<p>在 2026 年，戴爾繼續將自己定位為企業人工智能和混合雲的基礎設施提供商。</p>
<p>2026 年戴爾科技世界大會的中心主題非常明確：企業人工智能正在從 實驗階段轉向生產階段，組織越來越希望通過混合、受管控的基礎設施在企業數據所在的地方運行人工智能。</p>
<p>戴爾創始人邁克爾·戴爾在週一的主題演講中表示：“首席信息官們正在積極轉向混合人工智能。風險不在於雲計算——風險在於失去對數據、成本、安全、知識產權和速度的控制。”</p>
<p>戴爾還宣佈擴大其人工智能工廠戰略，將其定位為幫助企業在本地和混合環境中部署和運行前沿模型的框架。該公司強調這種方法是改善數據治理、模型選擇和與大規模人工智能部署相關的長期 成本管理 的一種方式。</p>
<p>在各個會議中，發言者將這些基礎設施投資框定為提供更主動、上下文相關和 自動化客户體驗 的基礎。然而，隨着討論從基礎設施轉向客户導向的結果，例如個性化和服務自動化，一個反覆出現的主題在多個會議和訪談中浮現：數據準備仍然是人工智能個性化的更大障礙，而非技術本身。</p>
<blockquote>
<p>你做出良好決策所需的一切信息散落在不同的系統中，格式完全不同。 <strong>Faizel Khan</strong> 創始人工智能工程師，Landing Point</p>
</blockquote>
<p>“最大的問題在於底層數據，” Landing Point 招聘公司的創始人工智能工程師 Faizel Khan 在接受 TechTarget 採訪時表示。“而且這甚至不是質量問題。你做出良好決策所需的一切信息散落在不同的系統中，格式完全不同。”</p>
<h2>為什麼人工智能個性化在實踐中會失敗</h2>
<p>在題為 “人工智能驅動的個性化：客户體驗的定製” 的會議上，討論小組將基礎設施的對話帶入了企業如何嘗試大規模實現個性化的實際現實。</p>
<p>在討論中，發言者描述了客户期望的明顯變化：用户越來越希望品牌能夠將他們視為個體，在每次互動中傳遞上下文，而不是將每次接觸視為獨立請求。這種期望與大多數企業仍然以碎片化的系統、孤立的團隊和順序工作流程結構化的方式發生了衝突，這減緩了決策速度。</p>
<p>“我們仍然在很大程度上是以孤島的方式結構化的，如果各個業務單元僅解決客户旅程的一部分，最終會導致碎片化的體驗，” Comcast Business 全球企業銷售副總裁 Marybeth Pearce 在會議中表示。</p>
<p>小組成員給出了多個個性化在實踐中失敗的例子。例如，公司可能擁有理解客户行為的數據，但這些信息通常分散在 CRM 系統、工單工具和內部知識庫中，無法實時輕鬆連接。結果是延遲或不一致的體驗，削弱了企業試圖提供的 個性化努力。</p>
<p>小組還反覆提到一個關鍵的緊張關係：個性化不再僅僅是關於內容或目標，而是關於組織內的操作速度和協調。當洞察從數據到執行需要幾周時間時，實時個性化的機會就消失了。</p>
<p>“那些取得最佳成果的組織將人工智能個性化視為一個涉及治理、工作流程、客户戰略、組織協調和人類監督的運營轉型挑戰，” aiResults 技術諮詢公司的首席執行官 Matt Hasan 博士在接受 TechTarget 採訪時表示。</p>
<h2>人工智能個性化的四個最佳實踐</h2>
<p>CX 小組的發言者分享了各種人工智能個性化的建議，其中許多與 TechTarget 採訪的其他企業領導者的見解一致。</p>
<h3>1. 建立統一的數據基礎</h3>
<p>企業通常在底層數據基礎尚未準備好之前就推動實時個性化——這就是執行開始出現問題的地方。大多數組織已經擁有大量客户數據，但這些數據分散在各種工具和平台中。</p>
<p>當系統不對齊時，人工智能可以提供洞察，但無法在客户旅程中可靠地採取行動。實時個性化的前提不是更多的數據，而是更可用的數據——連接、標準化並以支持決策的方式可訪問。</p>
<p>“一旦你試圖在基礎尚未準備好的情況下進行擴展，它就會崩潰，” Khan 説。</p>
<h3>2. 一次專注於一個用例</h3>
<p>成功的人工智能個性化並不是一次性擴展所有內容。它是關於縮小範圍，圍繞特定結果對齊，並以有序的方式進行執行。</p>
<p>與廣泛的轉型項目相比，組織可以從定義明確的用例開始，這些用例的數據和系統實際上可以支持交付，然後通過結構化迭代進行擴展。</p>
<p>“那些在實時個性化方面取得成功的公司並不是在所有地方都做到的——他們在一個地方做得非常好，” Khan 説。</p>
<h3>3. 使數據可用，而不是鎖起來</h3>
<p>成功應用人工智能個性化的組織不再將數據視為脆弱或孤立的東西。相反，他們在團隊、系統和工作流程之間連接數據，使其能夠融入決策和客户體驗中。</p>
<blockquote>
<p>不要把你的數據當作一個盒子裏的珍貴物品 -- 使用它。 <strong>Jocelyn Chen</strong>，安永的人工智能和數據負責人</p>
</blockquote>
<p>轉變是從擁有到賦能。數據從一個職能控制的受保護資產轉變為在整個業務中共享、操作和實時使用的東西。</p>
<p>“不要把你的數據當作一個盒子裏的珍貴物品 -- 使用它。利用它。開始連接，分享它，民主化它，” 安永的人工智能和數據負責人 Jocelyn Chen 在會議中説道。</p>
<h3>4. 從第一天起在人工智能中建立問責制和透明度</h3>
<p>對人工智能系統的信任取決於組織是否能夠解釋決策是如何做出的，以及問責制是否從一開始就建立。透明度不是事後考慮的事情，而是設計原則。</p>
<p>“如果你能向人們展示一個代理是如何做出決策的以及如何得出這個結論的，信任自然會隨之而來。透明度不是你後來添加的功能。它是基礎。從一開始就建立它，否則你只是在希望沒有出錯，” Khan 説道。</p>
<p>在生產中，這一原則也體現在組織如何處理失敗上。重點從完全避免錯誤轉向在發生錯誤時清晰地承擔責任。</p>
<p>“如果出現問題，就承擔責任。告訴客户，‘那個算法不正確。我們為這個錯誤道歉，’” Pearce 説道。</p>
<p>信任和透明度仍然至關重要，但它們並不要求完美。隨着組織將人工智能系統投入生產，期望不是無錯誤的表現，而是在問題出現時 可見的問責制。重點轉向構建可以被解釋、糾正和實時改進的系統 -- 而不減緩採用速度。組織必須有意向地向前推進，保持與客户的透明度，並在出現錯誤時承認並修復。</p>
<p><em>Tim Murphy 是 TechTarget IT 戰略團隊的站點編輯和撰稿人。</em></p>

戴爾科技-C

2 倍做多 DELL ETF - GraniteShares

<p>在 2026 年戴爾科技世界大會上，戴爾強調了其在企業人工智能和混合雲中的角色，突出了從實驗到生產的轉變。創始人邁克爾·戴爾指出，在混合人工智能興起的背景下，數據控制的重要性。然而，數據準備方面的挑戰阻礙了人工智能的個性化，因為數據往往分散在不同系統中。專家建議建立統一的數據基礎，並專注於特定的應用場景，以改善個性化的努力</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，戴爾繼續將自己定位為企業人工智能和混合雲的基礎設施提供商。</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 年戴爾科技世界大會的中心主題非常明確：企業人工智能正在從 實驗階段轉向生產階段，組織越來越希望通過混合、受管控的基礎設施在企業數據所在的地方運行人工智能。</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>戴爾創始人邁克爾·戴爾在週一的主題演講中表示：“首席信息官們正在積極轉向混合人工智能。風險不在於雲計算——風險在於失去對數據、成本、安全、知識產權和速度的控制。”</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>戴爾還宣佈擴大其人工智能工廠戰略，將其定位為幫助企業在本地和混合環境中部署和運行前沿模型的框架。該公司強調這種方法是改善數據治理、模型選擇和與大規模人工智能部署相關的長期 成本管理 的一種方式。</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>在各個會議中，發言者將這些基礎設施投資框定為提供更主動、上下文相關和 自動化客户體驗 的基礎。然而，隨着討論從基礎設施轉向客户導向的結果，例如個性化和服務自動化，一個反覆出現的主題在多個會議和訪談中浮現：數據準備仍然是人工智能個性化的更大障礙，而非技術本身。</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>你做出良好決策所需的一切信息散落在不同的系統中，格式完全不同。 <strong>Faizel Khan</strong> 創始人工智能工程師，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>“最大的問題在於底層數據，” Landing Point 招聘公司的創始人工智能工程師 Faizel Khan 在接受 TechTarget 採訪時表示。“而且這甚至不是質量問題。你做出良好決策所需的一切信息散落在不同的系統中，格式完全不同。”</p>
</div><h2>Why AI personalization breaks down in practice</h2>
<div class="lb-trans"><h2>為什麼人工智能個性化在實踐中會失敗</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>在題為 “人工智能驅動的個性化：客户體驗的定製” 的會議上，討論小組將基礎設施的對話帶入了企業如何嘗試大規模實現個性化的實際現實。</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>在討論中，發言者描述了客户期望的明顯變化：用户越來越希望品牌能夠將他們視為個體，在每次互動中傳遞上下文，而不是將每次接觸視為獨立請求。這種期望與大多數企業仍然以碎片化的系統、孤立的團隊和順序工作流程結構化的方式發生了衝突，這減緩了決策速度。</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>“我們仍然在很大程度上是以孤島的方式結構化的，如果各個業務單元僅解決客户旅程的一部分，最終會導致碎片化的體驗，” Comcast Business 全球企業銷售副總裁 Marybeth Pearce 在會議中表示。</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>小組成員給出了多個個性化在實踐中失敗的例子。例如，公司可能擁有理解客户行為的數據，但這些信息通常分散在 CRM 系統、工單工具和內部知識庫中，無法實時輕鬆連接。結果是延遲或不一致的體驗，削弱了企業試圖提供的 個性化努力。</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>小組還反覆提到一個關鍵的緊張關係：個性化不再僅僅是關於內容或目標，而是關於組織內的操作速度和協調。當洞察從數據到執行需要幾周時間時，實時個性化的機會就消失了。</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組織將人工智能個性化視為一個涉及治理、工作流程、客户戰略、組織協調和人類監督的運營轉型挑戰，” aiResults 技術諮詢公司的首席執行官 Matt Hasan 博士在接受 TechTarget 採訪時表示。</p>
</div><h2>4 best practices for AI personalization</h2>
<div class="lb-trans"><h2>人工智能個性化的四個最佳實踐</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 小組的發言者分享了各種人工智能個性化的建議，其中許多與 TechTarget 採訪的其他企業領導者的見解一致。</p>
</div><h3>1. Build a unified data foundation</h3>
<div class="lb-trans"><h3>1. 建立統一的數據基礎</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>企業通常在底層數據基礎尚未準備好之前就推動實時個性化——這就是執行開始出現問題的地方。大多數組織已經擁有大量客户數據，但這些數據分散在各種工具和平台中。</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>當系統不對齊時，人工智能可以提供洞察，但無法在客户旅程中可靠地採取行動。實時個性化的前提不是更多的數據，而是更可用的數據——連接、標準化並以支持決策的方式可訪問。</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>“一旦你試圖在基礎尚未準備好的情況下進行擴展，它就會崩潰，” Khan 説。</p>
</div><h3>2. Start with one use case at a time</h3>
<div class="lb-trans"><h3>2. 一次專注於一個用例</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>成功的人工智能個性化並不是一次性擴展所有內容。它是關於縮小範圍，圍繞特定結果對齊，並以有序的方式進行執行。</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>與廣泛的轉型項目相比，組織可以從定義明確的用例開始，這些用例的數據和系統實際上可以支持交付，然後通過結構化迭代進行擴展。</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>“那些在實時個性化方面取得成功的公司並不是在所有地方都做到的——他們在一個地方做得非常好，” Khan 説。</p>
</div><h3>3. Make data usable, not locked away</h3>
<div class="lb-trans"><h3>3. 使數據可用，而不是鎖起來</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>成功應用人工智能個性化的組織不再將數據視為脆弱或孤立的東西。相反，他們在團隊、系統和工作流程之間連接數據，使其能夠融入決策和客户體驗中。</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>不要把你的數據當作一個盒子裏的珍貴物品 -- 使用它。 <strong>Jocelyn Chen</strong>，安永的人工智能和數據負責人</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>轉變是從擁有到賦能。數據從一個職能控制的受保護資產轉變為在整個業務中共享、操作和實時使用的東西。</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>“不要把你的數據當作一個盒子裏的珍貴物品 -- 使用它。利用它。開始連接，分享它，民主化它，” 安永的人工智能和數據負責人 Jocelyn Chen 在會議中説道。</p>
</div><h3>4. Build accountability and transparency into AI from day one</h3>
<div class="lb-trans"><h3>4. 從第一天起在人工智能中建立問責制和透明度</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>對人工智能系統的信任取決於組織是否能夠解釋決策是如何做出的，以及問責制是否從一開始就建立。透明度不是事後考慮的事情，而是設計原則。</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>“如果你能向人們展示一個代理是如何做出決策的以及如何得出這個結論的，信任自然會隨之而來。透明度不是你後來添加的功能。它是基礎。從一開始就建立它，否則你只是在希望沒有出錯，” Khan 説道。</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>在生產中，這一原則也體現在組織如何處理失敗上。重點從完全避免錯誤轉向在發生錯誤時清晰地承擔責任。</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>“如果出現問題，就承擔責任。告訴客户，‘那個算法不正確。我們為這個錯誤道歉，’” Pearce 説道。</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關重要，但它們並不要求完美。隨着組織將人工智能系統投入生產，期望不是無錯誤的表現，而是在問題出現時 可見的問責制。重點轉向構建可以被解釋、糾正和實時改進的系統 -- 而不減緩採用速度。組織必須有意向地向前推進，保持與客户的透明度，並在出現錯誤時承認並修復。</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 戰略團隊的站點編輯和撰稿人。</em></p>
</div>

戴爾在推動 AI 個性化方面取得進展，但數據障礙依然存在