从日益增加的 ROI 压力到建立对 AI 解决方案的信任，IT 领导者必须应对一系列复杂的问题，以确保其 AI 举措具备针对性且高性价比的影响力。
CIO 依然处于为其企业制定 AI 落地路线图的最前沿。
事实上，在《2026 年 CIO 现状调查报告》中，82% 受访的 CIO 负责评估和调研 AI 产品，78% 的 IT 领导者表示，其 IT 部门正在主导 AI 落地工作，且各业务部门也在相应调整其业务策略。
正因如此，CIO 在绝大多数企业中主导或共同主导着 AI 战略，其中许多人还在处理 AI 变更管理方面发挥着关键作用，他们表示，在制定和塑造这些 AI 战略时，正面临着众多因素的影响——从证明 ROI 的压力倍增，到对 AI 输出内容的信任度挑战等。
以下是影响 2026 年 AI 战略的七个显著问题。
1. 证明 AI 投资 ROI 的压力日益剧增
AI 试水和试点探索的时代已经结束，董事会和 CEO 明确表示，他们希望看到 AI 投资带来可量化的回报。例如，Kyndryl 发布的《2025 年准备就绪报告》显示，61% 的高管和决策者感到证明 AI 投资 ROI 的压力比前一年更大。
“给 AI 投钱的时代正在发生转变：从以往的‘全盘押注’转向‘每个项目最终都必须能看到明确的财务价值’。行业正从试验探索阶段迈向追求可衡量成果的阶段，”IT 服务公司 Ensono 的首席 AI 官 Jim Piazza 表示。
Piazza 透露，正因如此，不论是他所在的公司的还是他提供咨询的企业，在构建业务可行性分析时都更加严谨，通过预估实施成本、AI 运行成本以及预期收益，从而做好充分准备去推进能够带来 ROI 的 AI 举措。
这一策略似乎正在见效，根据 Dun & Bradstreet 于 2026 年 5 月发布的《AI 发展势头调查》，在受访的 10000 家企业中，67% 表示已看到 ROI 的早期迹象或局部成效，20% 表示有多个项目交付了 ROI，10% 则表示获得了强劲的 ROI。
这相比早期“鲜有 AI 举措能带来回报”的调查结果有了大幅提升。例如，普华永道在 1 月发布的《2026 年全球 CEO 调查》显示，迄今为止 56% 的 CEO 未看到 AI 带来显著的财务效益，而 MIT 发布的《生成式 AI 分化：2025 年企业 AI 现状报告》指出，95% 的企业生成式 AI 项目在六个月内未能展现出可衡量的财务回报。
2. 利用 AI 推动业务转型的迫切需求
根据普华永道的《2026 年全球 CEO 调查》，今年 CEO 们最关心的首要问题是：他们转型的速度是否足够快，能否跟上技术变革的步伐?有 42% 的受访者将其列为首要关注点。此外，毕马威在 2026 年 5 月的《适应力脉搏调查》中对 1120 多位 C 级高管进行了调查，其中 68% 的受访者表示感受到了加速创新的压力。
这反过来又在影响着 AI 战略。
Steve Santana 是全球最大的非营利性私营教育考试与评估机构 ETS 的 CIO 兼 AI 负责人，他表示其公司正“从‘利用 AI 提高企业效率’转向‘探索如何交付考试评估’”，并补充道，“AI 将赋能我们实现以往无法做到的创新。”
Santana 表示，对于 ETS 而言，这意味着重新构想公司核心产品的交付方式，“寻找突破口去做一些以前因为规模过大或过于困难而无法实现的事情”，比如大规模开展更具互动性的测试和评估。
尽管 Santana 认为企业动作不能太慢，但他预测创新终将胜过速度。“AI 赛道上的赢家和输家并不总是跑得最快的那批人，”他观察到，那些盲目求快的人“可能会引发非常危险的行为”。
他补充道：“我并不是主张慢下来，而是主张保持节奏、稳步推进。采取有度、稳健的方法会更好。”
3. AI 成本的“黑盒”难题
CIO 们正苦于难以计算为其具体业务场景运行 AI 的完整成本，预估费用往往远低于实际账单。研究机构 IDC 的数据表明，到 2027 年，全球 1000 强企业对自身 AI 基础设施成本的低估幅度将高达 30%。
这使得识别哪些 AI 应用场景能够产生可量化的价值变得困难得多，进而增加了确定胜出 AI 战略的难度，然而 CIO 们表示，不能因此就放弃向 C 级高管同事建议哪些 AI 应用场景最有希望成功。
“你不能坐在这观望，普遍的结论是，如果你这么做就会落败，因此即便成本机制尚未完全清晰，你也必须入局，”First Horizon Bank 执行副总裁兼 CIO Mohan Sankararaman 表示。
Sankararaman 表示，他在制定 AI 战略时就考虑到了这种不确定性。
“如何优化使用成本是我和我的团队需要解决的问题，就像我们当年对待云计算一样，”他指出，其战略的一部分就是避免选择可能导致 AI 供应商锁定的基础设施，以免被绑死在该供应商的高额账单上。
“IT 部门必须做好工程架构设计，避免过度工程化，确保我们执行的 AI 战略能够带来实际回报。”他补充道。
研究人员也推荐了此类做法，IDC 负责基础设施与运维的研究副总裁 Jevin Jensen 在一篇强调 IDC 研究成果的博客中写道：“成功应对这一挑战的企业普遍拥有一个共同特征：他们将 FinOps 重新定义为一个战略团队，而非事后的财务记账工作，他们将 AI 经济学视为一个活态的生态系统——可衡量、可视化且持续优化。”
4. 将应用场景与业务战略对齐
可选择的潜在应用场景极其繁多，因此高管们必须进行遴选并明确优先级，重点推进那些能够帮助他们实现战略目标的场景。
但说起来容易做起来难。
Enterprise Strategy Group 发布的《2025 年生成式 AI ROI 报告》对 9 个国家的 1900 名业务与 IT 领导者进行了调查，结果发现：71% 的受访者拥有的潜在应用场景超出了其资金支持能力，54% 表示难以根据成本、业务影响力和企业执行力等客观指标选择正确的应用场景，71% 承认选择错误的应用场景会损害公司的市场地位，此外，59% 的受访者表示，力推错误的应用场景可能会让他们丢掉工作。
长期担任 CIO 顾问的 Larry Wolff 表示，选择和确定应用场景优先级的困难，部分源于董事会和 CEO 盲目下达“去做 AI”的指令，他解释道，这种指令把技术放在了首位，而把业务目标放在了次位——这正是 CIO 们多年来一直试图避免的情况。
“不应该存在单纯的技术战略，而应该存在包含技术要素的业务战略。AI 也是同理，”现任 Preferred Travel Group CIO 的 Wolff 表示。“我们需要先讨论业务挑战和机遇，然后再讨论 AI 如何解决这些问题。”
5. 人员对使用 AI 的准备度
尽管 Sankararaman 和他的高管同事们正在构建银行的 AI 战略，但他依然认为有必要提升整个企业对该技术的认知。“每个人都有基本的了解，但 AI 素养还没有达到应有的水平，”他指出，欠佳的 AI 素养“会扼杀创造力”。
“如果战略是在客户体验等领域做到顶尖，我们就必须明确如何实现这一目标，而如果你开始制定路线图，却不知道技术能做什么，那么战略就会受到局限。”他补充道。
Sankararaman 考虑为高管及其直属下属举办 AI 训练营，以提升他们对 AI 及其变革能力的认知。“并非每个人都需要成为 AI 专家，但我们仍需要保持一定程度的理解，比如什么是大语言模型、如何应用它，以及其他类似的基础知识。希望当我们探讨实现业务成果的战略时，每个人都知道如何利用 AI。”他解释道。
EY(安永)的人力咨询业务合伙人 Jamaal Justice 表示，对 AI 素养的担忧普遍存在。
“影响 AI 战略成功的大难关之一是人员准备度，”Justice 说道，他指出了安永的研究成果：“虽然 88% 的员工在工作中使用 AI，但只有 28% 的企业为员工创造了能够通过 AI 实现变革性业务影响的条件，这表明挑战不在于工具的获取，而在于技术的应用与人员的准备度。”
与 Sankararaman 一样，Justice 也承认员工之间存在知识和使用层面的差异是可以接受的，但 AI 能否成功“取决于通过为员工准备度和技术有效应用创造合适条件，从而将思维模式、技能集和工具集有机结合起来。”他表示。
“那些将人类能力与技术相融合，并以人为本、以价值为导向从根本上重构工作的企业，将实现大规模的价值释放，”他补充道，“而那些没有这样做的企业，则面临着应用碎片化和回报受限的风险。”
EY 的研究也证实了这一点：当 AI 部署在薄弱的人才基础上(包括缺乏良好的培训、文化和激励机制)时，生产力提升幅度可能会下降 40% 以上。
6. AI 应用的数据准备度
大多数企业的数据准备度也相对滞后，这进一步阻碍了其 AI 雄心。
根据 Cloudera 与《哈佛商业评论》分析服务(HBR Analytic Services)联合发布的《2026 年报告：破局 AI 数据准备度的复杂性》，73% 的受访业务领导者表示其企业在 AI 数据准备方面举步维艰。最主要的障碍是：数据孤岛与数据源整合困难(56%)、缺乏明确的数据战略(41%)、数据质量与偏见问题(41%)，以及数据使用的监管限制(34%)。
为了确保 AI 的成功，“必须对数据格局进行根本性的重塑。”Steve Prewitt 表示。作为 IT 服务公司 Genpact 的首席数据与 AI 官，他负责为客户的企业 AI 部署提供咨询。
Prewitt 观察到，随着自主式AI变得越来越普及，这种重塑在今天显得尤为关键，企业需要高质量、管控良好的数据，才能赋能并信任 AI 智能体去自主做出实时决策，否则，企业要么无法推进智能体的部署，要么即便强行部署，也会面临引发连锁故障的风险。
7. 建立信任
ETS 的 CIO Santana 及其同事深知，无论是源于有问题的数据、模型漂移还是其他问题，AI 都有可能输出错误的结果，日常用户同样能意识到这种风险。
这就是为什么信任问题对该非营利机构的 AI 战略有着重大影响，Santana 表示，像 ETS 这样提供关键、高风险服务的公司深知，他们必须通过构建能够持续且可证明地输出准确结果的 AI 应用场景来赢得信任。
他表示，ETS 的战略是明确指出哪些环节正由 AI 做出高风险决策，并详细列出公司必须采取哪些措施，以确保其持续输出准确、可信的结果，并符合既定的标准和要求。
“如果你使用 AI 来评估一个人，且这个人的未来取决于此，你绝不希望有人觉得评估结果可能是错的，”他指出，“在这些 AI 应用场景中，你需要消除所有顾虑，而战略应当确保做到这一点，战略必须包含赢得这种信任所需的所有工作。”
