首席 AI 官:科学家、架构师、教练——Rania Khalaf(WSO2)

• Rania Khalaf 做首席 AI 官（Chief AI Officer，简称 CAIO，公司里专门牵头 AI 的高管）快两年，算上各种变体约五年；开场先举手摸底：谁的公司做并且卖软件、谁的公司里牵头 AI 的既不是 CEO 也不是 CTO。 → 详细
• 普及速度：她引 IBM 各隔一年的调研，2024 年约 11%，25 年 26%，现在 76%（她只报了数字，按上下文指设了这个岗位的公司占比）。 → 详细
• 同一个头衔含义天差地别，取决于公司类型、公司的 AI 成熟度、任职者自己的技能背景。有的岗位为某个人量身设，有的先有需求再招人；因为太难招，公司对「这个人到底做什么」相当开放，她也见过岗位被拆成两个。 → 详细

▲ 图注：幻灯片「How common is a CAIO? It depends who's counting.」：五项调查口径各不相同，从 Foundry 的 14% 到 IBM CEO Study '26 的 76%（橙色高亮）；IBM 两项旁的小字分别标着由 11%、由 26% 上升而来。

• 设了 AI 官听上去挺好，可 AI 无处不在——她说这有点像设一个管「数字化」或者管「电」的官，可以是太多东西，真的会让人不堪重负；所以得非常自律，才能把它做好、还保有乐趣、不被压垮。 → 详细
• 她的解法是把这份工作拆成三个重点领域，各起一个名字：科学家、架构师、教练。 → 详细

• 科学家：探索、做实验、动手构建。 → 详细
• 架构师：也在构建，但战略层面的事多得多。公司卖软件产品，就是琢磨怎么做出新软件、影响产品战略；公司不做软件产品，就是把 AI 加进业务里，而且不光影响利润（bottom line，靠削减成本、提升生产力），还要影响营收（top line，开辟新的收入来源、打进新市场）。 → 详细
• 讲完架构师她补了「相当重要」的一块——面向董事会的责任：现在这家和上一家公司她都要向董事会汇报，要对「我们在 AI 上做了什么、它怎么帮到公司和客户」负责。 → 详细
• 教练：这一块最出乎她意料。她在 IBM Research 待了 20 年、管着全球研究院 AI 组织大约三分之一的摊子，可第一次接这类岗位时却忘了一件事——得花大量时间去布道、教育、分享、把话反复讲到过头的程度：讲你在做什么、AI 能怎么帮上忙、大家可以怎么把它用起来，不光对员工讲，也要对客户讲。 → 详细

▲ 图注：幻灯片「Break into the following focus areas」：一块调音台上三个推子分别标 Scientist、Architect、Coach，底部一句写着滑块随公司的 AI 成熟度、所卖产品类型和现有技能而移动。

• 她现在花很多时间给客户当可信赖的顾问（trusted advisor）：对象是客户那边的同行，或者刚开始采用 AI 的 CTO，他们想知道别处都在发生什么。 → 详细
• 通话里她绝不上来就说「来，买我的东西」（那是下游的事），聊的永远是「你们遇到了什么问题？我们是这样看这个问题的」；自家技术不合适，就把人引到对他们当下更管用的别的东西上，有的之后会再回来。 → 详细
• 公司很多产品不是 AI 优先的，所以她也跟完全没用 AI 能力、只想琢磨将来的客户聊。（讲到这里投影断了一会儿，她边等边讲。） → 详细

• 科学家滑块：一端不需要 PhD，只是大量探索——她坚信在变化这么快的 AI 世界里，团队里必须始终有人在做实验、搞懂新东西、上手试一试、看它合不合用，「这事绕不过去，因为技术跑得太快了」；另一端是创造者、发明者。 → 详细
• 架构师滑块的一端是「管家」（steward）：她是收到一封标题大概是「面向首席 AI 官的 AI 教育」的邮件才发现的——当时的反应是「等等，不懂 AI 是怎么拿到这份工作的？」后来才明白，有些公司坐在这个位置上的人是真懂业务：手里有一笔预算，大家把项目提上来，他判断哪些能带来足够的价值，然后排优先级、分预算、做项目管理、往上汇报。干这个不需要很深的 AI 知识，但得把业务吃得很透、是个很强的运营型管理者。 → 详细
• 架构师滑块的另一端更像她自己在做的事：塑造公司的整个战略，重新发明做事的方式——既包括内部的生产力，也包括产品、战略和 go-to-market（市场打法，产品怎么卖出去）。 → 详细
• 教练滑块：公司不卖 AI 产品时，大量时间花在向内教——教各个团队和员工怎么用。她特意要让人自己撞上「幻觉」（hallucination，模型一本正经地编出错误内容）这类问题，因为「你可以讲到口干舌燥，但人不亲身经历一回是不会信的」。公司成熟度上来之后，向外的教练变多——跟客户、跟社区打交道。 → 详细

• 她找 Claude 和 Gemini 帮忙分析在这个岗位上的人的简历，还有这个岗位的招聘启事，把它们一一对应到三根滑块的方向上，看模型怎么判断；幻灯片上的表就是模型找出来的几类——行是人物类型和他们的技能，列是三根滑块。她的结论是：这印证了这个岗位长什么样「真的是因人而异」。 → 详细

▲ 图注：幻灯片「Four résumé archetypes → three personas」：Deep-Tech Veteran、Data Steward、Transformation Strategist、Domain Authority 四类背景，在 Scientist、Architect、Coach 三列上各标 HIGH、MED 或 LOW；底部小字注明这是对约 25 位在任 CAIO 的定性归纳。

• 离开 IBM Research 后，她加入剑桥一带一家做农业的生物科技独角兽（公司名她没说）：用 CRISPR（一种基因编辑技术）改造玉米、大豆和小麦，培育产粮更多、用水更少的作物。验证一次基因编辑到底管不管用，要花 10 年和大片大片的土地，所以需要方法帮科学家对「该做哪些编辑」提出更好的假设——这就是 AI 和数据进门的切入口。 → 详细
• 到岗后职责迅速膨胀：公司有非常出色的遗传学家和农业人才，但工程出身的技术人员不多，一看她是「搞计算机的」，就说「IT 我们也一并交给你，另外麻烦你招一个 CISO（首席信息安全官）」，而且当时一个数据工程师都没有。 → 详细
• 这家公司卖的是一袋一袋的种子、不是软件。在 IBM 她是自己做平台的，到了这儿的做法是全盘用 AWS、直接买 Databricks（现成的数据平台），工程师的时间则花在给基因发现做新算法上。此外还有从 Box 迁到 Microsoft 这类 IT 的活——她说「挺有意思的，但不是我的乐趣和热情所在」。 → 详细
• 那里要的不是发明新算法、也不是做新的基础模型（foundation model，通用大模型），而是三件朴素的事：怎么把已经广为人知的 AI 技术融进去；怎么把「完全是一团糟」的数据收拢、清洗、整合；怎么把这些东西注入他们已有的流程。基因发现那部分发明的成分多一些，别处只是很基础的日常运作——但她强调，AI 在那里同样从根本上改变了公司的运作方式和它成功的能力。 → 详细

▲ 图注：幻灯片「At a unicorn biotech in agriculture」：左上标着 Equalizers at : 5/75/20；三条双向箭头上的红点，Scientist 贴近 explorer 一端，Architect 落在 steward 与 strategist/shaper 之间偏左，Coach 靠近 outward 一端。

• 科学家有个假设：玉米胚的大小是个指标，能看出基因编辑的下一步有多大可能成功。可让人一个个去量成本太高，于是他们来求她：「拜托，能不能用 AI 啊？」 → 详细
• 她硕士读的是计算机视觉，看了一眼就下了判断：当然能用 AI，「但你其实只需要 blob detection（斑点检测，一种很基础的图像算法），根本用不着什么机器学习」。最后用的是一个非常简单的算法，效果特别好，问题就这么解决了——没有上更花哨的方案。 → 详细
• 另一头基因发现那边，她说也做了些很有意思的事（用的是什么技术，字幕此处听不清）。 → 详细

• 现在这份工作里，她给自己的配比大约是 20% 科学家、60% 架构师、20% 教练。科学家那一面是一个小型研究团队；架构师那一面是着实下功夫改了公司战略，现在非常聚焦在 agentic enterprise fabric（WSO2 当前的战略定位用语）上；教练那一面主要向外。 → 详细
• 向内的教练不用多做，是因为员工本来就非常拥抱技术：全公司大约 75% 是技术人员，好奇心特别强——「这是那种你要是没有好奇心、多半待不了多久的地方」。对比上一家公司，同一个头衔干的活完全两样。 → 详细
• 三段经历（IBM、生物科技创业公司、WSO2）下来，她看一家公司的 AI 负责人该怎么当，就看三个维度：这家公司卖不卖软件？员工是不是以技术人员为主？在 AI 这条路上走到哪儿了？ → 详细

• 经常有人问她衡量什么。有人让她去统计 token（模型处理文字的计量单位，用得越多 token 越多），好看看「我们用了多少 AI」，她直接说不行——理由是「这东西太容易被刷了」，「量起来是容易，但我不想量」。 → 详细
• 讲完整张清单后她又回到这一点：营收不是唯一重要的数字，token 也不是唯一重要的数字。而且衡量什么应该随时间变，取决于你和公司当下在做什么——「这是我现在在衡量的，等这些东西成熟了，我就会换掉这张清单」。 → 详细
• 她提醒要在这件事上多花心思，因为「你量什么就真的会得到什么。你一开始量某个东西，所有人都会冲着它去优化」。 → 详细

▲ 图注：幻灯片「What I measure — a snapshot」：三栏分别是 Company & workforce、Software products、Market & ecosystem，每栏五项；副题写着 You get what you measure，以及衡量什么取决于公司类型和 AI 成熟度。

• AI 熟练度（AI fluency）：是不是只有卓越中心（center of excellence，公司里集中的那个专家小组）里那么几个人懂 AI，谁要做点什么都得去找他们？各个职能里有没有 builder（亲手把东西做出来的人）——懂得够多、能把自己的活干完、还能真正用 AI 给工作加码的人，分布在市场部、各个工程团队里？还是这些能力全攥在少数人手里？（别家怎么评、怎么练这项能力，见 ep90、ep239 与同批 256。） → 详细
• 对应到她自己的组织安排：一个很小的中央 AI 团队跟所有人配合，但每一个产品都设一位 AI 负责人，每个产品团队里都有人在做这个产品的 AI 能力；另外有些产品是 AI 优先的，那边所有人都在做 AI。 → 详细
• 采用深度：她认为这一条很重要——你只是拿 AI 做个简单任务（理顺一封邮件、代码补全），还是为了更好的结果改掉了一整条工作流？再往前一步，WSO2 有几个团队已经用上了 agent 员工（agentic employees）：可以实例化出来、在团队内部和人并肩干活的 agent。这是一条光谱，不同团队处在不同位置。 → 详细
• 工具可得性：公司有没有订阅工具？是让员工自己买了再报销，还是用团队版、企业版账号由公司出钱？ → 详细

• GEO 是她自己解释的 generative engine optimization（生成式引擎优化）：LLM 能不能找到我们？知不知道我们是做什么的？有人去搜的时候呢？她坦言还在做，而且「没那么简单直接」，很多公司也一样。 → 详细
• 顺带一个前一天听来的吐槽：有人跟她说，现在的网页已经变成给 agent 看的了，人读不下去，因为所有东西都是假定读者是 LLM 来写的——「所以我干脆让我的 LLM 去读、再给我做摘要，从今往后我只跟真人说话」。 → 详细

• 刚接这个岗位时，产品上要想的是三个问题：该自己造什么、该在哪些地方做扩展、该在哪些地方找合作伙伴。 → 详细
• 让所有产品能被 agent 和 LLM 消费（读得懂、调得动）：文档得是 LLM 能直接消费的；去年给所有产品都加上了对 agent、LLM 和工具的一等支持；今年的目标是确保每个产品都能被 agent 用起来——所以样样都得有 MCP server（让 agent 调用外部工具的标准接口）、有 skill、有 CLI（命令行工具）。 → 详细
• 防 agent 的定价（agent-proof pricing）：「SaaS 已死」那套说法大家都听过——如果按席位（一个人头一份钱）定价，等 agent 一来把用量冲到爆表会怎么样？所以 WSO2 的定价全部按用量计费。 → 详细
• dogfooding（自己用自己的技术栈）：她当天刚听到一个反例——有人说自己所在的某公司（她没点名）要求员工用自家产品，「这本来挺好的，问题是没有人收任何反馈去把产品做得更好」。所以她要的是把反馈闭环合上：不只是让大家用，而是大家因为喜欢、因为真有帮助才用。 → 详细

• 思想领导力看 earned media（靠实力挣来的曝光）而不是花钱买的文章：有没有人请你演讲、有没有发表成果、上媒体是不是因为真在做有意思的事。 → 详细
• 分析师的认可；客户采用和用例——她说这条「非常非常重要」，自己常熬夜琢磨客户到底痛在哪儿。 → 详细
• WSO2 做的东西 100% 开源、不是 open core（开放核心，只开源核心部分的做法），所以社区参与度和采用度、star 数和 fork 数是特别重要的信号。 → 详细
• 最后是来自 AI 产品的 ARR（年度经常性收入）：有些 AI 产品还很新、ARR 不多，起步阶段靠前面那些指标先给信号。 → 详细

• 公司约 20 岁，ARR 约 1.5 亿（她没说币种），软件在六大洲 90 多个国家使用；老本行是四个平台——API 平台、集成平台、身份与访问管理、内部开发者平台，全部开源。 → 详细
• 她来之后这两年的思路是「往 AI 需要的方向延伸出去」：LLM 和 AI 的 API 说到底也是 API，只是管法不同，于是 API 平台里加了 AI gateway（AI 网关，治理 AI 交互）；本来就会给人做扎实的身份与访问管理，于是给 agent 也做，加了 agent identity（agent 身份）；集成平台加了 agent builder（agent 构建器）。这些是去年的事。 → 详细
• 今年发布了 agent 平台：既能用上前面这些，也能把它们整合起来、全生命周期管理 agent；最新、刚发布的是 Agent Manager。架构师这一面的出发点是——AI 是个亮眼的新玩意儿，但要把它融进整张数字化底座（digital fabric）。时间关系她没演示，让大家去看 GitHub repo 和官网。 → 详细
• 科学家这一面：小研究组今年发了三篇论文，其中两篇与斯里兰卡的本科生合作——是他们人生第一篇论文，其中一篇拿了最佳论文奖。 → 详细

▲ 图注：幻灯片「What we do: WSO2 Agentic Enterprise Fabric」：自上而下是 Agent Platform、API Platform、Integration Platform、Identity Platform、Engineering Platform 五个平台，外加一行 Solutions；右上是三种部署形态 Self-hosted、Private Cloud、SaaS。

• 没有银弹，要看公司的情况。想尝试这样的岗位，一定要有 CEO 强有力的支持、和 CEO 的关系够牢，因为你势必要和公司里很多其他部门紧密合作。 → 详细
• 她见过的两种安排：AI 上走得很靠前的公司，首席产品官和首席 AI 官是同一个人；不做软件的公司里，HR 负责人成了 AI 负责人。 → 详细
• HR 接管的理由是「agent 就是劳动力，是我们的员工队伍，所以归 HR 管」；她对此的态度是「这事我也说不清自己是什么感受」，只说大家都在摸索该怎么办。 → 详细

• 她当初决定接不接这个岗位，用的是别人给的一条建议：想想你擅长什么、热爱什么、世界需要什么、什么事能拿到报酬，在交集里找事做。 → 详细
• 岗位还没定型，所以如果你感兴趣又刚好对得上，就把它塑造成你处在正中心、又让你开心的样子；不喜欢的部分，看能不能让别人换种方式做，或者换一家和你的兴趣、热爱、需要、长处更对得上的公司。 → 详细

▲ 图注：收尾幻灯片「A slider board, not a fixed seat」，副题是按公司、你自己和所处阶段来调，三者变了就重调；三条要点依次是 The core is constant; the edges swing、The company sets defaults; you can negotiate actuals、Empower the whole company。