Muller 的首要任务是确定人工智能用例的潜在风险和缓解措施。然后，在 2022 年，随着生成式人工智能的涌入，Northrop Grumman 成立了人工智能治理委员会，她担任该委员会的主席。这个多学科团队协调法律、合规、全球供应链、人力资源、隐私、网络安全等领域的专家，负责审查和批准或不批准各种人工智能用例。
由于人工智能可以包含在所有内容中，Muller 强调说，她的工作非常专注于 Northrop Grumman 开发和采购的人工智能，以运营业务、提高员工生产力和工作满意度。目前，这家在全球拥有约 100,000 人的公司没有一位首席人工智能官。相反，在技术、信息、合规、网络安全、隐私、全球供应链等领域，有一个人工智能专家网络。
两个月前，David Low 从客户赋能总监晋升为 IT 咨询公司 Waracle 的第一位 CAIO。他的角色首先侧重于提升他自己组织中 200 多名开发人员、设计师和战略家的技能，以便亲身实践流程并开发最佳实践，这样“我们就能更好地咨询其他人，”他告诉 The New Stack。
虽然 OpenAI 首席执行官 Sam Altman 认为 人工智能已为企业做好准备，但 Low 的大多数监管严格的企业客户仍处于他所谓的 AI 发现阶段，对它的合规性和安全性持怀疑态度。
他说：“我们的大多数客户现在都在询问三个月前不会问的人工智能。”“我们正在提高他们的意识，以了解他们能做什么和不能做什么。”
例如，欧盟的人工智能法案 要求，如果一项技术被归类为高风险——包括关键基础设施、教育、就业和执法——那么组织必须使事情可以安全审计，并围绕人工智能实际在做什么进行解释。
“每个人都认为，我将带来神奇的、由代理驱动的机器人，它们将彻底改变我的业务。您可能会做的是自动化审批一段时间，以便人们对此感到满意。为人的因素做好准备，因为您将成为一名推销员，让人们的生活变得更好。”
— Jared Coyle, SAP
再加上 Anthropic 的首席执行官 Dario Amodei，大型语言模型 (LLM) Claude 的创造者，他公开表示他的团队不了解自己的模型，因为它们对于人类来说已经变得太大了，无法理解。
如果 LLM 提供商无法提供出处，那么企业还有什么希望？
Low 说：“如果您将其应用到银行业，他们不会接受，因为风险太高。他们无法解释这件事会做什么。”“因此，他们要求我们做的是弄清楚如何管理这种风险，解释这种风险，并解释人工智能实际经历的过程。”
值得庆幸的是，他说，欧盟的规则清楚地概述了一个“判断风险的模板”以及如何解决它。
一旦建立了这种意识和治理，CAIO 的角色通常会转向建议部门运行和衡量 GenAI 实验，然后帮助促进经验教训的分享——并希望共享工具。
跨职能人工智能：从无聊的用例开始
您是否正在寻找跨组织的人工智能用例？从无聊的开始。
在软件开发中，GenAI 采用的可衡量的最大影响用例是文档质量的提高——尽管对人工智能代码生成的关注和投资更大。在 SAP，采用最多的人工智能用例是扫描和处理业务费用收据。
Coyle 建议其他 CAIO 说：“所有在主题演讲台上展示的酷炫人工智能用例都不是将要使用的用例。准备好从事无聊的工作。”
“每个人都认为，我将带来神奇的、由代理驱动的机器人，它们将彻底改变我的业务。您可能会做的是自动化审批一段时间，以便人们对此感到满意。为人的因素做好准备，因为您将成为一名推销员，让人们的生活变得更好。”
人们害怕新系统是人之常情。他说，CAIO 的主要作用是平息人们的神经，并帮助人们了解这项新技术的工作原理。
领导力应该侧重于旨在减少无聊和辛苦工作的人工智能用例，使团队成员能够专注于解决问题，而不是减少员工。
Silverman 说：“我更像是一个‘用人工智能增强’的人”，因为人工智能加上平庸会导致更多的平庸。他说，人工智能增强的关键在于“人们如何处理这些信息，这才是最重要的”。
如何在组织中扩展人工智能
在拥有数万名员工的组织中，挑战不会孤立发生。
一个常见的人工智能用例是企业将聊天视为解锁数据见解和构建更可定制的仪表板的一种方式。Allampalli 说，考虑到这些横向因素，人工智能领导力有助于理解问题，确定它是否真的是一个人工智能问题，然后评估第三方工具——进行严格的安全审查——以及是否应该在内部构建解决方案。
她说：“如果我们必须在内部构建，那么我们与数据团队合作，我们与人工智能团队合作，我们与产品开发团队合作，所有这些团队聚集在一起形成一个小组来解决这些解决方案。”
她补充说：“我们尝试识别并确定问题的优先级，并计算我们试图解决的特定问题的投资回报率。然后我们还会查看，我们是否已经解决了该问题，而不是跳进去构建该解决方案。”
在审查解决方案时，其可重用性的潜力也是关键。然后，她的团队会考虑它是否是“具有高效率增益和组织生产力价值的高优先级用例”。
Low 说，一旦您概述了您可以或不能做什么，CAIO 的工作就变成了扩展关于如何利用人工智能的培训和教育。
“所有不同的学科都有不同的使用人工智能的方式。然后，它们都必须与软件开发生命周期进行交互，一个人的 AI 将移交给另一个人，”他说。“我们需要做好这一点，混合基础教育和思考如何在整个业务中实施它。”
接下来，是时候让人工智能领导评估工作量和工作范围，优先考虑数据依赖关系以及如何构建或将现有解决方案集成到端到端数据流中。
大多数组织在过去两年中一直专注于他们的 GenAI 战略，现在他们正在转向 智能体人工智能 考虑。随着组织中的每个人都提出智能体人工智能用例，Allamalli 建议人工智能领导者问：
- 我们可以为此构建人工智能代理吗？
- 此用例是否已经有智能体人工智能可以遵循的工作流程？
- 我们是否清楚输入和输出？
- 构建需要多长时间？
- 这真的是一个智能体人工智能用例吗？还是 GenAI 可以解决这个问题？
但是，她建议，人工智能领导力的重点应该始终是业务第一。
扩展人工智能“不仅仅是应用新技术，”她说。“首先，是将您的业务问题直接与人工智能解决方案、与人工智能提供的价值对齐。您希望解决业务问题，利用技术。”
然后，CAIO 的作用是优先考虑所有这些潜在的人工智能用例，使它们与整个企业中 C 级高管利益相关者的优先事项保持一致。
平衡人工智能预算
首席人工智能官面临的另一个持续挑战是人工智能创新的成本。
Coyle 说：“一个运转良好的人工智能业务的卓越之处在于了解扩展您的基础设施成本与商业成本的相对比率。”“运营成本。各种基础设施成本。人力成本，因为您必须引进不同的人才。”
他说，目前，SAP 的底层基础设施每六周都在发展一次。这种变化速度需要具有模板化可扩展性的云原生软件开发生命周期。
面对人工智能的一切，CAIO 有助于决定哪些是不可能的。对于 SAP 来说，那就是决定不制造自己的 LLM。Coyle 指出，SAP 拥有 52 年的高度结构化数据——跨越会计、客户体验、供应链和人力资源——这意味着在培训第三方提供商创建的 LLM 时，其财务和环境成本要低得多。
人工智能领导力还必须考虑如何将人工智能驱动的成本变化传达给现有客户。
人工智能不再像以前那样被降级到技术团队，因为它变得平易近人并且可能对所有人都有益。这意味着这个新的人工智能角色需要具有独特的跨组织视角，而这种视角通常只有业务部门才具备。这个角色不容易胜任，但它可以帮助您的组织朝着正确的方向前进。
正如 Coyle 所说，“如果我们负责任地做到这一点，我们就有机会让世界变得更美好。”
