来源：智能研究院

《德勤2021年技术趋势》报告研究了疫情一年来对企业战略、运营和技术带来的连锁反应，论述了其重大发现：全球企业正在加速数字化战略转型，从而构建「韧性」、开创全新的经营模式。

报告讨论了接下来18至24个月及以后驱动企业规划背后的九大技术趋势，包括未来的工作环境、人工智能产业化、关键核心业务的升级以及支持多样性、公平性和包容性的技术等内容。

这些技术趋势也同时明确了动荡一年所带来的更具希望的一面。

日前，德勤管理咨询正式发布了《2021技术趋势报告》（可文末下载）。本年度报告研究了疫情一年来对企业战略、运营和技术带来的连锁反应，论述了其重大发现：全球企业正在加速数字化战略转型，从而构建「韧性」、开创全新的经营模式。

《报告》表明，危机以一种重要而意想不到的方式推动变革，全球企业均在加速数字化转型，不仅是为了运营更加灵活、高效，更主要地是为了应对市场需求和客户期望的剧烈波动。在这样的背景下，报告讨论了接下来18至24个月及以后的九大技术趋势，包括未来的工作环境、人工智能产业化、关键核心业务的升级以及支持多样性、公平性和包容性的技术等内容，分为三大类：

一、企业技术方面，关注协调公司和技术战略的重要性；重新审视企业如何利用云计算、低代码和平台战略等进行数字化创新，优化遗留资产；还深入研究了供应链转型。

企业的核心在于战略工程化、激活核心系统、解放供应链，从而确保组织战略和技术战略协同、一致，方可成功。

二、在人机交互方面，报告着眼于未来工作场所、数字化体验趋势以及支持多样性、公平和包容的新技术。

为数十亿人量身定制、整合数字与现实、重启数字化工作环境，为客户、员工和利益相关者提供了正反两个方面视角：如何更好地融合线上与线下体验，从而创造更多价值？公平性与包容性（DEI）技术介绍了日益复杂的公平工具如何在人才生命周期中确保组织的公平与包容，并持续推动创新。

三、数据方面，报告关注领先企业如何利用MLOps将AI工业化，并由此让机器（而不是人）来管理数据。报告还关注了数据安全方面的趋势。

介绍了 MLOps：产业化人工智能；机器数据革命：专供机器的数据，以及零信任：从不相信，永远验证，企业通过工业化和自动化实现更多价值的三个机会。

总之，这些技术趋势明确了动荡一年更具希望的一面。新技术和正在实施的新业务计划显示出了良好的前景。九大趋势具体如下。

一

技术驱动的战略决策

今天的技术为某些组织带来了新的竞争优势，同时也为某些组织造成生存的威胁。结果是，公司战略和技术战略之间的界限变得模糊不清。而那些具有远见且精明的企业战略家们把技术和竞争格局看得更为长远，在技术加持的业务拓展中考虑更多的未来可能性。

但是，不确定性和可能性的复杂范围可能超出了人类大脑自身的处理能力，因此，他们转向使用具有高级分析、自动化和AI的战略技术平台，以帮助他们做决策。组织正在使用这些工具不断识别来自内部和外部的战略力量，为战略决策提供信息，并监督决策结果。因此，组织正在将战略开发从一个少频、耗时转变为持续、动态的过程，从而帮助战略家更有创造性地思考未来的各种可能性。

二

释放核心资产价值

对企业系统进行现代化改造，并将其迁移到云端，有助于释放组织的数字势能。直到最近，这些事情也有可能会破坏同一组织的数字化转型预算。对于很多企业而言，迁移到云上和现代化改造的成本可能会过高。但这种情况将会改变。

趋势是，一些开拓性的公司正在用巧妙的外包来重塑传统业务，以促进现代化改造。另外，也有一些公司正探索将核心资产转移到强大的平台中，包括低代码选项。最后，许多公司正在通过解决ERP系统的技术债务和将非必要的功能转移到其他平台。在不确定的环境下，这些从传统核心资产中获取更多价值的创新方法可能很快会成为每位CIO（首席信息官）数字化转型手册的标准组成部分。

三

释放供应链数据价值

长期以来，供应链一直在考虑做生意的成本，现在正走出后台，进入客户细分和产品差异化的价值前线。面向未来的制造商、零售商、分销商及其他人正在探索如何释放供应链的价值，将其从成本为中心转变为以客户为中心。他们正在收集、分析整个供应网络中共享的数据，以获取更多价值。比如，一些组织正在探索使用机器人、无人机及图像识别等，使得物理供应链交互对员工更加高效、安全。

最大的挑战在于，将已建立的供应链转变为弹性的、以客户为中心的供应网络。对于绝大多数组织而言至关重要，需要持之不懈的努力。

四

MLOps:工业化的人工智能

复杂的机器学习模型可以帮助公司有效地发现模式、揭示异常、做出预测和决策，并产生洞察力，并且日益成为组织绩效的关键驱动因素。企业意识到需要从个人英雄主义转向工程性能，从而有效地将ML模型从开发转移到生产和管理。

然而，由于笨拙、脆弱的开发和部署过程，阻碍了产品团队、操作人员和数据科学家之间的协作。随着AI和ML技术的成熟，大量的工程和操作规程可以帮助组织克服这些障碍，有效地扩展AI，以实现业务转型。为了实现AI和ML更广泛的变革性收益，手工人工智能时代必须让位于自动化、工业化的洞察力。MLOps(也被称为ML CI/CD、ModelOps和ML DevOps)：DevOps工具和方法在模型开发和交付中的应用，能够在开发和部署阶段，实现机器学习的工业化和规模化。

五

机器数据革命:让数据支持机器决策

随着机器学习对企业运营和决策的影响越来越大，越来越多的人工智能先驱认识到，目前遗留的数据模型和基础设施都是为支持人类而不是机器学习决策而设计的，这可能会成为机器学习成功的障碍。所以这些企业正在部署新的技术和方法，包括先进的数据捕获和结构化能力，分析来识别随机数据之间的连接，以及下一代基于云的数据存储来支持复杂的建模。

这些工具和技术可以帮助企业将不断增长的数据量转化为未来的基础，迎接一个新时代的到来。在这个新时代，机器不仅会增强人类的决策能力，还会做出人类无法做出的实时、大规模决策。

六

零信任:验证，而非信任

复杂的网络攻击和不断变化的企业环境呼唤一个「零信任」架构。在零信任架构中，每个访问请求都应该基于所有可用的数据点进行验证。包括用户身份、设备、位置和其他变量，这些变量为每个连接提供上下文，并支持更细微的，有风险性的决策。

数据、应用程序、工作负载和其他资源被视为单独的、可管理的单元，根据最小特权原则提供访问。正确实现零信任安全架构所需的自动化和工程可以帮助加强安全态势、简化安全管理、改善最终用户体验，并支持现代企业环境。不过，向零信任的转变可能需要大量的努力和规划，包括解决基本的网络安全问题，自动化手动流程，以及根据安全组织、技术领域和企业本身的转型变化进行规划。

七