📢 转载信息
原文作者：Lynn Comp
由Intel提供
ChatGPT问世已满三年，市场上许多评论家的观点已转向使用“泡沫”等术语，暗示除了少数技术供应商外，生成式AI尚未实现实质性回报。
9月份，麻省理工学院NANDA报告引起轰动，因为它传达了一个被所有作者和影响者广泛引用的观点：95%的AI试点项目未能扩大规模或实现明确可衡量的投资回报率（ROI）。《麦肯锡》（McKinsey）此前也发表了类似趋势的报告，指出代理式AI将是企业实现巨大运营效益的前进方向。在《华尔街日报》（The Wall Street Journal）的技术委员会峰会上，AI技术领导者建议首席信息官（CIOs）停止担心AI的投资回报率，因为衡量收益很困难，即使尝试衡量，测量结果也可能是错误的。
这使得技术领导者处于一个岌岌可危的境地——强大的技术栈已经支撑着他们的业务运营，那么引入新技术的好处又在哪里呢？
几十年来，部署策略一直遵循一个稳定的节奏：技术运营人员会避免破坏关键业务流程，以替换技术栈中的单个组件。例如，如果某项更好或更便宜的技术会使灾难恢复处于风险之中，那么它的意义就不大。
虽然当新的购买者接管成熟的中间件时价格可能会上涨，但由于企业在向新技术过渡的过程中丢失部分企业数据所造成的成本，远比为稳定运行了20年的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？
AI的第一原则：您的数据就是您的价值
大多数关于AI数据文章都与工程任务相关，旨在确保AI模型根据代表过去和现在业务现实的存储库中的业务数据进行推断。
然而，企业AI中部署最广泛的用例之一是以向AI模型上传文件附件来构建提示（prompting）。此步骤将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：首先，对系统进行治理以确保适当的机密性；其次，与模型供应商制定周密的谈判策略，因为如果没有获得您业务数据等非公开数据的访问权限，他们就无法推进其前沿模型。
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。
大多数企业会自动优先考虑数据的机密性，并设计业务工作流程来维护商业秘密。从经济价值的角度来看，特别是考虑到每次模型API调用的成本，以选择性地访问您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，而应从与您的业务采用模型相一致的潜在互利中思考，以同步推进您的供应商模型和您的业务应用。
AI的第二原则：设计上要“枯燥”
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于2025年上市时，许多12到24个月前的模型变得不可用，直到订阅客户威胁取消合同。他们先前稳定的AI工作流程是基于不再适用的模型构建的。他们的技术提供商认为客户会对最新模型感到兴奋，却没有意识到业务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，甚至会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（run rate）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，但后台运营无法承受每周三次更换技术栈以跟上最新模型的发布。后台工作本质上是“枯燥的”（boring by design）。
最成功的AI部署都专注于解决企业特有的业务问题，通常在后台运行，以加速或增强那些单调但必须执行的任务。例如，将法律或费用审计从手动交叉检查单个报告中解放出来，同时将最终决定权保留在人类的责任范围内，结合了两者的优点。
重要的是，这些任务都不需要不断更新到最新模型才能实现其价值。这也是将您的业务工作流程与直接的模型API分离的领域，可以在保持与业务发展步伐一致地更新或升级底层引擎的同时，提供额外的长期稳定性。
AI的第三原则：“迷你厢式货车”经济学
避免“入不敷出”经济模式的最佳方法是设计与用户保持一致的系统，而不是遵循供应商的规格和基准。
太多企业仍然陷入根据新的供应商主导的基准来购买新设备或新云服务类型的陷阱，而不是从其业务当前可以消费、消费速度以及已部署的能力出发开始其AI之旅。
虽然法拉利（Ferrari）的营销很有效，那些汽车也很出色，但它们在经过学校区域时开同样的速度，并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，因此应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，从而设计出节俭的系统。
太多公司发现，他们的客户支持AI工作流程增加了数百万美元的运营支出（OpEx），并且由于需要不断更新实现以保持OpEx的可预测性，反而增加了更多的开发时间和成本。与此同时，那些决定系统以人类阅读的速度——每秒不到50个Token——运行的公司，成功地以最小的额外开销部署了可扩展的AI应用。
这种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的应用程序，并利用AI技术使您的业务数据对技术供应商的目标发展具有价值的事实。
本内容由英特尔制作。并非由麻省理工科技评论的编辑人员撰写。
🚀 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