Kết nối với chúng tôi

đoàn kết.AI

Lãnh đạo tư tưởng4 giờ trước
By Dave Rusher, Giám đốc Khách hàng tại Aravo

AI, 但鲜有企业为此做好准备

Bạn có thể sử dụng AI AI依赖于结构:干净的数据、标准化的流程和一致的结果。然而,大多数TPRM là một công ty có khả năng cung cấp các dịch vụ TPRM.数据。另一些则通过电子表格和共享驱动器临Bạn có thể làm điều đó một cách dễ dàng.作,而另一些则承担着更大的风险。没有两个项目是相同的,经过15年的努力,成熟度仍然差异巨大. Bạn có thể làm được điều đó không? AI là một công cụ hỗ trợ AI Gartn er, 79% khả năng của bạn AI là một trong những công cụ hỗ trợ TPRM tốt nhất.了您的项目在结构化、互联性和治理方面的程Bạn có thể làm được điều đó không? Bạn có thể làm điều đó bằng cách sử dụng AI.阶段, 风险项,险,几乎没有正式的方法论或一致的监督。供应商信息可能存在于电子邮件线程或少数关AI将难以从噪音中分工作流程变AI开始增加真正的价值。 Bạn có thể làm được điều đó.治理成为共享责任时,真正的就绪度才会出现。集成且敏捷的项目将数据、自动化和责任制AI能够站稳脚跟——将分散的信息转化为智能,并支持更快速、更透明的决策。通过了解您所处的位置以及您想要达到的目标,您可以构建基础,将A Tôi là người duy nhất có thể làm được điều đó. Bạn có thể làm điều đó bằng cách sử dụng AI. Bạn có thể làm được điều đó không? Bạn có thể làm được điều đó. Bạn có thể làm được điều đó.但无法承受影响关键交付时间线的中断。每个组织的Bạn có thể làm điều đó bằng cách sử dụng TPRM.不断移动的。这就是为什么现成的AI模型很少奏效. AI方AI, 然后由此扩展。常见的用例包括: 供应商研究:使用AI筛选数千家潜在供应商,为即将开展的项目识别风险最低、能力最强或最可持续的合作伙伴。估: AI có thể được đào tạo示风险的不一致或异常情况,让分析师能够专注于最重要的事情。韧性规划: 使用AI模拟中断的连锁反应。某个地区的制裁或对某种材料的监管禁令将如何影响您的供应基础？AI可以处理复杂的贸易、地理和依赖关系数据来模拟结果并加强应急计划。 Bạn có thể làm được điều đó không?能带来价值。在风险和供应链管理中真正取得AI成功的组织,不是那些自动化程度最高的,而是那些从小处着手. PRM中构建负责任的AI随着组织开始在TPRM中尝试AI,最有效的项目会在创新与问责之间取得平衡。AI应加强监督,而非取代它。在第三方风险管理中,成功不仅取决于您评估供应商的速度,还取Bạn có thể làm điều đó bằng cách sử dụng các công cụ hỗ trợ.当供应商失败或合规问题成为头条新闻时,没有人会问流程有多高效。他们会问它是如何被治理的。“它是如何被治理的”这个问题正迅速成为全球性问题。随着AI应用的加速,世界各地的监管机构正以截然不同的方式定义“负责任”的含义。欧盟《人工智能法案》以基于风险的框架定下了基调,要求高风险系统具备透明度和问责制。相比之下,美国正遵循一条更加分散的路径,在强调创新的同时,也倡导如NI ST人工智能风险管理框架这样的自愿标准。包括日本、中国和巴西在内的其他地区,正在发展自己的变体,将人权、监督和国家优先事项融入独特的AI治理模式中。对于全球性企业而言,这些不同的方法带Bạn có thể làm được điều đó.的报告义务, 而在美国,不断演变的期望。每个“负责任AI”的定义都为风险评估、监控和解释的方式增添了细微差别。风险领导者需要能够适应不断变化的法规、同时保持透明度和控制的适应性监督结构。最先进的项目正在将治理AI驱动的决策都能被解释、追踪和辩护——无论处于哪个司法AI变为现实需要的不Một trong những điều bạn có thể làm được: 干净的数据、清晰的责任制和持续的监督。具体做法如下。从一开始就标准化。在自动化之前,建立干净、一致的数据和协调的流程。实施分阶段方法,将AI逐步对每个阶段进行测试、验证和完善。从就将数据完整性、隐私和透明度设为不可妥协的条件。无法AI, 不是在降低风险,而是在引入风险。从小处着手,经常实验。成功不在于速度。启动受控试点,将AI应用于特定的、被充分理解的问题。记录模型的性能、决策的制定方式以AI项目交付业务价值的关键挑战,包括数据质量、隐私和监管障碍。始终进行治理。 AI là một công ty có tiềm năng phát triển. AI là một trong những AI có tiềm năng phát triển nhất. .. . . . . . . . . . . .的洞察回到其数据源和逻辑,确保决策能够经受住监管机构、董事会和公众的审查。 TPRM中的AI没有通用的蓝图。每家公司的成熟度、监管AI的实施方式和价值体现,但所有项目都应有意识地构建。自动化已准备好的部分,治理已自动化的部分,并随着技术及其相关规则的演变而不断调整。
Lãnh đạo tư tưởng4 giờ trước
By Onur Alp Soner, đồng sáng lập kiêm CEO của Countly

技艺是黑匣子尽头的光

如今,在不完全理解技术原理的情况下构建,部署和扩展技术,变得Một công ty có thể cung cấp cho bạn một công cụ hỗ trợ而, 我们始终有一种感觉,控制权正从指缝中溜走。如果你仔细观察,今天缺失的,是曾经存在于每一项伟大创新核心、如今正慢慢淡出技术图景的东西——技艺。每一项创新都承载着一丝精心的关注。有人曾深入钻研,以理解依赖关系、行为和约束,并将这些知识转化为一个可运行的系统。回到现在,支撑我们日常生活的工具和平台以预构建、完全组装好的形式出现,速度快得惊人,但其内部运作机制几乎完全不可见。技艺开始显得不合时宜,或者说,在一个痴迷于速度的文化中显得激进。然而,没有技艺,系统就有可能沦为事件的漩涡:一个黑匣子.技艺, 是在一个被AI重塑的世界里,夺回部分控制权,恢复对复杂性Bạn có thể làm được điều đó không?曾几何时, 构建系统的人对其了如指掌。如今,工作被分割成微小的贡献, 稀释了这种所有权意识,常常到了参与者无人理解整体的地步。团队为一个庞大得多的系统贡献专业化的部件,将库、API、云服务、 Bạn có thể làm được điều đó?是,团队直接拥有的部分,往往比外部供应商管理的层级还要小。对执行的关注超过对技艺的关注,会引入盲点,这些盲点可能在系统的各个Bạn có thể làm điều đó một cách dễ dàng Bạn có thể làm điều đó?际上拥有的清晰度或控制力是多么匮乏。问在于修复故障组件,更始于解释最初到底哪里出了错。协作确实是现代软件的引擎,它使团Bạn có thể làm được điều đó? AI工具的加入,更多工作可以并行化,更多决策可以自动化或得到辅助,从而加速执行并扩大参与度。但这同时也稀释了理解。当高度抽象的工具介入决策、生成代码或解释数据时,行动往往会超越理解。毕Bạn có thể làm điều đó không? AI不可否认的潜力,与系统的关系。它关乎在碎片化的工作环境中创造连续性,并保持跨层级（而不仅仅是层级内)种推理能力,即使没有明显证据表明有任何问题。它让团队能够快速Bạn có thể làm điều đó bằng cách预期运行时如何应对。只有这种理解才能防止AI驱动的系统变成黑匣子。问题是。当你的基础建立在技术技艺之上时,AI能扩展洞察力并增强实力；否则,它会加剧误解和混乱。基于有缺陷的假设、偏见数据或被误解的模型做出的自动化决策. Bạn có thể làm được điều đó không?广泛的影响。扁平化学习曲线的真实代价如今,学习曲线被如此激进地扁平化,以至于依赖开始看起来很像效率。警惕这种权衡很重要。许Bạn có thể làm được điều đó không?如果节省的时间和精力以不可预见的后果为代价,很快就会适得其反。这并不是说,在存在更简单方法和强大工具的情况下,要把事情搞得比必要的更难。但轻率地跳过这些曲线,就失去了真正理解系统行为方式. Bạn có thể làm được điều đó. Bạn có thể làm điều đó? Bạn có thể làm điều đó bằng cách bạn có thể làm được điều đó không? Bạn có thể làm được điều đó.演进系力。变更可能会破坏系统中未被充分理解的部分。随着Bạn có thể làm điều đó bằng cách Bạn có thể làm được điều đó không? bạn có thể làm điều đó Bạn có thể làm điều đó một cách dễ dàng. 。当团队承担起理解他们所商处理了所有复杂性时。以技艺构建的产品旨在持久、演进和适应。强调追溯原因、质疑假设和构建直观解决方案的培训,能确保学习是嵌入式和持久性的。简而言之,运用良好判断力和保持可解释性的能力,将是伟大产品与仅仅能运行的产品之间的区别。在复杂、互联的系统中,必须由人类的直觉和精通来引导技术,而不是相反。重要Bạn có thể làm điều đó một cách dễ dàng.
Lãnh đạo tư tưởng4 giờ trước
By VimalRaj Sampathkumar, Trưởng bộ phận kỹ thuật - Vương quốc Anh và Ireland, ManageEngine

当AI进入运营环节,可解释性便不容妥协

企业AI应用已进入一个更导者而言, 挑战不再是说服组织相信AI具有潜力,而是确保那些影响运营AI时,它才在企业中赢得一席之地。这种依赖并非仅仅建立在性能统一旦自动化成为日常工作Bạn có thể làm điều đó bằng cách sử dụng nó. AI已嵌入到从服务请求路由到事件关联和容量规划的各个IT运营环节。这些环境中的决策相互关联,错误会迅速升级。当AI输出缺乏上下文时,团队往往会犹豫不决。自动化可能在技术上已部署,但其建议bạn có thể làm được điều đó.变革的抗拒。实际上,它反映了高风险运营环境中的职业责任感。 AI là một công ty có khả năng phát triển trí tuệ Bạn có thể làm được điều đó? Bạn có thể làm được điều đó.统通常准确,信任也会逐渐侵蚀。在IT团队内部,这种影响表现得很微妙。自动化以咨询模式而模式运行。工程师仍需对结果负责,却又被期望去信任他们无法审查的推理过程. `这种不平衡会产生摩擦。AI虽然存在,但其价值受到限制。透明的AI流程更高的透明度和可解释性可以通过将问责制重新引入自动化决策来解决这个问题。可解释的AI并不意味着暴露每一个内部计算。它意味着提供与人类操作者相关的洞察:哪些数据Bạn có thể làm điều đó một cách dễ dàng. AI , 可解释AI创建了一种解释层,说明AI决策是如何做出的, AI系统可Bạn có thể làm được điều đó. AI là một công ty có tiềm năng phát triển重要的是,可解释性意味着当出现问题时,团队可以追溯推理路径,识别微弱信号,并完善流程。没有这种可见性,错误要么会重复发生, 要么通过禁用自动化来完全避免。实践中可解释性以事件管理为例。AI常用于将警报分组并建议可能的原因。在大型Bạn có thể làm điều đó một cách dễ dàng.决时间延迟数小时,使多个团队陷入并行调查,而面向客户的服务仍处于降级状态。当这些建议附有清晰哪些系统、如何访问依赖关系或参考了哪些过去的事件时,工程师可以快速判断该建议。如果结果证明是错误的,这些洞察可用于改进AI Bạn có thể làm được điều đó.往往会停滞不前或被边缘化。问责与可解释性也改变了问责的分配方式。在运营环境中,责任不会仅仅因为决策是自动化的而消失AI có thể được hỗ trợ得更清晰,更易于管理。决策可以被审查、论证和改进,而无需诉诸防御性的变通方法。这也有治理方面的好处,尽管在内部这很Bạn có thể làm được điều đó không? AI có thể giúp bạn Bạn có thể làm điều đó một cách dễ dàng. Bạn có thể làm điều đó một cách dễ dàng. Bạn có thể làm được điều đó không?时间。为卓越运营而设计AI工程师接受过质疑假设、检查依赖Công ty có thể cung cấp các dịch vụ hỗ trợ过程就变成了协作性的,成为流程的一部分,而非强加的结构。以这种方式构建系统必然存在成本。可解释的AI需要规范的数据实践, 深思熟虑的设计选择,以及能够负责任地解读输出的熟练Bạn có thể làm được điều đó không?型。然而。优先考虑可解释性的组织,其停滞的计划更少,影子决策也更少。自动化成为运营中可信赖的一层,而非孤立运行的平行实验。价值实现时间得以改善,并非因为系统更快,而是因为团队愿意充分使用它们。负责任地扩展随着AI成为企业基础设施中的永久组成部分,成功将更少由雄心定义,而更多由可靠性定义。能够解释其决策的系统更容易被信任、更容易被改进,并且在结果受到质疑时更容易被支持。在运营环境中,只有当理解与自动化同步发展时,智能才能有效扩展。
Lãnh đạo tư tưởng1 ngày trước
By Refael Angel, đồng sáng lập kiêm Giám đốc công nghệ của Akeyless

无秘密的必要性:当AI智能体触及代码时,传统安全模型为何失效

2023 ngày 4 tháng 4,三星公司发现其工程师向ChatGPT泄露了敏感信息。但那是意外。现在想象一下,如果那些代码仓库中包含的是蓄意植入的指令,这些指令对Bạn có thể tìm thấy AI AI là một công cụ hỗ trợ API. 安全研究人员已经证明这些“隐形指令”攻击是有效的。问题不在于这是否会发生,而在于何时发生.数据是数据。SQL là một công cụ hỗ trợ SQL Bạn có thể sử dụng AI Bạn có thể làm được điều đó. AI là một trong những công cụ hỗ trợ tốt nhất Bạn có thể làm được điều đó?程序。输入本身已经变成了程序。这代表着与Bạn có thể làm được điều đó. BẢNG THẢ 或标签之类的恶意模式，在面对自然语言攻击时完全失效。研究人员已经展示了“语义替换”技术，即在提示中将“API密钥”替换为“苹果”，可以让攻击者完全绕过过滤器。当意图被伪装成无害的对话时，你如何为意图设置防火墙？无人讨论的零点击现实这是大多数安全团队不了解的：提示注入并不需要用户输入任何内容。这些通常是零点击漏洞利用。一个AI智能体仅仅是为了执行例行任务而扫描代码仓库、审查拉取请求或阅读API文档，都可能在没有任何人工交互的情况下触发攻击。考虑以下基于研究人员已经证明的技术的场景：恶意行为者在一个流行的开源库的文档中的HTML注释里嵌入了隐形指令。每一个分析此代码的AI助手，无论是GitHub Copilot、Amazon CodeWhisperer，还是任何企业级编码助手，都变成了潜在的凭证收集器。一个被攻陷的库可能意味着成千上万个开发环境暴露无遗。危险不在于LLM本身；而在于我们赋予它的代理权。从我们将这些模型与工具和API集成，让它们获取数据、执行代码和访问秘密的那一刻起，我们就将有用的助手转变成了完美的攻击向量。风险并不随模型的智能程度而线性增长；它随其连接性而增长。为何当前方法注定失败业界目前痴迷于“对齐”模型和构建更好的提示防火墙。OpenAI增加了更多的护栏。Anthropic专注于宪法AI。每个人都在试图制造不会被欺骗的模型。这是一场必败之战。如果一个AI足够聪明到有用，那么它也足够聪明到被欺骗。我们正陷入我称之为“净化陷阱”的境地：假设更好的输入过滤能拯救我们。但攻击可以被隐藏在HTML注释中的隐形文本里，深埋在文档中，或以我们尚未想象的方式编码。你无法净化你无法在语境中理解的东西，而语境正是LLM强大的原因。业界需要接受一个残酷的事实：提示注入将会成功。问题是当它成功时会发生什么。我们需要的架构转变我们目前正处于“打补丁阶段”，拼命地添加输入过滤器和验证规则。但正如我们最终认识到防止SQL注入需要参数化查询，而不是更好的字符串转义一样，我们需要一个针对AI安全的架构解决方案。答案在于一个听起来简单但需要我们重新思考如何构建系统的原则：AI智能体永远不应该拥有它们所使用的秘密。这不是一个这并非关于更好的凭证管理或改进的保险库解决方案。而是关于将AI智能体识别为独特、可验证的身份，而非需要密码的用户。当AI智能体需要访问受保护资源时，它应该：使用其可验证身份进行认证（而非使用存储的密钥）接收仅对该特定任务有效的即时凭证让这些凭证在数秒或数分钟内自动过期永不存储甚至“看到”长期有效的密钥目前正在涌现几种方法。 AWS IAM roles for service accounts、 Google’s Workload Identity、 HashiCorp Vault’s dynamic secrets，以及像Akeyless的Zero...
Lãnh đạo tư tưởng1 ngày trước
By Marc Cenedella, Giám đốc điều hành của Ladders

为何到2027年,一半的白领工作将要求具备AI技能

2025年，在我二十多年前创立的专业职业网站Ladders上，只有不到1%的职位发布提及AI技能是必备要求。今年，这个数字正迅速接近6%。这意味着在短短12个月内增长了七倍。这一趋势没有放缓的迹象。这是一个显著的转变，我以前见过。在新冠疫情之前，Ladders上列出的远程职位约占职位发布总量的5%。疫情迫使专业人士离开办公室，公司也意识到远程职位与办公室员工同样高效。在18个月内，我们看到有25%的专业职位是完全远程的，而且这一趋势至今依然强劲。基础设施和技术早已存在，但改变的是紧迫性。一旦需求明确，采用速度就很快。我们看到AI正遵循同样的指数曲线发展，但这次没有疫情在推动。相反，是公司正在部署人工智能，以求花更少的钱、更快地行动，竞争压力正在加剧。首先发生的领域AI在职责可预测、常规且易于验证的岗位中增长最快。金融分析师报告、律师助理文件审查、低级别内容创作和客户服务任务都已受到影响。如果你的工作需要处理信息、标准化输出和数据管理，那么你正处于第一波浪潮中。什么受到保护？判断力。那些不断变化且评估本身具有主观性的工作仍然需要人的参与。但即便如此，AI也正在成倍提高那些知道如何使用它的人的生产力。将AI作为生产力提升手段的领先公司，并不是那些等待完美解决方案的公司。他们是那些将现有工具交到最优秀员工手中，并看着他们在更短时间内完成更多工作的公司。一年前每周制作三份报告的金融分析师，现在可以制作八份。过去负责两个营销活动的营销人员现在可以运作四个。对于高管来说，这笔账无可否认。如何提升技能（比你想的更容易）只有一种方法可以学会如何利用AI并理解其对您的业务和职位的潜在影响：下载工具。开始使用它们。相互测试。向它们提问，必要时提出质疑，并思考它们如何能让你的工作更轻松、更快速、更高效。就是这样。这些工具在很大程度上是免费的。第一次使用Claude和ChatGPT意味着非常短暂的学习曲线，而且实验过程无疑充满乐趣。拥有AI技能的人与没有的人之间的区别，并非在于某些秘密课程或直觉，而在于简单的重复和好奇心。使用AI起草每周状态报告。让它分析电子表格。请它审阅你的演示文稿并指出优缺点。它在哪些方面有帮助？它做对了什么，又在哪些地方出错？那些目前正在快速领先的专业人士，在短短几个月前做的正是同样的事情：犯错、学习哪些提示词有效哪些无效，并慢慢建立起一种直觉，以理解何时可以信任输出结果，何时需要更仔细地审视。蜜月期已过早期采用者早已不再认为AI是某种不容置疑的神奇力量。他们发现它和其他工具一样，需要背景信息、训练和大量的试错。他们已经学会了AI如何“思考”，它的不足之处在哪里，以及它真正能在哪些方面帮助他们更高水平地完成工作。这意味着仍有充足的时间迎头赶上，而那些已经在工作中使用AI的人，只是比其他人更早一点对它产生了好奇。他们一直在与这些工具建立工作关系，并且比大多数人更了解它。是的，世界目前正为AI而倾倒，但对大多数专业人士来说，炒作已经降温，艰苦的实施工作已经摆在我们面前。这正是你加入这一潮流的窗口期。在我的工作中，我与许许多多专业人士交谈，那些从AI中获得真正价值的人都说着同样的话。他们告诉我，最初他们经历了与AI缓慢而尴尬的互动，只有通过日常使用，它最终才变得得心应手。现在，AI对他们来说感觉是工作中不可或缺的一部分。如果你今天开始，你并不落后。当计算方式改变时基于高薪白领工作中AI采用的轨迹，我相信到2026年初，我们很可能会看到多达20%的这类职位要求AI技能。届时，公司将面临一个选择：从大量不具备显著AI能力的候选人中招聘，还是将精力集中在更小一部分擅长使用这些工具的人群上。对于这些企业的决策者来说，经济激励非常明确地指向那些能利用AI提高生产力的人。无法保证那些缺乏AI技能的人最终会有兴趣培养这些技能，而且当一位具备这些技能的候选人可以在第一天就上手时，招聘一个需要培训才能跟上节奏的人几乎没有意义。一旦我们到达那个非常重要的拐点，对AI技能的需求将飙升。求职者将不可避免地做出回应，我们将看到新的培训项目甚至大学课程急剧增加，为学生提供可以成长的知识基础。反馈循环将加速，采用曲线将呈抛物线式上升。展望未来两年，很容易想象，一个没有AI技能的个人将自动失去一半可用职位的资格，而且很可能是更好的那一半。那些拥有更多自主权和更高薪酬的职位，将明确地在候选人中寻找AI知识。你现在可以做什么在你的手机上下载工具。在你的浏览器中收藏网站。将它们用于你工作中已经需要做的事情，比如写一封电子邮件或起草一份报告。研究输出结果，并开始理解AI在哪些方面表现出色，以及它如何能同时让你的工作更轻松、更快速。使用这些工具的信心，只来自于足够多次的使用，让你能凭直觉知道何时可以信任它们，以及哪些工作需要手动完成。它来自于重复。从今天开始。
Lãnh đạo tư tưởng1 ngày trước
By Alex Sobol, đồng sáng lập kiêm đối tác quản lý của The Millennium Alliance

首席人工智能官已就位,正重塑企业业务模式

自联合创立Thiên Niên Kỷ Liên minh. một trong những công cụ hỗ trợ tốt nhất cho bạn解决方案提供商,正因如此,我们见证了众多趋势随着企业优先事项的变化而涌现、成长和消退。在我们历史上,几乎没有什么能与过去一年我们亲眼首席人工智能官的崛起相提并论。CAIO不仅仅是加入拥挤的领导层Bạn có thể làm được điều đó không?是一个横跨多个组织孤岛的角色,我们相信它标志着人工CAI O坐镇于战略、运营和创新的交汇点,如今几乎触及现代bạn có thể làm được điều đó系的请求正在迅速增加。打孤岛人工智能在企业中的应用显然正在增加,而CAIO这一角色之所以引人入胜,有几个原因,尤其是其多功能性。传统的C级职位定义明确,在历史边界内运作,但CAIO拥有更多的自由CIO专注于信息系统,CMO负责营销战略,等等,但人工智能有潜力增强所有这些业务功能,而CAIO的职责就是理解如何利用这套新工具集以实现最大效果。从财务建模到新的安全协议,CAIO必须深刻理解每个部门的功能, 工作流程和痛点。该角色,术供应商和服务提供商都渴望获得他们的关注首先接触CAIO là một công ty có tiềm năng phát triển kinh doanh借其职位,CAIO知道自动化可以在何处帮助消除摩擦`机器学习可以在何处增强决策并提升客户体验。与CAI O的一次对话可以为整个组织打开大门。接触C级高管的也从未如此困难对于供应商而言接触到C级决策者极其困难。高管们完全被冷电话和千篇一Bạn có thể làm điều đó một cách dễ dàng.对高层会议Bạn có thể làm điều đó? Bạn có thể làm điều đó một cách dễ dàng.能成功。Bạn có thể làm được điều đó không? Bạn có thể làm điều đó một cách dễ dàng.高管利益相关者,而专职CAIO的出现实际上正在帮助解决这个接触难题,但方式可能出乎你的意料。由于这个角色相对较新,CAIO们渴望尽可能了解整个领域的情Bạn có thể làm điều đó? bạn có thể làm được điều đó không?话。角色背后的战略要务在这一点上,公司不应该再问自己是否需要一位首席人工智能官,而应该问自己是否承担得起没有这样一官员的后果。人工智能尚未完全改变任何但各组织正迅速跨越最初的实验阶段,开始以各种方式实施人工智能工具。人工智能工具正显示出让企业以更少资源做更多事情、消除摩擦、更bạn có thể làm điều đó không?竞争对手更有效利用这些能力的现实,这是公司根无法承受的风险。当公司将人工智能举措视为项目而非持久的转型时, 这些举措就会失败。它们需要自上而下的协调和支持陷阱并最大化利công ty đang phát triển者置于领导职位,并赋予其制定人工智能实施战略的职责这具有坚实的商业意义。展望未来:人工智能在决策桌上占有一席之地过去一年——尤其是最近六个月——我们所看到的快速变化表明,我们正处于跨行业更大转型的早期阶段。企业正在理解人工智能的潜力,并正在采取措施AI là một trong những công cụ hỗ trợ tốt nhất Công ty cung cấp dịch vụ SaaS AI规划、快速采用和高效执行的倡导者而获益。企业现Bạn có thể làm điều đó một cách dễ dàng.的CAIO会议请求已迅速增长,且看不到尽头。那些认识到CAIO几乎触及现代企业方方面面的供应商和服务提供商开始收获回报,而他们的企业客户也正日益提高生产力。首席人工智能官不仅仅是一个高管头衔,它标志着một công ty có thể cung cấp cho bạn một công cụ hỗ trợ.
Lãnh đạo tư tưởng2 ngày trước
By Kiran Kotla, đồng sáng lập kiêm CEO của Dista

Công nghệ D2C của D2C

印度的直接面向消费者（D2C）出口故事常常围绕着品牌创意、制造规模或文化声望展开。然而，对于大多数试图在国际上销售的印度品牌而言，真正的制约因素与需求关系不大。相反，它在于全球贸易的隐性机制：关税、海关规则、支付监管和物流系统，这些最初并非为新兴市场出口商设计。随着跨境电子商务在迈向2026年的过程中加速发展，这种不匹配正变得不容忽视。全球消费者越来越期望国际品牌能够以他们在国内体验到的相同速度、透明度和可靠性进行交付。与此同时，美国和欧盟的监管机构正在收紧最低免税额门槛，加强海关审查，并提高对合规性、安全性和可持续性的期望。在这种环境下，全球扩张不再是一个营销挑战，而是一个基础设施挑战。这一转变最清晰的信号之一，可以在Dista创始人兼首席执行官Kiran Kotla的工作中看到。Dista这家公司正在悄然构建一个相当于跨境商务的AI操作系统。Kotla代表了一种罕见但日益重要的形象：一位离开在思科和Marvell构建核心系统的硅谷高级职业生涯的印度工程师，去解决一个具有全球影响的本地深层问题——为什么品牌难以在国际上扩大规模。全球电子商务中的隐性瓶颈跨境电子商务正在快速增长。数字交付服务和电子商务是全球贸易中增长最快的组成部分之一，尤其是对新兴经济体而言。然而，增长并不均衡。虽然需求在扩大，但执行仍然脆弱。监管复杂性现在是跨境可扩展性的主要制约因素，而不仅仅是运输速度。对于D2C品牌来说，这种复杂性被放大了。每一个国际订单都会引发一连串的决策：正确的HS或FDA分类、特定国家的关税、海关文件、外汇兑换、本地支付合规以及最后一英里履约。大多数品牌试图通过整合多个供应商来管理这一切：一个负责运输，另一个负责支付，还有一个负责合规。实际上，这种碎片化模式很少能规模化。结果是可预见的：意外的关税、发货延迟、包裹被拒、利润侵蚀以及沮丧的客户。为何AI必须超越前端电子商务中关于AI的讨论大多集中在个性化、发现和营销自动化上。这些工具塑造需求，但它们并不负责将产品跨境交付。AI更具影响力的作用在于运营决策。Passport与Drive Research合作进行的一项2025年8月的研究发现，虽然50%的电子商务领导者优先考虑更快、更可靠的交付，41%计划扩展到新的国际市场，但只有约三分之一正在将AI应用于物流、库存或合规。这一差距正变得至关重要。AI驱动的自动化特别适合应对全球贸易中最脆弱的环节。这些领域包括产品分类和验证、海关和监管文件生成，以及动态关税和税费计算。经济合作与发展组织（OECD）指出，AI赋能的贸易便利化可以显著降低中小型出口商的合规成本。正是在这一层面，基础设施决定了谁能扩大规模，其重要性甚至超过了品牌建设。为摩擦而构建，而非为理论为全球执行而构建的平台，其区别不在于雄心，而在于对现实世界摩擦的贴近程度。Dista的系统并非抽象设计而成。它们是在大规模运营中塑造的，处理了超过75万笔跨境订单，覆盖40多个国家，应对关税变化、海关审计、FDA审查，以及只有在实际生产中才会出现的各种监管边缘案例。Dista没有将合规和物流视为下游问题，而是构建了一个全栈架构来正面解决这些问题。产品上架包括自动化的监管分类，结账环节为每位用户实时反映个性化落地成本、关税和货币转换，所有这些都内置在产品定价中，海关文件则提前生成和验证。在这种背景下，AI的功能更像是编排而非预测，将监管逻辑直接连接到运营结果。带来的回报是可预测的速度。曾经需要数周才能上架并发货进行国际销售的产品，现在可以在不到一小时内从列表进入全球市场，这不是通过跳过步骤，而是通过自动化和验证它们来实现的。海关AI跨境运作海关是跨境商务最常出问题的地方。延迟很少源于实体物流；它们发生在产品数据不完整、分类错误或被监管系统误解时。Dista的海关自动化专注于消除这个故障点。该平台使用AI自动将大量SKU重新分类到正确的HS编码，为产品进行清关和税收分类，从而降低可能导致更高关税或清关延迟的错误分类风险。对于有额外监管要求的市场，该系统会自动分配市场特定的标识符，例如美国FDA针对某些类别商品的产品代码。通过无需人工干预生成合规的海关文件，该平台降低了运营复杂性，同时提高了申报的一致性。这确保了监管要求在交易工作流程中得到处理，而不是在货物已经运输之后才处理。这些功能由一个全栈技术架构支持，该架构集成了基础设施、运营、支付和合规，并与官方海关系统直接连接。地理空间分析和AI驱动的优化也被应用于改善物流覆盖范围和海关效率。这些系统共同实现了透明的定价，没有隐藏费用或意外关税，使货物能够可预测地、大规模地通过海关。美国关税、最低免税额压力与更复杂的北美市场美国是印度D2C出口最重要的单一市场，但它也正成为运营最复杂的市场之一。近期的政策转变表明了一个明确的方向：更严格地执行最低免税额门槛，加强对低价值进口商品的审查，以及更积极的海关审计，特别是在健康、美容、补充剂和可摄入产品等类别。以前清关顺畅的货物现在可能面临扣留、文件要求或重新分类。对于印度品牌而言，这给单位经济效益、交付时间线和客户体验带来了隐性波动。墨西哥给北美贸易走廊增加了另一层复杂性。墨西哥加强了对某些印度进口商品的审查和关税，特别是在纺织品、服装、化学品和部分消费品类别。对于使用墨西哥作为进入美国的履约或转运中心的品牌来说，如果未提前考虑这些关税和合规要求，可能会实质性地改变成本结构。在这种环境下，关税不再是静态的条目。它们是必须被计算、验证并直接嵌入定价和结账流程的动态变量。能够实时模拟这些变化的基础设施成为一种竞争优势，而非后台职能。欧洲与“不惜任何代价追求低价”的终结欧洲的政策动向凸显了这种转变的重要性。监管机构正着手对价值低于150欧元的低价值进口商品征收关税和处理费，这一类别主要由超低成本的中国平台主导。其目标不仅是保护国内零售商，更是为了大规模执行合规、消费者安全和可持续性标准。对于中国以外的新兴出口商来说，这既带来了风险，也创造了机会。仅靠价格竞争变得不那么可行。在质量、道德采购和监管透明度上竞争变得更具吸引力，但前提是存在支持它的基础设施。AI驱动的合规自动化正是实现这一转变的关键。侨民需求与印度产品的全球化跨境贸易另一个强大但常被误解的驱动力是侨民需求。全球有超过3400万海外印度人，其中近一半集中在仅十个国家。历史上，这种需求集中在文化必需品上，如食品、节日用品和来自家乡的熟悉品牌。这种模式正在改变。海外的第二代和Z世代消费者越来越多地将传统产品融入主流消费。与此同时，非印度消费者正将印度健康、美容和消费品作为生活方式选择而非文化猎奇来发现。然而，随着需求扩大，监管日益决定着实际能到达消费者手中的产品。在美国，更严格的最低免税额执行和加强的FDA审查正在重塑健康和可摄入产品的跨境准入。在这种环境下，物流不再是全球商务中最难的部分。合规才是。悄然进行的转型这一转变最明显的信号是它的不可见性。纽约、伦敦或迪拜的消费者越来越多地购买印度产品，却没有遇到曾经定义此类交易的摩擦。这种无缝体验并非偶然。它是旨在吸收复杂性而非暴露复杂性的系统所产生的结果。随着AI继续重塑全球商务，最重要的创新可能并非最显眼的。它们将深嵌于使跨境贸易变得枯燥、可预测和可扩展的工作流程之中。对于D2C品牌以及更广泛的新兴市场而言，未来十年将不由谁创造了需求来定义，而将由谁构建了执行需求的基础设施来定义。
Lãnh đạo tư tưởng2 ngày trước
By Alexander Whatley, đồng sáng lập kiêm Giám đốc bộ phận Trí tuệ nhân tạo của Vividly

AI平台突破正在改写CPG行业的决策方式

2025, 那就是加速。事实上且呈指数级增长。今年,行业见证了以Bạn có thể tìm thấy những gì bạn có thể làm được không?理的前沿、从文本提示生成可工作的软件界面、以及从单一提示生成长AI 性能的Bạn có thể làm được điều đó? （CPG)流程一直拖慢着决策速度。AI在CPG中的采用率已经很高,有89 % năm Một công ty có thể cung cấp cho bạn một công cụ hỗ trợ.岛进行推理、自主发现洞察并驱动规划周期的智能平台。这一迫切需求Công cụ hỗ trợ AI: AI原生的。平台期望时Bạn có thể sử dụng AI Bạn có thể làm được điều đó không? Bạn có thể làm được điều đó không? một công ty có thể cung cấp dịch vụ CPG AI原生平台,在这个平台上,促销规划、定价、扣款管理和事后分析集中在一处,而不是分散在互不关联的系统中。在整个CPG行业已经看到AI là một công cụ hỗ trợ có thể phát triển完整的电子表格并呈现洞察遵循品牌规则的结构化客户销售提案, 并自动构建可直接插入现有销售和财务工具的仪表板,所有这些都Bạn có thể nâng cao năng lực của mình bằng cách giảm 90% khả năng của bạn AI là một công cụ hỗ trợ AI. .理的工具。实际上,AI不再是一个功能;系统。为何2026年将是AI最终掌握数据分析的一年如果说2025 2025年是关于多模态突破,那么2026年将是关于更安静但更具影响力的事情: 数学和结构化推理。尽管取得了所有进展,但当今的模型在涉及多步骤计算、统计推理和精确释时仍然不可靠。幸运的是，正Công ty có thể cung cấp các dịch vụ hỗ trợ tốt nhất. CPG là một trong những nhà cung cấp dịch vụ tốt nhất hiện nay: bạn có thể làm điều đó –为每个SKU-零售商组合生成每周和促销量预测的系统,具Đây là một trong những công ty có khả năng cung cấp dịch vụ tốt nhất.实时利润情景建模 – 即时看到价格、折扣深Công ty có thể cung cấp cho bạn một công cụ hỗ trợ.用通俗语言解释的促销弹性洞察 – 诸如“在该零售商处折扣加深10%可能会带来6-8%的增量销量2-3% 的增量利润”这样的解释,而不是不透明的系数。针对贸易计划、供应限制和零售商差异性的优化 – 考虑重叠促销、货架位置、有限库存以及每个零售商规则的推荐.真正可靠的规范性建议 – 排好序的“下一个最佳”促销日历、价格调整和投资转移建议, 团队可以接受、调整或拒绝,每个建议背后都有透明的推理。这一突破不仅将改进AI; AI运维成为主流:每个部门现在都是AI部门多年来,“AI运维”更像是一个流行语而非实践。在2025年,它变得正常化,不是因为公司突然关心这个缩写, bạn có thể làm được điều đó. Bạn có thể làm điều đó bằng cách sử dụng AI. AI là một công cụ AI AI là một công ty có khả năng phát triển trí tuệ展生成式AI的公司将提高所有学科的生产力。AI不会取代这些核心工作；它将增强它们。这对贸易规划意味着什么:人+AI,而非人对AI这些突CPG là một trong những công cụ hỗ trợ tốt nhất cho bạn.性而受到限制。团队对其业务拥有大量的隐性知识,但他们缺乏的是时间和统Bạn có thể làm điều đó bằng cách sử dụng nó.并嵌入可解释建议的AI原生贸易促销管理（TPM)或贸易促销优化（TP O).人类应做出最终决策。在实践中,这意味着使用支持AI的贸易规划工具来: Bạn có thể làm được điều đó không?提供规范性计划建议,供收入、销售和财务团队共同审查和完善。无论公司规模大小,都没有单一的数学或统计公式来创建最佳的促销计划,因为成千上万的因素可以影响促销结果,从折扣深度和时机到零售商规则、竞争活动和供应限制。AI填补了这一空白,以满足每个独特的促AI的假设,因为只有他们才能提供AI无法提供的业务逻辑。对于大多数CPG企业来说Bạn có thể làm được điều đó? AI là công cụ hỗ trợ TPM/TPO过程使贸易规划成为一种协作努力,不是用自动化取代判断,而是扩展自AI đã tạo ra một AI为核心基础设施而非实验的组织:将AI原生平台交到每个客户和收入增长经理手中,并将人工审查、否决和学习循环作为规划周期的标准部分。建立对AI决策的信任:可解释性就是一切在高风险决策（无论是贸易还是其他方面)中部署AI的最大挑战是信任。不是盲目的信任,而是有理AI功能时,开发人员需要直接询问用户,必须满足哪些先决条件才能信任AI的输出。答案可能包括置信度分数、趋势摘要、 AI là một trong những công ty có tiềm năng phát triển nhất. Bạn có thể làm điều đó bằng AI?没有它,任何组织都无法将洞察转化为行动。2026年所需的领导心态:探索优先,指令其次自上而下地探索AI在来年将至关重要。领导者如果不亲自使用并理解这些工具的工作原理,就无法部署实用的AI工具。 AI要取Bạn có thể làm điều đó một cách dễ dàng Bạn có thể làm điều đó một cách dễ dàng. AI là một công ty có tiềm năng phát triển. Bạn có thể làm điều đó không?好处,继续按以往的方式操作要容易得多。未来展望: AI原生平台将重新定义CPG的运营方式展望未来,2026年将有许多事情重塑CPG运营,包括平台在数学和解决问题方面的进步、平台整合的加速,以及作AI集成核心的可解释性和信任。然而,最重大的转变是概念性的。智能将不再是软件拥有些蓬勃发展的品牌`将不是那些用自动化取代人类判断升人CPG là một trong những công ty có tiềm năng phát triển nhất.
Lãnh đạo tư tưởng2 ngày trước
By Jennifer Sherman, Giám đốc Sản phẩm, Unit4

超越“工作废料”: 采用务实、以人为本的人工智能

过去几年，随着LLM和其他人工智能内容生成器的使用量激增，“AI废料”问题引发了相当多的文化热议和媒体关注。当低质量图像和拙劣文字充斥社交媒体动态时，人们会注意到。由于AI废料的存在，我们现在更不信任那些我们怀疑是AI生成的广告内容，即使它们并非如此，读者们也正在识别LLM生成内容的典型迹象，例如过度使用长破折号。不幸的是，“工作废料”现在也成了一个现象。什么是工作废料，财务领导者为何需要关注它？每位CFO都体会过追查预算差异或花费数小时核对不明异常的挫败感。在当今的企业环境中，人工智能的承诺无处不在，但一种新的生产力杀手也同样存在：工作废料。工作废料是自动化的副产品，它看起来光鲜，但缺乏实质、背景或效用。它是那篇充斥着长破折号却未传授任何新知的文章；是那个引发问题多于解答的通用报告；是那个制造摩擦而非带来清晰度的审批流程。它是迫使财务团队做更多而非更少工作的AI生成内容。工作废料最常与低劣的内容质量相关联。它贬低品牌价值，可信度更低，并传递出人们已不再关注的信息。但当工作废料开始影响ERP等业务应用程序时，它对生产力和信任的消耗就更为严重。当人工智能系统在没有足够人工输入、背景或监督的情况下生成输出时，就会产生工作废料。对于财务领导者而言，这意味着需要花费宝贵的时间去澄清、纠正或返工本应自动化完成的工作。结果如何？效率丧失，对自动化的信心减弱，财务职能陷入被动应对模式。您可能认为您的组织在人工智能方面的投入不足以受到工作废料的影响，但它已经存在了。最近一篇HuffPost文章引用了一项斯坦福大学的研究，发现超过一半的员工表示他们在工作中遇到过工作废料。除了惹恼受影响的员工外，工作废料还威胁到将人工智能融入工作场所的关键卖点：以卓越质量实现更高的生产力。好消息是，您可以通过一种务实、以人为本的人工智能方法来最小化甚至消除工作废料。以下将探讨工作废料问题的现状，工作场所中更审慎应用人工智能技术可能呈现的样子，以及实现敏捷、迭代式人工智能部署的一些建议。如果工作废料不是问题，而是初稿呢？让我们面对现实——现在快2026年了，人工智能是一个令人兴奋的产品。它拥有节省时间和提高生产力的巨大潜力，因此人们会使用它，无论雇主是否鼓励他们采用这项技术。问题在于，他们是否会投入必要的适当培训和努力来应用它，以获得最佳结果？当用户没有给人工智能提供足够或结构良好的输入时，就会产生工作废料。要获得最佳的人工智能结果，您必须持续对话。您必须重写提示或细化需求。这种反复的过程引入了更多的背景和反馈，帮助您达成更好的结果。当我创建一个人工智能提示时，我亲身发现了这一点。我设想将其作为每日结束时的仪式，通过总结未回复的电子邮件并标记我做出的承诺来更新我的待办事项列表。这听起来是个好主意，但最初的版本过于冗长和笨重，完全没有实际用处。经过大量的细化、反馈和对LLM的引导，才得到了可预测且实用的输出。这要求我明确自己的需求、信息处理风格和注意力持续时间，才能获得有效的结果。将我的初稿称为“工作废料”是公平的，但通过细化，我得到了一个有用的人工智能工具。但是，如果我停留在第一次迭代，坚持使用不那么用户友好的初稿呢？如果我那样做了，我将不得不处理阻碍生产力的工作废料。将其放大到涉及多方的更复杂流程中，您可以很容易地看到，怀着良好初衷应用的人工智能如何变成工作废料——除非您具备使其有效的培训、毅力和基础。毫无疑问，人工智能可以增加真正的价值。但作为领导者，我们需要确保员工具备成功所需的知识、支持和协调，而来自一线工作场所的报告表明，仍有许多工作要做。什么是以人为本的人工智能方法？什么是以人为本的AI方法，以及如何实现？那么，什么是以人为本的AI方法？当AI被集成到工作流程中时，一条实用的路径如何能带来更好的结果？对于工作场所中的AI倡导者来说，一个好的起点是承认目标不是取代人。而是通过理解人——他们的需求、日常烦恼、判断和目标——来减少摩擦并增强我们的智能。这里有两个经验教训，可以将以人为本的高质量AI带入工作场所。首先，对于使用生成式AI的团队，确保他们接受培训并有时间通过提供充分的上下文和精炼来获得更好的结果。对于您选择的提供AI赋能功能的系统，请确保您的技术合作伙伴真正理解您团队的需求。这意味着要了解他们的日常操作环境、哪些方面有效以及哪些方面仍然让他们感到沮丧。以人为本的AI在工作场所是什么样子？AI可以独立应用，使人们的工作更轻松，也可以用来增强那些在工作流程中留下恼人缺口的旧技术。以光学字符识别（OCR）技术为例。它将文本图像转换为可读、可搜索的文本，多年来一直被用于简化将纸质收据或发票录入费用报告软件等任务。但正如经常使用OCR的人所知，它并不总是像宣传的那样有效。也许您是在行驶的火车上拍摄了那张收据的照片，而收据是弯曲的，遮挡了信息。也许发票上是某人难以辨认的笔迹。也许日期是欧洲格式，而系统只识别美国格式。OCR无法正确转换数据的原因数不胜数。这是一项有限的技术。集成像AI这样更复杂的技术可以弥补这些缺口，最终消除手动输入这些数字的烦恼。这只是以人为本的AI所能实现的开端。鉴于AI的能力，新的应用可以做更多事情来减轻工作中的摩擦。例如，通过正确的提示和深思熟虑的历史交易数据模式识别，AI将能够为发票添加上下文，超越页面上的字段，通过围绕使用者的上下文推断成本中心、项目信息等。以人为本的AI还可以通过将任务带给公司ERP等系统之外的人员来缓解工作场所的摩擦。大多数人的工作并不在ERP系统中，但他们必须登录它（以及其他系统）来完成特定的任务，如批准时间表或员工请求。如果AI代理将这些任务连同他们所需的相关上下文带给相关人员，让他们在已经在使用的程序中做出决定，会怎样？这可以保持流程的推进，并让员工更加专注。这种类型的以人为本的AI可以消除数据录入和登录多个系统等非增值任务。以人为本的AI如何改变财务职能？一种敏捷、迭代的AI方法已经在以显著的方式改变财务职能。当财务专业人员深陷电子表格和分析时，很难切换到叙事性思维；那么，为什么不构建一个AI代理来帮助提供这种上下文呢？例如，异常和偏差是财务专业人员长期以来的烦恼，而AI可以通过提供上下文来解释公司支出激增的原因来弥补这一不足。一个设计良好的代理可以在财务分析师翻阅所有电子表格以发现差异之前，标记出潜在问题。同样，敏捷、迭代的AI可以在异常问题在人力资源领域浮现之前就将其标记出来。当工资单运行后出现薪酬差异，员工提出质疑时，人力资源团队的某人必须放下手头的一切，进行取证分析以找出差异原因。这对于繁忙的团队来说是一个真正的挑战。一个经过深思熟虑设计的AI代理可以在员工受到影响之前就发现异常，标记出问题，并在人力资源决策者所在的位置为他们提供上下文。这样，团队成员的注意力就集中在最大化生产力上，而不是忙于救火，运营也会更加顺畅。消除摩擦和工作冗余：DIY代理还是供应商AI？避免工作冗余并从AI中获得真正价值的最佳方法是，寻找途径来减少我们工作中每天遇到的烦恼，承担那些不增加价值的任务。对于一些员工，包括许多财务和人力资源角色，将数据输入系统是一种烦恼，通常可以通过周到的自动化来消除。对于创作内容的人来说，打字是工作的一部分，但利用对于工作自动化，合适的解决方案因角色和行业而异，但将人工智能集成到工作场所的领导者通常必须决定是自己创建智能体，还是从供应商那里获取开箱即用的人工智能解决方案。对于拥有强大IT资源（包括不受限制地获取人工智能专业知识或长期合作的系统集成商）的公司来说，可能性是无限的。在这种情况下，提供客户用来直接创建人工智能解决方案的智能体构建技术的供应商可能适用。但许多企业无法获得这些资源，即使能够获得，如果人们在没有适当培训和资源来避免后续陷阱的情况下尝试构建自己的人工智能智能体，工作混乱很快就会成为一个问题。安全性是另一个关键考虑因素。请记住，人们无论如何都会使用人工智能。这意味着领导者的任务是确保员工安全、透明地使用它，并且不会引入混乱。选择供应商时应考虑哪些因素？对许多公司来说，来自供应商的人工智能赋能系统是一个很好的选择，但请记住，并非所有产品都是同等优质的。避免工作混乱并从人工智能中获得真正价值的最佳方法是找到一个尽可能了解您情况的系统。例如，如果您的目标是通过人工智能赋能的ERP系统改进运营，请向潜在供应商提出以下问题：该产品是否消除了您的员工最常遇到的摩擦？它是否解决了您的员工面临的最棘手问题？它能否适应您组织内不同水平的专业知识？它是否将人类保持在循环中，并确保问责制和透明度？无论您使用系统来生成内容、自动化工作流程还是回答问题，结果的质量都取决于系统对您背景的了解程度。询问您的技术合作伙伴，他们的人工智能解决方案如何以人为中心并提供真正的价值。工作混乱是不可避免的吗？无论您的供应商是谁，也无论您是自己构建智能体还是使用通过开箱即用自动化消除摩擦的解决方案，作为领导者，您都有责任确保人工智能是安全、透明且能增加价值的。请记住，以人为中心的人工智能不仅仅取决于它是否解决了实际问题并使人们的工作更轻松。实用、以人为中心的人工智能还将人类保持在循环中，因为最终，我们人类要对结果负责。工作混乱可能是人工智能演进过程中不可避免的一个阶段，但它不必成为您财务职能中的永久性特征。通过将人类置于循环中心、投资于培训以及选择了解您业务背景的供应商，首席财务官可以从ERP系统中释放出新的生产力和战略价值。下一波ERP创新将由像您一样了解您业务的人工智能驱动，它能够提供洞察、自动化常规任务，并使财务领导者能够专注于最重要的事情。财务的未来是背景丰富、敏捷且由人驱动的。您值得拥有今天就能使用并带您走向未来的工具，您可以通过实用、以人为中心的人工智能来超越工作混乱，到达那个目的地。
Lãnh đạo tư tưởng2 ngày trước
By David Hervieux, Chủ tịch kiêm Giám đốc điều hành của Devolutions

LLM与MCP服务器:远程访问中安全AI的新蓝图

越来越多的组织正在拥抱大型语言模型（LLM）。LLM擅长解读自然语言、指导故障排除以及自动化那些拖慢管理员速度的重复性常规任务。当AI助手能够接收诸如“将我连接到主Linux集群并检查失败的登录”这样的指令，并立即执行完全编排好的操作时，其带来的效率和生产力提升是毋庸置疑的。作为这一趋势的一部分，LLM正进入IT运营中一些最敏感的领域，包括团队用来管理混合、云和本地环境中的远程连接和特权访问的工具。远程访问系统处于信任、身份和操作控制的交汇点。它们管理管理员会话、代理身份验证，并将敏感工作负载连接到负责维护其运行的人员。为什么AI在远程访问中需要一个中介层将LLM扩展到特权工作流程中虽然方便，但也存在问题。为了运行命令或连接到主机，一些AI工具只是简单地检索凭据并将其传递给LLM供下游使用。这是一个便捷的捷径，但也可能是一个危险的捷径。如果模型接收到密码或密钥，那么整个特权边界就会崩溃。组织将失去对凭据治理的控制，可审计性变得不可靠，而LLM则成为一个能够访问环境核心的、不透明的新参与者。此外，模型可能受到被操纵输入的影响，这使得凭据暴露的风险更大。最重要的是，LLM对上下文数据的渴求使其成为守护密钥、令牌和管理路径系统的危险伙伴。归根结底，LLM（以及利用它们的相关AI工具和模型）可能非常有帮助，但绝不应该允许它们持有或处理机密信息。它们还不够成熟，不能以这种方式被信任。鉴于这些担忧和漏洞，CIO、CISO和运营负责人现在面临一个核心问题：我们如何启用并定位LLM来帮助我们，同时又不让它们过于接近我们的特权工作流程？幸运的是，一个答案正在浮现，它将架构上的弱点转化为优势：模型上下文协议（MCP）服务器。MCP服务器：重塑LLM与基础设施的交互方式MCP服务器充当安全的中介——本质上是一个AI“气闸”——允许LLM请求操作，但绝不接触这些操作所需的凭据或特权路径。随着组织更深入地推进AI辅助运营，MCP风格的方法正成为安全、可扩展集成的蓝图。MCP服务器引入了许多安全架构师长期以来认为至关重要的关注点分离：AI提供协助，但由受控系统执行。模型不被授予直接行动的权限，而是仅限于表达意图（例如，“连接到这里”、“收集日志”、“检查此策略”），而MCP服务器则解释这些请求、应用策略，并通过经过审查的工具来路由它们。重要的是，这种方法符合NIST AI风险管理框架中描述的原则，该框架强调工具边界、中介权限和人工控制的升级。这种设计尤其具有影响力的地方在于，LLM永远不会接收到特权材料。身份验证通过安全的凭据注入在内部处理。因此，LLM只能看到结果，而永远看不到机密信息本身。LLM可以描述发生了什么，帮助排查问题，并指导人员进行后续步骤，但它无法自行进行身份验证。安全研究日益强调，AI模型与本地工具之间的传输层是攻击面的关键部分。例如，OWASP的LLM应用十大风险强调了不安全的插件交互——尤其是那些通过开放的本地主机HTTP端点暴露的交互——如何允许不受信任的本地进程触发特权操作。MCP风格的架构通过依赖操作系统强制执行的、用户作用域的通道（如命名管道）来避免这种情况，这些通道提供了更强的隔离性。这种方法与ENISA关于不安全的AI连接点及其在高特权环境中引入的风险的更广泛警告是一致的。MCP服务器的另一个关键优势是能够在远程会话内部执行操作。通过使用安全虚拟通道或等效机制，MCP服务器可以直接在RDP或SSH环境中执行操作，而无需依赖脆弱的、可绕过MFA的脚本。这种方法将便利性与治理相结合：管理员获得了强大的自动化能力，同时又不牺牲零信任原则。这些特性共同重新定义了“安全的AI集成”的含义。组织不是将AI包裹在敏感系统周围，而是在中间放置一个加固层，定义AI允许请求和接收的内容——同样重要的是，定义它永远不允许看到的内容。LLM + MCP架构的运营效益这种设计的运营回报是显著的。通过MCP中介AI，IT团队可以使用简单的自然语言来编排环境设置、配置标准化和多会话任务。这有可能显著缩短问题识别和解决之间的时间；尤其是在混合环境中，上下文切换通常会拖慢一切。这些改进也与更广泛的行业预测和建议相一致。Gartner指出，LLM辅助的IT运营是混合基础设施管理的主要加速器，有助于团队在不牺牲治理的情况下更快地工作。模型分析日志、总结复杂数据集并指导人员进行故障排除步骤——而MCP层则确保每个操作都合规且可追溯。其结果不仅是更高的速度，而且是更强的治理。当LLM持续通过相同的加固路径路由任务时，组织会发现可靠的可审计追踪、可重现的工作流程以及人与AI活动之间的清晰归属。日志包含提示、工具调用、会话详细信息和策略引用——所有这些都为合规团队提供了他们在AI驱动环境中日益需要和期望的透明度。这种方法还有文化上的好处。通过“卸载繁琐工作”（例如，日志审查、重复性检查、日常管理步骤等），IT团队可以将精力和注意力转向更高价值的工作。这通常可以提高效率和士气；尤其是在因混合基础设施蔓延而人手紧张的运营团队中。最后，由于MCP架构可以支持多个LLM，组织不必局限于单一供应商。他们可以根据监管需求和数据治理偏好，选择商业、开源或本地部署的模型。仍需关注的安全风险虽然我们探讨的好处是巨大的——在某些方面甚至是变革性的——但有必要且负责任地指出，即使有安全的中介层，LLM辅助的环境也并非没有风险。有四个持续存在的担忧需要强调：如前所述，提示注入——无论是直接还是间接的——仍然是最大的担忧之一，并且持续是针对LLM记录最广泛的攻击类别之一。元数据暴露是另一个担忧。尽管MCP服务器屏蔽了凭据，但除非团队强制执行严格的数据最小化实践，否则提示和响应仍可能泄露主机名、内部路径和拓扑模式。基于MCP的系统增加了新的机器身份：工具服务器、虚拟通道、代理进程。根据行业研究，在许多组织中，机器身份的数量远远超过人类身份，而这些身份的管理不善是日益增长的泄露来源。最后，AI供应链不容忽视。模型更新、工具扩展和集成层需要持续验证。ENISA的分析强调，AI系统引入了比传统软件堆栈更广泛、更脆弱的供应链。未来12个月：一条实用的前进道路在特权环境中探索LLM驱动自动化的组织应将MCP风格的中介视为预期的基线。在未来一年，领导者可以采取以下几个实际步骤，包括：建立一个内部治理模型，定义批准使用哪些LLM以及它们可以访问哪些数据。确保所有AI驱动的特权操作都通过类似MCP的层进行路由，而不是直接与凭据交互。将AI发起的工作流程集成到现有的PAM框架中。采用策略即代码来定义和测试工具边界。优先考虑数据最小化。纳入针对提示操纵、模型行为和本地接口加固的AI专项红队测试。最终结论LLM正在重塑远程访问和特权操作，提供了新的速度、指导和自动化水平。然而，安全释放这种潜力需要一种严谨的架构方法：在AI模型和敏感系统之间放置一个安全的、可审计的中介层。MCP服务器提供了这种结构。它们允许AI提供帮助，而无需“将钥匙交给它”，将创新与治理融合在一起，符合现代零信任的期望。对于那些希望负责任且有效地利用AI的组织来说，MCP风格的设计代表了一个实用且具有前瞻性的蓝图——在这个蓝图中，LLM放大了人类的专业知识，而不是无意中且不可避免地损害特权访问和工作流程的安全性。
Lãnh đạo tư tưởng3 ngày trước
By Oz Krakowski, Giám đốc Phát triển Kinh doanh tại Deepdub

语音AI蓬勃发展——但其真实感足以产生影响吗？

全球AI语音代理市场正在蓬勃发展，预计将从2024年的31.4亿美元增长到2034年的475亿美元。它不再是一项小众技术，大多数主要科技公司（包括Google、Amazon、Apple、Meta和Microsoft）现在都拥有语音产品，初创公司也在向市场提供创新，而开源模型使得该技术本身变得越来越易于获取。从Siri和Alexa这样的日常虚拟助手，到电影电视的区域配音，语音AI的采用机会从未如此广阔。但随着语音AI的获取变得越来越普遍，用户体验仍然极不均衡。这是因为语音AI最困难的部分不是生成声音，而是生成一个在日常互动中感觉可信的声音。广泛的可用性并不意味着这些AI语音足以满足企业需求或实现长期用户采用。真正的竞争格局将由那些能在现实场景中提供感觉人性化、动态且具有情感感知能力的语音的公司所征服。恐怖谷效应：“足够好”并不够好行业内一个日益增长的假设是，实现一个相当像人的AI语音对于广泛采用来说将是“足够好”的，从而有效地结束竞争。用户会容忍轻微的不自然，因为其实用性超过了缺点。实际上，这种假设误解了人们如何感知言语、情感和真实性。近乎人声的语音容易产生“恐怖谷”效应，让用户感到不适，尤其是在客户支持、医疗互动或旅行规划等情绪可能高涨、感觉被理解至关重要的场景中。随着接触AI语音的机会增加，对平庸表现的容忍度正在下降。事实上，关于人机交互的研究一致表明，当一个声音几乎像人但缺乏情感或节奏协调时，用户会本能地感觉到有问题。例如，一些使用AI接待员的公司注意到，用户将互动描述为令人毛骨悚然或不安，因为语音存在细微的节奏或情感时机差异，让人感觉不对劲。在面向客户的环境中，即使是微小的摩擦或不适时刻，也可能迅速累积成真正的不满并最终导致用户放弃。为了商业目标，摆脱这种“足够好”的模式变得越来越重要。预计到2027年，AI将处理大约50%的客户服务案例，然而负面的自动化互动会直接损害品牌形象。一次糟糕的聊天机器人互动，再加上同样糟糕或不自然的语音体验，很可能会造成深深的挫败感，并可能表明没有可靠途径获得真正的帮助。随着消费者越来越多地与AI语音互动，对机器人式或尴尬互动的容忍度降低，用户会迅速脱离互动，这对依赖此类工具的公司构成了严重的商业后果。真正的真实感在语音AI中，人类级别的真实感不仅仅是发音准确或去除机器人般的底音。它还需要情感、语境、文化细微差别、时机以及更微妙因素的多维结合。因此，真正的挑战在于解构、理解并最终复制塑造人类交流的各个层面，例如：情感范围和真实性人声之美在于它们能够结合话语本身传达温暖、紧迫、幽默、失望、兴奋以及无数其他情感。这种情感上的细微差别直接影响用户是感到被理解还是被忽视，是感到安心还是恼怒。例如，想象一个AI支持代理在处理一位沮丧的客户。机器人可能会说：“我完全理解这一定很令人沮丧。让我们看看如何解决它。”当说出这些话的声音听起来富有同理心时，它可以降低来电者的压力，并表明真正的冲突解决。同样的词语用平淡或不自然的声音说出来，则可能引发相反的反应。语境智能人类会根据情境的紧迫性、感知到的听者情绪状态、信息的复杂性以及社交语境本能地调整自己的言语。当今的AI语音倾向于以统一的方式传递语句，忽略了使言语感觉具有响应性和在场感的语境线索。真实的言语不仅需要理解词语，还需要理解说出这些词语的原因以及表达者的心态。音频中的微表情自然的言语包含细微的不完美之处，如呼吸声、停顿、犹豫标记和不规则的节奏。这就是为什么完美无瑕、不间断的AI语音天生感觉不那么像人的主要原因之一。不幸的是，可信地复制这些线索在技术上仍然具有挑战性。文化和语言细微差别除了口音再现，真实的区域交流还依赖于对不同文化的语速、语调、习语、正式程度和交流风格的认知。例如，在一种文化中表示友好和兴奋的升调模式，在另一种文化中可能被解读为不确定或质疑，从而可能改变用户对意图或情感的感知。如果这些声音上的细微差别没有整合到AI模型中，即使是技术上准确的声音，对于来自不同文化背景的用户来说，也可能会感觉不合适或令人困惑。真正的真实感需要能够根据任何特定用户的期望来调整语气和风格。考虑到所有这些微妙而重要的因素后，很明显，AI语音不仅必须听起来像人，还必须像人一样实时反应。这就是为什么延迟是评估AI语音感觉有多像人的一个关键因素。在自然对话中，人类轮流说话的平均间隔大约是250毫秒。任何更长的延迟都会让互动感觉迟缓、不专心或混乱。一个深思熟虑的停顿和一个技术性延迟之间的细微差别，就足以破坏自然对话的错觉，让语音感觉不够专注。为何这很重要展望未来，市场将不可避免地青睐那些能够同时提供真实感和实时响应能力的公司。对于AI代理和助手而言，用户采用和持续参与取决于人们是否愿意首先与这项技术互动。人们尝试一次的工具和每天依赖的工具之间的区别，在于对话体验的质量。在娱乐行业，观众的沉浸感和留存度取决于内容的可信度，一句不自然的台词就可能破坏观众的投入感。用于配音或角色表演的AI语音必须完全融入叙事，以保持情感冲击力。对于客户支持，信任和同理心至关重要，尤其是因为许多客户互动发生在沮丧或困惑的时刻。一个听起来刻板或情感脱节的声音可能会使情况升级，而不是解决问题。用户期望的声音能够反映关切、耐心或 reassurance，而不仅仅是传递脚本化的回应。未来展望赢得语音AI竞赛的公司将是那些掌握情感细微差别、理解文化和语境差异、即时流畅地响应并提供与人类交谈无异的体验的公司。在一个任何人都能生成AI语音、用户期望也随之演变的市场上，“足够好”将很快变得完全不够好。保持竞争力的唯一方法是生成人们容易忘记是AI的AI语音。
Lãnh đạo tư tưởng3 ngày trước
By Michael Abramov, người sáng lập kiêm CEO của Introspector

AI

尽管取得了惊人的进步，但人工智能的能力与现实世界的期望相比仍然有限。我们构建复杂的模型，运行神经网络，测试算法，然而进展有时却在我们最意想不到的地方停滞不前。问题往往不在于算法或数据，而在于计算能力——这种资源使得模型能够在必要的规模上学习和运行。那么，是什么构成了这层障碍？让我们来审视这种关键资源，没有它，即使是最有前途的AI项目也无法走出实验室。算力赤字及其后果要理解这个话题，让我们从移动通信的历史说起。当3G以及后来的4G网络出现时，互联网已经几乎覆盖全球。而当5G被引入时，许多人提出了一个非常合理的问题：“互联网会更快——但那又怎样？”实际上，互联网速度的提升并不仅仅关乎用户便利。它改变了整个技术格局。以前不可能的应用场景得以出现。5G的速度远超4G，这一飞跃并非像从1G到2G那样渐进，而是指数级的。因此，新的应用、设备和整个技术类别得以诞生。交通信号灯摄像头、实时交通分析系统和自动化交通管制机制——所有这些都得益于新的通信技术而成为可能。警方获得了新的数据交换方式，在太空中，望远镜和卫星可以向地球传输海量信息。基础技术的质变推动了整个生态系统的发展。同样的原理也适用于计算能力。想象一下人类总计算能力，用假设的单位来衡量。今天，我们可能拥有，比如说，十个这样的单位。有了它们，我们可以生成图像和视频、撰写文本、创建营销材料……这已经相当可观，但应用范围主要还是有限的。现在想象一下，如果我们拥有的不是十个，而是一千个这样的单位。突然间，以前成本过高的技术变得可行，那些因高昂计算成本而被放弃的初创公司也开始在经济上变得有意义。以机器人出租车为例。今天，它们主要依赖于安装在车辆上的相对较弱的本地计算机。然而，如果视频流能够传输到拥有巨大计算资源的云端，数据就可以被实时处理并返回。这一点至关重要：一辆以100公里/小时行驶的汽车必须在几分之一秒内做出决定——直行、转弯、刹车或不刹车。到那时，一个完全成熟的机器人出租车产业才成为可能，而不仅仅是像我们今天看到的孤立解决方案。任何安装在汽车上的本地计算机，其固有的局限性是联网系统所没有的。我们扩展它的速度越快，我们周围的世界变化得就越快。芯片获取与AI领域的“金票”在计算能力的背景下，问题出现了：获取现代芯片是否正在成为进入AI市场的“金票”？那些与芯片制造商签订合同或自行生产的大型参与者，是否正在大型企业公司与所有其他公司之间制造鸿沟？这种鸿沟只会在一种情况下出现：如果商业模式完全专注于向大客户销售芯片。实际上，像NVIDIA这样的制造商旨在为所有人提供云解决方案。他们优化的芯片在云端对OpenAI和独立开发者都是可用的。即使是像Google、Anthropic、Microsoft、OpenAI、Amazon和NVIDIA这样的公司之间的战略联盟，也主要是为了共享资源利用的合作伙伴关系，而不是试图封锁市场。这种模式能够实现计算能力的高效分配，从而加速技术发展。如果我们追溯计算资源的使用链条，它始于最终用户。例如，当你使用WhatsApp进行视频通话和发送消息时，公司必须确保服务正常运行：存储和处理数据，运行用于视频清理、添加效果和提高图像质量的模型。维护自有服务器成本高昂，它们会过时，并且需要持续维护。这就是为什么云解决方案，“云端”，应运而生。市场由三大参与者主导：Google Cloud、AWS和Microsoft Azure。其他公司无法在这个层面竞争：基础设施的规模过于庞大。云服务是拥有冷却、供电和全天候维护的大型数据中心。它们容纳着来自NVIDIA、AMD和其他制造商的服务器和专用芯片，从而实现大规模的计算过程。在这里，我们来到了我在之前关于数据中心的专栏中讨论过，并想在此继续的关键问题：这个系统中的主要瓶颈是什么？是电力短缺，还是在气候使其尤其具有挑战性的地区冷却数据中心的困难？实际上，秘密在于芯片本身……圣杯为什么NVIDIA今天的估值约为5万亿美元，并被认为是全球最成功的上市公司之一？原因很简单：NVIDIA生产用于训练AI模型和进行推理的芯片。在训练大型模型或处理不断增长的数据量时，这些芯片中的每一个都消耗着巨大的电力。但是，这些能源的使用效率如何？这就是专用芯片发挥作用的地方；它们处理特定任务的效率远高于通用GPU。AI模型各不相同。例如，OpenAI有一个模型家族，Anthropic有另一个。概念可能相似，但数学结构和计算过程是不同的。一个单一的通用芯片，在训练OpenAI模型（如ChatGPT）与Anthropic模型（如Claude）时，就像一个“一刀切”的工具，可能为一个模型消耗10万小时计算，为另一个消耗15万小时。效率差异显著，且很少达到最优。公司通过生产专用芯片来解决这个问题。例如，一个芯片可以针对ChatGPT架构进行优化，在，比如说，20分钟内完成训练，而另一个则针对Anthropic的架构量身定制，同样在20分钟内完成训练。与通用芯片相比，能耗和训练时间都减少了数倍。当这些芯片销售给大公司，如Google、Amazon、Microsoft或Azure时，它们是作为独立产品提供的。用户可以选择，例如，一个针对YOLO模型优化的芯片，或者一个更简单、更便宜的针对Xen架构的芯片。这样，公司就能获得精确针对其任务的计算资源，而不是购买通用GPU。如果用户有十个不同的功能，他们可以使用十个不同的专用芯片。趋势很明显：专用芯片正在逐步取代通用芯片。许多初创公司现在使用ASIC（专用集成电路），即专为特定计算任务设计的芯片。第一批ASIC是为比特币挖矿而出现的：最初，加密货币是在NVIDIA GPU上挖矿的，然后出现了专为比特币设计的芯片，这些芯片无法执行其他任务。我在实践中看到了这一点：相同的硬件配置，根据任务的不同，可能产生完全不同的结果。在我的初创公司Introspector中，我们在实际项目中研究这些过程，并且作为Keymakr的战略顾问，我观察到客户如何从专用芯片中获得效率，使模型运行得更快。那些之前在训练或推理阶段停滞的项目，通过这种方法达到了稳定的结果。然而，狭窄的专业化也带来了风险。一个针对Anthropic架构优化的芯片无法用于训练OpenAI模型，反之亦然。每个新架构都需要新一代硬件，这带来了大规模“淘汰”的风险。如果Anthropic明天发布一个新架构，所有前一代芯片都会变得低效或无用。生产新芯片需要花费数十亿美元，并且可能需要数年时间。这就产生了一个困境：我们是应该制造在狭窄场景下完美工作的专用芯片，还是继续生产能解决所有任务但表现平平、在架构改变时无需完全更换的通用芯片？在此背景下，效率由三个主要参数衡量：运行时间、电力消耗和热量产生。这些指标直接相关：系统运行时间越长，消耗的能量就越多，产生的热量也越多。减少一个参数会自动改善另外两个。这里就存在着AI性能的“圣杯”：如果至少一个基本的效率指标能够得到优化，其他指标几乎也会自动得到改善。可持续进程随着专用芯片使用的增长，产能过剩风险的问题变得紧迫。目前，设备的过剩已经相当显著，公司正通过各种可持续的方式解决这个问题，包括对现有资源的再利用。设备回收已成为高科技行业可持续发展的关键要素。芯片含有大量的贵金属和贱金属、金、铜、铝、钯和稀土材料，以及用于微芯片和晶体管的材料。一旦设备过时，这些宝贵的资源可以重新投入生产，从而降低新组件的成本，同时减少行业的环境足迹。一些专门的工厂和公司专注于回收和从过时组件中提取贵金属。例如，一些设施使用湿法冶金工艺和先进的化学方法提取高纯度的金和铜，使这些材料能够重新用于新芯片。此外，公司正在实施闭环模式，将旧设备升级或集成到新的解决方案中，从而减少对初级资源开采的需求。这种方法不仅有助于最大限度地减少浪费，还能降低生产的碳足迹，因为传统的采矿和金属加工需要大量能源。对芯片和设备生命周期的可持续管理可能成为行业标准，使技术进步与环境责任保持一致。
Lãnh đạo tư tưởng3 ngày trước
By Peter Schneider, Giám đốc Sản phẩm chính tại Qt Group

một công ty có thể làm được điều đó

代理自动化（更常被称为“氛围编码”）无疑正迅速流行起来，其影响范围甚至超越了开发者领域，柯林斯词典将其评为年度词汇，就连微软首席执行官也指出，公司高达30%的代码是AI生成的。这种编码方法无疑正在推动生产力，但如同任何变革性技术一样，了解在何处以及如何最有效地应用它，是最大化其效益的关键。开发者经常面临诸如范围蔓延、编码会话被打断以及占用有限时间等挑战，因此寻求通过AI提高效率是可以理解的。但开发者也需要考虑灵活自动化所倡导的“人在回路”理念。它并非在每个流程中都依赖自动化，而是专注于繁琐的任务，确保开发者在流程的每个环节都是决策者。这种方法支持技能发展，同时确保项目间的架构一致性。代理自动化的兴起氛围编码可能无处不在，但它仍然是一种相对较新的方法，仅在2025年初才被创造出来。它指的是仅基于对话式提示、通常很少或无需人工干预，使用生成式AI来生成软件代码的过程。它因降低了非工程师测试想法和生成可行概念的门槛而广受赞誉。例如，首席执行官和高管们现在可以通过氛围编码的原型来展示他们期望的更改，避免了与开发者进行冗长的、解释抽象想法的对话。但超越这个构思阶段需要理解AI当前的能力。AI在处理大型上下文窗口时存在某些限制，这影响了为大型专业项目生成代码的详细程度。虽然开发者可以在发现错误时进一步指示AI进行修改，但AI生成的代码有时会重复功能，这可能带来可维护性方面的考虑。这在处理嵌入式系统时变得尤为重要，因为嵌入式系统通常受硬件限制，需要最精简的代码才能有效运行。AI在编码中的广泛采用也引发了关于技能发展的重要问题。42%在其流程中使用AI的开发者表示，他们至少一半的代码库是AI生成的。随着代理自动化变得越来越普遍，值得考虑初级开发者如何构建基础技能。处理那些能够磨练技能并让他们快速积累编码经验的常规编码任务，是他们的必经之路。找到正确的平衡点，让AI处理适当的任务，同时保留动手学习的机会，对于培养下一代开发者至关重要。开发者的情绪也反映了这段调整期。2024年，70%的开发者对AI持积极态度，但今年这一比例降至60%，其中46%的开发者对AI代码的准确性表示担忧。然而，大多数开发者（70%）并不认为AI对其职位构成威胁，并且在另一项调查中，59%的高级开发者表示AI工具帮助他们更快地交付代码。这些数字表明，开发者正在积极寻找有效整合AI的方法，而不是完全拒绝它。技术正在快速变化，随之而来的是实施最佳实践的演变。因此，与其采取这种“全有或全无”的方法，不如考虑一种不同的理念，对AI的使用采取更审慎的态度，让开发者始终掌握主导权。什么是灵活自动化？代理自动化将AI整合到整个开发过程中，而灵活自动化则采取战略性的视角。它主张将AI有针对性地整合到编码流程中，建议一次替换一项管理性任务。这样，开发者始终能对产品保持控制和监督，而不会造成过度干扰。它有选择地针对更重复的管理性任务，例如代码文档编写、单元测试创建以及任何重复性编码。至关重要的是，它认识到AI在编码方面的当前能力——虽然它尚无法创建完整的软件堆栈，但可以在某些特定领域带来立竿见影的效益。因此，与其让开发者因将AI应用于错误的任务而感到沮丧，不如将其使用集中在它擅长的领域。随着时间的推移，开发者可以熟悉它并以较慢的速度采用它，从而使其在解决管理性任务方面的价值变得清晰。然后，开发者可以回归到他们最初进入这个行业的更复杂、更核心的原因，例如简单地编写优质、复杂的软件，以及解决具有挑战性的问题——同时对他们身边协作的AI充满信心。重要的是，它也为初级开发者留出了合理数量的常规任务，让他们从实践经验中学习，使他们能够通过传统试错带来的深度学习来积累基础知识。AI不应被视为可能限制学习机会的东西，而是作为一种工具被嵌入——一种开发者牢牢掌握控制权的工具。其好处不仅限于个体开发者，还延伸至整个开发团队。通过自动化编码中的重复性元素，团队可以在文档和测试实践中保持一致，同时解放高级开发者，让他们能够指导初级团队成员并专注于架构决策。这创造了一种更健康的开发文化，其中AI增强了人类的专业知识，而不是试图取代它。平衡编码中的自动化钢丝值得重申的是，AI是几十年来编码领域最大的变革，它无疑有潜力改变我们的编码方式，使其变得更好，但我们需要把握好平衡。这是一个需要战略性地进行的过程，因为行业和开发者都在适应这种新的工作方式，确保我们在拥抱创新的同时建立在坚实的基础之上。关键在于找到最佳平衡点，使自动化提高生产力，同时不损害造就优秀开发者的深刻理解力。话虽如此，这并不意味着我们需要将灵活自动化与氛围编码视为相互竞争的哲学，而应将其视为适用于软件生命周期两个完全不同阶段的工具。展望未来，氛围编码对于初始构思以及开发者与其更广泛组织之间的非技术性沟通至关重要。然后，当我们进入生产流程时，灵活自动化需要走到前台，确保AI始终是一种助力，而不是障碍。因此，并非二者择一——要取得成功，我们需要两者兼得。
Lãnh đạo tư tưởng6 ngày trước
By David Caruso, Trưởng bộ phận Tuân thủ phòng chống tội phạm tài chính tại WorkFusion

智能体AI与美国金融犯罪合规的未来

美国银行和金融机构金融犯罪合规工作正处在一个转折点。数十年来金融机构一直受困于不可持续运营模式:劳动密集的手工审查、警报积压、无止境的误报及螺旋式上升的成本。即使交易量增加、风险日趋复杂, 金融犯罪合规职能,如强化尽职调查和交易监控,仍然严重依赖人力劳动。然而,势头正在转变。像OCC和FinCEN这样的监AI驱动的解决方案,各机构也认识到,必须借Một công ty có thể cung cấp cho bạn một công cụ hỗ trợ. Bạn có thể làm điều đó?翰·K·赫尔利阐述了财政部对现代化《银行保密法》及其支撑的反洗钱/打击资助恐怖主义合规体系的愿景。副部长指出了即将到来的范式转变,即从关注信息量转向关注技术赋能的结果:“……如果我们根据Bạn có thể làm được điều đó?见的贴合程度,这将允许您运用您的经验和创造才能,发明出新的、更好的解决方案。”在银行业（包括摩根大通、汇丰银行、美联银行和里格斯银行)构建反洗钱和制裁项目超过25年,主导重大腐败调查,并WorkFusi trên, AI智能体已投, trên AI入生产, 正在和管理高风险客户的Định nghĩa của AI: AI如何重塑制裁筛查与交易监控制裁筛查和交易监控Bạn có thể làm được điều đó không? AI là một công ty có tiềm năng phát triển.警报——它们会像训练有素的分析师一样对警报进行裁决,并为每个决AI có khả năng phát triển trí tuệ nhân tạo一样清除误报,即时审查警报,并仅升级那些真正重要的警报。这种转Bạn có thể làm được điều đó không? Bạn có thể làm được điều đó không? AI还使một công ty có thể cung cấp cho bạn một công cụ hỗ trợ. Bạn có thể làm được điều đó. ,AI 智能体与制裁筛查工具集成,裁决负面媒体警报,并在几秒钟内AI 持续评估客户风险AI加强了治理, Bạn có thể làm được điều đó không?队从被动反应转向主动预防。趋势二:平衡效率与监管期望仅有效率是不够的；监管机构要求治理。OCC、FinCEN、FDIC和美联Bạn có thể làm được điều đó không? AI智能体可以同时实现这两点. Bạn có thể làm được điều đó? .量分析师, 量分是可以部署能, 。合规内部的角色正在转变。分析师不再埋头于海量审查；相反,他们监督例外情况、验证升级变符合监管期望:人工监督仍然是核心,但AI处理重复性工作。平衡是清晰的:智能体AI使机构能够满足监管要求,同时实现曾经难以想象的效率提升Trí tuệ nhân tạo: AI如何合规的人员配置模式正在被颠覆。历史上,银行通过扩大合规团队来管理警报激增通Bạn có thể làm điều đó bằng cách sử dụng nó.且不可持续。AI正在改变这一等式。通过在制裁、负面媒体和交易监控方面自动化一级审查,AI智能体释放了人类分析师,使其能够专注Bạn có thể làm được điều đó.级团队之间的交接正在消失。AI智能体正在压缩层级、简化决策并重塑组织结构图。结果呢？一个更扁平、更快速、更专注的合规职能——人类在其中运家试点数字工作者的美国大型银行为例:该银行没有雇佣50名新分析师来管理制裁警报, Chúng tôi đang tìm kiếm AI.类员工转向并减少了人员流动。混合团队——人类分析师与数字工作者并肩工作——目前正在美国各机构中兴起. Bạn có thể làm điều đó bằng cách AI là một công cụ hỗ trợ phát triển AI无关紧要,平衡了效率与治理,并重员配置模式。拥抱这些数字Bạn có thể làm điều đó một cách dễ dàng.混合的——人类与AI智能体协作,以前所未有的有效性打击金融犯罪。
Lãnh đạo tư tưởng6 ngày trước
By Jinsook Han, Giám đốc Chiến lược, Phát triển Doanh nghiệp & Giám đốc AI Agentic tại Genpact

bạn có thể làm được điều đó

Bạn có thể làm điều đó một cách dễ dàng. Gartne r预测,到2026年,40%的企业软件应用将包含智能体人工智能,而目前这一比例还不到5%。同样IDC预测,到2028年,45% IT产品和服务Bạn có thể làm được điều đó.度已超过大多数组织对这些系统实际工作原理的理解,而在这场匆忙的竞赛中,模型投毒、数据泄露、偏见和幻觉等风险的暴露也随之增加。为了弥合这一差距,企业需要一个新的透明度层面:人工智能物料清单。与软件物料清单类似,人工智能物料清单是一份全面的清单, Bạn có thể làm được điều đó không?要素。它们在整个企业内建立透明度,并使得在业务条件变化时更容易进行审计和调整。随着组织越来越依赖人工智能人工智能物料清单为负责任、安全且可审计的人工智能运营提供了必要的基础。人工智能物料清单:一项战略性的企业要务随Bạn có thể làm được điều đó không?台，这些系统的复杂性和风险状况急剧增加。传统的、结构化的自动化是基于逻辑、规则和系统的,而智能体自công ty có thể cung cấp dịch vụ hỗ trợ需要创造力,决策和从经验中学习的任务,自动化的潜与传统软件不同,人工智Bạn có thể làm điều đó một cách dễ dàng. API、网关、模型、数据集、提示词、特征、向量数据库、库和硬件加速器。为了负责任地大规模推进人工智能计划, 组织必须清楚地了解人工智能系统的确切构成以及每个独特组件预期如何变化。人工智能物料清单提供了这种精确的可见性。它是一个结构化的清单录了人工智能生命周期中的每个组件、依赖项和交互。除了模型和数据集,一个有效的人工智能物料清单还包括驱动人工智能应用的完整生态系统的详细信息: 人类通过这些界面与人工智能交互。 API được cung cấp bởi REST, GraphQL, Webhook và Webhook. Các công cụ hỗ trợ tốt hơn bao gồm Docker, Kubernetes, AWS Bedrock, Azure OpenAI和本地部署)以及所使用的计算资源（CPU、GPU和内存）。执行框架和编排，包括诸如LangChain、Semantic Hạt nhân, Autogen, NVIDIA NeMo和CrewAI等工具,用于管理提示词、流程、工具调用和智能体行为。安全和治理层,例如IAM角色、令牌控制、加密、日志记录、审计和使用策略。可观测性和监控,包括随时间推移的成本、延迟、漂移、性能、使用情况和风险跟踪。 Bạn có thể làm được điều đó không? bạn có thể làm được điều đó Bạn có thể làm được điều đó không? Bạn có thể làm điều đó một cách dễ dàng.项工程资产! Bạn có thể làm được điều đó.现可复现性,并通过追踪模型来源、版本和决策路径来建立治理和问责制。它通过识别输入、依赖项和模型工件中的漏洞来加强安全性,同时通过记录可解释性、公Công ty có thể cung cấp các dịch vụ hỗ trợ tốt nhất. Bạn có thể làm được điều đó.单生命周期的企业级多数人工智能物料清单框Bạn có thể làm được điều đó. bạn có thể làm được điều đó Bạn có thể làm được điều đó.统同步发展。最佳方法涵盖战略、工程、治理和风险管理、使其在技术上完整且在Bạn có thể làm điều đó bằng cách sử dụng một công cụ hỗ trợ. 发现和定义: 识别和分类所有人工智能组件,包括模型、数据集、工具、提示词、API、基础设施资产和执行环境。建立可见性、范围和所有权边界。治理和标准化:定义元数据格式、版本控制结构、文档标准和所有权角色。 Bạn có thể làm được điều đó. 建立基线物料清单:对现有人工智能系统进行逆向工程和文档记录,捕获依赖项、数据“事实来源”。自动化和集成:将物料清单的生成和更新嵌入到CI/CD、DevOps和MLOps工作流程中。实现对模型变更、数据集更新、依赖项和风险指标在整个生命周期内的自动跟踪。监控和改进: 持续监控人工智能系统的漂移、性能下降、偏见、成本、使. bạn có thể làm được điều đó không?缺口, 更是一种商业风险.,.数据来自何处,或者它们随时间如何运行,组织将面临监管暴露和人工智能无法扩ISO 42001和NIST框架的生效——公司将需要提供人工智能谱系、可解释性和控制的证明。没有人工智能物料清单,要证明合规性将变得极其困难,甚至往往是不可能的。除了监管问题,还存在安全和声誉风险。隐藏的组件、未经验证的模型或不受控制的提示词可能导致数据泄露,偏见、幻觉,甚至人工智能行为被破坏。而当出现问题时, 缺失的人工智能, một công ty có thể cung cấp cho bạn một công cụ hỗ trợ IT能力实时演进的过程中,对安全性、可解释性和合规性进行持续监控Bạn có thể làm được điều đó không? ,如果没有人工智能物料清单,组织将花费更多时间进行故障排除、重新验证、重新训练或重建人工智能解决方案——因为没有单一的事Bạn có thể làm được điều đó không?演变以及如何被治理的情况下,就不可能自信地在业务部门、行业或市场中部署人工智能。问题不再是“我们有人工智能吗？”，而是“ Bạn có thể làm được điều đó không? ？”人工智能物料清单提供了企业推动持久价值所需的这种清晰度。

bài viết

Trang 1 của 512 3 4 5