掌握你的智能：實現持久AI優勢的關鍵

在接下來的五年裏，每家公司都將以兩種方式之一使用AI：要麼用於運營關鍵業務環節，要麼作為產品銷售給客户。在這兩種情況下，通用智能都不足以滿足需求。

要實現真正的影響，企業需要掌握自己的智能。掌握並不意味着從零構建每一層，而是控制那些決定智能行為、管理方式以及能否隨時間積累的關鍵部分。

現成的AI是有用的，因為它具有通用性。它能回答常見問題，並在廣泛的主題上進行推理。然而，假設通用智能能夠直接驅動企業內部運營，那就過於簡化了。每家公司都有其獨特的運營方式。AI越深入企業，這些特殊性就越重要。

以一家大型保險公司為例，它使用AI協助處理理賠。通用模型可以閲讀保單文件、總結理賠內容並解釋常見的承保概念。但實際處理理賠需要依賴保險公司自己的保單語言、各州監管要求、欺詐信號、歷史理賠模式、升級規則、客户分級和風險承受能力。這些細節不會存在於通用模型的權重中。通用模型知道“免賠額”這個詞的含義，但它不知道如何針對特定客户、特定司法管轄區、特定保單和特定證據處理特定類型的理賠。

同樣的邏輯也適用於AI作為產品本身的情況。如果你是一家垂直AI初創公司，正在構建AI支持代理、法律助手或編碼代理，那麼基礎模型並不是你的產品。每個人都可以調用同一個API。你的產品是模型周圍的系統：它處理的工作流、檢索的上下文、能使用的工具、定義質量的評估、積累的記憶以及通過每次客户互動改進的反饋循環。

無論是哪種情況，優勢都不在於通用智能，而在於適應特定業務的智能。

那麼，掌握自己的智能意味着什麼呢？首先，要控制代理系統。代理是原始智能與工作之間的橋樑。模型提供智能，編排決定了智能如何應用，上下文告訴系統在特定情況下什麼重要。

第一層是模型。掌握模型可以指在需要主權、可移植性或部署控制時使用開源模型。也可以指保持模型可選性：能夠根據質量、成本、延遲和隱私要求的變化在供應商之間切換。可選性具有防禦性，因為它避免了鎖定；也具有進攻性，因為它能讓你在最佳模型出現時立即採用。

第二層是編排邏輯，它將模型輸出轉化為行動。編排控制着上下文的使用方式：路由、工具使用、工作流步驟、技能等。這裏承載了大部分公司特定的行為。如果編排是封閉的，你就是在接受別人對你代理應該如何工作的假設。

第三層是上下文本身。上下文使通用智能變得具體：文檔、政策、工具、技能、用户偏好、組織級知識和記憶。記憶尤其重要，因為它是系統隨時間變得更有用的方式。如果你不掌握上下文和記憶，你就沒有掌握系統積累的智能。

其次，要掌握經濟性、質量和風險。一旦AI開始執行實際工作，企業就需要像管理任何其他運營系統一樣管理它。這意味着控制工作的成本，衡量其質量，定義系統可以行動的邊界，並知道它做了什麼。

成本很重要，因為智能只有在相對於其產生的回報而言成本低廉時才具有價值。隨着AI採用的快速增長，成本也在上升——以Uber的警示例子為證。能夠在用户、組織或代理級別鎖定成本，對於可靠地擴展AI至關重要。

質量需要衡量而非假設。如果你升級模型、改變提示、添加工具或調整工作流，你需要知道系統是變好了還是退步了。如果無法衡量，你就無法系統地改進代理，也就無法真正控制和擁有它。

邊界定義了AI可以在哪裏獨立行動，哪裏需要監督。企業需要控制代理可以訪問哪些數據、使用哪些工具、哪些行動需要批准以及何時應該升級。掌握你的智能意味着控制它能做什麼。

可觀察性使系統可問責。如果代理採取了一個行動，企業需要看到它看到了什麼、做了什麼、調用了什麼工具以及原因。這不僅對改進系統很重要，對審計和信任系統也很重要。

最後，要積累你的智能。最好的AI系統會隨着使用而改進。第100次互動應該比第1次更有價值，因為系統已經學到了更多關於用户、工作流、政策、失敗和偏好的信息。你需要掌握系統學到的東西，以及學習過程本身。

學習循環從追蹤開始。追蹤顯示代理實際做了什麼：它看到了什麼上下文、調用了什麼工具、在什麼地方卡住以及產生了什麼。反饋賦予這些追蹤意義：行為是否有用、被接受、被拒絕、低效、有風險或錯誤。追蹤和反饋共同構成了改進的原材料。

這些追蹤及其關聯反饋可以用來改進系統——通過改變提示、編排、工具。但同樣重要的是與這些改變相關的評估。對於每一次更改，你都應該添加一個評估來捕捉該更改，並確保未來的更改不會導致迴歸。

至少，這些學習成果需要由你掌握。它們需要能從模型到模型、從系統到系統地移植。甚至，你應該自己擁有整個循環。同樣，代理第一次使用時表現如何並不重要，重要的是第100次使用時它變得多好。如果這才是關鍵，那麼你需要掌握驅動改進的循環。

掌握智能的清單：如果明天有新的模型提供商發佈了最先進模型，你能輕鬆切換嗎？如果你使用的模型提供商棄用了某個模型，你能自行託管以避免中斷嗎？你是否知道並能控制編排邏輯，以便精確知道每一步提供給LLM的內容？你能讓代理以完全相同的方式在一個雲環境、另一個雲環境或設備上運行嗎？你能按用户監控和控制AI支出嗎？如果有人問代理為什麼做了某事，你能展示完整的追蹤和內部邏輯嗎？你是否設置了評估以確保更換模型不會引入迴歸？當用户第100次使用時，代理會比第1次更瞭解他們並提供更好的體驗嗎？當代理學習時，你能將那些學習成果移植到完全不同的系統嗎？你能控制代理如何學習嗎？

戰略選擇：企業不需要構建AI棧的每一層。他們應該購買那些困難、通用且無差異化的部分。但他們需要掌握優勢積累的層次：代理系統、圍繞工作執行的治理以及通過使用使其更好的反饋循環。任何公司都可以採用AI。那些通過AI創造持久價值的公司將是掌握自己智能的公司。