生成式AI已引起广泛热议，但关于它是否能真正为企业带来经济价值仍有疑问。调查显示，尽管该技术备受欢迎，但大多数公司仍在试验阶段。

要实现其真正价值，除了实验外，还需大量投资和组织变革。这包括重新设计业务流程、对员工进行再培训（或有时被AI系统替代），以及将新的人工智能功能融入现有技术基础架构。尤为关键的是数据方面的变革，包括整理非结构化内容、提升数据质量和整合不同来源的数据。

公司正积极加速数据科学模型的生产，投资在平台、流程、特征存储、MLOps系统等方面，以提升生产力和部署效率。MLOps系统实时监控机器学习模型的表现，确保其预测准确性，必要时会基于新数据重新训练模型。

这些工具和平台虽多来自外部供应商，但不少组织也在自主开发。自动化和复用现有数据集、特征或模型，极大地提升了数据科学生产力，让更多人能够参与进来。

据Thoughtworks调查显示，高达80%的数据和技术领导者表示，他们的组织已经在使用或计划使用数据产品及其管理。简单来说，数据产品就是将数据、分析和人工智能融入软件，为内部或外部客户提供服务。数据产品经理负责整个产品的构思、部署和持续优化。例如，我们常见的推荐系统，帮助顾客挑选产品，以及销售团队用来优化定价的系统，都是数据产品的实际应用。

关于数据产品，不同组织有不同的看法。近半数的受访者（48%）认为数据产品应包含分析和人工智能功能。约30%的人则将它们视为独立，仅将数据产品视为可重复使用的数据资产。仅有16%的人表示在产品环境中不考虑分析和人工智能。

过去，他们被誉为“独角兽”和“21世纪最热门职业”，因为他们能全方位驾驭数据科学项目。然而，如今数据科学领域正经历变革，催生了多种替代角色来管理关键工作。这些角色包括数据工程师、机器学习工程师、翻译和连接员以及数据产品经理等，他们共同合作解决数据科学问题，让数据科学团队更加多元化和高效。

随着公民数据科学的兴起，许多精通量化分析的商人开始自己构建模型或算法，这减少了专业数据科学家的需求。他们借助AutoML或自动化机器学习工具，甚至利用ChatGPT的高级数据分析功能，仅凭简短提示和上传数据集，便能轻松处理模型创建的多个环节并解释其操作。

然而，数据科学中如开发新算法或解释复杂模型等任务，仍需专业数据科学家来承担。虽然他们的角色仍不可或缺，但可能不再像以前那样核心和耀眼。

去年，我们观察到许多组织开始减少单独设置的技术和数据“主管”，比如首席数据和分析官（有时也是首席AI官）。尽管这些角色在公司中越来越普遍，但往往任期短暂、职责不明确。实际上，这些职能并未消失，而是更多地融入到了更广泛的技术、数据和数字转型职能中。这些职能通常由直接向CEO汇报的“超级技术领导者”管理，比如首席信息官、首席信息和技术官或首席数字和技术官等。

Thoughtworks的调查显示，高管角色正在发生显著变化。高达87%的受访者（包括数据领导者和一些技术高管）表示，他们的团队成员在寻求数据和技术服务时感到困惑。许多C级高管坦言，他们与技术导向型领导者的合作程度较低，79%的人认为组织过去因缺乏合作而受阻。

不远将来，我们将看到更多技术领导者能够从数据和技术团队中创造价值。他们仍需强调分析人工智能的重要性，因为这是组织利用数据创造价值的关键。更重要的是，这些领导者需要具备高度的业务导向，能够与高层管理团队讨论战略，并将其转化为系统和见解，推动战略的实施。