企业级人工智能（AI）的引入正超越"实验"阶段，向实际业务部署过渡，但在现场，成果仍往往未达预期。业界指出，其原因并非缺乏更优秀的模型，而是缺少"上下文"。无论性能多出色的AI代理，如果不能恰当获得企业内部知识和业务上下文，就会在决策阶段止步不前。
Appen Ltd. 董事长 Vanessa Liu 最近在 theCUBE 与纽约证券交易所（NYSE）的联合活动中表示："数据对于企业利用AI至关重要。正如再出色的员工入职后也需要适应组织的培训，AI代理也必须提供业务上下文才能正常运行。" 包括 Thomson Reuters Corp. 首席执行官 Steve Hasker 在内的数据基础设施、金融、企业现代化及开源AI领域的高管出席了此次活动，共同探讨"如何让代理真正落地于实际业务"。
1. 企业竞争力最终取决于"专属数据"
发言者一致认为，仅靠尖端AI模型难以实现差异化。核心在于企业长期积累的内部数据和业务知识。Liu 董事长指出，企业特有的专业知识往往未能系统化整理。Hasker 首席执行官则认为，未来有竞争力的代理将不再仅仅取决于"是否好用"，而是看其"是否拥有市场中具备防御性的数据护城河"。
2. 用户不会等待，代理也不会等待
速度现已被视为基本条件而非可选项。Bright Data Ltd. 首席产品官 Ariel Schulman 解释说，当用户在聊天机器人屏幕上看到"正在搜索网页"的字样时，他们的耐心计时器便开始启动。Bright Data 目前提供作为聊天机器人响应起点的网页抓取数据，并将页面传输时间控制在1秒以下，中位值为500毫秒。因为数据获取速度过慢，代理可能在整理好回复前用户就已流失。
3. 处理金钱的AI代理需要"账户"和身份体系
有观点提出，若AI代理要承担支付或转账等金融行为，就需要类似人类身份证件级别的认证体系。Catena Labs Inc. 联合创始人兼首席执行官 Sean Neville 表示，银行必须能够验证该代理代表谁、能做什么、以及为何采取某行为。这一构想旨在通过所谓的"了解您的代理（Know Your Agent）"体系，确保金融自动化的问责性和可追溯性。
4. 超越"供应商锁定"，如今"代币锁定"才是问题
会上也发出警告：若将所有系统完全围绕某一特定AI模型构建，未来可能丧失成本控制能力。OutSystems Inc. 首席执行官 Woodson Martin 指出，依赖单一前沿模型的企业，随着推理成本累积，将面临盈利压力。他强调需要一个无需重写底层系统即可更换运行中模型的平台层，这正是在代理战略中实现损益管理的现实解决方案。
5. "提供"AI工具与真正"让人使用"是两回事
现场实际应用与管理层认知之间存在巨大差距。WalkMe Ltd. 首席信息官 Tye Kim 表示，80%的管理层认为他们为员工提供了出色的AI工具，但实际同意此看法的员工仅占少数。问题不在于工具的数量，而在于是否能在恰当的时刻自然呈现功能。如果没有在业务流程中、在需要的瞬间引导使用的"基于上下文的引导"，AI投资效果必然大打折扣。
6. 应从最强模型开始，之后再寻找更便宜的替代方案
也有意见认为，优先考虑降低成本的策略是战略失误。AG2ai 代表 Wu Qingyun 表示，应首先用性能最强的模型确认可达到的水平，然后再比较开源模型等廉价替代方案是否能提供相同水平的性能。这意味着，如果从一开始就为廉价模型设定起点，企业可能会错失所需级别的能力。只有在之后才能同时实现成本效益与性能的平衡。
7. 试点容易，但实际运营阶段最易崩溃
最大的风险并非出现在试点项目中，而是在生产环境中暴露。Monte Carlo Data Inc. 联合创始人兼首席执行官 Bar Moses 解释道，许多在初期概念验证（POC）中运行良好的代理，在实际部署后往往会出现引用过时数据、跳过推理步骤、过度消耗代币，或产生测试中未能过滤的"幻觉"等问题。特别是，法院已判定代理行为的最終责任不在于用户，而在于创建该服务的企业。因此，对企业而言，建立控制和监控体系变得更为重要。
最终评估指出，企业AI的下一轮竞争，与其说在于模型本身的性能，不如说在于"能提供多准确的上下文，以及能多稳定地运行"。随着AI代理取代实际工作的时代日益临近，企业的专属数据与内部知识、速度、成本控制和責任结构，很可能成为决定成败的关键标准。
TP AI注意事项 本文基于TokenPost.ai语言模型进行摘要。正文主要内容可能被省略或与事实存在差异。