跨国深谈← 返回←首席AI官到底在干什么？一位从业者的亲历拆解

首席AI官到底在干什么？一位从业者的亲历拆解

关联

人物 Rania Khalaf

公司 WSO2

概念 首席 AI 官 · 智能体 · MCP 服务器 · AI 网关 · 智能体身份

Rania Khalaf 在 IBM Research 干了 20 年，带过全球研究部门里三分之一的 AI 组织。后来她去了一家生物技术公司做AI负责人，如今是开源软件公司 WSO2 的首席AI官。

这个职位太新了，不同公司里干的事天差地别。她用一场演讲，把自己摸出来的门道讲了个明白。

为什么说这个职位没法统一定义？

Rania 开场就问听众：谁的公司有专门管 AI 的人？答案是少数。

但麻烦在于，AI 就像当年的“数字化”或者电力，渗透在一切业务里。

同一个头衔，可能是管预算的项目管理员，也可能是重塑公司战略的人。

到底干什么，取决于公司类型、AI 成熟度，以及坐在那个位置上的人本身——很多公司甚至是先看中人，再为这个人定职责。

科学家、架构师、教练：一个角色，三副面孔

Rania 的办法是把工作拆成三块。

科学家是探索和实验。她坚持团队里永远要有人去试新东西，因为这个领域变化太快，“没有别的办法” 。

下限是不需要博士学位的摸索，上限是真正的发明创造。

架构师是建东西加定战略。

如果公司卖软件，你影响的是产品路线；如果不卖软件，你既要用 AI 省钱提效，也要用它开辟新的收入来源。

这个角色的跨度也大：一端是懂业务、管预算、排优先级的“管家”，不需要多深的 AI 功底；

另一端是 Rania 自己这种，重塑整个公司的战略和产品。

教练是她入行时最意外的一块。她原以为靠技术说话，结果发现要花大量时间对内对外做布道——给员工讲、给客户讲、反复讲。

她现在大量时间在做客户的“可信顾问”：不推销产品，只聊对方有什么难题、她会怎么想，自家的东西不合适就推荐别家的 。

【背景】WSO2 是一家有约 20 年历史的开源软件公司，年经常性收入约 1.5 亿美元，主业是 API 平台、集成平台、身份和访问管理，产品覆盖 90 多个国家。

同一个人，两份截然不同的工作

她讲了两段亲身经历作对比。

在剑桥地区那家做农业的生物技术独角兽，公司用 CRISPR 基因编辑改造玉米、大豆和小麦，让它们更高产、更省水。

但验证一次基因编辑要花 10 年和大片土地，所以需要 AI 帮科学家提更好的假设。

她去了之后，公司看她“是个搞计算机的”，顺手把 IT、数据工程甚至网络安全都塞给了她——职责远远超出了“一起做 AI” 。

那里的 AI 也不总是高精尖。科学家猜想玉米胚胎的大小能预测基因编辑的成败，但人工测量太贵。

Rania 硕士学的是计算机视觉，一看：根本不用机器学习，一个基础的斑点检测算法就够了 。简单算法，效果很好。

而在 WSO2,她的配比大约是 20% 科学家、60% 架构师、20% 教练。公司约 75% 是技术人员，好奇心旺盛，对内几乎不用教，她的辅导主要朝外面向客户。

别数 token:衡量 AI 成熟度要看什么？

有人请她统计 token 用量来证明“我们做了多少 AI”,她拒绝了——太容易造假 。她真正看的是这几样：

一是全员的 AI 素养。是只有卓越中心那几个人会，还是市场、工程各部门都有自己的 Builder?

她现在的做法是每个产品线都设一个 AI 负责人。

二是采纳的深度。是只拿来润色邮件、补全代码，还是整个工作流被重构？有的团队已经让 AI 智能体和人类并肩干活了。

三是工具的普及度，公司是否统一采购了工具。四是“生成式引擎优化”——大模型能不能搜到你们、看懂你们是干什么的。

她提到一个有意思的观察：

有人的说法是，现在的网页是写给大模型看的，人类已经读不了了，那就干脆让自己的模型读完再总结，以后只跟真人说话 。

对软件产品，她还有一套：

所有产品都要能被智能体调用，文档要让大模型读得懂，定价改成按用量计费，免得智能体把按坐席收费的模式冲垮。

她还提醒：你衡量什么，大家就会优化什么，而且这套指标应该随公司阶段不断更换。

想做这个角色，先想清楚三件事

Rania 的收尾建议很实在。

这个职位没有银弹，要看公司情况，而且必须和 CEO 有牢固的互信，因为你得横跨公司各个部门去推动事情 。

她见过的组合五花八门：有的 AI 深度公司，首席产品官和首席AI官干脆是同一个人；

也有的非软件公司让 HR 负责人转任管 AI——理由竟然是“智能体也是员工，所以归人事管”。台下听到这里一片笑声。

最后她给了个职业建议：想想你擅长什么、热爱什么、世界需要什么、什么能换来报酬，找四者的交集。

这个职位还在流动成形中，如果你有机会做，把它塑造成让自己站在中心、做得开心的样子；

不喜欢的部分，看看能不能交给别人，或者换一家更契合的公司。

本集带走

• 首席AI官没有统一定义：公司类型、AI 成熟度、任职者的背景，共同决定了这个角色实际干什么。
• 这个角色可以拆成三块——科学家(探索)、架构师(建与定战略)、教练(对内外布道)，配比因公司而异。
• 别用 token 用量衡量 AI 成效，太容易造假；要看全员 AI 素养、采纳深度、工具普及和市场影响力。
• 软件公司要让产品能被智能体调用，并改成按用量计费，否则按坐席收费的模式会被智能体冲垮。
• 做这个角色需要 CEO 的强力支持，并且要主动把它塑造成符合自己擅长与热爱的样子。

这个职位的棘手之处在于：太好了，我有一位 AI 官，但 AI 无处不在，对吧？这有点像在说「数字化」，或者说是电力。
So the tricky thing about this role is, like, it’s so great, okay, I have an AI officer, but there’s AI in everything, right? It’s kind of like saying digital or, I don’t know, electricity.
—— Rania Khalaf · [02:31]

所以对于这种情况，你不需要深厚的 AI 知识，但你非常需要理解业务，并且是一个非常强的运营者。
So for that, you don’t need deep AI knowledge, but you need to understand the business really well and be a very strong operator, right?
—— Rania Khalaf · [06:56]

你希望他们自己去发现诸如幻觉之类的事情，因为你可以解释到你口干舌燥，但人们只有亲身经历过才会相信。
You want them to discover for themselves things like hallucination, because you can explain until you’re blue in the face, but people don’t believe it until they experience it.
—— Rania Khalaf · [07:28]

我说，嗯，对，当然，我们可以用 AI，但你只需要斑点检测之类的东西。你不需要任何机器学习，对吧？
I was like, well, yeah, sure, we can use AI, but you just need like blob detection. You don’t need any machine learning, right?
—— Rania Khalaf · [12:06]

有人让我衡量 token 来看我们用了多少 AI，我说不，因为它太容易被操纵了。
Someone asked me to measure tokens to see how much AI we do, and I said no, because it’s so easily hackable.
—— Rania Khalaf · [12:55]

网页已经变成给智能体看的了，对人类来说已经不可读了，因为所有东西都是假设 LLM 会去读而写的，这太让人沮丧了。
The web has become for agents, like, it’s unreadable for humans anymore because everything’s being written, assuming an LLM is reading it and it’s so frustrating.
—— Rania Khalaf · [14:53]

智能体防备型定价：我们都听说过 SaaS 已死这种说法，如果你按席位定价之类的，那当智能体来了、把消费量彻底打爆的时候会发生什么？所以我们的定价全是基于消费量的。
Agent-proof pricing, so we’ve all heard this whole SaaS is dead, and if you price per seed and whatever, what happens when the agents come and blow it out of the water, the consumption, so our pricing is all consumption-based.
—— Rania Khalaf · [15:40]

但要好好思考这个问题，因为你衡量什么就会得到什么。你一旦开始衡量某个东西，所有人都会为它去优化。
But think a lot about it because you really get what you measure. You start measuring something, everyone’s going to optimize for that.
—— Rania Khalaf · [17:32]