企业必须开始利用专有数据和多模型系统，提供更智能、更贴合具体场景的解决方案，从而提高效率并实现更高级的自动化。
稳健的治理通过保护敏感信息、提升数据质量、防范代价高昂的错误，并增进信任与可靠性，确保企业人工智能的可信使用。
要切实创造价值，人工智能必须经过有效的规模化设计。它必须从试验阶段过渡到全企业范围的部署，同时保持性能、准确性和成本控制。
OpenAI推出ChatGPT已两年有余，由此引发了生成式人工智能（GenAI）的热潮。那么，企业究竟如何看待生成式人工智能的潜力？它们如今又是如何应用这项技术的？
根据经济学人影响力（Economist Impact）对1,100名技术高管和技术专家开展的一项最新调查显示，73%的企业认为生成式人工智能对其长期战略目标至关重要。
事实上，85%的企业已在至少一个职能部门使用生成式人工智能。尽管热情高涨，准确性仍是一项重大挑战。仅有37%的高管认为其生成式人工智能项目已具备投入生产的条件。
要将炒作转化为实际成果，企业必须应对那些削弱生成式人工智能应用与信任的因素：准确性、风险和可及性。借助基于专有数据构建的专业化系统，并辅以稳健的治理战略，企业便能解决人工智能的性能问题，并以更具成本效益的方式运用这项技术，从而推动整体业务增长。
迈向可信的企业级人工智能
以下是每位领导者在2025年实现更准确、更可信的企业级人工智能应当采取的三个步骤。
1. 超越单一模型
无论是银行试图侦测欺诈，还是制药公司力图加速药物研发，每项企业工作负载都有独特需求，单一的商用大型语言模型无法满足。相反，企业正迅速认识到，更优质的数据能带来更智能的人工智能。
企业的专有数据蕴含着有关客户、员工、合作伙伴和供应商互动的重要信息。这些企业资产可用于训练模型，使其理解企业独特的文化、行话和内部流程。这类系统可提供员工所需的更深层次的智能与更高级的自动化，帮助他们更好、更快、更智慧地完成工作。
使用多个人工智能模型和系统有助于提升整体性能。这种架构可以构建企业级人工智能代理系统，使用户能够处理比传统聊天机器人更复杂、更多变的查询，甚至代表员工采取行动。例如，万事达卡（Mastercard）近期推出了推出一款由人工智能驱动的代理，以简化客户开户流程。
该系统可自动处理日常任务、解答客户的关键问题，并通过专家反馈不断改进。该系统基于万事达卡的专有数据进行训练，能够确保回答准确、及时，并且符合万事达卡的具体情况。以这种方式将代理与“人在回路”设计相结合，有助于企业规避“劣质人工智能”带来的风险。
2. 优先考虑数据治理
随着数据在企业内得到更广泛的应用，企业需要提供并控制对敏感信息的访问权限。有效的统一治理使企业能够充满信心地有选择地扩大数据访问范围，同时维持负责任的人工智能工具，从而推动组织效率与增长的提升。
数据治理不止于确立适当的权限。借助恰当的管控，治理有助于企业增强对人工智能系统的信任。围绕数据确立标准、制定资产使用政策并对输出结果实施管控，都有助于提升数据的整体质量与可靠性。
例如，凭借恰当的治理规程，雪佛兰本可以防止其人工智能代理向潜在客户推荐竞争对手福特F-150车型。
3. 规划规模化应用
一套在测试环境中运行良好的人工智能系统，在被数千名员工或数百万消费者使用时，表现可能并不相同。例如，企业在受控环境中运行该技术时或许能够将成本控制在较低水平，但当整个员工队伍或客户群体都能使用它时，这一难度便会大大增加。
因此，许多人工智能项目仍停留在试验阶段，其产生的商业价值很可能微乎其微甚至为零。当人工智能得到有效的规模化部署时，它便能帮助企业强化当前的业务战略，并更迅速地把握新的市场机遇，从而推动整体增长。
例如，Grainger构建了一套定制的人工智能系统以帮助服务团队浏览和管理这家工业制造设备分销商超过250万件产品。如今，支持人员可以使用自然语言查询快速获取关键信息，从而有助于缩短服务时间并提升客户满意度。
重要的是，该系统能够即时处理每日近40万项产品变更，确保用户始终获取最准确、最及时的信息。
创造切实价值
要在现实场景中落实这些应用案例，企业必须能够追踪系统在更广泛用户群体中的运行表现。数据治理现已可帮助企业监测模型使用情况，以控制成本。
与此同时，持续训练可确保生成式人工智能系统的性能不会随时间推移而下降。重要的是，员工反馈循环有助于提升系统的整体准确性。
尽管每家企业最终都将走出各自独特的应用历程，但这些步骤是构建并规模化部署准确、具成本效益、并切实惠及员工与客户的企业级人工智能系统的基础。这正是企业建立对变革性技术信任的方式。
