Connect with us

Unite.AI

Thought Leaders 7 days ago
By Dev Nag, Founder and CEO of QueryPal

究竟是什么阻碍了您的智能体AI试点项目——以及如何解决

将AI立即集成到遗留系统中的压力可能令人难以承受。如果您认为高管层在2025年持续要求将智能体AI融入流程的呼声已至高潮，那么请为2026年更大的紧迫性做好准备。在这种尽快添加智能体AI的推动下，很自然地会在没有真正理解此类项目全部要求的情况下，匆忙启动新的试点。这就是为什么绝大多数企业目前都在推进AI试点项目，但其中只有一小部分最终能够部署上线。近100%的AI试点项目都会失败。这并非夸张之词。为何如此紧迫？这是因为智能体AI确实能够改变您的业务。以客户服务为例，AI试点项目向企业展示了效率的提升，将支持从成本中心转变为战略资产。当AI处理重复性查询时，客服人员可以全身心投入到棘手、复杂的支持问题上。AI不仅协助支持人员并帮助他们实现更高的客户满意度，还使企业能够将资源重新分配到创收活动中。为集成奠定坚实基础让我们把智能体AI试点项目想象成建造一座房子。您不是简单地在现有基础上开始施工，而是先进行清理并浇筑坚固的地基。您不能将AI的“砖块”直接堆砌在由过时技术栈和劣质数据源构建的遗留系统之上。为了正常运行，AI需要干净的集成、可访问的数据和现代化的API。AI试点项目会暴露出哪些地方亟需现代化，它们要么加速支出，为AI智能体需要访问的系统周围所需的构建模块提供合理性，要么就直接失败。失败的试点与成功的部署之间存在着巨大的鸿沟。至关重要的是，您的解决方案必须能够在不造成干扰的情况下与现有工作流程和工具集成。这是因为智能体AI不仅仅是另一个工具；如果集成得当，AI会触及您公司的各个部分。为什么？让我们回到客户服务的例子：AI需要实时学习以匹配公司的风格，同时优先考虑隐私，尤其是在医疗或金融等信任至关重要的行业。从聊天机器人转向智能体AI，您的支持团队正在从被动的“请求-等待”模式转变为交互式、自主的服务。识别潜在的数据、上下文和工作流程挑战智能体AI的运行依赖于数据，而企业面临的一大挑战源于数据不成熟：敏感信息作为任何公司的命脉，根本尚未为AI做好准备。这些信息可能质量低下或难以访问；内部系统可能存在糟糕的治理监督，导致私密、敏感数据暴露。另外两个挑战与上下文和工作流程清晰度有关。在这种情况下，上下文简单来说就是您允许AI访问哪些信息。为了有效运作，您的智能体流程需要消耗的远不止一小部分数据样本；它需要全部数据。对许多组织而言，这会产生信任问题。解决方案是什么？将您的AI引入内部部署，将敏感数据保留在本地。将AI嵌入已知的工作流程是一种影响极低却能获得AI投资回报的方式。虽然AI的最大杠杆作用来自于处理以前没有AI时不可能实现的新流程，例如在产品内部提供上下文支持，但将AI集成到企业中的最快方法是将其嵌入现有工具和工作流程，并让它在幕后连接各个节点。同样极其重要的是，您的AI试点项目的真正价值必须在您的工作流程中被理解。从高管层到基层的每个人都应该了解AI的好处和用途，了解它能在哪些方面以及不能在哪些方面为他们的日常工作增添价值。AI不能是一个无人知晓的“黑匣子”……他们需要理解它。最后，智能体AI软件需要更严格的安全架构，仅仅是因为这些系统会深入挖掘用户行为，持续从这些信息中学习，并实际根据学习成果采取行动。最佳的AI客户服务支持会真正审视问题，考虑所有可用数据，以制定基于解决方案的持久性方案。信息需要被保护，但不能被隔绝。只要公司阻碍信息流向AI，他们就会持续表现不佳并看到试点失败。然而，安全团队根本不会允许某些数据和API与云供应商共享，因为这将公司的安全边界扩展到了他们无法控制的供应商那里。抛弃旧的变革管理手册智能体AI在不断变化，持续改造着您的业务。这意味着传统的、带有终点的变革管理需要更新。随着模型的持续更新，智能体AI迫使企业摆脱陈旧的后实施维护周期。灵活性和快速适应新更新的能力是关键。在一个持续更新的过程中，安全性必须稳固。虽然您在试点早期已经解决了基础设施问题，但您需要不断向用户更新新模型，以确保一切都被恰当使用。这意味着缩短集成窗口期至关重要，以确保用户有充足的时间学习新流程并进行适当的培训。寻找一个不需要大量工程工作来连接每个数据源的AI试点项目。采用零集成设计，一些试点项目可能不是几个月，而是几小时内就能部署完成。这为企业提供了更易实现的投资回报率。请记住，智能体AI只有在能够采取行动时才能发挥作用：查询数据库、触发工作流程、访问客户记录。这需要与敏感系统进行深度集成，这可能是一个令人焦虑的前景。安全性只是“云优先”AI方法无法扩展的原因之一。今年，预计会有更多企业研究自托管和私有云部署，这很快将成为任何认真对待自主运营企业的默认选择。这是一个坚实的基础，也是构建持久结构的关键。
Thought Leaders 7 days ago
By Antoine Tardif

人工智能如何重建家居装修信任

如今，打造一个心仪的家比以往任何时候都更加困难。在美国，我们正面临着前所未有的住房短缺。供应不足已将房价推至新高，而创纪录的抵押贷款利率则加剧了负担能力危机。大多数美国人买不起新房，许多人选择翻新他们现有的房屋。购买起步房，然后随着家庭发展而升级换代的美国梦，对许多人来说已遥不可及。起步房往往变成了永久居所。然而，改造房屋可能是一段充满风险的旅程。许多房主不知道各种改造项目应该花费多少，或者该选择哪些材料，又或者如何找到可以信赖的专业人士。信息极度分散。这个行业由数十万家小型夫妻店承包商组成，他们中的大多数在价格、时间和范围上会给出不同的答案。每个家都不同，往往涉及多年未经明确记录的工作。意外情况很常见。成本经常攀升。没有一个单一、可靠的基准事实。直到现在，透明度和信任在家居装修领域从根本上被打破了。而这正是人工智能如今产生影响的地方，它为每位房主提供透明、可信、个性化的支持。人工智能使房主和承包商能够使用同一种语言沟通。它创造了关于可能性、艰难权衡以及任何潜在意外的共同理解。这种增强的信任所带来的结果影响巨大，推动着这个面临强大顺风（包括住房老化库存和全国性住房短缺）的行业增长。缺乏透明度贯穿整个装修过程在装修行业，没有消费者可以依赖的大型全国性企业。如果你走进一家星巴克，你知道会得到什么。如果你雇佣一个承包商，你完全不知道会得到什么，而且这些承包商因州而异、因市而异，甚至同一条街上的承包商也各不相同。房主和承包商之间也存在脱节。承包商深谙建筑和装修领域。房主往往是在过程中边学边做，但他们也害怕被占便宜。所以房主会说：“我完全理解工作范围”，而承包商会说：“好的，我们达成一致了。”最终的理解往往并不相同。当意外情况出现时，不可避免地会产生分歧。许多项目最终陷入冲突，有时房主和承包商分道扬镳，因为他们很难达成共识、进行沟通并共同应对挑战。这种动态凸显了透明度和信任在装修和建筑行业中日益增长的重要性。大多数房主不常参与这个过程，而承包商则在复杂性和利润压力的环境中运作。随着人工智能越来越多地嵌入规划和沟通工作流程，它正开始重塑项目的评估、协调和执行方式。人工智能赋能房主自信规划和雇佣对于那些处于早期探索空间可能性阶段的人来说，甚至理解可能性的范围都可能具有挑战性。关于装修的信息是零散的，大多数人花费大量时间在谷歌上搜索。他们在Pinterest和Instagram上浏览，阅读博客，或向朋友请教。信息量很大，但整合很少，而且所有这些信息都是通用的，因为你的空间可能实现的东西与另一个空间可能实现的东西大不相同。有能力和资源的房主可以雇佣建筑师或设计师来手把手地引导他们完成这段旅程，但这可能要花费数万美元。大多数人负担不起这笔额外开支，尤其是对于像浴室这样较小的项目。因此，他们只能试图拼凑信息并将其转化为有用的东西。人工智能所能做的，就是按需提供那种个性化支持。假设你刚开始，感觉想打通厨房，因为你想要更多光线。有哪些选择？如何实现？有哪些权衡？可能要花多少钱？人工智能可以帮助你以个性化的方式做到这一点，就像设计专家一样。现在有些平台允许房主可视化他们的空间，探索设计和材料选项，并实时查看这些选择如何影响预估成本。这相当于随时有一位建筑师在你口袋里。而在雇佣承包商方面，人工智能可以帮助弥合信息不对称。房主可能正在审阅承包商的三份报价。它们各不相同，范围和价格各异，房主不知道如何比较。人工智能可以帮助房主深入理解、比较，并最终赋能他们做出正确的决定。赋能承包商建立蓬勃发展的业务人工智能也为专业人士带来巨大好处。承包商通常没有庞大的办公室团队。他们很容易被文书工作和与客户的长时间来回沟通所拖累。人工智能可以承担大量行政工作，使他们能够专注于最擅长的事情，即建造实体空间。人工智能可以为承包商提供源源不断的高质量项目。这些项目的房主有明确的范围和预算，并已准备好动工。当客户使用人工智能进行准备和自我教育时，他们比那些没有这样做的人领先很多，这意味着承包商可以更快地赢得项目并开始工作。房主与承包商关系的未来：更多个性化与更多支持最初版本的市集平台，如Craigslist，其主要货币是数量——将供需聚合在同一地点以便他们发现彼此。然后是市集平台2.0，如Yelp等平台，为消费者和供应商提供信息以帮助他们做出明智决策。现在，我们正处在市集平台3.0的边缘，这些市集平台是具有代理能力的。它们不仅仅是提供数量或信息，而是为你做实际工作，同时让你掌控全局。例如，如果你需要与承包商安排现场勘测，平台会为你处理，而不是让你来回沟通。如果承包商提出的报价远超出你的预算，平台会分析你的权衡、偏好和限制条件，然后代表你与承包商进行谈判。想象这样一个世界：你无需独自应对所有这些，而是与一支个性化的代理小团队合作，共同实现你想要的结果。如今，阻碍许多房主打造心仪空间的主要障碍是过程的繁杂，因为这是一项艰巨的工作量。具有代理能力的市集平台将直接承担大量此类工作，使装修变得更易实现、更透明、更可信。
Thought Leaders 7 days ago
By Piyush Sharma, Co-Founder & CEO of Tuskira

AI安全并未失效，只是我们防御错了目标

网络安全行业有一个模式：每当新技术出现，我们立即开始围绕它筑墙。我们对云技术这么做过，对容器技术这么做过，而现在，我们正对AI这么做，只是这一次，我们筑墙的地方完全错了。如今走进任何企业安全评审会，你都会听到同样的优先事项：保护AI模型、保护训练数据、验证输出、部署AI驱动的副驾驶。供应商们正争相销售专注于模型层面控制的”AI安全”工具，例如护栏、提示注入防御和模型监控平台。但攻击者正利用你的AI集成作为通往其他一切的捷径。无人关注的真实攻击面我们在企业环境中持续观察到的一个模式，讲述了一个令人担忧的故事：安全团队投入巨资保护其AI开发环境：模型访问控制、数据治理框架、MLOps安全工具。这给人一种错误的信心，认为他们的AI已被”锁定”。但当你绘制实际的攻击面时，你会发现AI聊天机器人通常持有数十个SaaS平台的OAuth令牌、拥有过度云权限的API密钥，以及可能从简单的提示注入直接通往生产基础设施的身份信任关系。模型本身可能是安全的，但它们所处的生态系统却常常门户大开，而且这并非边缘情况。企业现在平均使用130多个SaaS应用程序，AI集成横跨身份提供商、云基础设施、数据库和业务关键系统。每个集成都是一个潜在的攻击路径，每个API连接都是一个攻击者正在积极探测的信任边界。问题不在于我们的AI安全工具失效了。而在于我们保护的是单个组件，而攻击者利用的却是它们之间的连接。为何以模型为中心的安全错失重点当前AI安全的方法基于对现代攻击运作方式的根本误解。我们将AI视为需要保护的独立资产，类似于保护数据库或Web应用程序。但生产环境中的AI并非孤立存在。它是身份、权限、API和数据流构成的复杂网络中的一个节点。考虑一个典型的企业AI部署。你有一个能访问Google Workspace的AI代理。它通过API连接到Salesforce。它与Slack集成以接收通知。它从AWS S3存储桶拉取数据。它通过Okta或Azure AD进行身份验证。它在ServiceNow中触发工作流。传统的AI安全专注于模型本身：其安全状况、提示验证、输出安全性。但攻击者专注于集成：他们能通过受损的服务账户访问什么，他们能通过API操作转向哪里，他们能通过被利用的集成跨越哪些信任边界。攻击并非始于或终于AI模型。模型只是入口点。攻击路径不尊重产品边界这就是大多数组织陷入困境的地方。他们部署了各自提供单一领域可见性的安全工具。一个工具监控云权限。另一个跟踪SaaS配置。第三个管理身份治理。第四个处理漏洞管理。每个工具都向你展示其拼图的一角。没有一个工具能向你展示这些碎片是如何连接的。根据Gartner的数据，组织现在平均使用75个以上的安全工具。然而，尽管投入巨大，攻击者仍能成功地将跨这些领域的错误配置串联起来，因为没有单一工具能看到完整的攻击路径。攻击者不需要在你的AI模型中找到关键漏洞。他们只需要找到一条链条。也许是与你的AI服务关联的错误配置的IAM角色，该角色拥有对某个S3存储桶的权限，而该存储桶包含对某个SaaS应用程序的凭据，该应用程序拥有对你生产环境的管理员访问权限。每个单独的错误配置在你的安全工具中可能被评为”中危”或”低危”。但串联起来呢？那就是一个严重的暴露。而且，如果你孤立地看待每个安全领域，这完全是隐形的。暴露管理的必要性这就是为什么讨论需要从”AI安全”转向针对AI集成环境的持续威胁暴露管理。仅仅询问我们的AI模型是否安全是不够的。安全团队需要了解，如果攻击者入侵了一个AI服务账户，他们实际上能触及什么。他们需要洞察跨云、SaaS和身份系统的错误配置如何可能被串联起来。他们需要知道AI集成如何实时改变他们的攻击面。并且他们需要基于实际的可攻击性，而不仅仅是严重性评分，来优先处理风险。大多数安全计划仍然孤立地优先处理风险，使用CVSS评分和合规性检查清单，这些完全忽略了漏洞在你特定环境中是否实际可被利用。...
Funding 1 week ago
By Antoine Tardif

Recare 成功融资3700万欧元，旨在将AI驱动的医院运营扩展至整个欧洲

总部位于柏林的健康科技公司 Recare 已完成一轮高达3700万欧元的成长融资，其中包括一项700万欧元的期权，以加速其面向医院和护理机构的AI驱动平台的推广。本轮融资由 DNV 领投，该公司由此成为Recare的最大股东，CIBC Innovation Banking 也参与了本轮融资。此次融资正值欧洲医疗系统运营压力日益加剧之际，行政需求持续增长，而人员配置水平却难以跟上。Recare的关注点并非临床决策，而是医疗服务提供中那些不太显眼的层面——文档记录、协调和流程控制——这些正日益决定着医院运行的效率。从出院瓶颈到全系统协调Recare成立于2017年，已悄然融入德国医疗体系。其软件即服务平台目前已被大约三分之二的德国医院、超过26,000家护理服务提供商以及数百家康复诊所使用。该公司最初通过数字化出院管理和后续护理协调而建立声誉，这是一个涉及医院、康复中心、护理服务提供商、保险公司和家庭的极其复杂的过程。出院延误不仅仅是行政上的不便。它们直接影响床位可用性、患者预后和员工工作量。通过构建和标准化机构间的信息流，Recare在一个原本碎片化的系统中将自己定位为一个连接层。新融资标志着公司从针对性的工作流程优化转向更广泛的、AI辅助的医院运营协同。为行政现实而构建的AI智能体Recare下一阶段的核心是一个AI智能体，旨在作为跨现有医院IT系统的协调枢纽。该智能体并非取代核心临床软件，而是与之集成——提取、构建并重新分发那些通常锁定在PDF文件、扫描件、电子邮件和自由文本字段中的信息。医院产生大量非结构化数据，从转诊信到出院小结和交接记录。Recare的平台自动化了与这些流程相关的大部分文档工作，同时协调跨部门的工作流程。其结果是减少了手动数据输入、降低了交接错误，并使运营流程更具可预测性。这种方法反映了企业采用AI的一个更广泛的转变：专注于减轻认知和行政负担的实用自动化，而非对完全自主性做出雄心勃勃的承诺。应对结构性劳动力短缺Recare扩张的时机与劳动力现实密切相关。欧盟委员会估计，欧洲目前已面临约一百万医生和护士的短缺，预计到2030年这一缺口将显著扩大。在这种背景下，提高生产力并非可选，而是结构性必需。行政任务消耗了临床医生越来越多的工作时间，却往往未能为患者护理带来相应的价值。通过将这部分负担重新分配给软件，医院可以在不增加人员编制的情况下恢复运营能力。Recare的平台正是围绕这一限制条件设计的，将时间视为医疗服务提供中最稀缺的资源。超越德国的国际扩张尽管德国仍是Recare的核心市场，但该公司目前正准备将其平台扩展到海外。许多医疗系统面临着类似的挑战：碎片化的IT环境、不断上升的行政开销以及严重的人员短缺。Recare的模式——连接现有系统而非取代它们——可能在那些医疗基础设施随时间发展不均衡的市场中显得尤为相关。新资金将用于加速国际部署，同时进一步开发AI智能体的能力。这包括提高互操作性、处理更多文档类型以及支持更复杂的跨机构工作流程。对医疗AI的更广泛影响Recare的发展轨迹突显了医疗技术领域的一个重要趋势：从实验性AI试点转向基础设施级别的部署。与专注于诊断或治疗建议不同，像Recare这样的公司正在将AI应用于医疗系统的运营支柱。如果成功，这类技术可能会产生巨大的影响。行政效率影响着从患者吞吐量到员工倦怠和系统级成本等方方面面。那些默默处理协调和文档工作的AI智能体可能永远不会被患者看到，但它们可能从根本上重塑大规模提供医疗服务的方式。随着医疗系统努力应对人口压力和资源限制，那些能够在不损害安全或数据完整性的前提下扩大有效能力的工具，很可能将成为基础性而非可选性的存在。Recare的最新一轮融资表明，投资者和机构合作伙伴日益将这一AI层视为未来医疗保健的关键基础设施。
Funding 2 weeks ago
By Alex McFarland

Synthesia 通过员工友好的二次出售将估值翻倍至 40 亿美元

英国 AI 视频初创公司 Synthesia 于 1 月 26 日完成了 2 亿美元的 E 轮融资，估值达到 40 亿美元，使其价值在短短一年内从 21 亿美元翻了一番。此轮融资由现有投资者 Google Ventures 领投，Nvidia 的 NVentures 参与，其中包含一项罕见的员工二次出售，允许员工以新估值套现部分股权。通过纳斯达克促成的二次出售部分，解决了许多高增长初创公司面临的一个压力点：员工持有价值日益增长的纸上财富，却缺乏流动性路径。随着私人公司保持私有状态的时间越来越长——Synthesia 自 2017...
Interviews 2 weeks ago
By Antoine Tardif

DINQ联合创始人兼CEO Sam Gao – 专访系列

Sam Gao是一位领先的AI研究员、工程师和企业家，现任DINQ的首席执行官兼联合创始人，DINQ是一个面向AI时代的新一代人才连接平台。他最初接受土木工程训练，后转型至AI领域，在NeurIPS、ICML和CVPR等顶级会议上发表了超过10篇论文，并为PyTorch和TensorFlow等主要开源框架做出了贡献。 Gao是世界领先的开源换脸系统DeepFaceLab的第二作者，该项目在GitHub上获得了超过46,000颗星，并在2020年跻身GitHub十大AI项目之列。他还创建了OutfitAnyone，这是一个通用的虚拟试穿系统，在2024年被公认为HuggingFace Spaces上排名前20的项目之一，并已在淘宝上商业部署，年收入超过10亿元人民币。此外，他还撰写了Eliza OS AI Agent白皮书，这是一个被广泛引用的去中心化交易代理框架。凭借对AI创新的全球视野，Gao广泛接触了顶尖的研究人员、创始人和行业先驱，足迹遍及硅谷、纽约、丹佛、达沃斯、新加坡和京都等中心。Gao创立了青稞AI社区，该社区已发展到拥有超过30,000名公开关注者和5,000名专家，提供前沿技术讲座、私人研讨会和社交机会。该社区现已被公认为服务于xAI、OpenAI、DeepMind、Qwen、Deepseek等机构的研究人员中最专业、最具影响力的网络之一。您曾在阿里云从事AR和VR的计算机视觉与图形学工作数年，后来又在区块链领域为AI驱动的Proof-of-Human系统提供咨询。是什么个人挫折或转折点促使您离开这些角色，共同创立DINQ？在阿里巴巴达摩院工作的那些年，我见证了尖端技术触达数百万用户。然而，我最大的挫折并非技术瓶颈，而是人才错配。我看到才华横溢的博士们在现实世界部署中挣扎，而自学成才的“编码奇才”却因为缺乏光鲜的标签而被忽视。后来，为区块链身份系统提供咨询的经历让我认识到“Proof-of-Human”的力量。DINQ正是这些经验的交汇点：一项为任何在AI时代进行构建的人提供明确、客观的“Proof-of-Value”的使命。 DINQ的推出正值AI模型和计算能力的发展速度超过构建和部署它们所需的人才之际。从您的角度来看，当前AI人才的发现和评估方式在根本上存在什么问题？根本缺陷在于“评估滞后”。虽然AI能力按月扩展，但招聘却困在了一个十年之久的范式中：关键词过时：传统过滤器无法区分仅仅是“使用”ChatGPT的人和能够设计多智能体工作流架构的人。 “血统”陷阱：依赖精英学位或“大厂”头衔是衡量能力的懒惰代理。它忽视了在开源或小众垂直领域推动创新的广阔“隐藏宝石”海洋。静态 vs. 流动：简历是过去的快照；而AI贡献是贯穿GitHub、Hugging Face和协作平台的活生生的数据流。您将DINQ描述为对简历、LinkedIn个人资料和基于关键词的招聘局限性的回应。传统的招聘系统遗漏了关于AI研究人员和开发者的哪些关键信号？标准招聘遗漏了构建者的“行为DNA”：迭代韧性：用户如何不断优化提示或模型直至其生效？情境掌握能力：弥合原始AI工具与特定业务解决方案之间差距的能力。 “学习率”：在一个知识每六个月就贬值的领域，某人掌握新框架（例如从RAG转向智能体工作流）的速度比其总工作年限更重要。 DINQ Card将代码、出版物、项目和协作汇总到一个经过验证的个人资料中。这对于那些可能尚未拥有显赫头衔或知名机构的早期职业AI研究人员，如何改变了“影响力”的定义？ DINQ...
Thought Leaders 2 weeks ago
By Andy Tyra, Chief Product Officer at Akeneo

为AI购物浪潮准备产品数据

到2025年，ChatGPT和Stripe通过推出即时结账改变了电子商务格局。这标志着代理商务向前迈进了一步，用户现在能够直接通过AI进行购买。曾经作为搜索和发现渠道的ChatGPT，现已创造出一个全新的销售渠道，预计到2028年将超越传统搜索。从AI驱动的结账到个性化的产品推荐，消费者在决定何时何地购物时，拥有了比以往更多的选择和灵活性。零售领域正在利用生成式AI的多种能力来提升购物体验并驱动消费者价值。事实上，75%的购物者已经在网上注意到AI推荐或聊天机器人——这种突然的增长并非偶然。在那些完成了AI推荐购买的消费者中，84%的人认为这是一次积极的体验。AI分析用户行为并帮助购物者寻找产品的能力，正在改变商品发现和体验。截至2025年10月，ChatGPT和Gemini已占据超过63%的AI发现活动，并导致超过半数（52%）的消费者表示他们很可能基于AI推荐进行购买。随着购物者转变方式，品牌和零售商也必须如此。公司需要超越僵化的关键词匹配，并根据用户实际搜索和购买的方式来优化电子商务体验。随着AI解读搜索查询并分析购物者的请求，品牌和零售商必须确保其后端系统能够跟上这一切。为AI购物的加速做好准备，意味着要确保产品数据经过优化，以便AI进行梳理，并且产品数据在每个接触点都是准确和一致的。事实是，在线购物和产品搜索的未来已经到来。如果品牌和零售商想要跟上步伐，他们必须从今天开始准备，而这始于产品数据。产品目录尚未为AI购物加速做好准备多年来，产品数据一直针对传统搜索方法进行优化。想想围绕长尾关键词构建的搜索引擎优化（SEO）策略，或旨在提升相关性的内部链接。如今，仅专注于传统搜索渠道意味着可能面临20%到50%的流量下降的风险。营销人员、品牌和零售商需要确保他们正在整合AI搜索模型，以正确锁定消费者并优化可见性。尽管47%的美国购物者已经在至少一项购物任务中使用AI工具，但无数的产品目录尚未针对GenAI进行优化。目前，许多产品目录缺乏结构化的数据文件、缺少上下文，或者产品间的属性不一致。麻省理工学院甚至报告称，95%的GenAI试点项目失败，主要原因是数据基础薄弱或碎片化，这可能使一些组织每年损失高达2500万美元或更多。与传统SEO不同，GenAI引擎优化（GEO）在数据方面需要结构、上下文和一致性。如果产品目录缺少这些关键元素中的任何一个，就意味着内容将不会被AI代理呈现给购物者，即使这正是他们寻找的东西。AI幻觉和糟糕的推荐源于薄弱的产品输入，而非AI模型本身的失败，团队有责任确保他们能与新模型协同工作。在AI时代，仅仅拥有“足够好”的产品内容是不够的，尤其是当不一致的结果被证明会破坏用户信任时。为了让AI购物充分发挥其潜力，品牌和零售商需要将重点转向商业的基础：他们的产品数据本身。虽然AI在购买漏斗中占据了更大的份额，但AI驱动的搜索并未消除客户关系的建立。事实上，AI预测客户偏好的能力反而加强了真正的客户信任。以至于客户愿意为那些拥有完整且高质量产品信息的产品支付平均高出25-30%的价格。在当今的购物环境中，AI为品牌和零售商带来了巨大的潜力——但要收获这些好处，需要以前所未有的方式提升产品信息水平。 AI购物时代成功所需的要素为了让AI购物发挥最佳效果，它需要丰富的上下文信息，以帮助代理识别产品适合谁、为什么与他们相关，以及为什么它与其他产品不同。当所有这些信息都唾手可得时，AI就能向购物者做出强有力的、有数据支持的推荐。了解您的数据是否已为AI做好准备对于AI购物而言，这意味着向你自己和你的团队提出七个关键问题，以帮助判断产品信息是否足够强大，足以支持准确的购物推荐。单一事实来源与治理：是否存在一个核心系统，用于集中管理产品数据（包括验证规则和版本历史），并且所有系统都能依赖它？AI代理能在几秒钟内评估成千上万个库存单位（SKU）。如果属性在不同系统间重复、不一致或碎片化，模型就会对数据失去信心，并可能做出错误的推断。数据结构应在所有产品中保持一致，并能适应随时间的变化。这样，AI模型就不会因产品目录的演变而失效。模型与分类法：类别、属性、单位和值列表是否已定义、保持一致并在团队间共享，以便轻松比较产品？模型依赖于共享的含义。例如，如果“材质”和“面料”作为独立概念存在，模型将难以比较产品。跨团队的一致定义有助于减少AI偏见和模糊性，同时提高推荐的准确性。各渠道的完整性与规范化：对于每个渠道，所需的属性是否完整、规范，并且易于AI跨SKU进行比较？AI无法推断不存在的信息，因此请仔细检查每个SKU是否有高数据量，并且数值是否已规范化、易于比较。每个产品的数据点越多，AI模型就越能识别细微模式，从而提高预测准确性。丰富内容与数字资产：每个产品是否包含结构化的、易于AI解读的丰富描述、图像、视频和指南？AI需要丰富的字段，如预期用例和材料，以实现更强大的分析。然而，当今许多信息被困在非结构化格式中，如PDF或图像。此类内容通常需要大量清理才能被AI读取。预先构建数据结构可以减少错误和长期工作量。本地化与区域特定准备：语言、单位、尺寸和区域要求是否结构清晰并得到治理，在需要时辅以人工审核？基于全球数据训练的AI模型需要区域背景，否则可能产生错误的推荐。确保存在结合自动化和人工监督的工作流程驱动治理，以捕获任何单位变更或未本地化的属性。在数据翻译、转换和本地化过程中，人工监督对于确保AI输出保持准确至关重要。供应商数据接入与可发现性：供应商是否以标准化格式提交数据，并具有一致的标识符，以便AI轻松连接和比较？当AI能够交叉引用多个数据源时，其表现最佳。供应商数据如果以不一致或半结构化的形式提供，会削弱整个模型。为此，团队需要标准化的输入模板和一致的标识符，以确保第三方数据对AI友好。此外，将供应商数据与其他来源（如市场或客户数据）连接，可以提高AI准确性并减少偏见。 AI代理与地理可发现性：产品数据是否是机器可读的，是否通过结构化标记进行了丰富，并且构建得能够适应AI驱动发现的演变？当数据以可预测的结构化格式（例如表格、行、标准化文件）交付时，AI模型表现最佳，而不是像PDF或Word文档这样不一致的格式。随着AI驱动的发现不断发展，架构需要面向未来，以便模型和代理能够在未来多年继续解读数据。最佳实践的经验法则购物者在选择AI工具时有很多选择，他们会求助于ChatGPT或特定商店的助手，例如亚马逊的Rufus。虽然品牌和零售商拥有AI可以从中收集信息的产品目录，但并非所有品牌和零售商都拥有自己的AI界面。这意味着他们无法完全控制分析其产品的AI工具，只能控制输入模型本身的数据。在当今的商业环境中保持竞争力，意味着要确保产品对AI代理可见，更重要的是，确保其背后的数据是准确的。所有数据必须来自可信、可验证的来源，且该来源自身有准确的记录。无论数据来自供应商还是数据提供商，都必须遵守数据收集标准和法规（例如欧洲的GDPR或加州消费者隐私法案）。如果数据集包含偏见或不准确如果人工智能工具延续这些偏差，最终可能会传播不准确的信息。为了达到最佳效果，品牌和零售商应定期审核数据，以确保其保持一致和准确。应始终遵循数据格式，并且数据不应随时间发生任何意外更改。遵循这些最佳实践意味着为商业，进而为人工智能工作奠定坚实的基础。当数据准确时，结果才有价值，而这正是让顾客不断回到他们信任的品牌和零售商身边的原因。展望未来人工智能购物革命已经到来。随着消费者越来越多地转向人工智能助手进行购物查询，这项技术将继续发展并扩展其能力。随着时间的推移，它们甚至可能成为促成购买决策的最重要因素。公司需要快速适应以跟上商业变革的步伐，对许多公司而言，这意味着要严格审视产品信息的准备情况。传统搜索正在改变，如今，引领潮流的品牌不是声音最大的，而是最细致入微的。如果数据现在没有为人工智能集成做好准备，那么它将不会出现在未来的买家面前。...
Thought Leaders 2 weeks ago
By Ambuj Kumar, Co-Founder and CEO, Simbian

信任AI SOC代理处理关键任务SOC活动

大型语言模型（LLMs）和AI代理正在许多领域产生重大影响，包括网络安全。它们的潜力是无限的。然而，在LLMs被集成到做出业务决策的核心工作流程的现实世界中，许多问题已经浮现，尤其是在隐私和数据准确性方面。我们不禁要问：AI代理是否足够值得我的企业信任？当涉及到网络安全和安全运营中心（SOCs）时，正如我们整个职业生涯中所听到的那样，简短的答案是：是的，在SOC中实施适当的控制和缓解措施，AI代理可以成功且安全地部署在生产环境中，与人类SOC分析师并肩工作，发挥重要价值。 AI网络安全挑战作为独立解决方案使用的现成LLM存在几个核心问题，例如幻觉、数据投毒和提示注入。这些问题可能会在自主SOC中导致严重问题，包括：数据有限导致判断不准确 – AI代理需要来自环境的所有相关信息才能做好工作——至少要和人类安全分析师一样多的数据，理想情况下更多。数据不足会导致AI代理做出错误的假设，这些假设在不同的调查运行中可能各不相同。如果出于安全考虑限制数据访问，或者因预算原因限制AI可以执行的操作，那么准确性必然会受到影响。判断不一致 – AI代理必须根据其收集的数据做出决策并执行任务。由于典型环境中安全数据量巨大，通常采用抽样方法来平衡准确性与预算。当多次运行调查时，判断结果、确定的严重性以及建议的行动可能会出现差异。只要差异在容忍限度内，这是正常的，即使两个不同的人类分析师查看同一个警报也会发生这种情况。不透明的推理，或“黑盒”问题 – 一些AI代理作为不透明的系统运行。这些AI驱动的SOC结果起初可能看起来非常出色，但对于重要的业务决策，您需要了解是什么促使AI SOC做出其建议的行动。然而，这并非AI固有的限制，因为一些AI代理会尽力保持透明。建议在投入生产前，通过价值验证彻底验证AI代理。网络安全AI的改进自首次引入以来，AI驱动的网络安全方法已取得显著进步。请考虑以下几点：使用抽样达成共识以缓解不一致性 – 可以利用具有不同配置（例如，不同温度下的不同模型）的多个AI代理来解释先前代理操作收集的数据，从而有效补救决策或结果的不一致性。使用抽样可以让组织了解不同AI模型在哪些方面一致，在哪些方面存在分歧。因此，依赖所有模型都同意的信息，而对存在分歧的信息持保留态度，可以大大缓解不一致性。然而，值得注意的是，抽样代理存在分歧的信息也很有价值，因为它们指出了不确定性以及需要更好数据或输入的地方。这些不一致的信息可以帮助组织优先获取关键数据，以改进决策。通过调查手册实现一致流程 – AI SOC调查多次运行导致结果不一致的主要原因之一，不仅在于收集的数据存在差异，还在于AI代理调查期间创建或修改的假设存在差异。为某些类别建立高层次的标准化操作程序（SOP）调查指南，有助于代理形成更一致的假设，并提高整体结果的一致性。这并非新方法——大多数人类SOC分析师已经依赖SOP来确保有效且一致的调查。AI代理可以以同样的方式使用SOP。可追溯的证据揭开黑盒之谜...
Thought Leaders 2 weeks ago
By Eric Yu, SVP & GM, WW Commercial Product Center & SMB Segment, Lenovo IDG 

AI PC如何助力中小企业实现更智能、更安全的规模化发展

中小企业是全球创新的命脉。它们敏捷、坚韧，并且常常身兼数职以求生存和发展。在当今不断变化的环境中，从快速的技术进步到混合办公模式，企业不仅面临着更快增长的压力，还需要更智能地运营以保持竞争力。这正是AI赋能技术（例如AI PC）开始发挥作用的地方，对中小企业而言尤其如此。在过去的二十年里，我与不同行业的中小企业密切合作，通过更智能的基础设施和设备帮助它们实现规模化发展。随着AI从一个热门的流行语转变为商业必需品，中小企业理解什么是AI PC以及如何利用它们来更高效、更安全、更具创造力地运营，变得至关重要。什么是AI PC？中小企业为何应予以关注？AI PC是一类新型个人电脑，配备有专用硬件，例如神经处理单元，使其能够在本地运行高级AI任务，而无需持续访问云端。这意味着小型企业可以直接在其设备上执行实时转录、智能邮件摘要或预测性工作流建议等任务，且方式安全、快速。然而，这并非未来主义的空想——这一切正在发生。Canalys的行业分析师预测，今年全球将出货超过1亿台具备AI功能的PC，占PC总出货量的近40%。预计到2028年，出货量将达到2.05亿台，复合年增长率为44%。对中小企业而言，这一转变标志着一个AI工具普及的新时代，这些工具将通过他们日常依赖的设备来交付。中小企业利用AI PC支持增长的5种方式1. 自动化常规工作流程： AI PC帮助小型团队事半功倍。智能会议笔记、内容生成和客户支持脚本等AI赋能功能每周可节省数小时。这些效率提升让企业主和员工能够专注于战略重点、客户关系和创新。 2. 提升数据安全性：网络威胁仍然是小型企业的严重关切，它们通常缺乏专门的网络安全团队或IT资源有限。自适应威胁检测、生物识别登录和固件级保护等新的AI驱动安全功能，可以帮助中小企业降低风险。此外，支持设备端AI的设备可以将敏感数据保留在本地，最终最大限度地减少暴露于潜在威胁和其他智能网络攻击的风险。 3. 激发创造力与差异化：中小企业依靠创意蓬勃发展。AI PC甚至可以作为创意伙伴或思维启动器，在几秒钟内生成营销文案、视觉概念或产品描述。对于零售、设计或其他服务导向型行业的小型团队而言，这种按需创意支持是强大的加速器。事实上，Sage在2024年的一项调查显示，69%的美国中小企业报告称，投资技术使他们能够将更多时间投入到更高价值和更具创造性的任务上。此外，61%的企业指出数字技术对于增加收入至关重要。这强调了整合AI工具如何能够改变中小企业的创意流程，从而实现事半功倍。4. 赋能混合型劳动力：现代劳动力日益呈现混合和多代际的特点。AI PC通过智能降噪、视频通话自动调节摄像头和光线、以及根据设备使用地点和方式的自适应性能等功能来支持这一现实。这些工具有助于员工在当今“随处办公”的模式下保持连接和高效。 5. 按灵活条件实现扩展：获取最新技术对中小企业而言不必成本高昂或遥不可及。许多供应商现在提供设备即服务模式，将硬件、软件和支持服务捆绑成可管理的月度成本。这使得中小企业能够根据其业务需求进行定制，并使技术投资与业务增长同步，而不是承担大额支出的负担。最后思考：让AI为真实业务服务采用AI不必复杂，也无需对业务进行重大改革。它始于简单、易用的工具，例如AI PC，它们有助于自动化流程、保护并赋能您的团队。对于寻求以安全方式扩展的中小企业来说，这些设备提供了进入AI时代的一个实用切入点。未来的工作模式已经到来，中小企业理应拥有像他们一样努力工作的技术。
Artificial Intelligence 2 weeks ago
By Zac Amos

人类驾驶员与自动驾驶汽车相比如何？

研究表明，自动驾驶汽车卷入事故的频率远低于人类驾驶员。这是因为技术确实更优越吗？还是因为自动驾驶汽车的数量远少于人类驾驶的汽车？关于自动驾驶汽车安全性的争论数据显示，自动驾驶汽车比人类驾驶员安全得多。例如，在Waymo最严重的25起撞车事故中，有17起涉及人类驾驶员追尾机器人出租车。这表明，大多数导致严重伤害的事故责任在于人。然而，这并不意味着自动驾驶汽车从不犯错或从未发生险情。它们会误入单行道、在交通环岛陷入无尽循环、错误分类道路危险，从而需要人工干预。截至2026年，美国国家公路交通安全管理局（NHTSA）在收到22份报告后，已对Waymo展开调查，因其机器人出租车发生撞车或违反交通法规。该机构还在调查特斯拉（截至2024年，其涉及467起撞车事故，导致54人受伤、14人死亡）以及通用汽车的Cruise LLC，原因类似。 NHTSA对错误的容忍度很低，因为这项技术尚未得到充分验证。虽然在早期实施阶段，软件漏洞和分类错误在所难免，但为了确保人员安全，必须严格监管。各类驾驶员的优势与劣势自动驾驶技术已存在超过十年，但车辆达到上路标准则花了数年时间。例如，Waymo成立于2009年，但直到2025年12月才获得监管批准，将其机器人出租车服务扩展到高速公路。在此之前，这家自动驾驶汽车公司的大部分行程都集中在五个主要都市区的城市道路上——洛杉矶、凤凰城、旧金山湾区、亚特兰大和奥斯汀。忧心忡忡的市民担心，由于高速公路上的车速要高得多，致命车祸的可能性将急剧增加。随着自动驾驶汽车扩展到新区域，它们必须适应新的驾驶条件。大多数是2级自动驾驶，仅提供高速公路辅助驾驶。很少有系统能处理驾驶的所有方面。代表高度自动化和完全自动化的4级和5级自动驾驶目前尚未实现。一些汽车使用摄像头阵列而非激光雷达（一种利用激光脉冲测量物体距离的传感方法）。仅依赖视觉的方法使它们容易受到天气和道路条件变化的影响。雾、大雨和强眩光会削弱其感知能力。相比之下，人类驾驶员可以依赖其他感官，包括常识。然而，它们无法与激光雷达相比。虽然激光雷达并非在所有方面都更优，但三维地图绘制使汽车能在人类可能遇到困难的条件下表现良好，例如在黑暗或强光下。视觉和空间数据的结合是理想方案。技术故障的后果即使配备了激光雷达、摄像头阵列和人工智能决策系统，无人驾驶车辆仍然会犯错。这可能相对罕见，但确实会发生。软件漏洞可能导致汽车将行人误认为坑洞。传感器故障可能导致机器人出租车将正确车道误认为路缘。这些情况并非完全假设。尽管进行了软件更新和自愿召回，Waymo的机器人出租车仍屡次违反交通法规。从2025年8月到2025年11月，仅在一个学区，它们平均每周非法超越校车1.5次。2025年12月，在收到奥斯汀独立学区第20次违规通知后，学校公开了事件视频。直到那时，Waymo才宣布将自愿召回部分车辆。与学区发出的超过7,000张罚单相比，Waymo大约二十几起事件显得微不足道。然而，奥斯汀警察局助理局长特拉维斯·皮克福德表示，收到一次违规通知的人中，有98%不会再次违规。与此同时，Waymo车辆却周复一周地继续非法超越校车。如果一个人反复超越停靠的校车，危及学童安全，其驾照将被吊销。而当机器人出租车这样做时，工程师们只能推送一个更新，并希望它能解决问题。从技术上讲，NHTSA可以吊销其在城市运营的许可。然而，他们更可能只是处以罚款。有时，消费者会自己采取行动。特斯拉已多次被起诉，涉及其驾驶辅助技术相关的伤害和死亡事件。此类案件通常在审判前达成和解，但陪审团也曾判予损害赔偿。公众对自动驾驶汽车的认知一项针对5000多名受访者的研究发现，人们更倾向于关注自动驾驶车辆在事故中的作用，即使它并无过错。同时，他们也略微更倾向于支持起诉制造商。自动驾驶汽车公司已发布报告，展示其卓越的安全性。一些独立研究甚至支持他们的说法。如果数据显示无人驾驶汽车比人类驾驶的汽车更安全，为什么人们对它们更为苛刻？一方面，自动驾驶汽车发生事故的可能性远低于人类，可能仅仅是因为它们的数量远少于人类——到2025年，道路上有34,340辆自动驾驶汽车。而有超过2.42亿持照司机共享道路，这意味着每辆自动驾驶汽车对应着大约7,047名人类司机。此外还存在心理效应。如果一个人发生事故，人们有具体的指责对象。如果他们分心驾驶或酒驾，法院强制干预可以防止他们再犯同样的错误。自动驾驶汽车共享软件，因此如果一辆车犯错，所有车辆都可能重复这个错误。此外，查明根本原因可能具有挑战性——软件漏洞和传感器故障比识别酒驾或分心驾驶的迹象更难查明。公司报告的安全数据可靠性...
Funding 2 weeks ago
By Antoine Tardif

Jelou 融资1000万美元，将WhatsApp转型为交易型AI平台

Jelou 已筹集1000万美元的A轮融资，以扩展其平台，用于构建能够在WhatsApp对话内部直接执行业务和金融操作的AI智能体。这家总部位于纽约和基多的公司专注于一个简单但棘手的问题：虽然即时通讯已成为企业与客户之间的主导界面，但真正涉及资金流转的操作仍然发生在其他地方。支付、身份验证、信贷申请和签名等操作通常被推送到门户网站、表单或呼叫中心，在客户最准备行动的时刻造成了摩擦和流失。Jelou的建立就是为了弥合这一差距，允许AI智能体在对话本身内部完成交易。本轮融资由 Wellington Access Ventures 领投，Krealo（Credicorp的企业风险投资部门）和 Collide Capital 参与。通过此次融资，Jelou已获得总计1300万美元的资金，此前由Act One Ventures和Arca Continental Ventures领投的300万美元种子轮融资。从对话到执行在拉丁美洲大部分地区，WhatsApp等对话渠道已经成为企业与客户互动的默认方式。然而，在这些环境中运行的大多数AI工具仅限于回答问题或转接请求。Jelou的方法则专注于执行——将对话式AI直接连接到企业系统，从而无需离开聊天界面即可推进工作。这一战略的核心是Brain，即Jelou用于构建和运营交易型AI智能体的平台。通过Brain，企业可以部署能够收集信息、验证身份、触发支付并使用实时系统数据推进金融工作流程的智能体。这些智能体在WhatsApp内部运行，同时与现有基础设施集成，使公司能够自动化复杂流程，而无需引入新的安全或合规风险。该平台包括一个拥有超过3000个集成的基于Web的工作室，以及一个对话管理层，允许团队监督高容量交互，同时安全地执行敏感操作——例如支付、承保或文件签署。在受监管环境中构建 Jelou的起源可以追溯到2017年的厄瓜多尔，创始人Luis Loaiza及其团队观察到人们与企业沟通的方式与实际完成交易的方式之间存在日益扩大的脱节。即时通讯无处不在，但执行过程仍然分散且往往不安全。凭借构建加密消息系统的经验，该团队着手使聊天成为真正开展业务的地方。对生产级系统的关注塑造了Jelou早期在受监管的银行环境中的部署，在这些环境中，安全性、可审计性和可靠性是不可妥协的。自那时起，Jelou已扩展到整个拉丁美洲，为超过13个国家的500多家企业提供服务。其AI智能体已为涵盖银行、零售、物流和消费品等行业的客户处理了超过1亿美元的金融业务——这些行业的转化率和运营效率紧密相连。为何交易型AI与众不同 Jelou的增长反映了企业在思考AI采用方式上的更广泛转变。自动化只有在与现有系统紧密集成并能够推动实际成果时才能创造价值。在法规、支付渠道和遗留基础设施多样化的地区，无法执行交易的对话式AI带来的收益有限。...
Search Engine Optimization 2 weeks ago
By Antoine Tardif

Google的个人智能彻底改变了搜索与SEO的未来

2026年1月22日，Google通过推出AI模式中的个人智能，对其核心产品进行了一次重大更新。此功能通过使响应内容根据每位用户的个人情境进行独特定制，改变了搜索的工作方式。对于任何从事SEO工作的人来说，这并非一次次要的功能发布。它代表了内容如何被发现、排名和呈现的根本性重新定义。最大的转变是什么？搜索结果不再仅仅由人们输入的词语决定。相反，它们受到搜索者是谁、他们做过什么以及他们留下的数字足迹的影响。 Google的新AI模式现在可以在用户选择加入时，访问其Gmail和Google相册，以更全面地了解该用户的偏好、计划、习惯和过去的行为。搜索变得更少关乎匹配查询，而更多关乎理解查询背后的人。个人智能的作用个人智能是Google AI模式的一部分，这个生成式界面现在为搜索中的对话式、综合式结果提供动力。启用后，该功能允许AI安全地参考用户Gmail和Google相册中的数据，以塑造个性化的答案。 Google分享的例子包括：根据航班确认信息和过去的服装选择，为即将到来的旅行建议合适的外套。或者根据过去的度假照片和电子邮件预订，推荐一个新城市中适合家庭的景点。即使是像“我的生活会是哪种电影类型？”这样看似玩笑的查询，现在也能根据你的个人记忆和日常习惯来回答。 Google表示这种个性化完全是可选的。系统不会根据你的电子邮件或照片进行训练，并且连接可以随时打开或关闭。但对于选择加入的用户来说，AI变得更像是一个个人助理，而非搜索引擎。从作为工具的搜索到作为伙伴的搜索历史上，搜索关乎相关性。Google将关键词与文档匹配，通过语义理解改进这一过程，并逐渐叠加基于意图的模型。每一次进步都扩展了搜索的功能，但所有这一切仍然以查询为中心。这次更新颠覆了该模式。借助个人智能，查询变成了众多信号之一。搜索不再仅仅解读你输入的内容——它根据你的生活来解读你此刻的需求。这将搜索转变为一项深度情境化的服务。它也将SEO变成了比关键词排名更复杂的事情。个人智能之后的SEO 多年来，SEO策略依赖于共享搜索体验的概念。当两个人搜索“最佳跑鞋”时，他们会看到一组相似的结果。排名是普适的，优化围绕着创建服务于共同意图的内容。该模式已不再适用。现在，相同的搜索词可以为不同的用户产生不同的答案。一个人可能会看到基于他们以前购买过的品牌的建议。另一个人可能会得到与即将到来的旅行相关的推荐。其他人则可能看到与他们近期健康目标相匹配的鞋子。搜索体验的这种碎片化具有重大影响。可见性变得依赖于情境。排名不能再孤立地追踪。成功不仅取决于查询匹配，还取决于与用户个人资料、行为和信任历史的契合度。简而言之，SEO不再仅仅关乎相关性。它关乎被Google的AI记住并认可为在特定时间为特定用户的合适选择。为何传统排名将变得不那么重要随着AI模式生成摘要和个性化答案，链接常常退居次要地位。Google的AI选择内容进行引用、总结或整合到自己的回答中。这使得被纳入AI的综合内容中比原始排名位置更有价值。 Google将更加依赖其信任的来源。这包括结构良好、书写清晰、易于AI解读的内容。模糊或过于宽泛的内容很可能会被跳过，转而青睐那些做出有力、明确陈述并解释其重要性的页面。这极大地提升了清晰度、可信度和深度的价值。那些在持续的主题覆盖、专家作者身份和高编辑标准方面进行了投资的品牌和出版商，将更有机会被纳入AI摘要中。个性化搜索及其对关键领域的影响电子商务对于电子商务品牌而言，个性化既带来机遇也带来风险。一方面，如果Google的AI识别出用户是过去的客户，你的产品可能会被更频繁地推荐。另一方面，这也会使打入新的客户旅程变得更加困难。如果用户通常与另一个品牌购物，那么您的内容可能永远不会出现，即使您的优化做得更好。通用的“最佳产品”榜单文章可能会被降级，取而代之的是为个人量身定制的推荐。为了竞争，电子商务SEO将需要专注于建立关系和信任信号，而不仅仅是可见性。产品页面应完整、结构清晰，并与真实用户需求明确一致。通过Google Merchant Center维护丰富的产品数据将至关重要，特别是如果AI模式继续从购物图谱数据中提取信息。...
Interviews 2 weeks ago
By Antoine Tardif

Bazaarvoice 首席技术官 Nick Shiftan – 专访系列

Nick Shiftan 是 Bazaarvoice 的首席技术官，是一位经验丰富的技术领导者和企业家，其职业生涯跨越二十年，专注于构建和扩展企业软件及商务平台。他最广为人知的身份是社交商务先驱公司 Curalate 的联合创始人兼首席技术官，在近十年时间里，他帮助公司发展至年经常性收入超过 2000 万美元，并于 2020 年被 Bazaarvoice 收购。在其职业生涯早期，他创立了 Parkio 并领导产品开发，为交通和停车系统提供企业软件；他的职业生涯始于微软，在那里他曾参与 Outlook Mobile for Windows Mobile 的开发。收购之后，原本预期的短期过渡演变成了一个长期职位，他继续从事大规模构建工作，并最终被任命为首席技术官，其工作重点是推进基于信任和真实消费者数据的 AI 驱动的产品发现。Bazaarvoice 是一个行业领先的 SaaS 平台，使品牌和零售商能够在整个数字购物旅程中收集、管理和激活真实的用户生成内容，如评分、评论、照片和视频。该公司在全球范围内运营，每月通过在一个庞大的品牌和零售目的地网络中分发可信内容，帮助超过十亿购物者做出明智的购买决策，将透明度、可信度和数据驱动的商务置于在线体验的核心。您如何应用生成式人工智能和基于大语言模型的技术来加强评论真实性、审核和信任信号，同时又不影响高负载下的性能？我们使用人工智能来发现信号和模式，而不是取代人类判断。大语言模型有助于快速标记异常活动或潜在的非真实内容，但目标始终是维护信任。通过将这些模型集成到离线验证管道中，并将其与实时请求路径解耦，即使在提交量激增时，我们也能保持性能。其结果是既智能又可扩展的审核和真实性检查。许多零售商在结账可靠性上投入巨资，但往往忽视了维护可信评论生态系统的复杂性。您认为评论和评分基础设施中存在哪些隐藏风险，值得像支付系统一样进行战略性的严格审查？评分和评论一直是决策关键的基础设施，在人工智能辅助购物的世界中尤其如此。人工智能代理在做出购物推荐时，将严重依赖信任信号——尤其是评分和评论的形式。延迟、数据缺失或明显的非真实性将直接影响消费者信心。这些系统很复杂；以与结账系统相同的严谨态度对待它们，对于避免转化率损失和长期信任侵蚀至关重要。在领导过多个主要商务平台的工程工作后，当人工智能系统（如情感分析或欺诈检测模型）直接位于实时数据路径中时，您如何调整可观测性和事件响应策略？我们将人工智能模型视为任何其他关键服务：实时监控性能和准确性。这包括延迟、错误率和行为漂移。我们实施故障安全机制，使模型能够在负载下优雅降级或绕过非关键路径。仪表板、自动警报和操作手册确保人工智能问题在影响购物者之前被发现和解决。在...
Thought Leaders 2 weeks ago
By Arjun Harindranath

智能体AI如何重塑咨询行业

传统咨询长期以来意味着缓慢的提案、冗长的分析周期以及往往在情况变化时才送达的冗长报告。在这个快速颠覆的时代，这种方式已经跟不上节奏。正因如此，许多人认为智能体AI很可能会颠覆传统咨询的运作方式。智能体AI系统不仅仅是分析数据或按需生成见解。它们更像自主的协作者，能够定义问题、建立假设、进行分析，并在新数据出现时持续调整。据NexStrat联合创始人兼首席执行官Arda Ecevit称，这一转变对战略工作的开展方式具有深远影响。 “NexStrat是一个智能体AI平台，支持业务用户——从高管到管理顾问本身——进行决策、制定战略和构建行动计划，”Ecevit说。“它支持从战略到执行的整个旅程。” 从阶段性咨询到持续性战略 Ecevit深谙咨询界。他在管理咨询领域工作了近15年，之后转入一家大型电子商务和食品配送平台担任首席战略与转型官。这段经历让他看到了该行业的一个结构性局限：传统意义上的咨询本质上是阶段性的。 “传统咨询不可扩展，也不具备持续性，”他解释道。“你需要庞大的预算，项目甚至需要数月才能启动，而且一旦你拿到报告，当新数据可用时，你很难真正对其进行迭代更新。” 智能体AI提供了一种根本不同的模式。与阶段性合作不同，像NexStrat这样的平台提供全天候的战略支持。用户可以近乎实时地重新审视假设、更新分析并修订战略，所有这些如果仅靠人类顾问来完成，要么不切实际，要么成本高昂得令人望而却步。 “在传统模式下，你可能要等上六个月才能得到答案，”Ecevit说。“而有了智能体AI，你可以在几分钟内开始生成假设并对其进行迭代。” 重构咨询业的核心结构这一趋势不仅仅是关于速度。它已经在重塑咨询公司自身的结构。 Martín Lewit，为《财富》500强公司提供服务的数字咨询公司Nisum的企业发展高级副总裁表示：“传统的智能自动化带来成本节约，但智能体AI引入了新的工作方式。对领导者而言，问题不再是‘我们如何优化现有流程？’，而是‘AI驱动的解决方案能解锁哪些新能力？’” Nate MacLeitch，提供AI辅助聊天和视频API及SDK的公司QuickBlox的首席执行官，强调了AI如何成为数字流程不可或缺的一部分。“我们现在使企业能够构建和集成AI助手，以自动化数据收集、提供行政支持并提供个性化体验。这种转变表明AI正从一个可选的附加功能转变为工作流程中的核心能力。” 波士顿全球论坛最近强调了人工智能如何正在削弱咨询业的传统金字塔模式，即由大量初级分析师团队进行研究与综合，而一小部分高级合伙人负责解读见解并制定战略。AI系统现在通过数据收集、建模和初步分析，自动化了大部分初级工作。这些系统可以比人类团队更快、更便宜地交付成果。这迫使公司重新思考人员配置模式和交付结构，而不是简单地将AI附加到旧流程上。这一见解与Ecevit在市场上观察到的情况相符：“AI可以承担繁重的分析工作，从而使人类能够专注于更高层次的判断和领导力，”他说。其结果不仅仅是速度优势，更是咨询价值链本身的转型，从资源密集型的劳动力模式转向以AI增强的专业知识为中心的模式。更快、更敏捷的决策速度仍然是关键优势之一。智能体AI使企业能够以传统咨询无法企及的速度进行测试、学习和适应。这种敏捷性在当今快速变化的市场中至关重要。NexStrat 借鉴了顶级战略公司所使用的假设驱动的问题解决方法：明确目标和约束、建立假设、制定分析计划、执行数据工作并完善结论。 “区别在于，你完成所有这些工作的速度可能快上一百倍，”Ecevit 说。这种敏捷性在由波动性、监管变化、竞争举措、供应链中断和技术驱动的市场变化所定义的商业环境中至关重要。NexStrat 的智能体能够持续扫描新动态，并在条件变化时重新评估战略。 “如果一项新法规通过或一个主要成本驱动因素发生变化，你几乎可以立即修订你的战略，”Ecevit 指出。“这种持续适应的能力是真正的游戏规则改变者。”...
Thought Leaders 2 weeks ago
By Mike Schrobo, CEO and Founder at Fraud Blocker

智能代理浏览器对营销意味着什么：好、坏、丑

在数字营销中，“究竟是谁在看什么”的问题正进入一个新阶段。像ChatGPT的Atlas和Microsoft的Copilot这样的智能代理浏览器现在可以代表用户浏览网页，帮助他们研究和进行购买。这无疑预示着生产力的提升，但也引发了广告互动是由机器人还是买家驱动的疑问。因此，代理时代对诸如活动影响、用户合法性以及重定向价值等问题提出了质疑。此外，智能代理浏览器可能容易受到提示词注入和劫持，用于黑帽欺诈。现在是回答这些问题的时候了。随着Google发布其新的后端基础设施——通用商务协议（UCP），允许购物者无需访问零售商网站即可完成购买，电子商务正迅速向“代理商务”迈进。Microsoft推出了具有类似功能的Copilot Checkout，Shopify也宣布了其“代理计划”以与这两个平台集成。我们正目睹商业基础设施围绕代理而非用户重建，而欺诈检测却难以跟上步伐。零售商已经对交易转移到黑匣子中会丢失什么提出了担忧，营销人员同样应该感到担忧。毕竟，人工智能驱动的自动化已经在为广告欺诈创造新的攻击途径（例如：幽灵点击农场），而对客户旅程可见性的降低则威胁着将分析变成猜测。让我们更深入地看看智能代理浏览器的到来及其对营销意味着什么：好、坏、丑。好的一面：更高的转化率和信号让我们从积极的一面开始：智能代理浏览器可以通过过滤低意向流量来提高营销效率。如果AI代理只在用户有真实购买意图时点击广告，理论上广告主将看到：更高的转化率：不再有随意浏览者只点击不购买，从而虚增点击率更好的归因信号：代理根据明确的用户指令行动，创造了更清晰的意图轨迹减少浪费的支出：更少的“只看不买”的点击这里的关键词是“可能”。这个乐观的设想假设代理会声明自身身份，平台能准确追踪它们，并且用户真正信任代理代表他们做出购买决策。但目前对于代理如何自我报告，没有任何保证或指导方针。正如A16Z最近的报告所指出的，我们可能需要类似于“了解你的客户”规则的“了解你的代理”协议来解决这个问题。但是，目前营销人员无法快速区分一个会话是来自代理还是用户，而这时我们就开始看到潜在的问题。坏的一面：人类流量与代理流量在很大程度上难以区分营销人员对此有很多未知之处。例如，如果一个代理在夜间研究产品，这些浏览会话会触发再营销像素。几天后，人类看到了重定向广告并完成转化。广告主应该为那次代理活动支付全价吗？半价？还是不用支付？我们还无法确定如何为代理流量定价，也无法轻易识别它。用户指示其代理进行浏览与欺诈者劫持代理进行广告欺诈，在营销人员看来几乎一模一样：他们看到的是相同的设备、IP、浏览器和会话。这种可见性问题给无效点击的伤口上撒了盐。由于模仿人类行为的机器人日益复杂，无效点击在过去15年里翻了一番。因此，广告主越来越多地与第三方欺诈检测服务合作，以便在费用计入预算之前识别虚假点击。现在，随着智能代理浏览器的加入，行业正准备面对对谁在与广告活动互动更缺乏了解的局面，这使得确定性能和剔除欺诈性互动变得更加困难。最后，值得考虑智能代理浏览器的数据暴露风险。诸如活跃的网页内容、浏览历史和打开的标签页等元素通常会发送到基于云的AI，这反过来增加了数据暴露的风险，除非安全性和隐私设置被特意加固并集中管理。正是由于这个安全问号，以及我们下面将探讨的其他一些恶意可能性，Gartner建议企业目前暂时屏蔽AI浏览器。丑的一面：恶意行为者利用浏览器为其服务广告欺诈是一个比许多人意识到的更大、更昂贵的问题——其规模是信用卡欺诈的8倍——而恶意行为者可以利用更好的工具造成更大的损害。例如，在九月，恶意软件将不知情的智能手机变成了“幽灵点击农场”，秘密地一遍又一遍地与广告互动，在该计划的高峰期每天达到23亿次竞价请求。欺诈者控制的页面上的虚假广告展示产生了无数微支付，直接进入了他们的口袋。令人担忧的是，智能代理浏览器将使此类骗局更难检测且更常见。通过提示词注入被攻破的恶意代理，成为规模化点击欺诈、表单垃圾邮件和虚假评论的完美载体，同时看起来与用户无异。Gartner通过强调其他危险来支持这一观点，例如有缺陷的代理推理导致有害行为，以及当AI浏览器被诱骗直接导航到钓鱼网站时导致的凭证盗窃。如今，利用智能代理AI建立一个复杂的点击农场比以往任何时候都容易。过去你需要整个团队的人，现在你可以在家里用机器人完成。主流的智能代理浏览器本身并不制造这个问题，但它们确实使其更容易规模化。真相：代理对营销人员既可能有益也可能有害智能代理浏览器的引入对营销人员来说并非非此即彼。真相介于两者之间，并非全好或全坏。未来倾向于哪一方，将取决于解决方案提供商和营销技术人员能否有效地建立防护措施。识别和声明代理的规则至关重要，在这些浏览器成为主流之前，在其中建立可见性和信任也同样重要。毕竟，好的营销依赖于好的数据，而好的数据依赖于透明度。

More Posts

Page 1 of 2812 3 4 5 Next ›Last »