企业人工智慧应用：瓶颈在于“可信数据”，而非模型，阻碍了业务扩张

有人指出，人工智慧应用的瓶颈在于“数据”，而不是“模型”。分析表明，虽然企业已经证实了生成式人工智慧和智慧体人工智慧的潜力，但它们在实际工作环境中未能取得成果的最大原因是缺乏可靠的资料库。

Qlik Technologies首席行销长Chris Powell在最近的「Qlik Connect 2026」活动上表示，虽然许多公司已经超越了人工智慧实验阶段，但它们仍在努力将其扩展到全面的营运环境中。他强调，问题的核心在于“人工智慧可以信任和利用的数据”，而不是人工智慧模型本身的性能。

鲍威尔解释说：“现在的问题不是人工智能是否有效，而是数据是否能正确地服务于人工智能。”他补充道：“任何人都能在演示中看到人工智能的潜力，但如何在现实世界中可靠地实现这些结果则完全是另一回事。”

这说法与Quick和Enterprise Technology Research的一项调查结果相符。调查显示，资料品质、资料可存取性和资料治理被认为是成功在实际营运中实施智慧体人工智慧的最大障碍。这意味著，尽管企业对人工智慧的投资意愿强烈，但阻碍其实现预期回报的「现实壁垒」恰恰是资料基础设施。

「置信度评分」和数据沿袭是关键因素

鲍威尔认为，企业要将人工智慧投入生产阶段，必须具备三大支柱。首先，数据必须值得信赖；其次，必须理解数据中包含的独特背景资讯；第三，必须建立能够灵活应对技术变革的架构。

他特别指出，资料的「来源」、「变更历史」、「存取权限」和「储存位置」等因素至关重要。这意味著，我们不应仅仅关注资料是否存在，而必须能够追踪资料的来源、处理者以及随时间推移的变更情况。为此，Quick 提出了一种用于人工智慧的「信任评分」系统。此机制用于评估特定资料是否足够可信，可以输入到大规模语言模型（LLM）。

这种方法在金融、物流和医疗保健等行业尤其重要，因为即使是微小的错误也可能造成巨大的损失。这是因为如果资料的可靠性得不到保证，人工智慧做出错误决策的可能性就会成比例地增加。

人为判断和成本控制决定了可扩展性

鲍威尔指出，「人类专业知识」和「成本结构」也是人工智慧扩张的其他必要条件。他以联合包裹服务公司（UPS）为例解释说，那些能够明确设计智能体自主决策范围以及何时将决策权交还给人类的公司，正朝著大规模运营迈进。

这可以理解为，与完全自动处理所有决策的结构相比，整合人类领域知识和控制系统的智慧人工智慧展现出更高的效能。归根究底，人工智慧的应用不仅是自动化技术的竞争，更重要的是如何在系统中体现人类的专业知识。

成本也是一个无法延后的变数。鲍威尔警告说，除非在人工智慧系统设计的早期阶段就纳入成本控制机制，否则很难建立可扩展的架构。他解释说，即使表面上表现良好，但如果营运成本迅速膨胀，永续性就会下降，最终流程可能会回到财务部门评估投资报酬率（ROI）的阶段。

总而言之，分析表明，企业在人工智慧领域的成功更多地取决于“可靠的数据基础”、“融合人为判断的营运设计”以及“可持续的成本结构”，而不是仅仅依赖卓越的模型。随著人工智慧竞争的加剧，市场关注点正从技术演示转向在实际场景中建立可复制且获利的架构的能力。