
思想领袖
-

思想领袖为什么从一开始就要把测试纳入 AI 装配线
二十多年来,我一直在开发测试工具。在这段时间的大部分时候,我和工程团队的交流听起来都大同小异。测试人员在软件生命周期中仿佛低人一等。测试往往开始得很晚,通常只能挤占发布前剩下的时间;而且,测试还会被塞进原本为其他用途搭建的 CI 流水线。如今,AI 已经改变了我们编写代码的方式,而它对测试的影响确实存在,既有好的一面,也有坏的一面。从很多方面来看,AI 让这个挑战变得更加显而易见。过去几个月,我参加了几场测试和云原生领域的会议(LeadDev、CloudX、StarWest)。我交流过的团队几乎都在推进某种形式的同一类项目:打造由 AI 驱动的软件交付生命周期,让智能体从规格说明出发,在适度的人为参与下,完成工作并将成果投入生产环境。我把它想象成一条装配线:一些智能体编写代码,另一些智能体审查代码,流水线负责构建和部署。人类则在一旁留意进展。相比之下,我很少听到有人谈论测试在这条流水线中处于什么位置。目前还没人真正摸清门道眼下,这个领域多少有点像蛮荒西部。每隔几周就会出现新的智能体能力,大型 AI 实验室不断推出新模型,团队和供应商也都在不断尝试各种方案,看看哪些行得通。一些数据表明,相关短板已经开始显现。Google 最新发布的关于 AI 辅助软件开发的 DORA 报告调查了近 5,000 名技术从业者,结果发现,采用 AI 与更高的软件交付吞吐量相关,这是个好消息。但它仍然与较低的交付稳定性相关。研究人员解释说,AI 加快了开发速度,也暴露出更下游环节的薄弱之处;他们指出,强有力的自动化测试是防止变更多了、系统不稳定性也随之增加的控制措施之一。我对此并不意外。如果你把大量代码送进一个原本为处理少得多的代码而设计的流程,某个环节就会变慢,或者某个环节就会出问题。开发者的速度更快了,但大多数发布并没有加快人们想象 AI 生成的代码会出什么问题时,往往会想到某个智能体把糟糕透顶的东西推送到生产环境。我相信这种情况确实会发生,而且一旦发生,后果并不妙:出现漏洞、客户不满,甚至可能引发安全事件。不过,说实话,这并不是我大多数时候遇到的情况。2026 年 Stack Overflow 开发者调查显示了当前 AI...
作者 Ole Lensmar, Testkube 联合创始人兼首席技术官
-

思想领袖应用经济正在改变:当任何人都能打造自己的软件时,会发生什么?
从挑选应用,到描述自己想要的应用2026年10月13日,Google宣布,Android 用户现在可以借助 Google AI Studio 创建自己的应用,并通过 Google Play 在自己的手机上私下运行,无需在公开应用商店上架。这些应用是通过“氛围编程”打造的:你用通俗的语言描述想要什么,AI 就会把它编写出来。首批版本仅面向美国用户和年满18岁的人群;未来几个月内,用户将可以与一小群信任的联系人分享应用。这种转变说来简单。过去15年,人们问的是“我该下载哪个应用?”如今,问题可以变成“我想让手机为我做什么?”Google Play 与开发者生态系统副总裁兼总经理 Sam Bright 将这一转变概括为:从“这种事总有一个应用”变成“有一个应用是为我而做的”。想象一位家长,希望在一个屏幕上查看本周的学校接送安排、足球赛日程和购物清单。应用商店里没有这样的应用,因为没有哪家商店会专门开发它。如今,这位家长只要描述自己的需求,当天晚上就能在手机上用上这个应用。我对此表示欢迎。它让从未拥有过这种能力的人也能掌握真正的创造力。但这也引出了一个值得明确回答的问题:个人应用和软件是一回事吗?在我看来,并不是。构建一个应用,不等于打造能大规模运行的软件个人应用可能只需满足一个人的使用需求。供客户、员工或公众使用的软件,则必须可靠运行,让依赖它的人能够放心使用。两者都是软件,但当其他人开始依赖你构建的东西时,你承担的责任就变了。 个人用途应用 面向多位用户的生产环境软件 使用者 你,或少数你信任的人 数百至数百万名陌生人 示例 习惯追踪器、家庭家务看板、食谱配料换算工具 薪资系统、医院预约平台、银行的移动服务 发生故障时 你或许能自行修复 员工可能拿不到工资、预约可能落空、资金可能被错误转移...
作者 Bindesh Vijayan, 联合创始人兼首席技术官,Myndlab
-

思想领袖AI之后还会留下什么?价值将在哪里延续
10月,几位重要投资者表示,AI市场越来越像20世纪90年代末的互联网泡沫。亿万富翁、Bridgewater Associates创始人Ray Dalio将当前局面描述为“典型的泡沫”:企业通过举债为AI基础设施融资,而利率却在不断上升。受他影响,Citadel LLC对冲基金的创始人兼首席执行官Ken Griffin也表达了疑虑,认为对AI的大规模投资未必能带来回报。流入AI领域的资金仍多于该领域创造的收入,有些交易甚至形成了循环:一家公司投资另一家公司,后者再用这笔钱购买投资方的产品。Gartner估计,按照目前的投资速度,到2030年底,投入AI基础设施的逾3.5万亿美元可能会失去价值。任何被高估的市场都像气球,只要不断注入资金,它就会膨胀。但如果膨胀得越来越大,却没有带来实际回报,气球外皮就会越来越薄,最终可能破裂。试图准确预测它何时破裂毫无意义。更重要的是弄清楚外皮最薄的地方在哪里——什么可能最先撑不住,以及之后会出现哪些机会。好产品并不保证能够生存据一些估算,2024年成立的AI初创公司中,约有40%已经倒闭。例如,Relay这类工作流自动化工具正逐渐停业,原因仅仅是Google或OpenAI等巨头将其功能整合进了自家产品。人们对这类独立服务的需求正在减退。要在这样的环境中生存,企业必须根基稳固。想想地震:倒塌的未必是最高的建筑,反而可能是那些建造时没有考虑到抗震的建筑。对AI公司而言,根基来自自有数据和专业知识。依赖第三方模型的公司,一旦模型背后的企业推出类似的自有产品,就可能失去竞争优势。过去我们已经多次看到这种情况:平台逐渐接管了原本需要借助独立工具才能实现的功能。例如,操作系统开始能够自行打开PDF文件、压缩文件后,数百种实用工具便不再有存在的必要。随着AI的发展,这种情况发生得更快了,因为基于第三方技术开发的附加产品可发展的空间越来越小。因此,评估一款产品时,值得思考的不只是人们现在是否需要它,还要考虑大型平台将同样的功能整合进自家产品后,人们是否仍会需要它。危机也能创造新的增长机会如果AI泡沫破裂,市场可能会受到冲击,但这并不意味着所有人都会遭遇灾难。危机不仅会摧毁企业,也会带来机遇。首先是人才。经济低迷可能会让经验丰富、此前许多公司难以招揽的专业人才重新进入市场。以以色列AI公司AI21 Labs为例。这家少数自主开发语言模型的独立公司之一,此前曾获得Google和Nvidia的投资。然而,今年它裁减了超过60%的员工,其中包括研究人员和开发人员。其次是新市场和细分领域。许多参与者收缩业务、削减成本时,会为新公司腾出空间。Kauffman Foundation估计,2009年《财富》500强榜单上的公司中,超过一半是在经济衰退或低迷时期创立的。例如,Airbnb于2008年上线,Uber则于2009年上线。它们都没有等待经济复苏,而是率先进入了那些在经济形势较好时本会被占据的市场。最后是资源。如果资源供给超过市场需求,价格往往会下跌。自2000年以来,光纤电缆市场就出现过这种情况。Global Crossing在2002年破产前,铺设了一张约有10万英里电缆的网络。然而,这张网络仍在使用。在AI行业,数据中心和电力容量同样可以转作他用。但把握新机遇并不意味着押注单一结果。前OpenAI研究员Leopold Aschenbrenner的经历说明了原因。他于2024年创立了Situational Awareness对冲基金。该基金投资AI基础设施,同时也做空可能难以与AI竞争的软件公司。这看起来是两种不同的押注,但都建立在同一个假设之上:AI热潮将会加速。两年内,该基金规模已增至450亿美元。但在2026年夏天,投资者开始怀疑对AI的巨额投资能否迅速获得回报。仅仅两个月,Situational Awareness的资产就降至约100亿美元。Aschenbrenner并没有错判AI改变世界的潜力。但问题在于,他的基金所有投资都依赖同一种情景。泡沫破裂后,谁能生存?在这样的时期,关键是看实际发生了什么,而不是企业预期会发生什么。如今,越来越多的企业开始采用 AI,随着试点项目陆续启动,一切似乎进展顺利。但数据显示,实际情况并非如此。平均而言,AI 项目中只有五分之一能够成功。在接受调查的 2,000 多名 IT 主管中,也只有 13% 表示,他们的公司从 AI 中获得了显著收益。风险更大的是那些至今仍未弄清两件事的公司:如何在项目启动前计算 AI 投资的回报,以及何时停止一个毫无成果的项目。那么,如果 AI 热潮最终被证明只是一个泡沫,该如何判断你的公司能否挺过危机?不妨先回答几个问题: 如果...
作者 Dmytro Korchevskyi, 创始人,Sintegrum
-

思想领袖最明智的 AI 决策,或许是不发送这条消息
生成式 AI 大幅降低了撰写个性化消息的成本,却没有让人更容易判断该不该发送这条消息。随着 AI 承担起更多影响客户互动的决策,这一区别变得至关重要。系统可以生成相关的优惠内容,预测客户会点击,却仍然做出错误的决定。客户可能还在等待退款,可能有尚未解决的投诉,也可能已经使用另一个电子邮件地址购买了该产品。文案写得更好,并不能解决这些问题。系统需要更深入地了解客户,采用能够体现企业真正重视事项的目标,并明确限定自身可以采取的行动。你要求系统优化什么?发送量、打开量和点击量都很容易统计。因此,它们是实用的运营指标,但也很容易被当成企业真正追求的目标的替代品:让客户认可双方关系的价值,并不断回头。如果 AI 系统以点击总量为优化目标,又几乎不受联系频率的限制,它可能会发现,发送更多消息能提高自己的得分。单看每一次额外发送,似乎都合情合理。但在不同营销活动和渠道中,同一位客户最终可能会收到远超任何人预期的品牌消息。代价会体现在优化指标之外。根据 Validity 的 2026 年假日季消费者调查,三分之一的受访者表示,仅假日季电子邮件数量过多,就足以让他们取消订阅。这并不能说明消息过载是由 AI 导致的,却说明增加联系可能会损害客户关系。取消订阅看得见,而此前积累的挫败感往往看不见。如果系统因今天获得一次点击而得到奖励,却不会因为降低客户下个月回头的可能性而受罚,它就几乎没有理由权衡这种取舍。克制也是一种决策想想这样一位客户:上周退回了订单,至今仍在等待退款。营销系统看到他最近购买过商品,而且很可能会作出回应,于是安排发送一封促销邮件。从客户的角度看,品牌还没退还欠他的钱,就已经在向他索要更多。退货记录可能存放在订单系统中,退款状态可能在客服工具里,而购买记录则可能在营销档案中。这些记录甚至可能没有关联到同一个人。模型完全可能按照设计运行,却仍然根据不完整的客户信息做出决定。关联这些记录,会改变系统能够获知的信息,但不会自动改变系统的行动。决策流程还需要考虑尚未解决的退款问题,并允许暂缓促销作为一种合理结果。否则,你只是给系统提供了更多信息,却没有改变它因何种行为而得到奖励。因此,必须把客户背景信息与目标一并设计。背景信息说明正在发生什么;目标和决策规则则决定接下来应该做什么。仅仅发生退货,并不意味着所有沟通都应停止。客户可能需要收到退款进度更新。实用的服务通知与又一条促销信息之间的区别至关重要。邮件写得不好,是内容问题;客户还在等退款时收到一封措辞得体的邮件,则是决策问题。你无法靠把前者做得更好来解决后者。注册不等于忠诚忠诚度计划也会带来同类问题。如果成功的定义是增加注册人数,系统可能会学会用折扣吸引用户。注册人数上升了,但这些客户是否会在没有下一次折扣的情况下再次光顾,则是另一个问题。真正有用的问题需要更长时间才能得到答案:会员会不会再次光顾?扣除激励成本后,他们的消费是否仍能带来利润?该计划改变了他们的行为,还是主要奖励了他们本来就会进行的购买?要回答这些问题,就需要长期关联忠诚度计划的参与情况、购买记录和服务历史。还需要进行对比,以区分计划带来的影响与本来就很可能发生的行为。单凭会员人数增加,无法得出这些结论。人工监督必须改变决策人们有责任决定系统应该优化什么。客户留存率、利润率和客户付出的精力之间存在取舍,管理层必须对此负责。模型可以帮助评估这些取舍,但不能替人承担选择它们的责任。行动限制也是如此。一个有用的起点问题是:这项行动要撤销,难度有多大?暂缓一条促销消息以供审核,与更改价格、发放抵扣金或取消预订,后果各不相同。行动的后果、客户授予的权限以及现有背景信息的可靠程度,都应决定哪些操作可以自动执行,哪些需要审批。退款尚未处理完毕,并不意味着每次都必须转为人工审核任务。如果相关政策明确,系统可以通过规则暂缓发送促销信息,同时继续发送服务沟通信息。遇到背景情况模糊、规则相互冲突,或后果超出系统权限的情形时,才应进行人工审核。如果缺少区分这些情形所需的信息,系统就需要预先设定后备处理方式,而不是获准自行猜测。审核人员需要了解的,不只是置信度评分。他们还需要看到哪些客户记录为这项建议提供了依据、这些记录有多新、系统试图实现什么目标,以及有哪些限制适用。如果一项建议虽然信心十足,却依据过时或不匹配的记录,它仍然是不妥的建议。人工干预应当成为决策依据。如果人们反复叫停同一类促销活动,就应记录原因。这种模式可能揭示服务数据缺失、身份识别问题,或奖励错误行为的目标设定。与其让某个人无限期地重复发现同一个错误,不如解决造成这一模式的问题。衡量暂缓发送是否有帮助团队可以先从一项决策入手,而不必一开始就试图重新设计所有客户互动。以一次促销信息发送为例,明确它所需的背景信息,并设定应当暂缓发送的条件。必要的服务信息不应纳入这项抑制规则。接下来,测试这一改变是否有帮助。对于符合条件的促销信息,将现行做法与一项在特定条件下暂缓发送的政策进行比较。在符合购买周期的时间段内,跟踪重复购买、客户留存、投诉和利润率。发送量和点击量仍有助于解释发生了什么,但不应成为最终评判标准。测试可能表明,减少促销信息有助于维护客户关系;也可能表明,某项限制的适用范围过宽。无论哪种结果都有参考价值。不发送不应像发送一样免于评估。两者都是决策,其后果都可以衡量。这些做法都无法免去工程工作。客户记录必须准确对应到正确的人。近期事件必须及时进入决策流程,才能发挥作用。权限必须限制可采取的行动,团队也需要记录发生了什么以及原因。更好的目标无法弥补背景信息的缺失,正如更充分的背景信息也无法挽救错误的目标。着眼于客户关系来构建系统对领导者而言,问题很直接:你的系统将什么视为良好的决策?如果答案是点击,它或许完成了自己的任务,却让客户体验变得更糟。可信的客户背景信息能为人和 AI 提供更可靠的依据,帮助他们判断该采取什么行动。明确的目标和控制措施则决定如何运用这些认识。最终,系统应能解释为什么某条信息此刻有用,识别它何时并无必要,并从之后发生的事情中不断学习。有时,AI 系统能做出的最明智决定,就是完全不发送任何信息。
作者 Derek Slager, 联合创始人兼联合首席执行官,Amperity
-

思想领袖个人 AI 正在冲击客户忠诚度,品牌却尚未做好准备
品牌所说的客户忠诚度,大多其实只是转换成本带来的阻力。人们继续使用同一家无线通信运营商、银行、保险公司或订阅服务,只是因为更换起来费时费力。你得先调查其他选择、比较复杂的优惠、进行协商、填写表格,还要考虑省下几美元是否值得这么折腾。个人 AI 很快或许就会让这些麻烦变得无关紧要。消费者可以向自己的 AI 说明目标,并授权它去实现目标:帮我把每月开支削减 10%,让我的旅行支出不超预算,或者确保我始终拿到最优惠的价格。当 AI 能够持续评估客户是否获得了最佳结果时,企业就会发现,客户留存有多大程度上是由惯性推动的。我们已经看到了最初的迹象。Meta 的个人 AI 智能体 Muse 的下载量已超过 500 万次,而 OpenAI 推出了 Dots,这是一款始终在线的智能体,旨在后台协助消费者实现目标。Google 等公司也在竞相迈向同一个未来。这促使整个行业开始着手建设相关基础设施,例如最近宣布的 Personal Agent Protocol。我的公司正与 Meta、Sierra 等公司合作,制定一套通用方式,让个人 AI 智能体在与企业互动时表明自己代表谁,以及获准执行哪些操作。整个行业已经着手推进这件事,这一事实告诉我们一件重要的事:个人...
作者 Mike Szilagyi, Genesys 总经理、高级副总裁兼产品负责人
-

思想领袖AI 的智慧,取决于其背后的财务数据
几乎每一次有关金融未来的讨论,如今都会谈到 AI。各类机构正在投资 AI,以自动处理日常工作、改进预测,并帮助员工更快地做出决策。大多数这类讨论都是从模型和应用谈起。依我之见,讨论应该从这些系统所依赖的数据质量、互联程度和治理方式谈起。我的职业生涯一直致力于构建并扩展支付基础设施,而最棘手的问题很少出在算法上。真正的难题在于底层基础设施:如何让会计平台、银行、薪资服务商和支付网络以同样的方式描述同一项业务事件。这一挑战在金融领域尤其突出。会计、银行业务、薪资、开票和支付都会产生影响商业决策的信息。如果这些系统各自独立运行,就会形成彼此割裂的数据环境,使 AI 更难在整个组织范围内建立背景脉络。AI 能够识别各个系统内部的模式,但如果无法连贯地了解一家组织的财务状况,就无法可靠地解释整个业务正在发生什么。Melio 刚起步时,我们就遇到过一个听起来微不足道、实则不然的问题:“已付款”到底是什么意思?客户周一批准付款,资金周二离开其账户,供应商的银行周四才让这笔钱到账,交易则在下周才与发票匹配。四个时间戳,对“这笔款项何时支付”有四种站得住脚的答案,而且没有一种是错的。人类会计人员无需多想,就能应对这种模糊性。但如果预测模型把“付款日期”视为单一字段,就会对时间做出自信而系统性错误的预测——而现金流预测最不能出错的恰恰就是时间。连接这些系统是必要的第一步。只有让它们对字段含义达成一致,建立连接才真正有价值。在金融领域,“适用于 AI”始于互联;而只有当各系统以同样的方式描述同一事件时,这种互联才真正有意义。洞察更清晰,决策更明智对互联财务数据的需求日益迫切。Xero 的《小企业洞察》报告发现,美国小企业如今平均要等29.3 天才能收到款项,而年销售额增长率为 4.0%,仍低于长期平均水平。当收款时间、支出和需求各自独立变化时,组织需要能够将这些信号联系起来、而非孤立分析的系统——无论是大型企业的资金管理部门,还是只有 10 名员工的企业,都是如此。不妨设想一家企业正在考虑能否在本季度结束前再招聘一名员工。这项决定不能只看今天的银行余额:预期客户回款、薪资支出承诺、经常性开支、即将到来的纳税义务以及预计收入,都需要纳入考量。没有任何单一指标能够给出可靠答案。将这些信息汇总起来,领导者就能更清楚地了解企业的财务状况,也能为 AI 提供有意义的推理依据。自动化需要获取交易数据;推理则需要背景信息。每个月初,财务团队可能都要先花一段时间核对不同系统中的数据,之后才能开始有意义的分析。等到他们掌握完整情况时,想要了解的现金流变化可能已经过去数周。这种滞后正是互联数据能够缩短的。理解业务,AI 才能创造价值金融领域第一代 AI 侧重于提升效率:交易分类、发票处理,以及帮助团队更快完成日常任务。这些能力至今仍能创造价值,但人们的期待正在从任务自动化转向具备背景感知能力的决策支持——更早发现现金流风险、提高预测准确性,并了解支付行为、支出或收入模式的变化可能如何影响未来业绩。要做到这一点,AI 就必须结合背景分析财务数据。任何一笔交易的含义都取决于其周边情况:支出增加可能意味着超支,也可能是为应对季节性需求而采购库存;现金储备减少可能预示流动性承压,也可能只是季度纳税时间所致。AI 若能做到同样的判断,便能真正发挥价值——将历史交易、现金状况、应收款项和运营信号中的模式联系起来,从而区分有意义的变化与常规波动。夯实正确的基础对于正在评估金融领域 AI 应用的技术领导者而言,关键问题不是先部署哪款应用,而是底层数据环境能否提供这些应用所需的完整、及时的背景信息。在构建这类系统时,有几项投入尤为重要:把集成视为契约,而非连接。会计平台与支付系统之间的一次性同步,最终会逐渐失准。应明确规定数据契约——包括架构、字段定义和数据时效保证——这样上游系统发生变化时,下游 AI 才不会在毫无察觉的情况下逐渐失效。从批量对账转向事件驱动的数据流。如果财务数据每周或每月才对账一次,AI 做出的预测依据的就是过时信息。事件驱动型数据管道会在交易发生时立即传递数据,为模型提供及时信息,使其能够及早发现变化。为财务指标建立语义层。“现金状况”“未收应收账款”和“收入”在每个系统中都必须含义一致。如果定义不统一,AI 就会自信地给出答案,而不同团队对这些答案的理解却可能各不相同。以真实情况为依据评估...
作者 Ilan Atias, Melio 联合创始人兼首席技术官
-

思想领袖为什么智能体式 AI 项目会被取消,以及八周试点为何能做对关键事情
客户提出退款申请后,智能体会在 CRM 中找到订单,查看退货政策,并在一分钟内起草回复。随后它却卡住了,因为退款审批需要通过一个它无法访问的财务系统,而客户地址在两个数据库中的记录并不一致。这类缺口很少会在演示中显现,却决定了运行智能体需要多少成本,以及人们是否能够信任它。这说明,智能体式 AI 在企业中的更大风险,来自智能体被部署进去的业务环境,而非模型本身。Gartner 预计,到 2027 年底,超过 40% 的智能体式 AI 项目将被取消,原因是成本不断上升、业务价值不明确,以及风险控制薄弱。仔细来看,这项预测反映的是此类项目如何仅凭演示就获批,却几乎没有人了解目前的实际工作成本,也不清楚谁该对结果负责。我会向任何领导团队提出这样一个问题:企业能否支持这个智能体每天承担这项工作,并接受相应的成本和风险水平?要回答这个问题,就必须仔细审视我所说的“自动化后的工作”——也就是智能体完成自身部分后,人们仍需处理的一切。而八周试点是衡量这些工作的实用方法,可以在决定全面推广之前先行评估。智能体从企业继承的问题智能体很少独立工作,因为即便看起来很简单的任务,也会涉及客户记录、几个业务应用,通常还包括一个审批环节;每一处连接都会限制智能体能看到和能做的事情。如果记录不一致,或者没人确切知道该由谁签字批准,智能体就会连同任务一起继承这些混乱。常规情况很少构成问题,真正的难点在于例外情况,因为运营成本会在此时不断累积,而这恰恰是演示中刻意避开的部分。Deloitte 的 2026 年研究发现,只有 5% 的组织认为自身业务流程已为 AI 智能体做好充分准备。这个数字比任何模型基准测试都更能说明问题,因为它表明,AI 的准备就绪远远领先于大多数业务流程。商业论证必须计入自动化后的工作衡量智能体生成结果的速度,是高估其价值最容易的方式,因为真正重要的指标是完成整项任务需要投入多少精力。假设员工处理一项请求需要 20 分钟,智能体将初步处理时间缩短到 2 分钟,看起来节省了 18 分钟;但之后有人花...
作者 Bhupendra Chopra, 首席营收官兼联合创始人,Kanerika
-

思想领袖企业级人工智能最难的不是创新,而是确定优先级
大多数组织不缺人工智能创意。但如何才能成功地将这些创意转化为真正能够提升投资回报率(ROI)的实践?对企业和技术领导者来说,这个问题听起来简单,实际却出人意料地棘手:要找出、评估并确定那些真正能够创造价值的人工智能机会的优先级,需要考虑很多因素。尽管技术已经成熟,也不乏创新思路,但大多数人工智能项目往往在真正落地之前就告失败。实验与执行之间的差距显而易见:S&P Global发现,企业平均有46%的人工智能概念验证项目在投入生产前就被搁置了。这是因为组织在尚未充分界定想要解决的问题之前,就开始评估人工智能创意。许多组织已经走过实验阶段,不再只是摸索该押注哪些人工智能项目,以及按什么顺序推进。然而,采用人工智能并不一定能转化为业务成效:McKinsey 2026年人工智能现状调查发现,尽管目前有44%的组织表示已在整个企业范围内推广人工智能,但只有37%表示人工智能对营业收益产生了任何可衡量的影响。这些组织需要一套可重复使用的决策体系,在投入资源之前,先区分速赢机会、战略机遇、前置条件和非人工智能问题。问题始于创意的提出方式在各个领导团队中,人工智能创意并不会以条理清晰、彼此独立的机会形式出现。它们往往是打包提出的——内容丰富、杂乱无章、雄心勃勃,例如:“我们需要人工智能来协助沟通、报告、会议、知识传递、绩效管理,也许甚至还要让人工智能代理来管理我们的项目。”这并不是一个创意就能解决的问题,而是至少需要六个创意,而且每个创意在范围、复杂程度、治理要求和预期价值方面都截然不同。一句“我们需要人工智能来做报告”之类的话,背后可能隐藏着: 可在数周内实现自动化的重复性任务 需要先重新设计流程,人工智能才能发挥作用 人工智能首次使之成为可能的全新能力 仅靠人工智能无法解决的数据或系统问题 如果用相同的评估标准、时间安排和投资回报率计算方法来处理所有这些问题,就会导致优先级排序不当、精力白白浪费。速赢机会会被为重大项目设计的治理流程掩盖。突破性创意得不到所需的支持。而那些根本不是人工智能问题的事项,则会占用本可投向其他工作的资源。人工智能机会优先级评估框架组织需要一套标准化原则,帮助其判断哪些机会适合采用人工智能解决方案。我提出以下建议: 先拆解,再确定优先级。人工智能决策的质量完全取决于进入决策流程的创意质量。最重要的一步,是将宽泛的需求拆分成彼此独立的机会,并为每项机会明确预期结果、唯一负责人和切实可行的范围。按这种方式评估宽泛的创意后,少数几条最初的想法就能转化为多个各自独立、可评分的机会。其中一些可以立即开展试点,另一些则可能需要先解决前置条件。还有一些可能根本不是人工智能问题。 类型决定治理方式,评分决定推进顺序。应对业务挑战所需的人工智能实施类型,以及其评分(或创造价值的潜力),是两个截然不同的问题,但大多数优先级评估流程都把它们混为一谈。这个创意属于哪类机会?是任务自动化、流程重新设计、全新的人工智能能力,还是其他类型?答案决定了应如何管理这项工作:审批流程、时间安排,以及价值衡量方式。它与其他机会相比如何,则决定了应在何时推进。快速自动化和战术性人工智能能力都可能有价值,但绝不应遵循同一条治理路径。 先明确问题,再选择技术。人工智能领域最容易掉入的陷阱之一,就是过早开始讨论模型、平台或供应商。更好的起点是先了解问题本身:谁正受到问题影响?摩擦由什么造成?哪些结果需要改善?这一区别很重要,因为组织可能对自己的人工智能战略充满信心,却仍缺乏执行战略所需的基础能力:UST 2026年的一项调查发现,44%的企业领导者认为数据质量是采用人工智能的一大障碍。如果尚未就这些基本问题达成共识,就开始讨论技术,通常为时尚早。让早期讨论聚焦于问题本身,能使最终的技术决策更加清晰。 像识别机遇一样明确地指出阻碍。高分本身并不足够。如果某个构想影响力大且获得领导层支持,却存在难以克服的可行性障碍,例如缺少数据、系统依赖问题尚未解决,或受到合规要求限制,那么就应在路线图中明确列出,但在障碍消除之前不应付诸行动。治理与合规已是扩大 AI 规模应用时面临的最重大障碍之一:Moody’s 2025 年调查发现,33% 的受访者认为监管不确定性或合规风险是大规模采用 AI 的挑战,另有 30% 的受访者提到将 AI 与旧有系统集成存在困难。例如,某项机遇在除可行性以外的所有维度上都可能得分很高,但其实现有赖于另一个团队解决数据缺口。此时,可以在路线图中明确标记该事项;依赖问题一旦解决,就能立即推进。 让路线图保持灵活。技术能力不断演进,业务优先事项会发生变化,依赖关系也会随时间改变。优秀的项目组合应便于根据情况变化重新评估各项机遇,而不必重做整个计划。对于发展如此迅速的领域,年度规划周期往往过于僵化。 付诸实践值得注意的是,AI...
作者 Sumit Arora, 高级技术副总裁,Ascend Learning
-

思想领袖患者不需要更多医疗信息,只需要协调一致的信息。
疫苗接种季已经到来。医疗系统、保险公司和药房正向患者发送数千万条信息,提醒他们预约接种流感疫苗和新冠疫苗。但这些信息到底有多有效?患者会收到来自不同渠道的多条信息,有时内容还会重复。他们会通过电话、短信、电子邮件和患者门户,收到基层医疗机构、专科医生、保险公司、实验室和药房发来的提醒、检查结果和请求。每个系统都各自发送信息,并不知道其他系统已经发过什么。这就是现代医疗的悖论:患者、医疗服务提供者和保险公司都拥有过多信息,却没有人能有效地将这些信息组织起来。各个系统有很多方式与患者沟通,但这些沟通缺乏统筹协调。医疗沟通往往缺乏协调,患者因此难以从纷杂信息中辨别重点,后果可能不堪设想。信息碎片化会让患者困惑、疏离,进而可能影响他们获得医疗服务。患者不应被迫设法管理多路信息,而是需要一种统筹协调的体验,通过各个渠道主动传递一致的信息。无论患者使用手机、电子邮件还是患者门户,都不应影响他们获取信息。患者在医疗服务流程中的下一步应当一目了然。统筹患者就医流程可以优化医疗系统的运营,更重要的是,改善患者获得医疗服务的机会。就医流程碎片化会造成医疗服务障碍患者能够获取的信息比以往任何时候都多,但他们却难以在需要时找到所需信息。例如,设想一位患者因吞咽困难就诊,基层医疗医生随后将他转诊做内镜检查。随着预约日期临近,他却不清楚该去哪里查找重要的检查前准备说明。如果患者无法获取这些信息,可能会在等待数周后前往做内镜检查时仍未做好准备,因而无法获得所需的医疗服务。他只好重新预约,这一循环又从头开始。患者与医疗服务提供者之间的沟通往往并不顺畅。一项研究发现,一周后,患者只能准确回忆起就诊时所做决定和所获建议的大约一半。因此,患者能否找到正确的信息至关重要。然而,医疗领域碎片化的沟通环境往往会成为患者获得医疗服务的障碍。患者门户是一个很好的例子。它们最初旨在让沟通更顺畅,如今已成为患者获取信息最常见的方式之一。过去十年间,访问在线病历或患者门户的患者比例增加了一倍多,从2014年的25%升至2024年的65%。但患者门户使用率上升,并不一定改善了患者的就医体验。近十分之六的患者报告称自己拥有多个在线医疗记录或患者门户,而就在两年前,这一比例为50%。只有7%的患者使用应用程序将这些门户整合起来。问题不在于患者门户,而在于每个门户、短信渠道和电话渠道都各自独立运作。患者不得不管理另一个信息来源,就医流程也因此变得越来越复杂。患者信息网络不断扩大的问题在于缺乏协调。患者门户、沟通渠道和系统彼此不同步,就会形成一座迷宫,患者不得不在其中摸索,才能获取重要信息。如果不对不同渠道进行统筹协调,信息过多造成的问题就会与信息不足时一样。碎片化损害患者和医疗团队沟通一旦碎片化,患者和医疗系统都会受到影响。患者获得医疗服务时会遇到越来越多障碍,医疗服务提供者则面临患者爽约和工作量增加的问题。信息碎片化让患者掌握的信息更多,却更不确定该如何行动。此类信息过载也与医疗团队的压力和职业倦怠有关。患者对下一步该做什么越发困惑,承受的压力也随之增加。信息不清楚时,工作人员需要花更多时间回答问题,还要为爽约的患者重新安排预约并跟进联系。一项2023年的民意调查发现,70%的医生觉得自己被数据淹没,数据量超出了合理的处理能力。这种数据疲劳会导致员工职业倦怠,并降低患者满意度。许多日常工作都可以自动化处理。协调一致的主动联系可以通过电子邮件、短信、电话和患者门户,处理常规确认、提醒和改约事宜,让患者无需打电话就能找到所需信息,也让医疗团队能够专注于那些需要与工作人员直接沟通的患者。统筹协调在实践中是什么样的?医疗系统往往试图通过增加一款工具来解决服务碎片化问题。但如果新增加的这一层无法与其他系统连接,只会让信息更加嘈杂。技术必须围绕患者实现互联与协调。这正是统筹协调所能做到的。统筹协调意味着将患者就医旅程中的各个环节彼此连接起来,使它们顺畅协作。这需要从全局出发,确保患者在合适的时间通过合适的渠道收到合适的信息,从而清楚自己该做什么。那么,医疗系统如何才能为患者打造更连贯、统筹得当的就医旅程?以下四种思路转变是很好的起点。 找出并打通数据孤岛。 对患者就医旅程进行审查,可以找出交接环节中患者下一步该做什么变得不明确的情况。要解决这些问题,就需要让相关系统彼此共享信息并协调消息发送。例如,初级保健医生将患者转诊至心脏科时,转诊应触发专科诊所主动联系患者安排预约。患者预约后,转诊提醒就应停止发送。 减少重复消息。如果患者收到多条通知,要求他们为同一次预约提前登记,他们就会逐渐对所有通知视而不见,包括那些对其护理至关重要的通知。跨渠道协调意味着,患者通过短信链接完成提前登记后,就不会再收到电子邮件和电话通知。显示医疗系统名称和标识的联系信息,例如带有品牌标识的富通信服务(RCS)短信,有助于患者确认信息确实来自该机构,而不是垃圾信息。 根据患者个人情况定制消息。 有些患者更愿意通过电话确认预约。另一些患者觉得电话打扰太大,更喜欢短信或电子邮件。还有些患者更喜欢使用英语以外的语言。协调一致的系统可以利用掌握的患者信息,判断下一步最合适的行动,并通过患者常用的渠道发送相关信息。例如,如果患者忽略了两封电子邮件,系统就会发送短信;如果患者更喜欢西班牙语,系统就会用西班牙语发送准备说明。 重新审视投资回报率(ROI)。 医疗系统通常依据效率来评估工具,但患者感受护理服务时,并不会从这个角度出发。更好的衡量标准是工具在多大程度上减少了护理延误。医疗系统不必只统计发送了多少条消息,还可以追踪有多少转诊最终转化为已完成的就诊、有多少患者完成了预防性筛查,以及主动联系患者后爽约率是否下降。 当护理服务和沟通得到统筹协调时,患者就能在合适的时间通过自己偏好的渠道收到合适的信息。以之前提到的那位接受内窥镜检查的患者为例。当他的初级保健医生和专科医生所在的系统协同运作时,系统会在手术前两三天,通过他偏好的语言和渠道发送准备说明,并附上用于确认预约和完成预先报到的链接。如果他没有确认,系统会接着发送短信。如果短信仍未得到回复,系统就会自动拨打电话跟进。让技术真正服务于患者门户网站等技术不会消失。如果当前趋势持续下去,人们对它们的使用可能还会增加。但它们不必成为困惑或信息过载的来源。当这些工具与电子邮件、短信和电话一同纳入协调一致的多渠道沟通策略时,患者就能获得所需的护理服务。他们就能清楚了解健康旅程中的下一步该怎么走。医疗服务提供者需要通过跨渠道统筹协调,重新构想护理服务。这是贯穿始终的关键,能够帮助门户网站等单项工具更好地服务患者。将每位患者及其就医旅程作为护理工作的核心,有助于医疗服务提供者减少服务碎片化,并确保所有患者都能获得应有的护理服务。
作者 Irene Truong, 首席产品与商业战略官,WestCX
-

思想领袖否认、讨价还价、愤怒:我们与人工智能的关系将走向何方
ChatGPT公开亮相近四年后,我们与人工智能的整体关系已呈现出一种模式,与悲伤的五个阶段颇为相似。我们哀悼的是熟悉的一切,以及那份早在聊天机器人出现之前就已岌岌可危的稳定感。这些阶段并非按线性顺序推进,每个阶段的迹象仍不断浮现。最初,很多人都好奇这项技术能做些什么,而怀疑者则断言它绝不会带来真正的影响。后来,人工智能进入了我们的日常生活和工作流程,讨价还价也随之开始:“它只会处理那些无聊的任务。”“几周不用也没关系。”“也许我可以完全不用它。”我亲眼见证了这种讨价还价如何在自己的行业里上演:代理机构的预算不断缩减,客户需求却保持不变,而人工智能总被吹捧为弥补这一差距的办法。贯穿每个阶段的,始终是同一种焦虑和恐惧。如今,这种恐惧正转为愤怒,愈演愈烈。反弹为何此时出现恐惧无处宣泄时,往往就会转为愤怒。三件事把我们推到了这一步。首先是人工智能无处不在。皮尤研究中心对5,000多名美国成年人的一项调查发现,对于人工智能在日常生活中日益扩大的作用,美国人担忧远多于兴奋。这种担忧不再抽象,因为这项技术已融入我们的搜索栏、收件箱、教室和职位描述。其次,利害关系已经变得切身相关。早期关于人工智能的争论聚焦于它能做什么。如今的争论关乎房租、学费,以及我们的孩子能否在没有机器先替他们思考的情况下学会思考。第三是数量。我们的信息流、广告和客服聊天中充斥着机器生成的内容,而且越来越多人能辨认出来。认出这些内容,很快就会滋生反感。愤怒表现为何监管机构关注年轻用户要求监管人工智能的呼声日益高涨,尤其关注年轻人如何使用人工智能。2025年9月,美国联邦贸易委员会对充当陪伴者的人工智能聊天机器人展开调查,询问数家大型公司如何检测并限制这类产品对儿童和青少年造成的伤害。联邦监管机构开始提出这些问题,说明公众的担忧早已不再只是餐桌上的谈资。教育工作者观察学生的思考方式教师和教授描述说,有些学生把思考的工作交给人工智能,之后却难以回忆自己提交了什么。相关研究仍处于早期阶段。麻省理工学院媒体实验室一篇题为《你的大脑遇上ChatGPT》的预印本研究发现,借助语言模型写作文的参与者,神经活动较弱,对自己作品的回忆也更差。这项研究规模较小,发布时也尚未经过同行评审,因此最好将其视为一个信号,而非定论。尽管如此,它还是为教育工作者已经在课堂上观察到的现象提供了表述方式。劳动者担心自己的职业前景对工作的担忧最为普遍,也最切身。皮尤研究中心发现,52%的美国劳动者担心人工智能未来会对职场造成什么影响;32%的人预计自己将面临更少的就业机会,只有36%的人对此抱有希望。创意行业从业者对此感受尤为强烈,因为他们的工作恰恰是生成式工具最擅长模仿的对象。裁员数字更凸显了这种担忧。Challenger, Gray & Christmas追踪记录到2025年已宣布裁员1,206,374人,比上一年增加58%。这些裁员并非全都与人工智能有关,声称如此并不公平。但人们如何看待这件事,与裁员实际归因于什么同样重要。整个团队正在被裁撤,因为有一个人知道如何操作关键工具;我们许多人都觉得自己的脑袋正悬在断头台上。受众抵制人工智能生成的内容我们对自己未来以及孩子未来的担忧,如今正表现为对人工智能生成内容的反弹。麦当劳荷兰公司推出一则人工智能生成的节日广告后,反响十分强烈,据BBC报道,该公司随后撤下了广告。那些把合成内容当作节省成本捷径的品牌,如今发现,受众会将此解读为一种信号:品牌认为他们有多重要。核心悖论人工智能也已变得无可回避。我们大多数人每天都在使用它,许多人甚至必须使用它才能跟上步伐。作家可以厌恶人工智能对行业造成的影响,却仍在夜里把草稿交给它处理。教师可以在课堂上禁用它,私下却用它来准备教案。一场反向运动正在形成,倡导人类创作的作品、基础学习原则和面对面社群,同时也在抵制一种连许多参与者自己仍依赖的工具。这并非虚伪。我们可以一边厌恶某样东西,一边依赖它;这恰恰就是悲伤在现实中的样子。未来一年可能如何发展没有人能准确预测未来,但我认为有五种发展很可能出现。 针对年轻用户的规定将会增加。针对未成年人的 AI 产品,年龄限制、披露要求和安全测试很可能会进一步扩大。 “人工创作”将成为卖点。预计会有更多品牌宣传其作品背后的创作者,也会有更多受众要求品牌拿出证明。 学校将重新划定界限。更多考试将改为线下进行,口头答辩、手写作业也会增多,学校还会明确规定作业中何时可以使用 AI、何时不可以。 信任将成为竞争优势。坦诚说明 AI 如何影响自家员工的公司,将比那些宣布裁员却称之为提高效率的公司赢得更多公众好感。 人们将悄然转向放慢脚步。线下社群、离线爱好和有意安排的停顿都可能增多。这并非拒绝科技,而是为了重新集中注意力,包括改善我们的学习方式。 最后这种转变对学习的影响最为重要,因为平静和专注是学习过程的一部分,而不是需要另行解决的问题。学校已经开始采取行动。全国各地的学区已在校内安排呼吸练习、短时冥想和瑜伽,而且美国疾病控制与预防中心(CDC)已认可正念练习,以帮助学生管理压力和情绪。这些做法并不能让正念成为包治百病的良方,但它们反映出一种日益普遍的认识:理解需要时间,而心急或焦虑时,人们更难做到这一点。AI 很容易让人忘记这一点。AI 辅助学习真正的风险,不是学生太容易得到答案,而是他们跳过了更缓慢、也更令人不适的过程——弄懂答案为何正确。保护这一过程,是企业和教育工作者可以着手的地方。企业和教育工作者应该怎么做赢得公众信任,靠的是具体的选择。 保护团队。坦诚告知员工哪些工作会使用 AI、哪些不会,并在宣布裁员之前投资开展技能再培训。 展示信息来源。能够注明答案出处的工具有助于用户核查内容,并继续独立思考。 留出停顿时间。让学习者在开始任务前有片刻时间平静下来,并让他们看懂答案为何错误,而不只是知道答案错了。 不要让用户感到内疚。旨在让用户因羞愧而持续打卡的通知,或许能提高参与度数据,却会侵蚀信任;如今,这种信任正受到这波反弹的考验。 让人类创作者清晰可见。明确标注 AI 生成的内容,并为参与创作的人署名。 对教育工作者来说,目标不是在禁止...
作者 Michael Verez Mora, Yellow Lion 首席执行官 & Caldo 联合创始人
-

思想领袖RAG 还是微调?真实客户项目教会我们的选择之道
几乎每次企业 AI 相关的对话,都会在头一个小时内走到同一个岔路口。客户有一个在演示中表现出色的大语言模型,但它不了解客户的产品、政策,也不懂客户惯用的写作方式。会议室里有人会问:我们应该用自己的数据微调模型,还是围绕它构建检索增强生成(RAG)系统?坦率地说,这个问题通常问得不对。RAG 和微调解决的是不同的问题。把两者当作相互竞争的选项,往往会让团队花上几个月时间、消耗大量 GPU 预算,最终却解决了错误的问题。以下是我们在实践中做出选择的方法,以及我们见过的成功与失败案例。先弄清楚模型缺少什么模型在业务任务中给出糟糕的答案时,通常是缺少两类信息之一。它缺少知识。它不知道最新的价目表、2025 年供应商合同中的条款,也不知道上个月刚上市产品的故障排查步骤。这是事实层面的问题。它缺少合适的行为方式。它掌握的信息足够多,却无法按照你的要求作答。它不遵循指定的输出格式,语气不对,误读内部代码,或者无法完成范围明确、需要反复执行的任务,例如将工单归入你的 40 个类别。这是技能层面的问题。RAG 是解决第一个问题的工具,微调则是解决第二个问题的工具。我看到的大多数困惑,都源于试图用微调来教会模型事实。为什么微调不是补充知识的好办法人们很容易以为,只要用自己的文档训练模型,它就会“了解”这些文档。但在实践中,模型对文档风格的掌握远比对其中事实的掌握可靠。Microsoft 的研究人员针对知识密集型问题直接比较了这两种方法,发现RAG 的表现始终优于无监督微调,无论是模型训练时见过的事实,还是全新的事实,都是如此。此外还有实际问题。事实会发生变化。每当政策或产品目录更新,经过微调的模型就会过时,直到再次训练才会更新。可追溯性也会丧失:微调模型给出某个数字时,你无法指出它来自哪份文档。对于保险和医疗保健领域受监管的客户而言,仅这一点通常就足以让讨论到此为止。RAG 最早由 Lewis 等人在2020 年的论文中提出,它将知识保留在模型之外。用户提问时,系统会检索相关段落,并将其作为上下文传给模型。更新知识只需更新索引,无须重新训练模型。而且,每个答案都可以标注来源。我们的一家物流客户就是个很好的例子。客户希望即时了解货物所在位置以及缺少哪些文件。这些信息每隔几分钟就会变化。无论怎样训练,都无法让模型始终掌握最新信息。因此,我们构建的助手会在用户提问时,从实时追踪数据和物联网数据中生成答案,而不是依赖记忆。检索是唯一可行的设计方案。微调真正发挥作用的场景微调并未过时,只是适用范围比人们预想的窄。以下三种情况,我们会考虑采用微调: 严格且重复的输出格式。如果模型每天必须数千次生成相同结构的输出,例如按照固定的 JSON 架构从发票中提取字段,那么微调后的小模型往往比通过提示词驱动的大模型更可靠,成本也低得多。 领域语言。有些领域使用的简写会被基础模型误读。物流状态代码、临床缩写和内部产品代码都是常见例子。适度微调就能解决这个问题。 大规模应用中的成本和延迟。任务明确后,微调后的小模型可以取代大型通用模型。LoRA 等方法让这一做法变得经济可行,因为训练时只需调整一小部分额外权重,而不是整个模型。 请注意,这些情况没有一种与事实有关。它们关注的是教会模型如何执行一项你已经充分了解的任务。大多数 RAG 故障都出在检索环节每当有团队告诉我“我们试过 RAG,但没效果”,问题通常不在模型,而在检索环节。模型的表现取决于提供给它的段落,最多只能和这些段落一样好。以下改进虽然不花哨,却很有效:...
作者 Yaman Kavishwar, VectovateAI 创始人兼首席执行官
-

思想领袖AI 行业希望赢得我们的信任,但首先需要更完善的管控
在安全领域,出了问题之后,我们不能才去发现管控措施是否有效。我们会对它们进行测试、提出挑战,并假定终有一天会有人发现我们遗漏的弱点。这是安全领域的基础常识。那么,为什么前沿 AI 要适用不同的标准?随着 AI 系统变得更加自主,并获得更多访问现实世界系统的权限,我们看到了一种现象:任何曾在网络安全防御一线工作过的人都应该对此感到担忧——能力的发展速度超过了管控能力。而速度并不能成为降低安全标准的借口。恰恰因为发展速度快,我们才更需要加强安全保障。非营利组织 Guidelight AI 最近发布的一份评估报告审视了 Anthropic、Google、Meta、OpenAI 和 xAI 在 AI 管控实践方面的公开证据。这些公司没有一家在总体评分中超过 C+。这并不意味着这些公司鲁莽行事,也不意味着它们在闭门运作时没有采取额外的管控措施。但安全不能建立在假设之上。如果有人要求我们信任日益强大的系统,我们就应该要求看到证据,证明围绕这些系统建立的管控措施经得起审视;这种审视标准不应低于我们在其他任何领域所要求的标准。别再把故障当作有趣的故事当 AI 智能体出现意外行为、获得了非预期的访问权限或暴露出弱点时,相关报道往往聚焦于技术做了什么。这确实值得关注。但这不是最重要的问题。安全从业者想知道的是:相关活动是否有日志记录?有人看到事情正在发生吗?危险操作是否受到限制?有人能否阻止系统?是否制定了遏制计划,又有没有人测试过这项计划?这些问题并非 AI 独有。多年来,我们一直在网络安全领域提出这些问题。然而,在新兴的前沿 AI 管控体系中,预防和遏制似乎仍是薄弱环节。关于受限操作、断路机制和紧急遏制措施的公开证据仍然有限。这些问题应该比事件本身的新奇程度更受重视。发生故障时,我想知道究竟哪里出了问题、是什么阻止了事态恶化,以及事后做出了哪些改变。透明度有帮助,吸取教训更重要。AI 安全真正的问题在于速度我不认为近期最大的威胁是 AI 突然发明出一种全新的网络攻击类型。更大的问题要实际得多:AI 能让我们早已了解的攻击发生得快得多。过去需要数小时的研究,如今几分钟内就能完成。攻击技术可以更快地串联起来。漏洞可能在人本安全流程还没来得及完成第一次升级通报之前,就已被发现并遭到利用。这之所以是个问题,是因为如今许多安全基础设施仍以有时间作出响应为前提。但有时,根本来不及响应。如果攻击迅速展开,以工单、会议、审批和人工逐级上报为基础的响应流程,可能还没走到第三步就已失去作用。这正是 AI...
作者 Charles Henderson, Executive Vice President & Head of DivisionHex, Coalfire








