生成式AI正在大规模地为企业敞开创新的大门，但在这个新时代，高管层必须仔细监督对生成式AI的采用，以保证代码质量并减轻技术债务。

生成式AI在起步阶段就已经改变组织并且给IT战略带来了深刻的影响。但是，虽然大型语言模型加速了工程敏捷性，但也打开了一道闸门带来了前所未有的技术债务。分析公司Red Monk首席分析师、联合创始人Stephen O’Grady表示：“生成式系统可能会加速生成的代码量，因此仅在这个基础上，技术债务就会增加。”

但这不应该阻止CIO们探索和实施AI，Salesforce公司高级副总裁、首席信息官Juan Perez 补充说。他把AI视为一种需要适当治理、安全控制、维护和支持以及生命周期管理的应用。他表示，由于AI产品的数量不断增加，选择最合适的模型和底层数据对于支持AI之旅至关重要。

如果实施得当，生成式AI就能够以更低的成本生产更高质量的产品。Walgreens Boots Alliance首席信息官Neal Sample表示：“问题不是AI是否会对整体业务产生积极影响，而是影响程度和速度的问题。”但他指出，要实现负责任的AI发展，政府监管和公司治理都是必要的。

生成式AI：IT战略的核心

机器学习模型有潜力实现更快速的IT迭代。代码测试平台Sonar公司首席信息官Andrea Malagodi表示，至少这些模型可以自动执行那些日常的、重复性的任务，从而释放软件开发人员的带宽，让他们能够专注于更具创造性、更高级别的工作。他说：“投资生成式AI工具来支持这些团队就是对他们的成长、生产力和总体满意度的投资。”

Palo Alto Networks公司首席信息官Meerah Rajavel补充说，生成式AI将极大地促进开发，尤其是Java、Python和C++ 等成熟编程语言的代码生成，但它的力量还不止于此。她认为，AI有助于将代码测试左移，以协助单元测试、调试和识别软件开发周期早期的错误配置。“作为CIO，为我们的开发人员提供帮助他们成功的最佳工具，这是我工作的一个关键组成部分，而AI无疑将有助于提高效率。”

AI还可以显着推进跨部门的运营。对于无代码自动化平台公司Workato的首席信息官Carter Busse来说，AI是该公司今年IT战略的核心。但AI的好处不仅限于IT方面，它还可以为客户支持、提高生产力和推动跨团队创新等方面提供帮助。他说：“CIO的任务是帮助业务高效发展，而AI是我们向前推进的一种方式。”

因此，代码生成并不是受益于最新AI浪潮的唯一领域。云数据仓库公司Snowflake的首席信息官和首席数据官Sunny Bedi表示，员工生产力受到的影响最大。他预测，未来所有员工都将与AI助手展开密切合作，有助于个性化的新员工入职体验、协调内部沟通以及制作创新想法原型等工作。他补充说，企业通过利用大型语言模型开箱即用的功能，还可以减少对搜索、文档提取、内容创建和审查、以及聊天机器人等操作的第三方依赖。

AI如何减轻技术债务

生成式AI模型本身并不是造成IT债务的最大决定性因素，而是在实践中的应用方式。Sample表示：“需要仔细考虑在组织中哪些方面实施AI，以及如何实施AI，避免产生技术债务。”他补充说，当把AI模型应用于现有技术生态系统的时候（例如修改连接和在使用旧堆栈的同时集成生成式AI）积累技术债务的风险会更高。

另一方面，如果使用得当，生成式AI可以通过重写遗留应用和自动化积压任务来帮助消除旧的技术债务。也就是说，如果没有正确的云环境和战略，CIO不应该一头扎进去。“如果组织过早地实施生成式AI，现有的技术债务可能会继续增长，或者在某些情况下变成长期的技术债务，”企业管理软件套件OnBase开发公司Hyland首席信息官Steve Watt这样示。因此他建议，制定一项计划来解决现有的技术债务，这样新的AI驱动的计划就不会崩溃。

起初，企业在尝试AI和大型语言模型的时候可能会增加IT债务。但Busse认为，从长远来看，大型语言模型会减少债务，但这要取决于AI动态响应不断变化需求的能力。他说：“通过将AI嵌入到你的业务流程中，你将能够更快地适应流程变化，从而减少技术债务。”

评估AI代码的质量

最近，人们对AI生成的代码质量提出了质疑，有报告强调，自AI助手出现以来，代码改动和代码重用的情况有所增加。Red Monk公司的O’Grady表示，AI生成的代码质量取决于很多因素，包括部署的模型、手头的用例、以及开发人员的技能。“就像人类开发人员一样，AI系统确实会输出有缺陷的代码，而且未来还将如此。”

例如，Sonar的Malagodi引用了微软研究院最近的一项研究，该研究评估了22个模型，发现这些模型在基准测试中普遍表现不佳，暗示了训练设置中存在基本盲点。该报告解释说，虽然AI助手可以生成功能代码，但并不总是超越功能正确性的范畴，考虑到效率、安全性和可维护性等其他环境，更不用说遵守代码约定了。

Malagodi认为，这方面还有很大的改进空间。他说：“虽然生生成式AI可以更快地生成更多行的代码，但如果质量不好，这个过程可能会变得非常耗时。”他敦促CIO和CTO采取必要措施，确保AI生成的代码是干净的。“这意味着AI生成的代码是一致的、有意的、适应性强且负责任的，从而打造安全的、可维护的、可靠且可访问的软件。”

这些模型根源的质量问题可能会对代码输出产生不利影响。云技术智能平台Snow Software公司首席信息官Alastair Pooley表示，虽然生成式AI有潜力产生卓越的技术成果，但数据质量、模型架构和训练程序都可能导致结果不佳。他说：“训练不足的模型或者不可预见的边缘情况都可能导致输出质量下降，带来运营风险并损害系统可靠性。”所有这些都需要对输出和质量进行持续的审查和验证。

Palo Alto Networks公司的Rajavel补充说，AI就像其他任何工具一样，结果取决于你使用哪种工具以及如何使用它。对她来说，如果没有适当的AI治理，你选择的模型可能会产生不符合产品架构和预期结果的低质量工件结果。她补充说，另一个重要因素是你要为手头的工作选择哪种AI，因为没有一种模型是放之四海而皆准的。

AI潜在风险清单

除了IT债务和代码质量之外，部署生成式AI时还需要考虑一系列潜在的不利结果。“这些问题可能涉及数据隐私和安全、算法偏见、工作替代、人工智能生成内容的道德困境等，”Pooley说。

其中一个方面，是恶意个人利用生成式AI发起攻击。Rajavel指出，网络犯罪分子已经开始利用这项技术进行大规模攻击，因为生成式AI能够起草令人信服的网络钓鱼活动并传播虚假信息。攻击者还可以针对生成式AI工具和模型本身，导致数据泄露或毒害内容输出。

O’Grady表示：“生成式系统有可能加速并帮助攻击者，然而可以说，很多企业最大的担忧就是私有数据从封闭的厂商系统中泄露出去。”

这些技术可以产生非常令人信服的结果，但结果可能也是充满错误的。除了模型中的错误之外，还需要考虑成本影响，并且很容易在不知不觉中或者是不必要的情况下，在AI上花费了大量的资金，无论是使用错误的模型，不了解消耗成本，还是没有有效地使用。

Perez表示：“AI并非没有风险，它需要从头开始构建，由人类控制各个领域，以确保任何人都可以信任其结果——从最基本的用户到最有经验的工程师。”对Perez来说，另一个悬而未决的问题是AI开发和维护所有权，这也给IT团队带来了跟上创新需求的压力，因为许多IT员工缺乏时间来实施和训练AI模型和算法