企業人工智慧應用：瓶頸在於“可信數據”，而非模型，阻礙了業務擴張

有人指出，人工智慧應用的瓶頸在於“數據”，而不是“模型”。分析表明，雖然企業已經證實了生成式人工智慧和智慧體人工智慧的潛力，但它們在實際工作環境中未能取得成果的最大原因是缺乏可靠的資料庫。

Qlik Technologies首席行銷長Chris Powell在最近的「Qlik Connect 2026」活動上表示，雖然許多公司已經超越了人工智慧實驗階段，但它們仍在努力將其擴展到全面的營運環境中。他強調，問題的核心在於“人工智慧可以信任和利用的數據”，而不是人工智慧模型本身的性能。

鮑威爾解釋說：“現在的問題不是人工智能是否有效，而是數據是否能正確地服務於人工智能。”他補充道：“任何人都能在演示中看到人工智能的潛力，但如何在現實世界中可靠地實現這些結果則完全是另一回事。”

這說法與Quick和Enterprise Technology Research的一項調查結果相符。調查顯示，資料品質、資料可存取性和資料治理被認為是成功在實際營運中實施智慧體人工智慧的最大障礙。這意味著，儘管企業對人工智慧的投資意願強烈，但阻礙其實現預期回報的「現實壁壘」恰恰是資料基礎設施。

「置信度評分」和數據沿襲是關鍵因素

鮑威爾認為，企業要將人工智慧投入生產階段，必須具備三大支柱。首先，數據必須值得信賴；其次，必須理解數據中包含的獨特背景資訊；第三，必須建立能夠靈活應對技術變革的架構。

他特別指出，資料的「來源」、「變更歷史」、「存取權限」和「儲存位置」等因素至關重要。這意味著，我們不應僅僅關注資料是否存在，而必須能夠追蹤資料的來源、處理者以及隨時間推移的變更情況。為此，Quick 提出了一種用於人工智慧的「信任評分」系統。此機制用於評估特定資料是否足夠可信，可以輸入到大規模語言模型（LLM）。

這種方法在金融、物流和醫療保健等行業尤其重要，因為即使是微小的錯誤也可能造成巨大的損失。這是因為如果資料的可靠性得不到保證，人工智慧做出錯誤決策的可能性就會成比例地增加。

人為判斷和成本控制決定了可擴展性

鮑威爾指出，「人類專業知識」和「成本結構」也是人工智慧擴張的其他必要條件。他以聯合包裹服務公司（UPS）為例解釋說，那些能夠明確設計智能體自主決策範圍以及何時將決策權交還給人類的公司，正朝著大規模運營邁進。

這可以理解為，與完全自動處理所有決策的結構相比，整合人類領域知識和控制系統的智慧人工智慧展現出更高的效能。歸根究底，人工智慧的應用不僅是自動化技術的競爭，更重要的是如何在系統中體現人類的專業知識。

成本也是一個無法延後的變數。鮑威爾警告說，除非在人工智慧系統設計的早期階段就納入成本控制機制，否則很難建立可擴展的架構。他解釋說，即使表面上表現良好，但如果營運成本迅速膨脹，永續性就會下降，最終流程可能會回到財務部門評估投資報酬率（ROI）的階段。

總而言之，分析表明，企業在人工智慧領域的成功更多地取決於“可靠的數據基礎”、“融合人為判斷的營運設計”以及“可持續的成本結構”，而不是僅僅依賴卓越的模型。隨著人工智慧競爭的加劇，市場關注點正從技術演示轉向在實際場景中建立可複製且獲利的架構的能力。