虽然企业引入人工智能(AI)的速度正在加快，但有人指出，在实际现场，更昂贵的失败案例正在积累。分析认为，在模型、工具和平台以周为单位变化的背景下，核心问题不在于“要构建什么”，而在于以“可替换性”为前提如何进行设计。
在Google Cloud Next 2026大会上，Pythian Services Inc.的首席技术官(CTO) Paul Lewis将“可替换性”列为企业AI战略中最重要的非功能性需求。Pythian Services是一家提供托管型AI运营和咨询的公司。Lewis表示：“无论你实现什么，工具、模型、团队、专业知识都应该可以替换”，并称“情况将在几周内发生变化，而不是几个月或几年”。
此番言论发表于Google ($GOOGL) 产品组合中“智能体型AI”崛起为核心运营逻辑之际。这说明，虽然表面上看AI转型似乎进展迅速，但企业决策者面临的更困难问题并非“要构建什么”，而是“能否在变化的技术环境中，构建出可维持的结构”。
“试点成功”与“实战部署”之间的巨大鸿沟
Lewis指出，今年Google Cloud Next的核心议题是从“构建”转向“运营”。据Pythian Services去年开展约50次客户研讨会的结果显示，企业的AI成熟度呈现极端分化。有些公司几乎不了解AI，而另一些公司则已投资数十亿美元。
问题在于，许多试点项目未能进入实际运营阶段。Lewis评价称，如果说去年是专注于“构建阶段”的时期，那么相当多的试点项目最终未能上线生产环境。他解释说，其结果是许多公司内部培训不断重复，而实际业务应用却被拖延。
他认为，最常见的失败原因不在于技术本身，而在于“演示与现实之间的差距”。每个简短流畅的5分钟演示背后，都隐藏着数月所需的的、设计与实现、跨部门审批以及变革管理过程，而许多企业低估了这种摩擦成本。这意味着即使是AI，也无法消除既有组织的审批流程或运营风险。
准确率70%的AI可以部署，但企业想要90%以上
Lewis表示，将AI智能体投入实际运营环境本身是可行的。但他强调，要达到企业期望的性能水平，必须持续进行提示词调整、模型更换以及数据源重构。他解释道：“准确率70%的智能体可以上线运营，但企业通常要求90%以上的性能。为此，需要持续的修正和专门的运营管理团队。”
此番言论表明，当前的企业AI市场并非“一次构建就永久使用的系统”，而是像应用程序一样需要管理生命周期的运营对象。尤其是在生成式AI和智能体型AI环境下，模型更换周期和数据连接方式的变化非常迅速，如果采用固定结构进行设计，可能会导致成本和转换负担的进一步增加。
Pythian Services表示，为解决这些问题，他们构建了从现场CTO咨询到托管型AI运营在内的5个实务领域来支持客户。这被解读为一种侧重于弥合实际部署后运营差距的应对措施，而不仅仅是简单的咨询服务。
企业AI竞争力在于“可替换的结构”，而非“最新模型”
在Google Cloud Next 2026现场呈现出的信息很明确。AI竞争已不再仅仅是比谁更快引入最新模型的竞赛。能够灵活替换快速变化的模型、工具和组织能力的“AI架构可替换性”，很可能成为未来决定企业竞争力的关键条件。
归根结底，企业AI引入的成功与否，取决于运营可行的结构以及能够承受变化的设计，而非令人印象深刻的演示。随着市场增长加速，“如何适应变化而持续运行”比“如何精心构建”变得更为重要。
TP AI注意事项 本文基于TokenPost.ai的语言模型进行摘要。可能遗漏原文主要内容或与事实不符。