For CIOs, the conversation around AI has moved from innovation to orchestration, and project management, long a domain of human coordination and control, is rapidly becoming the proving ground for how intelligent systems can reshape enterprise delivery and accelerate transformation.

In boardrooms across industries, CIOs face the same challenge of how to quantify AI’s promise in operational terms: shorter delivery cycles, reduced overhead, and greater portfolio transparency. A 2025 Georgia Institute of Technology-sponsored study of 217 project management professionals and C-level tech leaders revealed that 73% of organizations have adopted AI in some form of project management.

Yet amid the excitement, the question of how AI will redefine the role of the project manager (PM) remains, as does how will the future framework for the business transformation program be defined.

A shift in the PM’s role, not relevance

Across industries, project professionals are already seeing change. Early adopters in the study report project efficiency gains of up to 30%, but success depends less on tech and more on how leadership governs its use. The overwhelming majority found it highly effective in improving efficiency, predictive planning, and decision-making. But what does that mean for the associates running these projects?

Roughly one-third of respondents believed AI would allow PMs to focus more on strategic oversight, shifting from day-to-day coordination to guiding long-term outcomes. Another third predicted enhanced collaboration roles, where managers act as facilitators who interpret and integrate AI insights across teams. The rest envisioned PMs evolving into supervisors of AI systems themselves, ensuring that algorithms are ethical, accurate, and aligned with business goals.

These perspectives converge on a single point: AI will not replace PMs, but it will redefine their value. The PM of the next decade won’t simply manage tasks, they’ll manage intelligence and translate AI-driven insights into business outcomes.

Why PMOs can’t wait

For project management offices (PMOs), the challenge is no longer whether to adopt AI but how. AI adoption is accelerating, with most large enterprises experimenting with predictive scheduling, automated risk reporting, and gen AI for documentation. But the integration is uneven.

Many PMOs still treat AI as an add-on, a set of tools rather than its strategic capability. This misses the point since AI is about augmenting judgment and automation. The organizations gaining a real competitive advantage are those embedding AI into their project methodologies, governance frameworks, and performance metrics with this five-point approach in mind.

1. Begin with pilot projects

Think small, scale fast. The most successful AI integrations begin with targeted use cases that automate project status reports, predict schedule slippage, or identify resource bottlenecks. These pilot projects create proof points, generate enthusiasm, and expose integration challenges early.

2. Measure value, not just activity

One common pitfall is adopting AI without clear performance metrics. PMOs should set tangible KPIs such as reduction in manual reporting time, improved accuracy in risk forecasts, shorter project cycle times, and higher stakeholder satisfaction. Communicating these outcomes across the organization is just as important as achieving them. Success stories build momentum, foster buy-in, and demystify AI for skeptical teams.

3. Upskill PMs

AI will only be as valuable as the people who use it. Nearly half of the surveyed professionals cited lack of a skilled workforce as a barrier to AI integration. Project managers don’t need to become data scientists, but they must understand AI fundamentals, how algorithms work, where biases emerge, and what data quality means. In this evolving landscape, the most effective PMs will combine data literacy with human-centered leadership, including critical thinking, emotional intelligence, and communication.

4. Strengthen governance and ethics

Increasing AI raises pressing ethical questions, especially when algorithms influence project decisions. PMOs must take the lead in establishing AI governance frameworks that emphasize transparency, fairness, and human oversight. Embedding these principles into the PMO’s charter doesn’t just mitigate risk, it builds trust.

5. Evolve from PMO to BTO

The traditional PMO focuses on execution through scope, schedule, and cost. But AI-driven organizations are shifting toward business transformation offices (BTOs), which align projects directly with strategic value creation through process improvement in parallel. A PMO ensures projects are done right. A BTO ensures the right projects are done. A crucial element of this framework is the transition from a Waterfall to an Agile mindset. The evolution of project management has shifted from rigid plans to iterative, customer-centric, and collaborative methods, with hybrid methodologies becoming increasingly common. This Agile approach is vital for adapting to the rapid changes brought by AI and digital disruption.

The new PM career path

By 2030, AI could manage most routine project tasks, such as status updates, scheduling, and risk flagging, while human leaders focus on vision, collaboration, and ethics. This shift mirrors past revolutions in project management from the rise of Agile to digital transformation, but at an even faster pace. But as organizations adopt AI, the risk of losing the human element persists. Project management has always been about people and aligning interests, resolving conflicts, and inspiring teams. However, while AI can predict a delay, it can’t motivate a team to overcome it. The PM’s human ability to interpret nuance, build trust, and foster collaboration remains irreplaceable.

A call to action

AI represents the next frontier in enterprise project delivery, and the next decade will test how well PMOs, executives, and policymakers can navigate the evolution of transformation. To thrive, organizations must invest in people as much as in platforms, adopt ethical, transparent governance, foster continuous learning and experimentation, and measure success by outcomes rather than hype.

For CIOs, the mandate is clear: lead with vision, govern with integrity, and empower teams with intelligent tools. AI, after all, isn’t a threat to the project management profession. It’s a catalyst for its reinvention, and when executed responsibly, AI-driven project management will not only deliver operational gains but also build more adaptive, human-centered organizations ready for the challenges ahead. By embracing it thoughtfully, PMs can elevate their roles from administrators to architects of change.

All’inizio di quest’anno, il MIT ha fatto notizia perché, in un rapporto [in inglese], ha rilevato che il 95% delle aziende non sta ottenendo alcun ritorno dall’intelligenza artificiale, nonostante investimenti sostanziosi. Ma perché così tante iniziative di intelligenza artificiale non riescono a garantire un ROI positivo? Perché spesso mancano di un chiaro collegamento al valore aziendale, afferma Neal Ramasamy, CIO globale di Cognizant, una società di consulenza IT.

“Questo porta a progetti tecnicamente impressionanti, ma che non risolvono un’esigenza reale né creano un vantaggio tangibile”, aggiunge. I tecnologi spesso seguono l’entusiasmo del momento, immergendosi a capofitto nei test sull’intelligenza artificiale senza considerare i risultati aziendali. “Molti iniziano con modelli e progetti pilota piuttosto che partire da ciò che vogliono ottenere”, osserva Saket Srivastava, CIO di Asana, un’applicazione per il project management. 

“I team eseguono demo in modo isolato, senza riprogettare il flusso di lavoro sottostante o assegnare un responsabile dei profitti e delle perdite”.

La combinazione di una mancanza di pensiero iniziale sul prodotto, pratiche di dati sottostanti inadeguate, governance inesistente e incentivi culturali minimi all’adozione dell’AI può produrre risultati negativi. Quindi, per evitare esiti scadenti, molte delle tecniche si riducono a una migliore gestione del cambiamento. “Senza una revisione dei processi, l’intelligenza artificiale accelera le inefficienze odierne”, aggiunge spiega.

Qui di seguito esaminiamo cinque modi per il change management all’interno di un’azienda che i CIO possono mettere in pratica oggi stesso. Seguendo questa checklist, le imprese dovrebbero iniziare a invertire la tendenza del ROI negativo dell’AI, imparare dagli anti-modelli e scoprire quali tipi di metriche convalidano le iniziative di intelligenza artificiale di successo a livello aziendale.

1. Allineare la leadership in anticipo comunicando gli obiettivi aziendali e guidando l’iniziativa di AI

Le iniziative di intelligenza artificiale richiedono il sostegno dei dirigenti e una visione chiara di come possono migliorare il business. “Una leadership forte è essenziale per tradurre gli investimenti nell’AI in risultati”, dichiara Adam Lopez, presidente e leadvCIO del managed IT support provider CMIT Solutions. “Il sostegno dei dirigenti e la supervisione dei programmi di intelligenza artificiale, idealmente a livello di CEO o di consiglio di amministrazione, sono correlati a un ROI più elevato”.

Per esempio, nella società di servizi IT e consulenza Xebia, un sottogruppo di dirigenti guida le attività interne di AI. Presieduto dal CIO globale Smit Shanker, il team comprende il CFO globale e i responsabili dell’intelligenza artificiale, dell’automazione, dell’infrastruttura IT, della sicurezza e delle operation aziendali.

Una volta costituita la leadership di livello più alto, la responsabilità diventa fondamentale. “Iniziate assegnando la titolarità dell’attività”, consiglia Srivastava. 

“Ogni caso d’uso dell’AI necessita di un leader responsabile con un obiettivo legato a traguardi e risultati chiave”. Raccomanda, poi, di istituire un PMO [in inglese] interfunzionale per definire casi d’uso di riferimento, fissare obiettivi di successo, applicare misure di sicurezza e comunicare regolarmente i progressi compiuti.

Tuttavia, anche con una leadership in atto, molti dipendenti avranno bisogno di una guida pratica per applicare l’intelligenza artificiale nel loro lavoro quotidiano. “Per la maggior parte delle persone, anche se si forniscono loro gli strumenti, non sanno da dove iniziare”, commenta Orla Daly, CIO di Skillsoft, un sistema di gestione dell’apprendimento. Il manager raccomanda di identificare chi, in azienda, può far emergere casi d’uso significativi e condividere consigli pratici, come ottenere il massimo da strumenti come Copilot. Coloro che hanno curiosità e volontà di imparare faranno i progressi maggiori, sostiene.

Infine, i dirigenti devono investire in infrastrutture, talenti e formazione. “I leader devono promuovere una cultura basata sui dati e una visione chiara di come l’AI risolverà i problemi aziendali”, afferma Ramasamy di Cognizant. Ciò richiede una stretta collaborazione tra la prima linea del management, i data scientist e l’IT per eseguire e misurare i progetti pilota prima di passare alla fase di scalabilità.

2. Evolversi modificando il quadro dei talenti e investendo nell’aggiornamento delle competenze

Le imprese devono essere aperte a modificare il loro quadro dei talenti e a riprogettare i ruoli. “I CIO dovrebbero adattare le loro strategie di gestione dei talenti per garantire il successo dell’adozione dell’AI e del ROI”, afferma Ramasamy. “Ciò potrebbe comportare la creazione di nuove figure e percorsi di carriera per i professionisti che si occupano di AI, come i data scientist e i prompt engineer, aggiornando, al contempo, le competenze dei dipendenti esistenti”.

I CIO dovrebbero anche considerare il talento come una pietra miliare di qualsiasi strategia di AI, aggiunge Lopez di CMIT. “Investendo nelle persone attraverso la formazione, la comunicazione e nuovi ruoli specialistici, i CIO possono essere certi che i dipendenti adotteranno gli strumenti di intelligenza artificiale e ne determineranno il successo”. Aggiunge che gli hackathon interni e le sessioni di formazione spesso producono notevoli miglioramenti nelle competenze e nella fiducia.

L’aggiornamento delle competenze, per esempio, dovrebbe soddisfare le esigenze dei dipendenti, quindi Srivastava di Asana raccomanda percorsi a più livelli: tutto il personale ha bisogno di una formazione di base sulla prompt literacy e sulla sicurezza, mentre gli utenti esperti richiedono una conoscenza più approfondita della progettazione del flusso di lavoro e della creazione di agenti. “Abbiamo adottato l’approccio di sondare la forza lavoro, puntare sull’abilitazione e rimisurare per confermare che la maturità si muovesse nella giusta direzione”, sottolinea.

Tuttavia, la valutazione dell’attuale struttura dei talenti va oltre le competenze umane. Significa anche rivalutare il lavoro da svolgere e i compiti di ciascuno al suo interno. “È essenziale rivedere i processi aziendali per individuare opportunità di rifattorizzazione, date le nuove capacità offerte dall’AI”, dichiara Scott Wheeler, responsabile delle attività cloud della società di consulenza Asperitas Consulting.

Per Daly di Skillsoft, l’era dell’AI odierna richiede un quadro di gestione dei talenti moderno che bilanci abilmente le quattro B: build, buy, borrow e bots [in inglese]. In altre parole, i leader dovrebbero considerare la loro azienda come un insieme di competenze e applicare il giusto mix di personale interno, software, partner o automazione in base alle necessità. “Ciò richiede di suddividere le attività in lavori o compiti da svolgere e di considerare l’attività di tutti in modo più frammentato”, rileva Daly.

Per esempio, il suo team ha utilizzato GitHub Copilot per codificare rapidamente un portale di apprendimento per un determinato cliente. Il progetto ha evidenziato come l’abbinamento di sviluppatori umani con assistenti AI possa accelerare notevolmente la consegna, sollevando nuove domande sulle competenze necessarie agli altri sviluppatori per essere altrettanto produttivi ed efficienti.

Tuttavia, poiché gli agenti AI assumono sempre più compiti di routine, i leader devono dissipare i timori che l’intelligenza artificiale sostituisca completamente i posti di lavoro. “Comunicare il motivo alla base delle iniziative di AI può alleviare i timori e dimostrare come questi strumenti possano potenziare i ruoli umani”, fa notare Ramasamy. Srivastava è d’accordo. “Il filo conduttore è la fiducia”, afferma, “Mostrate alle persone come l’AI elimina la fatica e aumenta l’impatto; mantenete gli esseri umani nel ciclo decisionale e l’adozione seguirà”.

3. Adattare i processi organizzativi per sfruttare appieno i vantaggi dell’intelligenza artificiale

Cambiare l’organico è solo l’inizio: le aziende devono anche riprogettare i processi fondamentali. “Sfruttare appieno il valore dell’intelligenza artificiale richiede, spesso, una riprogettazione del funzionamento dell’azienda”, dichiara Lopez di CMIT, che esorta a integrare l’AI nelle operazioni quotidiane e a supportarla con una sperimentazione continua, piuttosto che trattarla come un’aggiunta statica.

A tal fine, un adattamento necessario è quello che consiste nel trattare i flussi di lavoro interni basati sull’intelligenza artificiale come prodotti e codificare i modelli in tutta l’azienda, afferma Srivastava. “Stabilire un rigoroso sistema di gestione dei prodotti per l’acquisizione, la definizione delle priorità e la pianificazione dei casi d’uso dell’AI, con responsabili chiari, descrizioni dei problemi e ipotesi di valore”, sottolinea.

In Xebia, un comitato di governance supervisiona questo rigore attraverso un processo in tre fasi che consiste nell’identificare e misurare il valore, garantire l’accettazione da parte dell’azienda e poi passare all’IT per il monitoraggio e il supporto. “Un gruppo centrale è responsabile della semplificazione organizzativa e funzionale di ogni caso d’uso”, spiega Shanker. “Ciò incoraggia i processi interfunzionali e aiuta ad abbattere i silos”.

Allo stesso modo, per Ramasamy, l’ostacolo più grande è la resistenza organizzativa. “Molte aziende sottovalutano la gestione del cambiamento necessaria per un’adozione di successo”, dice. “Il cambiamento più critico è il passaggio da un processo decisionale compartimentato a un approccio incentrato sui dati. I processi aziendali dovrebbero integrare perfettamente i risultati dell’AI, automatizzando le attività e fornendo ai dipendenti informazioni basate sui dati”.

Identificare le aree giuste da automatizzare dipende anche dalla visibilità. “È qui che la maggior parte delle aziende fallisce perché non dispone di processi validi e documentati”, afferma Daly di Skillsoft, che raccomanda di coinvolgere esperti in materia di tutte le linee di business per esaminare i flussi di lavoro e ottimizzarli. “È importante nominare persone all’interno dell’azienda che si occupino di capire come integrare l’intelligenza artificiale nel flusso di lavoro”, precisa.

Una volta identificate le unità di lavoro comuni a tutte le funzioni che l’AI può semplificare, il passo successivo è renderle visibili e standardizzarne l’applicazione. Skillsoft sta facendo questo attraverso un registro degli agenti che documenta le loro capacità, le misure di sicurezza e i processi di gestione dei dati. “Stiamo formalizzando un framework di AI aziendale in cui l’etica e la governance fanno parte del modo in cui gestiamo il portafoglio di casi d’uso”, aggiunge.

Le imprese dovrebbero quindi anticipare gli ostacoli e creare strutture di supporto per aiutare gli utenti. “Una strategia per raggiungere questo obiettivo è quella di disporre di team SWAT di intelligenza artificiale, il cui scopo è facilitare l’adozione e rimuovere gli ostacoli”, osserva Wheeler di Asperitas.

4. Misurare i progressi per convalidare il ritorno sull’investimento

Per valutare il ROI, i CIO devono stabilire una linea di base pre-AI e fissare in anticipo dei parametri di riferimento. I leader raccomandano di assegnare la responsabilità di metriche quali il time-to-value, i risparmi sui costi, i risparmi di tempo, il lavoro gestito dagli agenti umani e le nuove opportunità di guadagno generate.

“Le misurazioni di riferimento dovrebbero essere stabilite prima di avviare i progetti di intelligenza artificiale”, argomenta Wheeler, che consiglia di integrare gli indicatori predittivi delle singole unità aziendali nelle regolari revisioni delle prestazioni da parte della leadership. Un errore comune, afferma, è quello di misurare solo i KPI tecnici come l’accuratezza del modello, la latenza o la precisione, senza collegarli ai risultati aziendali, come i risparmi, i ricavi o la riduzione dei rischi.

Pertanto, il passo successivo è definire obiettivi chiari e misurabili che dimostrino un valore tangibile. “Incorporare la misurazione nei progetti fin dal primo giorno”, dichiara Lopez di CMIT. “I CIO dovrebbero definire una serie di KPI rilevanti per ogni iniziativa di intelligenza artificiale. Per esempio, un tempo di elaborazione più veloce del 20% o un aumento del 15% della soddisfazione dei clienti”. Iniziare con piccoli progetti pilota che producono risultati rapidi e quantificabili, aggiunge.

Una misura chiara è il risparmio di tempo.

Per esempio, Eamonn O’Neill, CTO di Lemongrass, un fornitore di servizi basati su software, racconta di aver visto clienti documentare manualmente lo sviluppo SAP, un processo che può richiedere molto tempo. “L’utilizzo dell’IA generativa per creare questa documentazione comporta una chiara riduzione dello sforzo umano, che può essere misurato e tradotto in un ROI in modo abbastanza semplice”, commenta. La riduzione del lavoro umano per attività è un altro segnale chiave. 

“Se l’obiettivo è ridurre il numero di chiamate al servizio di assistenza gestite da operatori umani, i leader dovrebbero stabilire una metrica chiara e monitorarla in tempo reale”, illustra Ram Palaniappan, CTO di TEKsystems, fornitore di servizi tecnologici full-stack. Aggiunge, inoltre, che l’adozione dell’AI può anche far emergere nuove opportunità di guadagno.

Alcuni CIO monitorano più KPI granulari nei singoli casi d’uso e adeguano le strategie in base ai risultati. Srivastava di Asana, per esempio, monitora l’efficienza ingegneristica controllando i tempi di ciclo, la produttività, la qualità, il costo per transazione e gli eventi di rischio. Misura anche la percentuale di esecuzioni assistite da agenti, gli utenti attivi, l’accettazione da parte degli esseri umani e le escalation delle eccezioni. L’analisi di questi dati, spiega, aiuta a mettere a punto i prompt e le misure di sicurezza in tempo reale.

Il punto fondamentale è stabilire le metriche fin dall’inizio e non cadere nell’errore di non monitorare i segnali o il valore ottenuto. “Spesso la misurazione viene aggiunta in un secondo momento, quindi i leader non sono in grado di dimostrare il valore o decidere cosa scalare”, dichiara Srivastava. “La soluzione è iniziare con una metrica di missione specifica, stabilirne la linea di base e integrare l’AI direttamente nel flusso di lavoro, in modo che le persone possano concentrarsi su giudizi di valore più elevato”.

5. Governare la cultura dell’AI per evitare violazioni e instabilità

Gli strumenti di AI generativa sono ormai comuni, ma molti dipendenti non hanno ancora ricevuto una formazione adeguata per utilizzarli in modo sicuro. Per esempio, secondo uno studio del 2025 di SmallPDF [in inglese], quasi un dipendente su cinque negli Stati Uniti ha inserito le proprie credenziali di accesso in strumenti di AI. “Una buona leadership implica la creazione di governance e guardrail”, afferma Lopez. Ciò include la definizione di politiche per impedire che dati sensibili e riservati vengano inseriti in strumenti come ChatGPT.

Un uso intensivo dell’intelligenza artificiale amplia anche la superficie di attacco dell’azienda. La leadership deve ora considerare seriamente aspetti quali le vulnerabilità di sicurezza nei browser basati sull’AI, l’AI shadow e le hallucination [in inglese] LLM. Man mano che l’AI agentica diventa sempre più coinvolta nei processi critici per il business [in inglese], un’adeguata autorizzazione e controlli di accesso sono essenziali per prevenire l’esposizione di dati sensibili o l’ingresso dannoso nei sistemi IT.

Dal punto di vista dello sviluppo software, il rischio di fuga di password, chiavi e token attraverso gli agenti di codifica AI è molto reale. Gli ingegneri hanno adottato i server MCP [in inglese] per consentire agli agenti di codifica AI di accedere a dati, strumenti e API esterni, ma una ricerca di Wallarm [in inglese] ha rilevato un aumento del 270% delle vulnerabilità legate agli MCP dal secondo al terzo trimestre del 2025, insieme a un aumento delle vulnerabilità delle API.

Trascurare l’identità degli agenti, le autorizzazioni e le tracce di audit è una trappola comune in cui spesso cadono i CIO con l’AI aziendale, afferma Srivastava. “Introdurre la gestione dell’identità e dell’accesso degli agenti in modo che questi ultimi ereditino le stesse autorizzazioni e la stessa verificabilità degli esseri umani, compresi la registrazione e le approvazioni”, dice.

Nonostante i rischi, la supervisione rimane debole. Un rapporto di AuditBoard ha rilevato che, mentre l’82% delle imprese sta implementando l’intelligenza artificiale, solo il 25% ha implementato programmi di governance completi. Con violazioni dei dati che ora costano in media quasi 4,5 milioni di dollari ciascuna, secondo IBM, e IDC che riferisce [in inglese] che le organizzazioni che sviluppano un’intelligenza artificiale affidabile hanno il 60% di probabilità in più di raddoppiare il ROI dei progetti basati su di essa, i vantaggi commerciali della governance dell’intelligenza artificiale [in inglese] sono evidenti. “Abbinate l’ambizione a solide misure di protezione: ciclo di vita dei dati e controlli di accesso chiari, valutazione e red teaming, e checkpoint con intervento umano nei casi in cui la posta in gioco è alta”, afferma Srivastava. 

“Integrate la sicurezza, la privacy e la governance dei dati nell’SDLC in modo che la distribuzione e la sicurezza procedano di pari passo, senza scatole nere per la provenienza dei dati o il comportamento dei modelli”.

Non è magia

Secondo BCG [in inglese], solo il 22% delle aziende ha portato la propria AI oltre la fase di POC e solo il 4% sta creando un valore sostanziale. Tenendo presenti queste statistiche che fanno riflettere, i CIO non dovrebbero nutrire aspettative irrealistiche in termini di ritorno sull’investimento.

Ottenere un ROI dall’intelligenza artificiale richiederà uno sforzo iniziale significativo e necessiterà di cambiamenti fondamentali nei processi organizzativi. Come ha affermato George Maddaloni, CTO delle operazioni di Mastercard, in una recente intervista con Runtime, l’adozione delle app di GenAI riguarda, in gran parte, la gestione del cambiamento e l’adozione.

Le insidie dell’AI sono pressoché infinite ed è comune che le imprese inseguano l’hype piuttosto che il valore, lancino prodotti senza una chiara strategia sui dati, scalino troppo rapidamente e implementino la sicurezza come un ripensamento. Molti programmi di intelligenza artificiale semplicemente non dispongono del sostegno esecutivo o della governance necessari per raggiungere gli obiettivi prefissati. In alternativa, è facile credere all’hype dei fornitori sui guadagni in termini di produttività e spendere troppo, oppure sottovalutare la difficoltà di integrare le piattaforme di intelligenza artificiale con l’infrastruttura IT legacy.

Guardando al futuro, per massimizzare l’impatto dell’AI sul business, i leader raccomandano di investire nell’infrastruttura dati e nelle capacità della piattaforma necessarie per scalare, e di concentrarsi su uno o due casi d’uso ad alto impatto che possano eliminare il lavoro umano e aumentare chiaramente i ricavi o l’efficienza.

È necessario fondare l’entusiasmo per l’intelligenza artificiale su principi fondamentali e comprendere la strategia aziendale che si intende perseguire per avvicinarsi al ROI. 

Senza una leadership solida e obiettivi chiari, infatti, l’AI è solo una tecnologia affascinante con un ritorno economico che rimane sempre fuori portata.

キャリアの羅針盤を変えた場所：水島からシリコンバレー、そして経営の最前線へ

1989年、私は三菱化成（現・三菱ケミカル）に生産技術のエンジニアとして新卒入社しました。配属先は岡山県倉敷市の水島事業所──石油コンビナートの現場で、フィールドエンジニアリングに従事する日々が始まりました。

転機が訪れたのは1996年。アメリカ東海岸のボストンおよび西海岸のサンフランシスコに新たな拠点を立ち上げるという話があり、私はその西海岸の立ち上げメンバーとしてシリコンバレーに駐在することになりました。当時はWindows 95の登場、インターネットの民主化、そしてeビジネスの黎明期。全米の投資の約3分の1が集まるという、世界最先端の技術と資本が交差する場所に身を置くことになったのです。

3年間の駐在を終えて水島に戻り、再び生産技術の業務に従事しましたが、私は「いけないものを見てしまった」という感覚に襲われました。シリコンバレーで体験したスピード感、革新性、そして未来への挑戦──それらを知ってしまった今、従来の仕事に戻ることはできませんでした。

そこで私は自ら志願し、情報システム部門へ転属しました。以降、DXを含む多くのプロジェクトに関わり、技術と経営の橋渡しを担うようになりました。そして2021年、三菱マテリアルの執行役員CIOとして転職。現在は、企業のデジタル戦略を牽引する立場で、未来を見据えた挑戦を続けています。

「ERP再建請負人」：3度の逆転劇が教えてくれた、逃げずに向き合う力

私のキャリアの中で最も大きな挑戦だったのは、やはりERPの実装プロジェクトです。実はこれまでに3回、ERPプロジェクトの再建を経験してきました。

いずれも、前任者が行き詰まり、プロジェクトが頓挫した状態から引き継ぎ、立て直してゴールへ導くというものでした。金額的にも規模的にも非常に大きなプロジェクトであり、私のCIOとしての考え方や行動の軸を形成する極めて重要な経験となりました。

私のオリジナリティがあるとすれば、それは生産技術からITへとキャリアを転換したこと、そしてシリコンバレーのど真ん中で働いた経験にあると考えています。さらに、帰国後は企業内の業務に留まらず、業界横断の活動にも積極的に関わってきました。

例えば、石油化学工業協会でのIT活動や、企業間取引の電子化（EDI）、国内外の大手同業他社22社が集まったグローバルな化学品イーコマースサイトの立ち上げなど、業界全体を巻き込んだプロジェクトにも携わりました。

現場とオフィス、国内と海外、業務とIT──この様な境界を越えて仕事をしてきた経験が、現在のCIOとしての視野と判断力につながっています。

私が大切にしているのは、「目の前のことに集中して、全力を尽くす」という姿勢です。自分自身の目標を立てすぎることで、将来の可能性を狭めてしまうのではないかという考えから、あえて明確な目標を定めず、今この瞬間に全力を注ぐことを心がけています。

ERPのような大規模プロジェクトでは、困難や予期せぬ課題が次々と現れます。そういった状況でも「逃げない」、「責任を持って最後までやり遂げる」という姿勢を貫いてきました。経験を積み重ね、自分で考え、自分の軸を持って施策を打つ──それが、私のリーダーシップの根幹です。

そして何より、「海外を知ることで日本を知る」、「他社を知ることで自社を知る」、「人を知ることで自分を知る」──この気づきこそが、私にとって最大の財産であり、CIOとしての原動力になっています。

トップダウンだけでは動かない：現場が主役になるガバナンスの再定義

57歳での転職──それは決して早いタイミングではありませんでした。しかし、転職して初めて見えてきたことが数多くありました。特に印象的だったのは、IT戦略における「ガバナンス」と「シナジー」という2つのキーワードです。

前職では、複数の上場子会社を含む大規模グループの情報システムを統括するというミッションを担いました。独立性の強い各社を束ねるには、単なるガバナンスの押し付けではなく、「その施策が現場にとってどんなメリットをもたらすのか」を丁寧に伝える必要がありました。

ガバナンスの先にシナジーが生まれ、従業員一人ひとりが納得して動き出す──その仕組みづくりこそが、持続可能なIT戦略の鍵だと実感しました。

また、DXの推進においても、トップダウンとボトムアップの両方が重要であることを学びました。トップダウンでは全社的なインパクトを生み出す一方、ボトムアップでは現場の若手が自分ごととして挑戦し、育成にもつながる。両者が連動することで、DXは組織全体に広がっていくのです。

CIOは「経営者」になれるか？──37年のキャリアが導いた2つのタイプ論

そして今、CIOとしての役割を振り返ると、2つのタイプがあると感じています。一つは「情報システムを統括するCIO」、もう一つは「経営の一翼を担うCIO」です。

私は後者を目指してきました。ITの専門性にとどまらず、外の世界を知り、業界を越え、現場と経営をつなぐ──そんな視点が、CIOの可能性を広げると信じています。

そのために私が重視しているのが、「リベラルアーツ＝人類が蓄積した叡智」です。

新しいものはゼロから生まれるのではなく、様々な叡智の組み合わせから創発されるものです。生成AIの登場によって、私たちはこれまで以上に創造的な価値を生み出すチャンスを手にしています。

情報システム部門の皆さんには、ぜひこの視点を持っていただきたいと思います。時には専門領域から越境し、現場に寄り添い、経営と対話する──その先に、CIOとしての新しい可能性が広がっていると、私は確信しています。

より具体的なCIOの仕事観、やりがいや魅力に焦点を当て、リーダーシップやITリーダーへの効果的なアドバイスなど、板野氏に話を聞きました。詳細については、こちらのビデオをご覧ください。

経営の軸を持つCIOへ：運用・保守の価値と人を動かす力

57歳での転職から4年──私は現在、三菱マテリアルのCIOとして、経営視点でITとDXを捉え、社業にどう貢献するかを日々考え、実行しています。

CIOの役割は、新しい技術を導入することだけではありません。

むしろ、導入した仕組みが安定して運用され、保守され、セキュリティが確保された状態で初めて価値が生まれる。全体が「完結」してこそ、経営に貢献できるのです。

この4年間で、私たちは「MMCグループ IT WAY」という全社・グループ横断のIT戦略を掲げ、ガバナンスとシナジーを軸に、組織・人材・予算の最適化を進めてきました。情報システム部門は、ユーザーに寄り添いながらも、核となる機能を集約し、全体最適を目指す体制へと進化しています。

ERP導入、集中購買、セキュリティの統合、そしてレガシーシステムのモダナイゼーション──これらの施策は、単なる技術更新ではなく、経営の意思と現場の実行力をつなぐ仕組みとして設計されています。過度な刷新ではなく、必要な部分を見極めて適切に選び、変える。それが、私たちのモダナイゼーションの基本姿勢です。

このような責任の重さは、同時に大きなモチベーションとやりがいにもつながっています。ITが経営の一翼を担う時代において、CIOは単なる技術統括者ではなく、経営者としての視座を持ち、全体を完結させる存在であるべきだと、私は強く感じています。

グローバルを知り、日本を知る：CIOが語る「本質的なリーダー像」

37年にわたるビジネス人生の中で、私が最も強く感じているのは、「人をどう動かすか」ということの重要性です。プロジェクト、部下、同僚、関係者、そして上司──あらゆる人との関係の中で、最も難しく、最も価値があるのは、「経営をどう動かすか」ということです。

そのためにはまず、自分自身が何をしたいのか、何を伝えたいのかという軸を持つことが不可欠です。軸がぶれてしまえば、人はついてきません。そして、その軸を言語化する力が必要です。言葉にしなければ、思いは伝わりません。

言葉が伝わるためには、信頼関係が前提となります。信頼があれば、相手は共感し、行動変容が起こります。この一連のプロセス──軸を持ち、言語化し、信頼を築き、共感を得て、行動を促す──これをいかに美しく回すかが、リーダーとしての最大の課題だと感じています。

そのためには、自分を知ることが重要です。自分を知るとは、哲学的であり、簡単ではありません。しかし、「海外を知ることで日本を知り、日本を知ることで自社を知り、自社を知ることで自分を知る」──この循環が、リーダーとしての視座を高めてくれます。

また、日本のIT業界の構造的な特徴として、SEの約7割が外部パートナーに所属しているという現実があります。内製化が叫ばれる中で、限界もある。だからこそ、ベンダーやコンサルタントと「戦友」として共に戦う関係性を築くことが必要です。

発注者として指示するだけではなく、謙虚に学び合い、知恵を出し合う関係性を築くこと。それが、これからのIT・DXの世界で、真に価値ある成果を生み出すための鍵だと考えています。

ITは人を幸せにするためにある：CIOが見つけた「人間中心」の経営哲学

個人的なモットーとして、21世紀の人類が絶対に大事にしないといけないと思う2つのキーワードがあります。

「アウェアネス（気づき・意識）」と「コンパッション（利他・思いやり）」です。

人類がこれからの時代において大切にすべき価値観として、私は「アウェアネス」と「コンパッション」の2つを強く意識しています。

この考え方は、私が三菱マテリアルにCIOとして迎えられた際、会社に対して果たすべき責務と、日本の製造業全体を強くしたいという想いの両面において、常に軸となってきました。

三菱マテリアルでは「三菱マテリアルグループ IT Way」という指針を確立し、これを基盤にIT施策を推進しています。

現在、生成AIは避けて通れないテーマとなっており、いかに人がそれを使いこなすかが問われています。重要なのは、生成AIが何かを生み出すのではなく、「人が生成AIを使って何かを生み出す」という関係性です。

生成AIはあくまでITツールの一つであり、使う主体は人間です。私は常に「人を中心にする」という考え方を社内外に伝え続けており、この思想をもとに様々な施策を展開しています。

日本の製造業を強くするには、企業の枠を超えた連携と対話が不可欠です。私は転職前から現在までの約5年間で、約70社・6,000人以上の方々と勉強会や講演会を通じて対話を重ねてきました。

その中で、自分の考えに共感してくださる方々との出会いがあり、そこから得られる学びによって、私自身も成長していると感じています。こうした知の集積が、新しい施策や取り組みを生み出す原動力になると信じています。

私が皆さんに最も伝えたいメッセージは、「すべてのテクノロジーは人を幸せにするものでなければならない」ということです。100年後、200年後の未来において、私たちの子孫が「あの時代から何かが変わった」と認識するとすれば、それはインターネットのような大きな変革であり、今まさに進行している生成AIもその一つです。

そしてもう一つ、私たちが今チャレンジすべきことは、「地球環境を守りながらビジネスができるようになった」と未来に語られることです。三菱マテリアルは資源循環を推進する企業であり、その姿勢はまさにこの未来像を具現化しようとしています。

ビジネスの世界では「甘いことを言ってはいけない」とされがちですが、地球環境を守るという視点においては、コンパッション（利他・思いやり）が不可欠です。これは人類全体がもっと意識すべきキーワードだと考えています。

CIOには専門領域に強い方が多く、経営層と同等のレベルで議論できることが求められます。

しかし、ITの領域だけでは足りません。海外の知見、業界の動向、そしてリベラルアーツなど、IT以外の分野にも目を向けることが重要です。それぞれの企業や業種によって状況は異なりますが、ITだけを考えていては本質的な課題解決には至りません。だからこそ、自分の得意領域を活かしながら、複合的に取り組むことが、これからのCIOに求められる姿勢だと私は考えています。

In a previous feature about enterprise architects, gen AI had emerged, but its impact on enterprise technology hadn’t been felt. Today, gen AI has spawned a plethora of agentic AI solutions from the major SaaS providers, and enterprise architecture and the role of enterprise architect is being redrawn. So what do CIOs and their architects need to know?

Organizations, especially their CEOs, have been vocal of the need for AI to improve productivity and bring back growth, and analysts have backed the trend. Gartner, for example, forecasts that 75% of IT work will be completed by human employees using AI over the next five years, which will demand, it says, a proactive approach to identifying new value-creating IT work, like expanding into new markets, creating additional products and services, or adding features that boost margins.

If this radical change in productivity takes place, organizations will need a new plan for business processes and the tech that operates those processes. Recent history shows if organizations don’t adopt new operating models, the benefits of tech investments can’t be achieved.

As a result of agentic AI, processes will change, as well as the software used by the enterprise, and the development and implementation of the technology. Enterprise architects, therefore, are at the forefront of planning and changing the way software is developed, customized, and implemented.

In some quarters of the tech industry, gen AI is seen as a radical change to enterprise software, and to its large, well-known vendors. “To say AI unleashed will destroy the software industry is absurd, as it would require an AI perfection that even the most optimistic couldn’t agree to,” says Diego Lo Giudice, principal analyst at Forrester. Speaking at the One Conference in the fall, Lo Giudice reminded 4,000 business technology leaders that change is taking place, but it’s built on the foundations of recent successes.

“Agile has given better alignment, and DevOps has torn down the wall between developers and operations,” he said. “They’re all trying to do the same thing, reduce the gap between an idea and implementation.” He’s not denying AI will change the development of enterprise software, but like Agile and DevOps, AI will improve the lifecycle of software development and, therefore, the enterprise architecture. The difference is the speed of change. “In the history of development, there’s never been anything like this,” adds Phil Whittaker, AI staff engineer at content management software provider Umbraco.

Complexity and process change

As the software development and customization cycle changes, and agentic applications become commonplace, enterprise architects will need to plan for increased complexity and new business processes. Existing business processes can’t continue if agentic AI is taking on tasks currently done manually by staff.

Again, Lo Giudice adds some levity to a debate that can often become heated, especially in the wake of major redundancies by AI leaders such as AWS. “The view that everyone will get a bot that helps them do their job is naïve,” he said at the One Conference. “Organizations will need to carry out a thorough analysis of roles and business processes to ensure they spend money and resources on deploying the right agents to the right tasks. Failure to do so will lead to agentic technology being deployed that’s not needed, can’t cope with complex tasks, and increases the cloud costs of the business.

“It’s easy to build an agent that has access to really important information,” says Tiago Azevedo, CIO for AI-powered low-code platform provider OutSystems. “You need segregation of data. When you publish an agent, you need to be able to control it, and there’ll be many agents, so costs will grow.”

The big difference, though, is deterministic and non-deterministic, says Whittaker. So non-deterministic requires guardrails of deterministic agents that produce the same output every time over the more random outcomes of non-deterministic agents. Defining business outcomes by deterministic and non-deterministic is a clear role for enterprise architecture. He adds that this is where AI can help organizations fill in gaps. Whittaker, who’s been an enterprise architect, says it’ll be vital for organizations to experiment with AI to see how it can benefit their architecture and, ultimately, business outcomes.

“The path to greatness lies not in chasing hype or dismissing AI’s potential, but in finding the golden middle ground where value is truly captured,” write Gartner analysts Daryl Plummer and Alicia Mullery. “AI’s promise is undeniable, but realizing its full value is far from guaranteed. Our research reveals the sobering odds that only one in five AI initiatives achieve ROI, and just one in 50 deliver true transformation.” Further research also finds just 32% of employees trust the organization’s leadership to drive transformation. “Agents bring an additional component of complexity to architecture that makes the role so relevant,” Azevedo adds.

In the past, enterprise architects were focused on frameworks. Whittaker points out that new technology models will need to be understood and deployed by architects to manage an enterprise that comprises employees, applications, databases, and agentic AI. He cites MCP as one as it provides a standard way to connect AI models to data sources, and simplifies the current tangle of bespoke integrations and RAG implementations. AI will also help architects with this new complexity. “There are tools for planning, requirements, creating epics, user stories, code generation, documenting code, and translating it,” added Lo Giudice.

New responsibilities

Agentic AI is now a core feature of every major EA tool, says Stéphane Vanrechem, senior analyst at Forrester. “These agents automate data validation, capability mapping, and artifact creation, freeing architects to focus on strategy and transformation.” He cites the technology of Celonis, SAP Signavio, and ServiceNow for their agentic integrations. Whittaker adds that the enterprise architect has become an important human in the loop to protect the organization and be responsible for the decisions and outcomes that agentic AI delivers.

Although some enterprise architects will see this as a collapse of their specialization, Whittaker thinks it broadens the scope of the role and makes them more T-shaped. “I can go deep in different areas,” he says. “Pigeon-holing people is never a great thing to do.”

Traditionally, architecture has suggested that something is planned, built, and then exists. The rise of agentic AI in the enterprise means the role of the enterprise architect is becoming more fluid as they continue to design and oversee construction. But the role will also involve continual monitoring and adjustment to the plan. Some call this orchestration, or perhaps it’s akin to map reading. An enterprise architect may plan a route, but other factors will alter the course. And just like weather or a fallen tree, which can lead to a route deviation, so too will enterprise architects plan and then lead when business conditions change.

Again, this new way of being an enterprise architect will be impacted by technology. Lo Guidice believes there’ll be increased automation, and Azevedo sides with the orchestration view, saying agents are built and a catalogue of them is created across the organization, which is an opportunity for enterprise architects and CIOs to be orchestrators.

Whatever the job title, Whittaker says enterprise architecture is more important than ever. “More people will become enterprise architects as more software is written by AI,” he says. “Then it’s an architectural role to coordinate and conduct the agents in front of you.” He argues that as technologists allow agents and AI to do the development work for them, the responsibility of architecting how agents and processes function broadens and becomes the responsibility of many more technologists.

“AI can create code for you, but it’s your responsibility to make sure it’s secure,” he adds. Rather than developing the code, technology teams will become architecture teams, checking and accepting the technology that AI has developed, and then managing its deployment into the business processes.

With shadow AI already embedded in organizations, Whittaker’s view shows the need for a team of enterprise architects that can help business align with the AI agents they’ve deployed, and at the same time protect customer data and cybersecurity posture.

AI agents are redrawing the enterprise, and at the same time replanning the role of enterprise architects.

여러 디지털 전환 프로젝트를 이끌고 재무 성과를 만들어냈다. 경영진은 고객과 직원 경험을 모두 개선한 변화 리더십 역량을 높게 평가하고 있다. 주도적으로 구현한 아키텍처는 이제 플랫폼 표준이 됐고, 조직의 데이터와 AI 전략을 떠받치는 기반이 됐다.

이 단계에서 많은 IT 책임자가 이제 CIO나 데이터, 디지털, 보안 분야의 다른 C 레벨 자리에 도전할 자격이 있는지 자문한다.

CIO.com의 연례 CIO 현황(State of the CIO) 보고서에 따르면, CIO의 80% 이상이 역할이 점점 더 디지털과 혁신 중심으로 바뀌고 있고 디지털 전환을 이끄는 데 더 깊이 관여하고 있으며, CIO가 변화의 촉매 역할을 맡고 있다고 답했다. 이 조건을 충족하고 있다면, C 레벨 자리에 어떻게 올라설 수 있을지 고민해야 한다.

디지털 혁신 책임자는 훌륭한 C 레벨 후보

디지털 트랜스포메이션 프로젝트를 이끄는 경험은 C 레벨 자리에 오르기 위한 중요한 전제 조건이다. 하지만 C 레벨 임원이 되면, 모든 IT 프로젝트는 물론, 운영 전반의 성과와 리스크에 대해 책임을 지면서 역할과 책임이 크게 확대된다. C 레벨 기술 임원은 CEO와 CFO가 공감할 수 있는 전략을 수립해야 하고, 끊임없이 진화하는 디지털 운영 모델을 총괄해야 한다.

워크데이(Workday)의 CIO 라니 존슨은 “리더로 성장하고자 하는 기술 책임자는 프로젝트 기반 변화 실행을 관리하는 수준을 넘어, 기업 전체의 기술, 아키텍처, IT 전략에 대해 완전한 소유권과 책임을 져야 한다”라고 강조했다.

존슨은 “IT 인프라, 사이버 보안, AI 플랫폼, 핵심 시스템 운영, 데이터 거버넌스에 대해 깊이 있고 실무적인 전문성을 쌓아야 한다. 기술 전략을 안정적으로 운영하면서도 지속적인 비즈니스 가치로 연결할 수 있는 역량을 보여줘야 한다”라고 설명했다.

C 레벨 역할을 준비하려는 IT 리더는 평생 학습 프로그램을 설계해 전문성을 키우고 자신감을 쌓아야 한다. 70-20-10 학습 모델은 업무 경험 70%, 동료와의 소셜 러닝 20%, 정규 교육 10%에 초점을 맞추는 접근법이다. 디지털 혁신을 이끄는 리더는 이 모델을 C 레벨 기회를 향한 여정에 어떻게 적용하는지 알아보자.

전문가에서 ‘비전문 영역’의 인플루언서로 전환하는 경험

많은 디지털 혁신 리더가 여러 해에 걸친 전사 차원의 전략 프로젝트까지 포함해 자신이 맡은 프로그램 전반에 대한 전문성을 확보하려고 노력한다. 우선순위를 조정하고 리스크를 낮추기 위해 애자일 프로그램의 모든 상황을 들여다보려는 리더도 많다.

하지만 C 레벨 기술 책임자는 모든 전략 프로젝트의 세부 사항까지 관여할 시간도 없고, 기술 구현의 세부 사항에 대해 최고의 전문가도 아니다. C 레벨 임원이 되고자 하는 IT 리더가 채워야 할 70%의 업무 경험은 전문성과 책임 범위를 넘어서는 영역에 과감하게 발을 들여놓는 데서 나온다.

프린시펄(Principal)의 CIO 캐시 케이는 “C 레벨 기술 임원 역할로 올라서는 데 중요한 것은 모든 답을 알고 있는 것이 아니라, 모호함과 복잡성 속에서 리더십을 발휘하는 법을 배우는 것이다”라고 말했다. 케이는 “가장 값진 성장은 스트레치 과제를 맡고, 임팩트가 큰 비즈니스 문제를 해결하면서, IT 조직 내부에만 머물지 않고 전사 차원에서 영향력을 발휘하는 과정을 통해 이뤄진다. 이런 경험이 강력한 멘토와 동료의 조언과 결합되면 오래 가는 리더십 기반이 만들어진다”라고 설명했다.

다음은 업무 현장에서 찾아야 할 경험에 대한 몇 가지 조언이다.

• 영업 및 마케팅 책임자와 함께 고객을 방문하고 비즈니스 감각을 기르고 구매자의 니즈를 이해하고, 고객의 엔드 투 엔드 워크플로우를 직접 검토한다.
• 다른 프로젝트를 이끄는 리더를 멘토링해, 전문 영역 밖에 있는 사안에 대해서도 조언을 제공할 수 있는 자신감을 키운다.
• 워크숍을 직접 주관한다. 특히 중간에 갈등이나 논쟁이 터지는 상황을 잘 수습해낸다면, 경영진 위원회나 이사회 앞에서 발표하는 훌륭한 실전 경험을 쌓을 수 있다.
• 새로운 기술 도입에 부정적인 부서 리더를 찾아 현 상태에 안주하는 사고를 깨뜨릴 수 있는 방법을 모색한다.
• 의사결정에 데이터를 충분히 활용하지 못하고 효율성을 높이기 위한 AI 도입에서 뒤처진 운영 조직을 골라 협력하면서 변화의 촉매 역할을 수행한다.

두 번째로 키워야 할 역량은 경청하고 도전하고 적응하고, 방향을 전환하는 능력이다. 성공적인 C 레벨 리더는 비전을 제시하고 지속적으로 계획을 세워야 하지만, 시장과 고객, 투자자, 이해관계자의 요구가 바뀌어 목표를 재조정해야 할 때를 감지할 줄도 알아야 한다.

메가포트(Megaport)의 CTO 카메론 다니엘은 “새로운 기술, 비즈니스 우선순위 변화, 예상치 못한 변수는 잘 설계된 계획도 단숨에 무력화할 수 있다”라고 지적했다. 다니엘은 “성공적인 리더는 변화가 벌어졌을 때 그때그때 대응하는 수준에 머물지 않는다. 변화를 미리 예측하고, 조직이 변화에 대비해 준비되고 무장돼 있도록 만든다. CTO는 이런 적응력의 총 설계자로서, 솔루션이 혁신의 속도를 따라 발전하면서도 비즈니스 영향과 전략적 목표를 계속 달성하도록 책임져야 한다”라고 강조했다.

AI와 신기술에 대한 소셜 러닝에 집중

생성형 AI와 인공 일반 지능이 언제 등장할 것인지에 대한 과대광고가 넘쳐나는 상황이다. 이사회와 경영진은 C 레벨 기술 리더가 이런 소음을 걸러내고 AI 전략을 이끌고, 데이터와 AI 거버넌스를 확립해 주기를 기대한다.

보도자료와 소규모 PoC만으로는 현실적인 AI 비전과 단기적인 투자 수익을 만들 수 없다. C 레벨 기술 리더는 동료와 네트워크를 넓히고 커뮤니티에 참여해 다른 조직이 어디에 투자하고 AI 기반 비즈니스 성과를 어떻게 만들고 있는지 배우면서 지식을 확장한다.

최근 열린 ‘커피 위드 디지털 트레일블레이저(Coffee With Digital Trailblazers)’에서는 변화 리더가 C 레벨 리더십의 바통을 어떻게 이어받을 수 있는지, 그리고 소셜 러닝을 사내에서 어떻게 구현할 수 있는지 논의했다.

예를 들어, 컨티뉴엄 스트래티지(Continuums Strategies)의 설립자이자 vCISO인 데릭 버츠는 AI 기반 위협 탐지와 다양한 유형의 AI 기반 자동화 공격을 분류하는 팀에 합류할 것을 제안했다. 성장 전략가이자 프랙셔널 CIO인 조 푸글리시는 AI를 기회로 삼는 열쇠로 호기심과 끊임없는 질문을 꼽았다.

푸글리시는 “호기심이 없고 일이 왜 그렇게 진행되는지 뿌리까지 파고들지 않으면, 고객 만족도를 새로운 수준으로 끌어올리고, 새로운 제품을 만들고, 새로운 매출원을 열고, 비용을 줄이는 더 새롭고, 더 빠르고, 더 똑똑하고, 더 저렴한 방법을 절대 발명하지 못한다”라고 강조했다.

소셜 러닝에서 또 하나 집중해야 할 영역은 비즈니스 운영을 뒷받침하는 데이터를 끝까지 설명할 수 있는 현업 전문가와의 만남이다. 퀀텍사(Quantexa)의 CTO 제이미 허튼은 “에이전틱 AI가 현실로 다가오면서 데이터 리터러시는 핵심 리더십 역량이 되고 있다. 데이터가 어디에서 왔는지 설명할 수 없다면, 그 위에 AI를 책임감 있게 올릴 수 없다. 사람과 AI 에이전트가 나란히 일하는 시대는 많은 사람이 생각하는 것보다 훨씬 빨리 온다”라고 지적했다.

‘왜’라는 질문을 던지는 소셜 러닝, AI 보안 이슈에 대응하는 보안팀과의 미팅, 비즈니스 운영 데이터 검토는 AI가 큰 가치를 만들 수 있는 영역에 대한 아이디어를 정리하는 데 도움을 준다. 인사이트(Insight) 계열사 SADA의 CTO 마일스 워드는 “C 레벨에 가장 빨리 다가가는 길은 회사의 명운이 걸린 문제를 직접 찾아 나서는 것이다”라고 말했다.

정규 교육을 버리지 말라

많은 C 레벨 리더는 업무가 너무 벅차고 시간이 부족하다는 이유로 정식 학습 활동을 ‘있으면 좋은 것’ 정도로 취급한다. 평생 학습자는 독서, 청취, 시청, 온라인 강의, 기타 학습 경험에 10% 정도 시간을 투자하면 사고의 폭이 넓어지고 새로운 개념을 접할 수 있다는 사실을 이해하고 있다. 학습은 단순한 기술 역량 개발에 그치지 않는다.

쏘트스팟(ThoughtSpot)의 최고 데이터·AI 전략 책임자인 신디 하우슨은 “혁신 속도가 빠른 지금은 70-20-10 규칙이 충분하지 않으며, 정식 학습 활동에 해당하는 10%는 더 늘려야 한다”라고 제안했다. 또, “집중적인 핸즈온 미니 클래스와 최신 AI 혁신 최전선에 있는 리더와의 피어 네트워크가 결합된 시의적절한 서밋을 활용하는 ‘바이브 러닝(Vibe Learning)’ 방식이 효과적이다”라고 덧붙였다.

활용할 수 있는 다른 학습 기회는 다음과 같다.

• 디지털 트랜스포메이션 필독서 목록, CIO 추천 도서, CIO를 위한 필독서 40선 같은 책을 읽는다.
• CIO 리더십 라이브(CIO Leadership Live), CXO토크(CXOTalk), 피터 하이의 테크노베이션(Technovation with Peter High), CIO 인 더 노우(CIO in the Know) 같은 인기 CIO 팟캐스트를 자주 청취한다.
• 링크드인의 이그제큐티브 리더십 과정과 CIO 대상 유데미(Udemy) 강의 같은 온라인 학습 기회를 검토한다.
• 더 큰 투자를 한다면 버클리나 카네기 멜런 대학교, 와튼 등 교육기관에서 제공하는 CTO 대상 학위 프로그램을 고려할 수 있다.

마지막으로, C 레벨 역할이 모든 사람에게 맞는 것은 아니다. CIO 현황 조사에 따르면, CIO의 43%는 스트레스 수준을 1~10점으로 평가할 때 8점 이상이라고 답했다. 따라서 C 레벨 자리를 오르고자 한다면, 경력 목표를 세우기 전에 역할을 충분히 이해해야 한다.
dl-ciokorea@foundryco.com

You’ve led several digital transformation initiatives and delivered financial impacts. Executives recognize your change leadership competencies, having improved both customer and employee experiences. The architectures you helped roll out are now platform standards and are foundational to your organization’s data and AI strategies.

Now, you’re asking whether you’re ready for a CIO role, or another C-level role in data, digital, or security. 

CIO.com’s 24th annual State of the CIO reports that over 80% of CIOs say their role is becoming more digital- and innovation-focused, that they are more involved in leading digital transformation, and that the CIO is becoming a changemaker. If you’re checking these boxes, you should be asking how you can step up into a C-level job.

Transformation leaders are excellent C-level candidates

Leading transformation initiatives is an important prerequisite for C-level roles, but it’s not sufficient. There’s a significant step up in responsibilities when you become accountable for outcomes and managing risks across all IT initiatives and operations. C-level technology leaders must define a strategy that the CEO and CFO buy into and they must oversee an evolving digital operating model.

“Aspiring leaders need to shift from managing project-based change execution to taking full ownership and accountability for enterprise technology, architecture, and IT strategy,” says Rani Johnson, CIO of Workday. “They should develop deep, hands-on expertise in IT infrastructure, cybersecurity, AI platforms, core system operations, and data governance. They must demonstrate the ability to translate technical strategy into sustained business value whilst ensuring operational stability.”

To prepare for C-level roles, leaders should develop a lifelong learning program to develop expertise and build confidence. The 70-20-10 learning model is one approach that focuses 70% of efforts on on-the-job experiences, 20% on social learning from peers, and 10% on formal education. Here’s how digital trailblazers can apply the model in their quest for C-level opportunities.

Experience transitioning to the non-expert influencer

Many transformation leaders try to develop expertise across the full scope of their programs, even multi-year enterprise-wide strategic initiatives. Some leaders aim for full visibility into their agile programs to help steer priorities and mitigate risks.

But C-level leaders don’t have the time to get into the weeds on every strategic initiative and are generally not experts on the technology implementation details. The 70% of job experiences that transformation leaders should target require stepping into areas outside their expertise and responsibilities.

“Stepping into a C-level technology role is less about having all the answers and more about learning to lead through ambiguity and complexity,” says Kathy Kay, CIO of Principal. “Some of the most valuable growth comes from taking on stretch assignments, solving high-impact business problems, and building the ability to influence across the enterprise, not just within IT. When that experience is paired with the guidance of strong mentors and peers, it creates a lasting foundation for leadership.”

Here are some tips for on-the-job experiences to seek out.

• Visit customers with leaders from sales and marketing to develop business acumen, understand buyer needs, and review customers’ end-to-end workflows.
• Mentor leaders on other initiatives to build confidence in providing advice in areas outside of your expertise.
• Facilitate a workshop because it’s a great experience for presenting to executive committees and boards, especially if you successfully navigate a blow-up moment.
• Identify department leaders who are detractors to adopting new technologies and find ways to break through their status-quo thinking.
• Become a change agent by partnering with select operations teams that lag in using data for decision-making and in adopting AI to drive efficiencies.

A second area to develop is the skills to listen, challenge, adapt, and pivot. Successful C-level leaders have to sell a vision and continuously plan, but also sense when market, customer, investor, and stakeholder needs require a reset of objectives.

“New technologies, shifting business priorities, and unexpected challenges can render even the best-laid plans obsolete overnight,” says Cameron Daniel, CTO of Megaport. “Successful leaders don’t just respond to change as it happens; they anticipate it and make sure their teams are prepared and equipped to handle it. As CTO, you serve as the chief architect of this adaptability, ensuring that your solution evolves alongside innovation while continuing to drive business impact and strategic goals.”

Focus social learning on AI and emerging technologies

There’s a lot of hype around generative AI and when artificial generative intelligence will emerge. Boards and executive leaders expect C-level leaders to filter the noise, lead the AI strategy, and establish data and AI governance.

C-level technical leaders can’t rely on press releases and small POCs to develop realistic AI visions that can deliver near-term ROI. Top C-level leaders expand their knowledge by networking with peers and joining communities to learn where others are investing and how they are delivering AI business outcomes. 

Communities to consider joining include:

• CIO Association of Canada
• Digital Trailblazer Community
• Gartner Peer Community
• Global CIO Forum
• HotTopics CIO Community
• IDC CIO Executive Council
• Inspire Leadership Network 
• MIT Sloan CIO Community
• Society of Information Management (SIM)
• Women Tech Network

Many of these communities are open to tech leaders aspiring to C-level roles.

At a recent Coffee With Digital Trailblazers, we discussed how transformation leaders prepare to take the C-level leadership baton and how social learning can happen inside the company as well. For example, Derrick Butts, founder and vCISO at Continuums Strategies, suggested joining the team working on AI threat detection and triaging different types of AI-enabled automated attacks.

Joe Puglisi, growth strategist and fractional CIO, added that being curious and asking many “why” questions is key to unlocking AI opportunities: “If you’re not curious and don’t get to the root of the reason things are done the way they’re done, you’ll never invent that new, better, faster, smarter, cheaper way that’s going to bring new customer satisfaction levels, new products to your customers, new revenue sources, or cost reductions.”

One more area to focus on for social learning about AI opportunities is meeting with subject-matter experts who can fully explain the data underlying a business operation. Jamie Hutton, CTO of Quantexa, says, “As agentic AI becomes a reality, data literacy becomes a core leadership skill. If you can’t explain where your data comes from, you can’t responsibly deploy AI on top of it. Humans and AI agents will be working side by side much sooner than most realize.”

Social learning by asking “why” questions, meeting security teams that respond to AI security issues, and reviewing data from business operations can help formulate ideas on where AI can deliver sizable benefits. “The fastest path to C-level is by seeking out ‘bet-the-company’ problems,” says Miles Ward, CTO of SADA, an Insight company.

Don’t eliminate formal learning

Many C-level leaders find the job too demanding and time-consuming, and leave formal learning activities as a nice-to-have. Lifelong learners recognize that a 10% commitment to reading, listening, viewing, coursework, and other learning experiences can expand their mindsets and expose them to new concepts. Learning is not just about skill development.

“In a time of rapid innovation, the 70-20-10 rule is inadequate, and that 10% formal education needs to increase,” suggests Cindi Howson, chief data and AI strategy officer at  ThoughtSpot. “However, it’s critical to look for the right formal education as executive training is rapidly out of date.”

Howson recommends “vibe learning” with hands-on mini classes and timely summits featuring peer-to-peer network from leaders at the cutting edge of AI innovation.

Other learning opportunities include:

• Reading books from these lists of must-read digital transformation books, recommended reading from CIOs, and the top 40 books for CIOs.
• Listening to frequent top-listed CIO podcasts, including CIO Leadership Live,  CXOTalk, Technovation with Peter High, and CIO in the Know.
• Reviewing online learning opportunities such as LinkedIn’s Executive Leadership and CIO courses on Udemy.

A bigger commitment is to consider CTO degree programs from academic institutions such as Berkeley, Carnegie Mellon University, Wharton, and others.

C-level roles are not for everyone. On a scale of 1-10, 43% of CIOs rated the job 8 or higher on a stress level scale in CIO.com’s State of the CIO. So, for those aspiring to C-level roles, make sure to thoroughly understand the role before making it a career objective.