<p>在 2026 年，戴尔继续将自己定位为企业人工智能和混合云的基础设施提供商。</p>
<p>2026 年戴尔科技世界大会的中心主题非常明确：企业人工智能正在从 实验阶段转向生产阶段，组织越来越希望通过混合、受管控的基础设施在企业数据所在的地方运行人工智能。</p>
<p>戴尔创始人迈克尔·戴尔在周一的主题演讲中表示：“首席信息官们正在积极转向混合人工智能。风险不在于云计算——风险在于失去对数据、成本、安全、知识产权和速度的控制。”</p>
<p>戴尔还宣布扩大其人工智能工厂战略，将其定位为帮助企业在本地和混合环境中部署和运行前沿模型的框架。该公司强调这种方法是改善数据治理、模型选择和与大规模人工智能部署相关的长期 成本管理 的一种方式。</p>
<p>在各个会议中，发言者将这些基础设施投资框定为提供更主动、上下文相关和 自动化客户体验 的基础。然而，随着讨论从基础设施转向客户导向的结果，例如个性化和服务自动化，一个反复出现的主题在多个会议和访谈中浮现：数据准备仍然是人工智能个性化的更大障碍，而非技术本身。</p>
<blockquote>
<p>你做出良好决策所需的一切信息散落在不同的系统中，格式完全不同。 <strong>Faizel Khan</strong> 创始人工智能工程师，Landing Point</p>
</blockquote>
<p>“最大的问题在于底层数据，” Landing Point 招聘公司的创始人工智能工程师 Faizel Khan 在接受 TechTarget 采访时表示。“而且这甚至不是质量问题。你做出良好决策所需的一切信息散落在不同的系统中，格式完全不同。”</p>
<h2>为什么人工智能个性化在实践中会失败</h2>
<p>在题为 “人工智能驱动的个性化：客户体验的定制” 的会议上，讨论小组将基础设施的对话带入了企业如何尝试大规模实现个性化的实际现实。</p>
<p>在讨论中，发言者描述了客户期望的明显变化：用户越来越希望品牌能够将他们视为个体，在每次互动中传递上下文，而不是将每次接触视为独立请求。这种期望与大多数企业仍然以碎片化的系统、孤立的团队和顺序工作流程结构化的方式发生了冲突，这减缓了决策速度。</p>
<p>“我们仍然在很大程度上是以孤岛的方式结构化的，如果各个业务单元仅解决客户旅程的一部分，最终会导致碎片化的体验，” Comcast Business 全球企业销售副总裁 Marybeth Pearce 在会议中表示。</p>
<p>小组成员给出了多个个性化在实践中失败的例子。例如，公司可能拥有理解客户行为的数据，但这些信息通常分散在 CRM 系统、工单工具和内部知识库中，无法实时轻松连接。结果是延迟或不一致的体验，削弱了企业试图提供的 个性化努力。</p>
<p>小组还反复提到一个关键的紧张关系：个性化不再仅仅是关于内容或目标，而是关于组织内的操作速度和协调。当洞察从数据到执行需要几周时间时，实时个性化的机会就消失了。</p>
<p>“那些取得最佳成果的组织将人工智能个性化视为一个涉及治理、工作流程、客户战略、组织协调和人类监督的运营转型挑战，” aiResults 技术咨询公司的首席执行官 Matt Hasan 博士在接受 TechTarget 采访时表示。</p>
<h2>人工智能个性化的四个最佳实践</h2>
<p>CX 小组的发言者分享了各种人工智能个性化的建议，其中许多与 TechTarget 采访的其他企业领导者的见解一致。</p>
<h3>1. 建立统一的数据基础</h3>
<p>企业通常在底层数据基础尚未准备好之前就推动实时个性化——这就是执行开始出现问题的地方。大多数组织已经拥有大量客户数据，但这些数据分散在各种工具和平台中。</p>
<p>当系统不对齐时，人工智能可以提供洞察，但无法在客户旅程中可靠地采取行动。实时个性化的前提不是更多的数据，而是更可用的数据——连接、标准化并以支持决策的方式可访问。</p>
<p>“一旦你试图在基础尚未准备好的情况下进行扩展，它就会崩溃，” Khan 说。</p>
<h3>2. 一次专注于一个用例</h3>
<p>成功的人工智能个性化并不是一次性扩展所有内容。它是关于缩小范围，围绕特定结果对齐，并以有序的方式进行执行。</p>
<p>与广泛的转型项目相比，组织可以从定义明确的用例开始，这些用例的数据和系统实际上可以支持交付，然后通过结构化迭代进行扩展。</p>
<p>“那些在实时个性化方面取得成功的公司并不是在所有地方都做到的——他们在一个地方做得非常好，” Khan 说。</p>
<h3>3. 使数据可用，而不是锁起来</h3>
<p>成功应用人工智能个性化的组织不再将数据视为脆弱或孤立的东西。相反，他们在团队、系统和工作流程之间连接数据，使其能够融入决策和客户体验中。</p>
<blockquote>
<p>不要把你的数据当作一个盒子里的珍贵物品 -- 使用它。 <strong>Jocelyn Chen</strong>，安永的人工智能和数据负责人</p>
</blockquote>
<p>转变是从拥有到赋能。数据从一个职能控制的受保护资产转变为在整个业务中共享、操作和实时使用的东西。</p>
<p>“不要把你的数据当作一个盒子里的珍贵物品 -- 使用它。利用它。开始连接，分享它，民主化它，” 安永的人工智能和数据负责人 Jocelyn Chen 在会议中说道。</p>
<h3>4. 从第一天起在人工智能中建立问责制和透明度</h3>
<p>对人工智能系统的信任取决于组织是否能够解释决策是如何做出的，以及问责制是否从一开始就建立。透明度不是事后考虑的事情，而是设计原则。</p>
<p>“如果你能向人们展示一个代理是如何做出决策的以及如何得出这个结论的，信任自然会随之而来。透明度不是你后来添加的功能。它是基础。从一开始就建立它，否则你只是在希望没有出错，” Khan 说道。</p>
<p>在生产中，这一原则也体现在组织如何处理失败上。重点从完全避免错误转向在发生错误时清晰地承担责任。</p>
<p>“如果出现问题，就承担责任。告诉客户，‘那个算法不正确。我们为这个错误道歉，’” Pearce 说道。</p>
<p>信任和透明度仍然至关重要，但它们并不要求完美。随着组织将人工智能系统投入生产，期望不是无错误的表现，而是在问题出现时 可见的问责制。重点转向构建可以被解释、纠正和实时改进的系统 -- 而不减缓采用速度。组织必须有意向地向前推进，保持与客户的透明度，并在出现错误时承认并修复。</p>
<p><em>Tim Murphy 是 TechTarget IT 战略团队的站点编辑和撰稿人。</em></p>

戴尔科技-C

2 倍做多 DELL ETF - GraniteShares

<p>在 2026 年戴尔科技世界大会上，戴尔强调了其在企业人工智能和混合云中的角色，突出了从实验到生产的转变。创始人迈克尔·戴尔指出，在混合人工智能兴起的背景下，数据控制的重要性。然而，数据准备方面的挑战阻碍了人工智能的个性化，因为数据往往分散在不同系统中。专家建议建立统一的数据基础，并专注于特定的应用场景，以改善个性化的努力</p>

<p>In 2026, Dell continues to position itself as the backbone infrastructure provider for enterprise AI and hybrid cloud.</p>
<div class="lb-trans"><p>在 2026 年，戴尔继续将自己定位为企业人工智能和混合云的基础设施提供商。</p>
</div><p>The central theme at Dell Technologies World 2026 was clear: enterprise AI is moving from experimentation to production, with organizations increasingly seeking to run AI closer to where enterprise data already lives through hybrid, governed infrastructure.</p>
<div class="lb-trans"><p>2026 年戴尔科技世界大会的中心主题非常明确：企业人工智能正在从 实验阶段转向生产阶段，组织越来越希望通过混合、受管控的基础设施在企业数据所在的地方运行人工智能。</p>
</div><p>&#34;CIOs are aggressively pivoting to hybrid AI,&#34; said Dell founder Michael Dell during Monday's keynote. &#34;The risk is not the cloud -- the risk is losing control of your data, your cost, your security, your intellectual property and your speed.&#34;</p>
<div class="lb-trans"><p>戴尔创始人迈克尔·戴尔在周一的主题演讲中表示：“首席信息官们正在积极转向混合人工智能。风险不在于云计算——风险在于失去对数据、成本、安全、知识产权和速度的控制。”</p>
</div><p>Dell also announced an expansion of its AI Factory strategy, positioning it as a framework for helping enterprises deploy and run frontier models in on-premises and hybrid environments. The company emphasized this approach as a way to improve control over data governance, model choice and long-term cost management tied to large-scale AI deployments.</p>
<div class="lb-trans"><p>戴尔还宣布扩大其人工智能工厂战略，将其定位为帮助企业在本地和混合环境中部署和运行前沿模型的框架。该公司强调这种方法是改善数据治理、模型选择和与大规模人工智能部署相关的长期 成本管理 的一种方式。</p>
</div><p>Across sessions, speakers framed those infrastructure investments as foundational to delivering more proactive, contextual and automated customer experiences. However, as discussions shifted from infrastructure to customer-facing outcomes, such as personalization and service automation, a recurring theme emerged across multiple sessions and interviews: data readiness remains a bigger barrier to AI personalization than the technology itself.</p>
<div class="lb-trans"><p>在各个会议中，发言者将这些基础设施投资框定为提供更主动、上下文相关和 自动化客户体验 的基础。然而，随着讨论从基础设施转向客户导向的结果，例如个性化和服务自动化，一个反复出现的主题在多个会议和访谈中浮现：数据准备仍然是人工智能个性化的更大障碍，而非技术本身。</p>
</div><blockquote>
<p>Everything you need to make a good decision is scattered across different systems in completely different formats. <strong>Faizel Khan</strong> Founding AI engineer, Landing Point</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>你做出良好决策所需的一切信息散落在不同的系统中，格式完全不同。 <strong>Faizel Khan</strong> 创始人工智能工程师，Landing Point</p>
</blockquote>
</div><p>&#34;The biggest challenge is the data underneath it,&#34; said Faizel Khan, founding AI engineer at Landing Point recruiting firm, in an interview with TechTarget. &#34;And it's not even a quality problem. It's that everything you need to make a good decision is scattered across different systems in completely different formats.&#34;</p>
<div class="lb-trans"><p>“最大的问题在于底层数据，” Landing Point 招聘公司的创始人工智能工程师 Faizel Khan 在接受 TechTarget 采访时表示。“而且这甚至不是质量问题。你做出良好决策所需的一切信息散落在不同的系统中，格式完全不同。”</p>
</div><h2>Why AI personalization breaks down in practice</h2>
<div class="lb-trans"><h2>为什么人工智能个性化在实践中会失败</h2>
</div><p>In a session titled &#34;AI-powered personalization: The customization of the customer experience,&#34; panelists brought the infrastructure conversation down to the practical reality of how enterprises are trying to operationalize personalization at scale.</p>
<div class="lb-trans"><p>在题为 “人工智能驱动的个性化：客户体验的定制” 的会议上，讨论小组将基础设施的对话带入了企业如何尝试大规模实现个性化的实际现实。</p>
</div><p>Across the discussion, speakers described a clear shift in customer expectations: users increasingly expect brands to recognize them as individuals, with context carried across every interaction, rather than treating each engagement as a standalone request. That expectation is colliding with how most enterprises are still structured -- in fragmented systems, siloed teams and sequential workflows that slow down decision-making.</p>
<div class="lb-trans"><p>在讨论中，发言者描述了客户期望的明显变化：用户越来越希望品牌能够将他们视为个体，在每次互动中传递上下文，而不是将每次接触视为独立请求。这种期望与大多数企业仍然以碎片化的系统、孤立的团队和顺序工作流程结构化的方式发生了冲突，这减缓了决策速度。</p>
</div><p>&#34;We're still structured very much in silos, and if individual business units are solving just a portion of the customer journey, you end up with a fragmented experience,&#34; said Marybeth Pearce, vice president of global enterprise sales at Comcast Business, in the session.</p>
<div class="lb-trans"><p>“我们仍然在很大程度上是以孤岛的方式结构化的，如果各个业务单元仅解决客户旅程的一部分，最终会导致碎片化的体验，” Comcast Business 全球企业销售副总裁 Marybeth Pearce 在会议中表示。</p>
</div><p>Panelists gave several examples of how personalization breaks down in practice. For instance, companies may have the data to understand customer behavior, but that information is often distributed across CRM systems, ticketing tools and internal knowledge bases that don't easily connect in real time. The result is delayed or inconsistent experiences that undermine the very personalization efforts enterprises are trying to offer.</p>
<div class="lb-trans"><p>小组成员给出了多个个性化在实践中失败的例子。例如，公司可能拥有理解客户行为的数据，但这些信息通常分散在 CRM 系统、工单工具和内部知识库中，无法实时轻松连接。结果是延迟或不一致的体验，削弱了企业试图提供的 个性化努力。</p>
</div><p>The panel also repeatedly returned to a key tension: personalization is no longer just about content or targeting, but about operational speed and coordination across the organization. When insights take weeks to move from data to execution, the opportunity for real-time personalization disappears.</p>
<div class="lb-trans"><p>小组还反复提到一个关键的紧张关系：个性化不再仅仅是关于内容或目标，而是关于组织内的操作速度和协调。当洞察从数据到执行需要几周时间时，实时个性化的机会就消失了。</p>
</div><p>&#34;The organizations achieving the strongest outcomes are treating AI personalization as an operational transformation challenge involving governance, workflows, customer strategy, organizational alignment and human oversight,&#34; said Matt Hasan, PhD and CEO of aiResults technology consulting firm, in an interview with TechTarget.</p>
<div class="lb-trans"><p>“那些取得最佳成果的组织将人工智能个性化视为一个涉及治理、工作流程、客户战略、组织协调和人类监督的运营转型挑战，” aiResults 技术咨询公司的首席执行官 Matt Hasan 博士在接受 TechTarget 采访时表示。</p>
</div><h2>4 best practices for AI personalization</h2>
<div class="lb-trans"><h2>人工智能个性化的四个最佳实践</h2>
</div><p>Speakers on the CX panel shared various tips for AI personalization, many of which aligned with insights from other enterprise leaders TechTarget interviewed.</p>
<div class="lb-trans"><p>CX 小组的发言者分享了各种人工智能个性化的建议，其中许多与 TechTarget 采访的其他企业领导者的见解一致。</p>
</div><h3>1. Build a unified data foundation</h3>
<div class="lb-trans"><h3>1. 建立统一的数据基础</h3>
</div><p>Enterprises often push toward real-time personalization before the underlying data foundation is ready -- and that's where execution starts to break down. Most organizations already have plenty of customer data, but it sits fragmented across tools and platforms.</p>
<div class="lb-trans"><p>企业通常在底层数据基础尚未准备好之前就推动实时个性化——这就是执行开始出现问题的地方。大多数组织已经拥有大量客户数据，但这些数据分散在各种工具和平台中。</p>
</div><p>When systems aren't aligned, AI can surface insights but can't reliably act on them across the customer journey. The prerequisite for real-time personalization is not more data, but more usable data -- connected, normalized and accessible in a way that supports decisions.</p>
<div class="lb-trans"><p>当系统不对齐时，人工智能可以提供洞察，但无法在客户旅程中可靠地采取行动。实时个性化的前提不是更多的数据，而是更可用的数据——连接、标准化并以支持决策的方式可访问。</p>
</div><p>&#34;The moment you try to scale before the foundation is ready, it falls apart,&#34; Khan said.</p>
<div class="lb-trans"><p>“一旦你试图在基础尚未准备好的情况下进行扩展，它就会崩溃，” Khan 说。</p>
</div><h3>2. Start with one use case at a time</h3>
<div class="lb-trans"><h3>2. 一次专注于一个用例</h3>
</div><p>Successful AI personalization isn't about scaling everything at once. It's about narrowing scope, aligning around a specific outcome and sequencing execution in a disciplined way.</p>
<div class="lb-trans"><p>成功的人工智能个性化并不是一次性扩展所有内容。它是关于缩小范围，围绕特定结果对齐，并以有序的方式进行执行。</p>
</div><p>Rather than broad transformation programs, organizations can start with well-defined use cases where the data and systems can actually support delivery, then expand through structured iteration.</p>
<div class="lb-trans"><p>与广泛的转型项目相比，组织可以从定义明确的用例开始，这些用例的数据和系统实际上可以支持交付，然后通过结构化迭代进行扩展。</p>
</div><p>&#34;Companies actually succeeding at real-time personalization aren't doing it everywhere -- they're doing it really well in one place,&#34; Khan said.</p>
<div class="lb-trans"><p>“那些在实时个性化方面取得成功的公司并不是在所有地方都做到的——他们在一个地方做得非常好，” Khan 说。</p>
</div><h3>3. Make data usable, not locked away</h3>
<div class="lb-trans"><h3>3. 使数据可用，而不是锁起来</h3>
</div><p>Organizations that succeed with AI personalization stop treating data as something fragile or siloed. Instead, they connect it across teams, systems and workflows so it can flow into decisions and customer experiences.</p>
<div class="lb-trans"><p>成功应用人工智能个性化的组织不再将数据视为脆弱或孤立的东西。相反，他们在团队、系统和工作流程之间连接数据，使其能够融入决策和客户体验中。</p>
</div><blockquote>
<p>Stop treating your data like this precious thing in a box -- use it. <strong>Jocelyn Chen</strong> AI and data leader, EY</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>不要把你的数据当作一个盒子里的珍贵物品 -- 使用它。 <strong>Jocelyn Chen</strong>，安永的人工智能和数据负责人</p>
</blockquote>
</div><p>The shift is from ownership to enablement. Data moves from a protected asset controlled by one function to something shared, operationalized and used in real time across the business.</p>
<div class="lb-trans"><p>转变是从拥有到赋能。数据从一个职能控制的受保护资产转变为在整个业务中共享、操作和实时使用的东西。</p>
</div><p>&#34;Stop treating your data like this precious thing in a box -- use it. Harness it. Just start connecting, share it, democratize it,&#34; said Jocelyn Chen, AI and data leader at EY, in the session.</p>
<div class="lb-trans"><p>“不要把你的数据当作一个盒子里的珍贵物品 -- 使用它。利用它。开始连接，分享它，民主化它，” 安永的人工智能和数据负责人 Jocelyn Chen 在会议中说道。</p>
</div><h3>4. Build accountability and transparency into AI from day one</h3>
<div class="lb-trans"><h3>4. 从第一天起在人工智能中建立问责制和透明度</h3>
</div><p>Trust in AI systems depends on whether organizations can explain how decisions are made -- and whether accountability is built in from the start. Transparency is not an afterthought. It is a design principle.</p>
<div class="lb-trans"><p>对人工智能系统的信任取决于组织是否能够解释决策是如何做出的，以及问责制是否从一开始就建立。透明度不是事后考虑的事情，而是设计原则。</p>
</div><p>&#34;If you can show people why an agent made a decision and how it got there, trust follows naturally. Transparency isn't a feature you add later. It's the foundation. Build it in from the start or you're just hoping nothing goes wrong,&#34; Khan said.</p>
<div class="lb-trans"><p>“如果你能向人们展示一个代理是如何做出决策的以及如何得出这个结论的，信任自然会随之而来。透明度不是你后来添加的功能。它是基础。从一开始就建立它，否则你只是在希望没有出错，” Khan 说道。</p>
</div><p>In production, that principle also shows up in how organizations handle failure. The emphasis shifts from avoiding mistakes entirely to owning them clearly when they happen.</p>
<div class="lb-trans"><p>在生产中，这一原则也体现在组织如何处理失败上。重点从完全避免错误转向在发生错误时清晰地承担责任。</p>
</div><p>&#34;If there's a bump, own it. Tell the customer, 'That algorithm wasn't right. We apologize for the mistake,'&#34; Pearce said.</p>
<div class="lb-trans"><p>“如果出现问题，就承担责任。告诉客户，‘那个算法不正确。我们为这个错误道歉，’” Pearce 说道。</p>
</div><p>Trust and transparency remain critical, but they do not require perfection. As organizations move AI systems into production, the expectation is not error-free performance, but visible accountability when issues arise. The emphasis is shifting toward building systems that can be explained, corrected and improved in real time -- without slowing adoption. Organizations must move forward with intent, stay transparent with customers and acknowledge and fix mistakes when they happen.</p>
<div class="lb-trans"><p>信任和透明度仍然至关重要，但它们并不要求完美。随着组织将人工智能系统投入生产，期望不是无错误的表现，而是在问题出现时 可见的问责制。重点转向构建可以被解释、纠正和实时改进的系统 -- 而不减缓采用速度。组织必须有意向地向前推进，保持与客户的透明度，并在出现错误时承认并修复。</p>
</div><p><em>Tim Murphy is a site editor and writer for the IT Strategy team at TechTarget.</em></p>
<div class="lb-trans"><p><em>Tim Murphy 是 TechTarget IT 战略团队的站点编辑和撰稿人。</em></p>
</div>

戴尔在推动 AI 个性化方面取得进展，但数据障碍依然存在