当一个财务合作伙伴问了我一个我没法干脆回答的问题时，我就知道计划出了问题。
"这笔云支出里，多少是试验，多少已经变成了新常态?"
这个问题本不该难回答，我们有成熟的云战略，有标准规范，有架构评审，有成本控制、服务模式、预留容量、安全门禁，还有一套拿得出手的董事会汇报方案。一切看起来都不冒进——成熟、有序、合理。
然后AI走了进来，开始搬家具。
悄无声息，更像是一种缓慢的推搡，这边一个用例，那边一个试点，一个团队在测试Copilot，另一个团队在申请更多算力。安全团队在问提示词去了哪里，法务在问什么数据跨了哪条边界。财务盯着账单，仿佛它突然开始说拉丁语了。
好战略很少死于愚蠢，它们死于漂移。世界变了，逻辑却还停在去年的天气里。
我们的云战略是为应用、平台、存储增长和常规需求突发而建的。AI带来的是另一种胃口：它要更强的算力、更快的决策、更宽松的试验、更紧密的管控，以及更多的"成年人监管"，这就像请了一位聪明的客人来吃饭，结果发现他还带了三匹狼和一张账单。
这个战略对我们当时在打的那场牌来说，是合理的
我想对最初的计划公平一些，因为那也是我参与制定的，而且嘲笑过去的决策是最廉价的马后炮。
这个战略解决了真实的问题，我们需要跨环境的一致性，需要更强的韧性，需要比"先搬再说"那种粗放式云迁移更好的成本纪律，我们希望团队能更快地构建，而不必每个季度都重新发明一套自己的方法论，我们希望有更清晰的护栏，更少难以理解的例外。
所以我们创建了模式：标准托管路径、成本评审、架构检查点、共享管控、批准服务、升级路径，它奏效了，业务在推进，核心平台稳稳当当，我们有足够的规范来发挥作用，也有足够的灵活性，避免变成一个只会说"不"的橡皮图章部门。
在这套计划之下，藏着几个安静的假设：工作负载大体还是熟悉的样子，需求会增长，但增长方式在我们可建模的范围内，成本会波动，但不会剧烈震荡，治理能跟上技术的步伐，大多数例外会继续保持例外。
这组假设并不愚蠢，它是为另一种气候而建的。
AI先打破了这些假设
如果说AI"改变了一切"，那就错了，它没有改变一切，它打破的是特定假设，而一旦这些假设断裂，战略就开始瓦解。
1. 第一个断裂点是算力。传统企业工作负载通常像有固定作息的人——起落有规律，周而复始。AI工作负载更像拿了别人车钥匙的青少年——一个实验看起来无害，接着一次模型运行就吃掉大量昂贵资源，然后推理需求出现在没人预测到的地方。
2. 第二个断裂点是数据。很多公司说自己有AI就绪的数据，因为有数据湖、报表或分析平台，这就像说你准备好做手术了，因为你有一把锋利的刀。AI用例取决于权限、血缘、质量、上下文、保留策略和流转。原本做仪表盘没问题的数据，一旦引入模型，就变得尴尬、有风险，甚至不可用。
3. 第三个断裂点是经济学。云成本一直需要盯着，但AI加了一个新变量：你可以在证明真正价值之前就花掉真金白银。试点看起来很小，直到它蔓延开来。一个测试阶段看起来便宜的用例，一旦被人用起来就变得昂贵。财务讨厌不确定性，而AI天生擅长把成本模型变成抽象艺术。
4. 第四个断裂点是治理。我们现有的管控是围绕系统、服务、供应商和访问权限建的。AI带来了不同的问题：哪些提示词被存储了?哪些数据被暴露了?谁批准了这个模型?这个用例的依据是什么?当团队因为批准的技术栈推进太慢而采用栈外工具时，会发生什么?
正是在那一刻，我不再把AI看作平台路线图上的又一条需求线，它已经变成了对我们判断力的压力测试。
问题先以症状出现，然后才出现在战略汇报里
重大的战略失败很少戴着名牌到场，它们总是伪装成烦恼。
先是成本意外——账单在稳步上涨，没人能有把握地解释原因，然后是尴尬的会议：财务要预测，工程要测试空间，安全要更紧的管控，数据团队要访问权限。每个人的顾虑都合理，没人有错——这几乎让情况更糟。
然后是架构漂移。
团队在努力交付，如果批准的路径太慢，他们就另找一条路——这里一个托管工具，那里一个旁路环境，一个供应商服务解决了今天的问题，却悄悄埋下了下个季度的头疼，你能感觉到战略的边缘在开始碎裂。
接着是管控缺口，有些团队清楚地知道提示词去了哪里、用了什么数据，另一些团队则模糊得多。日志记录参差不齐，评审深度不一，本地变通方案成倍增加。政策在纸面上依然自信，但纸是慷慨的，现实没那么客气。
最难察觉的症状是决策疲劳，会议变长了，责任变模糊了，人们开始用同一个词表达不同的意思。"低风险"对一组人意味着"够做试点了"，对另一组人意味着"可以上生产了"。进度变慢，影子行为在需求和延迟之间的暗处滋长。
我记得有一次关于一个简单内部助手的讨论，业务要速度，数据团队说源材料可控，安全提了一个关于保留和可审计性的直白问题，沉默，不是对抗性的沉默，是最糟的那种——那种让你意识到整个房间刚刚发现大家一直在用不同的地图工作的沉默。
就在那一刻，我知道我们需要的是重置，而不是打补丁。
我们先换框架，再改管道
一旦你承认计划已不再适配当前条件，骄傲就变得昂贵。
我们第一个有效的动作是思维上的，我们不再问"怎么把AI塞进现有云模型?"——这个问题困住了我们，因为它假设现有模型是固定点，AI是例外，但实际上，AI正在改变运行条件。
所以我们问了一个更好的问题：我们面对的是哪几类AI工作?它们需要什么?应该在哪里、为什么、在什么管控下运行?
这个转变让我们摆脱了一刀切的思维。
我们把工作负载空间分成了清晰的类别：试验不等于生产服务，内部助手不等于高敏感用例，重数据的模型工作不等于快速功能叠加。一旦做了这些区分，更好的决策就随之而来。有些工作负载可以快速推进、轻量评审，另一些则需要更紧的管控、更明确的依据和更硬的边界。
我们还把取舍摆到了明面上。
在此之前，团队在代码层面争论——一方谈速度，一方谈风险，一方谈成本，他们经常在不点明的情况下争论价值观，所以我们把这些取舍拖到了阳光下：什么时候我们为管控多付钱?什么时候我们为更清晰的依据接受延迟?什么时候我们允许局部自由，什么时候我们坚持统一路径?
既然我们无法消除张力，就让它变得可用。
另一个重大转变是治理，我们把它移到了更靠近设计的位置，让它成为运行逻辑。架构、安全、法务、财务和数据负责人需要在团队已经爱上某个工具之前就参与决策，而不是事后发表意见。
我们接下来做了什么
重置真正落地，是在它改变了每周的行为之后。
我们用几个简单的测试对工作负载重新分类：数据有多敏感?算力需求有多重?延迟有多重要?用例在多大程度上暴露于监管、客户信任或公开尴尬之下?每个类别都有一条偏好路径——在完美路径之前，先有一条清晰的路径。
我们重建了成本可见性，试验支出不能再藏在通用平台使用量里，我们把试错资金和运营资金分开，推动团队把支出与预期成果挂钩，而不仅仅是技术好奇心。好奇心很重要，收据也一样。
我们收紧了数据通路，对数据能去哪里、在什么条款下、带什么记录，变得更严格。更少的漫游，更少的假设，更好的记忆。
我们更新了评审阈值，不是每个用例都需要委员会，但有些需要，关键是在压力到来之前画好那条线。团队需要知道什么时候可以推进、什么时候必须暂停、谁能拍板。
我们还创建了一个横跨平台、安全、数据、财务和业务负责人的常规决策论坛——一个快速解决取舍、做出决策的地方。仅这一个改变就砍掉了大量戏剧化。人们不再需要猜谁该为艰难的决定负责。
这件事教给我的关于云、AI和领导力的东西
我从中得出的结论是：少信整洁的架构PPT，多尊重决策设计。
AI对我们云战略的冲击也影响了领导力，它暴露了在平静时期往往可以分开处理的悖论。在我的CIO文章《定义AI采用的4个领导力悖论》中，我提出了领导者现在面对的四组张力：速度与安全、创新与稳定、人才与合规、伦理与效率。那篇文章的核心观点是：AI领导力的本质，是学会在矛盾中领导，而不是一劳永逸地解决它们，这是最让我印象深刻的部分。
而这正是这里发生的事。
我们希望团队快速推进，但不能快到让云支出变成猜谜、管控变成传说。我们要试验，但不能以生产稳定性为代价。我们希望技术强人去探索、测试和构建，但不能让法务、风险和安全在事后去重建决策。我们要有用的AI服务，但不要那种看起来又便宜又聪明、直到制造出信任问题才露馅的东西。这些不再是两边的辩论，它们本身就是工作。悖论不再是理论，它们是运行条件。
这就是为什么我不再把云战略看作一场带点治理的平台对话，它是一门领导力学科。你不只是在选托管模式或成本控制，你是在决定你的组织在压力下如何行事。你能在快速推进的同时保护信任吗?你能为试验留出空间，而不让资产漂移成无序扩张吗?你能给有才华的团队他们需要的自由，而不让合规变成事后才想的事吗?你能追求效率，而不丢掉让整件事站得住脚的伦理底线吗?这才是AI采用的真正负担——它把领导力拉进了那些以前坐在不同会议室里的取舍之中。
董事会应该比他们有时表现出的更在意这件事，他们塑造支出、韧性、问责，以及公司在不像一个被单独留下拿着公司卡的青少年那样行事的前提下采用AI的能力，这是我更深的领悟，我参与建立的云战略之所以失败，不是因为架构弱，而是因为AI改变了领导者必须管理的张力，而旧模型不是为承受这种重量而建的。
我参与建立的云战略没能在与AI的接触中存活下来，我对此出奇地感激，它迫使我们承认：好战略不是纪念碑，它是与现实之间一场活的论证。
最终存活下来的计划，很少是最漂亮的那个——而是那个足够诚实、能在账单、漏洞或董事会会议替你做决定之前，就先改变自己的那个。
