尽管CIO们试图限制SaaS应用泛滥,但根据一项新研究显示,这个问题似乎正在恶化,因为员工持续添加新应用而非移除它们。
虽然SaaS应用泛滥是一个众所周知的长期问题,但智能流程自动化提供商Nintex的最新报告显示,超过60%的IT领导者表示他们的组织每月都在添加新的SaaS工具。调查中近三分之一的美国组织每周都会添加新的SaaS应用。
因此,超过一半的美国组织IT领导者承认在其技术基础设施中拥有51到200个SaaS工具,而约一半的英国和澳大利亚组织也存在同样的问题。
Nintex首席产品官Niranjan Vijayaragavan表示,SaaS应用泛滥问题近年来不断积累,因为消费者和公司将新应用视为解决特定问题的方式。
"人才成本昂贵,因此构建企业级解决方案很困难,"他说。"这导致了SaaS应用的泛滥,每个小团队都购买了一些东西来解决自己的问题。"
但问题是:每个新的SaaS应用都带来特定的工作流程,可能不适合公司的业务运营,他补充道。应用开发者经常将工作流程硬编码到产品中,假设所有客户公司都以相同方式运行。
"第一个问题是你的业务运营被应用程序的运行方式所定义,这绝不应该是这样的,"Vijayaragavan说。"你应该定义你的业务运营是什么,软件是解决方案,而不是问题的原因。"
更多应用意味着更多问题
接受调查的IT领导者承认SaaS应用泛滥造成了几个问题。主要问题包括工作流程延迟、扩展困难、手动录入增加和数据重复。
"在大多数组织中,你有这些断开连接的系统,你试图在其周围放一些临时解决方案来实际运行你的业务运营,"Vijayaragavan说。"人们发现这效率低下,因为现在你必须将一个系统与另一个系统集成。"
媒体推广平台Qwoted的资深软件开发者兼CTO Kevin Trowbridge表示,员工通常认为通过添加新应用来解决问题是在采取行动。
"我告诉我的团队,'工具不会解决问题,'"他说。"通常,你创造了新问题。现在你有一个新工具需要维护、培训员工使用,并为此付费。"
Trowbridge补充说,SaaS应用泛滥产生的问题类似于依赖地狱,这是软件开发中常见的噩梦。
"未管理的外部依赖关系成倍增加,导致系统脆弱、不稳定,难以演进或维护,"他说。
采购系统供应商Tropic的联合创始人兼COO Justin Etkin补充说,日益增长的SaaS工具数量还带来了新的安全风险。
"如果你让人们独立购买工具并做出采购决策,而没有安全部门的审查,你根本不知道你实际上在生态系统中引入了什么,"他说。"当你引入工具时,你通常会与现有的记录源系统集成,无论是你的CRM还是ERP。"
Etkin表示,Nintex报告实际上可能低估了许多组织使用的SaaS工具数量。他遇到过员工少于500人但使用超过150个SaaS工具的公司,许多企业使用的工具更多。
他补充说,SaaS应用泛滥通常来自公司领导给员工的相互冲突的指令。CFO和CIO可能试图执行要求员工为每次新应用购买获得批准的政策,而较低级别的管理者可能鼓励他们成为问题解决者。
"你从业务职能部门的领导那里得到指令说,'实验,尝试新事物,寻找最新最好的技术来帮助你更高效或更有生产力地完成工作,'"Etkin说。"应用泛滥是优秀员工在缺乏与他们配合的流程情况下试图快速行动的结果。"
限制应用泛滥
Etkin表示,为了解决这个问题,组织可以采取几种方法。公司可以严格执行限制员工购买SaaS工具的政策,可能使用监控软件来加强执行。
或者,他说,组织可以更加被动,鼓励一定程度的应用实验。
他补充说,CIO和其他公司领导者的关键是在领导层保持一致性。
"CIO可能遇到的最大挑战是领导层的模糊性和不一致性,"Etkin说。"如果CIO认为我们需要非常严格的控制,但你的首席营销官指示他们的团队进行实验和尝试新事物,这种紧张关系将产生大量浪费、损耗和低效。"
Qwoted的Trowbridge建议公司坚持使用知名的、经过验证的SaaS应用。在某些情况下,公司可以编写自己的软件来解决问题,而不是引入有风险的外部依赖,他说。
"不要采用新的SaaS工具来解决通过现有流程或更简单方法(如内部文档或轻量级培训)就能轻松处理的琐碎问题,"他补充道。
Trowbridge建议IT领导者策划新应用并投资于员工培训,但他也鼓励一定的灵活性。"SaaS使用可能看起来杂乱或过度,但如果工具实际上让某人的工作变得更容易,最好让它保持现状,"他说。"只有在解决真正问题时才插手。"
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。