📢 转载信息
原文作者：Lynn Comp
在ChatGPT问世的三年后，市场上的许多评论家已经开始使用“泡沫”等术语来暗示，除了少数几家技术供应商之外，生成式AI尚未带来实质性的回报。
今年九月，MIT NANDA 报告引起了轰动，因为所有作者和意见领袖都抓住了其中的一个关键论点：95%的AI试点项目未能扩展或交付清晰可衡量的投资回报率（ROI）。麦肯锡（McKinsey）早前也发表了类似趋势的报告，指出“代理式AI”（agentic AI）将是企业实现巨大运营效益的前进方向。在《华尔街日报》的技术委员会峰会上，AI技术领导者建议首席信息官们停止担心AI的投资回报率，因为衡量收益困难，即使尝试衡量，测量结果也可能出错。
这使得技术领导者处于一个微妙的境地——强大的技术栈已经支撑着他们的业务运营，那么引入新技术又有什么潜在的好处呢？
几十年来，技术部署策略一直遵循一个固定的节奏：技术运营人员会避免破坏关键业务工作流程，以替换技术栈中的单个组件。例如，如果一项更好或更便宜的技术会危及你的灾难恢复能力，那么它的意义就不大。
当一个成熟中间件被新的购买者接管时，价格可能会上涨，但由于企业正在过渡到新技术，在此过程中丢失部分企业数据所带来的损失，远比为一项运行了20年的稳定技术支付更高的价格要严重得多。
那么，企业如何才能从最新的技术转型投资中获得回报呢？
人工智能的第一原则：你的数据就是你的价值
大多数关于AI数据的文章都围绕着工程任务，以确保AI模型根据代表过去和现在业务现实的知识库进行推理。
然而，企业AI中部署最广泛的用例之一，是从向AI模型上传文件附件开始提示（prompting）。这一步骤将AI模型的范围限制在所上传文件的内容内，从而加快了准确的响应时间，并减少了获得最佳答案所需的提示次数。
这种策略依赖于将专有业务数据发送到AI模型中，因此，在数据准备的同时，需要并行考虑两个重要因素：第一，对系统进行适当的保密性管理；第二，与模型供应商制定明确的谈判策略，因为如果没有获取你业务数据等非公开数据，供应商就无法推进其前沿模型的发展。
最近，Anthropic和OpenAI与企业数据平台和所有者达成了大规模交易，原因是互联网上没有足够的高价值一手数据。
大多数企业会自动将数据保密性放在首位，并设计业务工作流程来维护商业机密。但从经济价值角度来看，特别是考虑到每一次模型API调用成本都很高昂，用选择性地访问你的数据来换取服务或价格抵免可能是正确的策略。不要将模型采购/入职视为典型的供应商/采购流程，而应通盘考虑，同步推进供应商模型的进步与企业自身模型的采用，以实现互利共赢。
人工智能的第二原则：按设计保持“无聊”
根据Information is Beautiful的数据，仅在2024年，市场上就推出了182个新的生成式AI模型。当GPT5在2025年进入市场时，许多12到24个月前的模型变得无法使用，直到订阅客户威胁要取消订阅。他们之前稳定的AI工作流程是建立在那些不再起作用的模型之上的。他们的技术供应商认为客户会对最新模型感到兴奋，却没有意识到业务工作流程对稳定性的重视程度。视频游戏玩家乐于在游戏设备组件的整个生命周期内升级他们的定制配置，甚至为了玩新发布的游戏而升级整个系统。
然而，这种行为并不能转化为企业的运行速率操作。虽然许多员工可能使用最新模型进行文档处理或内容生成，但后台运营部门无法承受每周更换三次技术栈以跟上最新的模型发布。后台工作按设计是“无聊的”。
最成功的AI部署都专注于解决其业务特有的问题，通常在后台运行，以加速或增强那些单调但必需的任务。将法律或费用审计从手动交叉检查单独报告的任务中解放出来，同时将最终决策权保留在人类的责任范围内，这结合了两者的最佳特性。
重要的是，这些任务都不需要不断更新到最新模型才能交付价值。这也是一个领域，通过将业务工作流程与直接的模型API解耦，可以在保持长期稳定性的同时，根据业务的节奏来更新或升级底层引擎。
人工智能的第三原则：“小型货车经济学”
避免“烧钱”经济学的最佳方法是设计系统以适应用户的需求，而不是供应商的规格和基准。
太多企业仍然陷入一个陷阱：他们根据新的供应商主导的基准来购买新设备或新的云服务类型，而不是从企业当前能够消费什么、以什么速度、利用现有能力出发来开启AI之旅。
虽然法拉利的营销很有效，而且这些汽车确实很壮观，但它们在学校区域内也只能以同样的速度行驶，而且后备箱空间不足以装载杂货。请记住，用户接触到的每一个远程服务器和模型都会增加成本，因此要通过重新配置工作流程来最大限度地减少对第三方服务的支出，从而实现节俭设计。
太多公司发现，他们为客户支持AI工作流程增加了数百万美元的运营成本，并且为了实现运营支出（OpEx）的可预测性，不得不花费更多开发时间来更新实施方案。与此同时，那些决定系统运行速度与人类阅读速度（每秒不到50个Token）相当的公司，成功地以最小的额外开销部署了可扩展的AI应用。
这项新的自动化技术有很多方面需要深入探讨——最好的指导是：从实际出发，设计底层技术组件的独立性以避免长期干扰稳定应用，并利用AI技术使您的业务数据对技术供应商目标的推进变得有价值。
本文由英特尔（Intel）制作。未由麻省理工科技评论（MIT Technology Review）的编辑人员撰写。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区