https://t.co/JdkAzhFLlA

未来五年内，每家公司都将通过两种方式使用AI：要么用于运营业务的关键环节，要么作为向客户销售产品的组成部分。在这两种情况下，通用智能都不足以产生实际影响。

要实现真正的价值，企业必须拥有自己的智能体系。拥有并不意味着从零开始构建每一层技术。它意味着掌控决定智能行为方式、管理方式以及是否能随时间积累的那些关键环节。

现成的AI之所以有用，是因为其通用性。它可以回答常见问题，并在广泛主题上进行推理。这使其成为起步阶段的有力工具。但假设通用智能能够直接用于企业内部运营，这显然是一种过度简化的认知。

企业在运营方式上存在大量具体细节。AI在企业中应用得越深入，这些细节就越重要。如果希望将AI作为企业运营的核心部分，这些具体细节将变得至关重要。

以具体案例说明：假设一家大型保险公司使用AI处理理赔。通用模型可以阅读保单文件、总结理赔内容并解释常见保障概念。但真正处理理赔工作，需要依赖保险公司自身的保单语言、各州监管要求、欺诈信号、历史理赔模式、升级规则、客户分级体系以及风险承受能力。这些具体细节不会包含在通用模型的参数中。通用模型知道“免赔额”这个词的含义，但不知道如何处理特定客户在特定司法管辖区、特定保单条款和特定证据下的具体理赔类型。

当AI本身作为产品时，这一逻辑同样适用。如果你是一家垂直领域AI初创公司，正在开发AI客服代理、法律助手或编程助手，基础模型本身并不是你的产品。其他人也可以调用相同的API。你的产品是围绕模型构建的_系统_：它处理的工作流程、检索的上下文信息、可使用的工具、定义质量的评估标准、构建的记忆体系，以及通过每次客户交互持续优化的反馈机制。

在两种情况下，优势都不在于通用智能，而在于针对特定业务场景优化的智能。

任何公司都可以使用AI。但这种通用智能不足以带来显著的投资回报，也无法构建差异化的优质产品。围绕AI构建的公司将拥有属于自己的智能体系。

拥有自己的智能体系并不意味着要亲自构建AI技术栈的每一层。它意味着掌控关键环节——决定智能行为方式、学习来源、成本控制以及是否能持续优化的那些环节。

一个有用的类比是供应链。零售商不需要亲自制造每辆卡车、每艘货船或每个仓库机器人。但它必须拥有决定采购内容、库存流动方式、需求预测方法以及客户体验交付方式的系统。

AI的工作原理也是如此。你可以购买模型、计算资源和基础设施，但必须拥有将这些输入转化为专属业务智能的系统。

这包含三个部分：控制代理系统；掌握经济性、质量和风险；以及随时间积累智能。

控制代理系统

代理是原始智能与工作之间的桥梁。模型提供智能，控制逻辑决定如何应用这些智能。上下文告诉系统在特定情况下哪些因素重要。

第一层是模型。拥有模型意味着在主权、可移植性或部署控制至关重要的场景下使用开源权重模型。它也意味着保留模型选择权：当质量、成本、延迟和隐私需求变化时，能够在不同供应商之间切换。选择权具有防御性，因为它能避免锁定；同时具有进攻性，因为它能让你在最佳模型出现时立即采用。

第二层是控制逻辑：将模型输出转化为行动的编排逻辑。控制逻辑决定了上下文使用方式的所有细节：路由、工具使用、工作流步骤、技能等。这是企业特定行为的主要承载层。如果控制逻辑是封闭的，你就是在接受他人对代理系统运作方式的假设。

第三层是上下文本身。上下文让通用智能变得具体：文档、政策、工具、技能、用户偏好、组织级知识和记忆。记忆尤为重要，因为它是系统随时间变得更实用的方式。如果你不拥有上下文和记忆，你就无法真正拥有系统积累的智能。

要掌控代理系统，你需要同时控制这三部分：模型、控制逻辑和上下文。

掌握经济性、质量和风险

当AI开始执行实际工作时，企业需要像管理其他操作系统一样管理它。这意味着要控制工作成本、衡量其质量、定义系统可行动的范围，并了解系统执行操作时发生了什么。

成本至关重要，因为智能的价值只有在相对于其产生的收益足够低廉时才成立。随着AI采用率的快速提升，成本也在迅速增长——参见Uber的警示案例。在用户、组织或代理层面锁定成本对于可靠地扩展AI至关重要。

质量需要被衡量而非假设。如果你升级模型、修改提示、添加工具或调整工作流，你需要知道系统是变好还是退化。如果你无法衡量这些变化，就无法系统性地改进代理，这意味着你无法真正掌控和拥有它。

边界定义了AI可以独立行动的范围以及需要监督的领域。企业需要控制代理可以访问的数据、可用的工具、需要批准的操作以及何时升级问题。拥有自己的智能意味着掌控其能做什么。

可观测性使系统具有可问责性。如果代理执行了某个操作，业务方需要了解它看到了什么、做了什么、调用了哪些工具以及原因。这不仅对系统改进至关重要，也对系统的审计和信任建立同样重要。

整合你的智能

最好的AI系统会随着使用而不断优化。第100次交互应该比第1次更有价值，因为系统已经学习到了更多关于用户、工作流程、政策、失败案例和偏好的信息。你需要同时拥有系统所学到的内容以及学习过程本身。

系统学习意味着什么？

这个学习循环始于追踪记录。追踪记录展示了代理实际执行的操作：它看到了什么上下文、调用了哪些工具、在何处遇到阻碍以及产生了什么结果。反馈为这些追踪记录赋予了意义：行为是否实用、被接受、被拒绝、效率低下、存在风险或错误。这两者结合，成为改进的原始材料。

这些追踪记录及其相关反馈可用于改进系统——通过修改提示语、工具集或工具本身。但同样重要的是与这些更改相关的评估。对于每次更改，都应该添加评估来捕捉这些变化，并确保未来的更改不会导致退化。

至少在最低限度上，这些学习成果必须由你掌控。它们需要能够跨模型、跨系统移植。更重要的是，你应该完全掌控这个学习循环。再次强调——代理在第一次使用时的表现好坏并不重要，重要的是在第100次使用时能变得多好。如果这是关键，那么你就必须掌控驱动这种提升的整个循环。

拥有智能的检查清单

你真的拥有自己的智能吗？以下是一些你应该自问的问题，以判断这一点：

• [ ] 如果一家新的模型提供商明天推出了最先进的（SOTA）模型，您能否轻松切换到该模型？
• [ ] 如果您正在使用的模型提供商弃用某个模型，您能否自行托管该模型以避免任何中断？
• [ ] 您是否了解并能够控制编排逻辑的运作方式，从而在每个步骤中精确掌握并控制输入大语言模型（LLM）的全部内容？
• [ ] 您能否在不同云平台之间以及在设备端以完全相同的方式运行代理？
• [ ] 您能否按用户级别监控和控制AI支出？
• [ ] 如果有人询问代理为何采取某个行动，您能否向他们展示该行动所有步骤的完整追踪记录（包括其背后的所有内部逻辑）？
• [ ] 您是否有评估机制来确保切换模型时不会引入回归问题？
• [ ] 当用户第100次使用您的代理时，它是否能比第一次使用时更了解用户并提供更好的体验？
• [ ] 当您的代理学习新知识时，能否将这些学习成果迁移至完全不同的系统中？
• [ ] 您能否控制代理的学习方式？

战略选择

企业无需构建AI堆栈的每一层。他们应该购买那些难以实现、通用且缺乏差异化的部分。

但必须掌控价值累积的层级：代理系统、对其工作内容的治理机制，以及通过使用不断优化的反馈循环。

任何企业都可以采用AI。那些通过AI创造持久价值的企业，将是掌控自身智能系统的企业。