思想领袖
2026：企业领域特定人工智能的年份
对于急于将人工智能融入企业的公司来说，一个障碍不断出现，无论技术如何快速发展：幻觉。最近的一份来自贝恩公司的报告发现，输出质量仍然是采用生成式人工智能（GenAI）的主要障碍，尽管在过去一年中，企业实验和投资大幅增加。复合这个问题，像ChatGPT、Copilot和Perplexity这样的AI助手根据一份报告，45%的时间会扭曲新闻内容，引入缺失的上下文、误导性的细节、不正确的归属或完全虚构的信息。
我们正在从人工智能的“哇”阶段转向性能阶段，在这个阶段，衡量的影响比新颖性更重要。这些不准确性不仅会侵蚀信任，还会将企业决策置于风险之中。一个单一的幻觉见解可能导致声誉损害、误导的战略或昂贵的运营错误。然而，许多组织继续部署不是为其行业的专业工作流程和监管约束而设计的一般用途人工智能模型，以避免落后于同行。
依赖通用人工智能的风险
通用模型当然有其优势。它们在广泛的想法产生、草稿和加速常规沟通任务中非常有效。但是，当企业将人工智能应用于更专业或受监管的工作流程时，新的风险类别开始出现。幻觉只是风险格局的一部分。它们已被越来越多的高风险漏洞所陪伴，例如越狱、提示注入和敏感数据泄露。当人工智能触及关键任务工作流程时，这些威胁变得更加严重。
今年早些时候，医疗应用程序出现了多例临床上显著的幻觉，包括增加了误诊的可能性。这暴露了在高风险环境中使用非专业模型的危险。误解的医疗摘要或不正确的建议可能会带来改变人生的后果，并且会破坏原本顺畅的工作流程。
这并不奇怪，72%的S&P 500公司现在报告人工智能相关风险，高于2023年的12%。他们的担忧范围从数据隐私和偏见到知识产权泄露和监管合规，表明了更广泛的转变：公司董事会和投资者越来越将人工智能风险与网络安全风险同等对待。
转向专业人工智能系统
2025年证明，仅仅依靠规模不再能带来重大突破。虽然生成式人工智能的早期年份被定义为“越大越好”，但我们已经达到了一个平台，在那里，增加模型大小和训练数据只会带来渐进式的收益。
专业的、领域特定的人工智能模型并不试图知道一切；相反，它们被设计为在特定行业或工作流程的背景下知道什么是重要的。
定制的AI带来三个关键好处：
- 更高的准确性： 了解公司和行业信息的模型在精度和可靠性方面优于广泛的模型。
- 更快的投资回报率： 因为这些系统直接映射到定义的任务和工作流程，所以它们可以更快地带来可衡量的影响。
- 更安全的部署： 定制的系统更自然地符合行业特定的法规，减少风险并促进内部采用。
人工智能市场正在做出相应的反应：像Harvey（法律运营）、OpenAI的Project Mercury（金融建模和分析）和Anthropic的Claude for Life Sciences（科学研究和发现）这样的工具反映了向专业化的更广泛转变。
原因很简单：只有39%的公司目前报告直接从人工智能投资中获得利润，表明通用工具单独不能产生企业级的投资回报率。
提供真正的、可衡量的人工智能投资回报率
定制的AI在应用于结构化、可重复、明确定义的工作流程时表现最佳。与其提供广泛的、表面上的知识，涵盖数百万个主题，这些系统在诸如并购分析、合规、风险评分、客户简介开发和运营预测等任务中提供精确的性能。
区别在于功能和经济。从实验到大规模实施的公司越来越多地通过投资回报率来评估人工智能投资。取得最强结果的公司共享三个优先事项：
- 专注的、与工作相关的影响： 人工智能必须有形地提高生产力、盈利能力或决策能力，而不是仅仅产生令人印象深刻的输出。
- 监管合规： 符合监管要求的工具可以减少下游的摩擦。
- 工作人员采用： 提高技能、治理和文化准备与技术性能同样重要。
在评估供应商时，公司应该确保系统是为他们实际需要做出的决定而设计的。首先考虑准确性：模型是否能够处理领域的术语、约束和边缘情况？然后检查透明度。供应商应该能够解释模型的基础、所依赖的数据源以及输出是否有明确的引用。在企业环境中，一个可以追溯到可靠来源的答案与答案本身同样重要。最后，评估系统如何融入现有的工作流程。最强大的AI部署是那些团队可以信任、管理和集成而无需增加复杂性的部署。
可信的企业人工智能的未来是领域特定的
随着企业从人工智能的炒作转向实际操作，信任和可靠性将成为成功部署的定义特征。规模不再保证性能突破。企业人工智能采用的下一阶段将由模型提供的见解的相关性和价值来定义。
2026年将完成从生成式人工智能作为独立工具到集成系统的转变。它也将是人工智能变得更加主动、嵌入式和行业特定的年份。生成式人工智能将逐渐融入背景，因为它将被融入每个产品、服务和工作流程中。差异将来自于理解上下文并提供可衡量影响的系统。在2026年，真正的价值将来自于使用为企业实际需要做出的决定而设计的模型。
